What's MC
データ分析の強み
実務に使える、"生きた"データ分析を行います
基礎分析から多変量解析やデータマイニングまで幅広くサポート
お客様の「知りたいこと」や、課題に最適な形で分析をいたします。
実務に使える/意思決定に使えるデータ分析を目指します
"分析のための分析"にならないよう、実用面を常に意識してデータ活用を行います。
「社内にデータはあるが、どう活用すれば・・・」という方もおまかせ
保有しているデータ形式にあわせて、活用・運用方法をご提案します。
データ分析手法例
需要予測をしたい
例えば:コンビニ売上に影響を与えている要因を調べ、店舗の売上高を予測したい
例えば:顧客満足度と相関が高い要因は何かを探り、対策を立てたい
回帰分析とは
回帰分析は、簡単にいうと「xがyにどれだけ影響を与えるか?」を分析する手法の1つです。
例えば、yを「店舗売上」とし、xを「駅からの距離」や「エリアの人口」などにすると、「駅からの距離や人口がどれだけ店舗売上に影響を与えるか?」「新規出店予定の店はどれくらいの売上が予測できるか?」ということが知れます。
回帰分析には単回帰分析、重回帰分析、ロジスティック回帰分析など、いくつかの種類がありますが、基本的には考え方は同じです。
xの数や、データ形式(定量/定性)に応じて手法を使い分けます。
回帰分析は二次元のグラフなどを用いて結果を表します。
ポジショニングを考えたい
例えば:お客様の中で、自社の商品と競合の商品はどういう立ち位置なのか知りたい
例えば:各年代において、親しみのあるコンビニは何か?どこが狙い目なのか?を知りたい
コレスポンデンス分析(ポジショニング分析)
ポジショニングの戦略を立てる上では、現状の市場内における自社と競合のポジションについて、客観的に分析する必要があります。
その時に有効な方法は、二軸のマップに情報を落とし込む「ポジショニングマップ」を作成することです。
また分析手法の1つ、コレスポンデンス分析を使えば、クロス集計表を元にわかりやすくマップを作成することができます。
マップでは、より関連の強い要素が近くに配置されるよう、ビジュアル化されます。
マップでは、より関連の強い要素が近くに配置されるよう、ビジュアル化されます。
回答者の潜在意識を知りたい
例えば:賃貸の入居希望者が「住みたい」「住みたくない」を判断する軸は何なのかを知りたい
例えば:顧客意識に関する様々なデータがあるが、量が多すぎるので見通しを良くしたい
因子分析
因子分析は、多くの設問の回答結果から、少数の因子を取り出す分析です。
例えば賃貸住宅を探す際、家賃のほかにも「住環境・利便性・防犯/安全面」などを選択軸にしています。
そしてその選択軸をもとに「オートロックは必須か?」「周りに公園があった方がいいか?」などの判断をしています。しかし実はこの選択軸は潜在意識のため、直接アンケートで聞くのが非常に困難です。
因子分析は、「Aについて重要と答えた人はBも重要と答えやすい」という傾向をもとに、回答者の潜在意識を探ります。
因子分析では、潜在意識である選択軸を明らかにするとともに、各回答者が何を重要視しているかも探ることができます。
商品企画をしたい
例えば:最も好まれる「サイズ」「形」「色」「スペック」の組合せはどれかを探りたい
コンジョイント分析
商品は、デザインテイストや色など、さまざまな要素の組み合わせで作られています。
そしてそれらを総合で判断して、購入者は「買いたい」「買いたくない」の判断をしています。
コンジョイント分析は、それぞれの要素がどれだけ購入に影響を与えているのかを探り、そして要素の最適な組み合わせを明らかにする分析手法です。
アンケートでは、様々な条件の商品を掲示し、回答者に評価してもらいます。
結果を分析し、どの要因が評価に影響したかを判断します。
「効用値」は各水準の影響度です。
重要度は、メーカーなどの属性がどれだけ評価に影響したかを表しています。
購入傾向を探りたい
例えば:POSデータを分析し、歯ブラシと一緒に何が買われているかを知りたい
例えば:顧客が何を一緒に買っているか、時系列でトレースしたい
マーケットバスケット分析(アソシエーション分析)
マーケットバスケット分析は、顧客が、何と何を購入したかを分析し、何らかのルールを探る手法です。
有名な事例だと「おむつを買う顧客は、同時にビールも買う」といったルールがあります。
主にPOSデータやECサイトのデータを利用して行われますが、それ以外にも多くのデータに応用が出来ます。
顧客の購買傾向を探ることで「商品Aを買っている人は商品Bがオススメ」という提案ができます。
時系列で顧客の購買履歴を追い、分析することも可能です。