インターン生募集 未来のゲームチェンジャーの「やってみよう」をカタチに!データサイエンスのかっこでインターン生募集中

分析

  •  PR 

売上UPにはデータ分析が不可欠?5つの売上分析の手法と分析の流れをご紹介!

売上データ分析

「売上データがあっても複雑そうでどう活用すれば…」、「売上分析の正しいやり方がわからない」と悩みを持つ方も多いと思います。

そんな時はデータ分析だ!

売上データはビジネスにおいて客観的な指標を与えるため、売上UPを目指す上で非常に高い価値を持ちます。なので、その分析方法を理解してしまえば売上に大きく貢献することができます。

本記事では、その複雑さを解明しデータ分析がどのように売上UPに寄与するのか、具体的な分析手法や分析に取り組む流れなど理解に必要な知識を紹介します。

きっと売上分析に悩むあなたの手助けになります、ぜひ最後までご覧ください。

売上UPするためにはデータ分析を行うべき

そもそも、売上UPのために行うデータ分析とは収集した売上データから意味ある情報を抽出・可視化し、将来のビジネス戦略を立てるために必要なプロセスです。

ではどのような重要性があるのか、それは結局のところビジネス上の意思決定を支援する役割にあります。

売上をデータ分析することで、商品や顧客の傾向・パターンを明らかにし、売上UPのためには何が必要かを特定することが可能です。

また将来の戦略だけでなく、自社の製品やサービスが市場でどのような立ち位置なのか、どの戦略が勢いづいていて、または停滞しているかを把握することができます。

\経験豊富なかっこのデータサイエンティストがまとめました!/ なぜデータサイエンスは必要?

売上データ分析の代表的な5つの分析手法

売上データ分析の手法にはいくつかの代表的なものが存在します。

ここでは特に使用される手法を5つ紹介します。

  1. バスケット分析
  2. ABC分析
  3. デシル分析
  4. RFM分析
  5. 重回帰分析

ちなみにここで掲載している手法はすべてExcelで簡単に実装ができるので、ぜひ試してみてください!

①バスケット分析

バスケット分析とは、マーケットバスケット解析(Market Basket Analysis)とも呼ばれ「一緒に購入されやすい商品」を見つけるためのデータ分析手法です。

余談として、この分析を有名にした事例に「おむつとビール」と呼ばれるものがあります。これはアメリカのスーパーマーケットOsco Drugsが、1992年に一定購買データ(23店舗・約120万件のバスケットデータ)を分析した結果、”おむつ”と”ビール”がしばしば一緒に購入されるということが判明した事例です。

このバスケット分析の例から、子供のおむつを買いに行かされた父親がついついビールも手に取ってしまう、というような仮説が立てられていますが真偽は不明です。

しかしこれを参考にすれば、「ビール」と「おむつ」の売り場に近づけて配置する、というように売上UPを期待できる施策を見つけることができます。

このように、バスケット分析は販売・マーケティング戦略における検討材料として非常に役立ちます

バスケット分析簡略図バスケット分析を実施する際は、4つの指標「支持度」「信頼度」「期待信頼度」「リフト値」が用いられます。

これらの指標について簡単に説明します。

  • 支持度(support)
    支持度 = 商品の組み合わせ / 全体の購入データ数
    支持度とは全体の中で、ある商品の組み合わせを購入するときの確率です。
  • 信頼度(confidence)
    信頼度(A~B) = 両方の購入データ数 / Aの購入データ数
    信頼度とはAを購入した中で、同時にBを購入する確率です。
  • 期待信頼度
    期待信頼度(B)= Bの購入データ数 /全体の購入データ数
    期待信頼度とは、全体の中でBを購入する確率のことを言います。
  • リフト値(lift)
    リフト値=信頼度(A~B) /期待信頼度(B)
    リフト値とは、Aの購入がBの購入をどの程度押し上げるかを倍率で示したものです。
    組み合わせて売ることがどのくらい効果があるのか、ということを示しており、一般的に1以上であれば効果があると判断できます。

以上の指標、特に「支持度」「信頼度」「リフト値」の3つの指標を総合して判断します。

バスケット分析の詳しい解説や実施方法については、以下の記事も参考にしてみてください。

②ABC分析

ABC分析は、重点分析とも呼ばれデータの重要度に応じて A・B・C とランク分けする方法のことをいいます。

ABC分析は、売上分析において貢献度の高い順にグループ分けを行うといったものが一般的です。

ABC分析は「パレートの法則」という、19世紀に提唱された「全体の収入の大部分(8割)は、2割の富裕層が生み出している」というがベースとなっており、由来を共にするパレート図を使って分析を行っていきます。

ABC分析を行う手順としては

  1. 売上順に分類した表を作る
  2. 分類表をもとにパレート図を作成する
  3. パレート図を分析、今後の戦略を立てる

という流れが一般的です。

簡単に例を用いて説明します。

ABC分析例1. 売上順に分類した表を作る

ABC分析ではまず、売上順に商品を分類した表を作成します。

例えば、ある商品の売上、その構成(内訳)を元にExcelで作成したものが以下になります。

商品No 売上高(円) 累計売上高 構成比 累積構成比 ランク
001 ¥8,457,000 ¥8,457,000 49.0% 49.0% A
002 ¥4,780,000 ¥13,237,000 27.7% 76.7% A
003 ¥1,430,000 ¥14,667,000 8.3% 85.0% B
004 ¥894,000 ¥15,561,000 5.2% 90.1% C
005 ¥567,000 ¥16,128,000 3.3% 93.4% C
006 ¥340,000 ¥16,468,000 2.0% 95.4% C
007 ¥312,000 ¥16,780,000 1.8% 97.2% C
008 ¥247,000 ¥17,027,000 1.4% 98.6% C
009 ¥124,000 ¥17,151,000 0.7% 99.4% C
010 ¥112,000 ¥17,263,000 0.6% 100.0% C

ランクは累積構成比をもとに決めていきます。

今回はパレートの法則にのっとり 『0%-80% を A』、『80%-90% を B』、『90%-100%』を C としてグループ分けしました。

この比率の決め方は必ずしもパレートの法則に従う必要はなく、社内の状況を見て柔軟に決めていくことが大切です。

構成比は 該当商品の売上高/総売上(ここでは累積売上高の一番下)×100 により求められます。

ABC分析例2. 分類表をもとにパレート図を作成する

ランク付けまで完了したら、分類表をもとにパレート図による可視化を行います。

パレート図サンプル

上図が、例1で用意した分類表から作成したパレート図になります。

これはExcelの簡単なグラフ機能のみで作成できますので、ぜひお試しください。

ABC分析例3. パレート図を分析、今後の戦略を立てる

ここまで可視化したものから戦略の指針となるものを分析していきます。

今回であれば「商品001」と「商品002」は売り上げへの貢献度が高いため、重要性が高いと判断できます。逆にその2つの売り上げに依存しているとも捉えられるため、その他の商品については販売方針の検討が必要になります。

このようにABC分析の強みとして、商品の優先順位の可視化による、在庫管理の効率化や販売戦略の調整が挙げられます。

③デシル分析

デシル分析とはデータを10等分(=デシル)し、各グループの上位から下位までの特性や傾向を分析する手法です。

売上データ分析においては、顧客の合計購入金額順に並べた後に10等分し売上構成比や購入比率を比較することで、例えば上位20%が売り上げにおいてどれだけの割合を占めているのか、などといったことがわかります。

特徴として比較的シンプルな手法で結果もわかりやすいことが挙げられます。

また、グループごとの違いがわかるので、購入意欲が高いであろう上位グループに対しては新商品等の情報を提供する、下位グループに対しては商品に興味を持ってもらえるようにクーポン等の情報を配信するなど、階層ごとに異なる販売・マーケティング戦略を立てられるといった、指針の立てやすさも特徴の1つです。

④RFM分析

デシル分析をさらに拡張させたものがRFM分析になります。

デシル分析は、顧客を購入金額別にグループ分けを行うものでしたが、RFM分析では「購入金額(Monetary)」に加え、「最新購入日(Recency)」「購入頻度(Frequency)」を含めた3つの軸から顧客を評価、グルーピングを行います。

以下ではそれぞれの軸に関して簡単に解説していきます。
かっこのデータサイエンスでのデータ分析業務のフロー

  • 最新購入日(Recency)
    「直近でいつ購入したのか」に基づく軸になります。具体的にはデータから「直近の購入日時」ごとに、顧客のグルーピングを行います。ここから数年前に購入した顧客より、最近購入した顧客の方が優先すべきと判断できます。
  • 購入頻度(Frequency)
    「どの程度の頻度で商品を購入しているか」に基づく軸になります。購買履歴から各顧客の購買頻度を算出することで、購買頻度の高い顧客を優先したり、頻度の低い顧客の数から施策改善などの判断にもつなげることができます。
  • 購入金額(Monetary)
    デシル分析と同様、「顧客の合計購入金額」に基づく軸です。

デシル分析と同様に、それぞれのグループの特徴、相違点を可視化することでグループごとに最適化した戦略を立てることができます。ただし、考慮する評価軸が多い分、より正確な分析結果が得られることがデシル分析との違いになります。

例えばデシル分析では購入金額のみを軸としているため、「一度に高額購入する顧客」と「頻繁に購入し結果的に合計購入額が高くなった顧客」が同じグループに属する可能性があります。この2種類の顧客だけでも考えられる施策は変わってくるため、適切なグルーピングとは言えません。

RFM分析では上記3つの軸を用いることで、より詳細な顧客像を把握することができます。

RFM分析の流れとしては、まず以下のようにR・F・Mの項目別にランク分けして、それぞれスコア付けを行います。

ランク R:最新購入日 F:購入頻度 M:購入金額
5 2週間以内 15回以上 10万円以上
4 1ヶ月以内 10回以上 5万円以上
3 1ヶ月半以内 6回以上 3万円以上
2 2か月以内 3回以上 1万円以上
1 2か月以上 2回未満 1万円未満

そして、RFMのそれぞれのスコアから顧客のグルーピングを行い、どのグループにどの程度の顧客がいるかを集計します。

その結果から、どのグループにどのようなアプローチをしていくべきか検討し、売上向上のためのアクションにつなげていきます。

この分析は顧客を3つの軸でグルーピングすることで、適切な施策を検討する際に役立つ手法になっています。

以下の記事でもRFM分析について詳しく解説しています。ぜひ参考にしてみてください。

⑤重回帰分析

最後に紹介するのは重回帰分析です。

重回帰分析は、結果の要因に対してどの要素との関係性が高いかを可視化する手法です。特に、まだ手元にない未知のデータについて予測を立てるのによく用いられます

重回帰分析の関係式は以下のように表されます。

y=β0+β1×1+β2×2+β3×3+…

一般にyは目的変数、xは説明変数と呼ばれます。

例えば「売上に与える影響を測りたい」という目的があったとき、売上高をy(目的変数)とします。そのとき、

x1,x2,x3,…

は売上高に影響しそうな要因(地域や競合、顧客数など)が与えられます。そして

β1,β2,β3…

は係数(目的変数との相関の強さ)と呼ばれ、これら係数を算出することを重回帰分析と呼びます。(β0は定数項と呼ばれるもので、要因からの影響を受けないもの)

重回帰分析を実施することで目的とする結果と、その他の要素の関係性の強さを測ることができます。

以下の記事でも重回帰分析をはじめとした回帰分析の解説から実施方法について詳しく説明しています。

また、以下の記事でも回帰分析について説明しています。こちらもぜひご覧ください。

売上データ分析の流れ

データ分析においては「しっかりと手順を押さえているか」ということが大前提であり重要になってきます。

データ分析概略図

ここまで売上データ分析に関する代表的な分析手法をいくつか紹介してきましたが、実際にどのような流れで取り組むのか、以降ではデータ分析を行う流れについて解説していきたいと思います。

①分析の目的を明確に設定する

まず、ここまで述べてきた分析手法は、あくまで何かを達成するための手段にすぎません。そのため、データ分析を用いて何をやりたいのか、その目的を明確にすることが大切です。

また、目的を設定する際にも「具体的な仮説」を立てることが重要です。

仮説を立て、何を分析するべきかを明確化し、その仮説を検証することで意思決定の支援につなげていく、ここまで出来て初めて「データ分析」となります。

②データの収集をする

仮説と分析の目的を立てることができれば、分析のためのデータ収集に移ります。売上データには売上高はもちろん、顧客単価やコスト、進行中の戦略や時系列データなど自社で蓄積されたファーストパーティデータ、自社外から収集できるセカンド・サードパーティデータなどが挙げられます。

データに関して、仮説と分析の目的に応じて必要なものを収集することでその後のデータ分析をスムーズに進めることができます。

③データの前処理をする

データを集めたら、次はその処理・整形を行います。

データを収集した後に適切な前処理を行わず分析を進めようとすると、実際とは違う結果が現れたりそもそも分析できないこともあります。

そのため欠測値などの処理・フォーマットの統一を行い、データを分析できる形に整えます。

④実際にデータ分析・可視化をする

ここから実際に収集・前処理したデータによる分析を行います。

ここでは、顧客の現在の状態を把握し、今後の戦略決定に役立てたいときはRFM分析、将来的な購買行動を予測したい場合は重回帰分析など、最初に立てた仮説と分析の目的を基に、適切な分析手法を選択していきます。

また分析結果は数値として現れるため、そのままでは客観的に伝わりづらいです。

そのため、分析からどのようなことがわかったのか、グラフや表として可視化することでデータ理解や意思決定にもつながりやすくなります。
データ分析・可視化

⑤分析・可視化した結果から重要指標を導く

分析・可視化した結果から、どのような部分に着目するべきかを洗い出します。

売上に対してどのような要因が影響を与えているのか、どのような層にどのようなアプローチを行っていくべきか、今後の施策のために有用な知見や情報を含んでいるであろう要因を明確に定義する必要があります。

⑥意思決定へと繋ぐ

意思決定

得られた知見と指標を基に、具体的なビジネスの意思決定へと繋げます。

具体的には新規顧客獲得のための施策や、扱う商品の価格調整などを分析結果に基づいて実施し、その効果を経過観察します。

ビジネス課題を見つけ、仮説を立てる、そしてデータに基づき分析を行いその効果を検証する、そういったサイクルを維持していくことが売上をUPさせるデータ分析には重要です。

売上データ分析に必要な知識・スキル

ここからは、売上データ分析に取り組むにあたって必要な知識・スキルをご紹介します。

主に以下の3つが売上データ分析に取り組むにあたって必要な知識・スキルです。

  • Excelを扱う
  • 数学(統計学)の知識
  • 「ビジネス」への理解

Excelを扱う

記事内でも何度か紹介したツールですが、実際に多くの企業でも売上分析に用いられています

そして、本記事で取り上げた分析手法はすべてエクセル上で行うことができるため、Excelでの分析はぜひ身に着けてほしいスキルとなります。

Excelで分析を行う際は、アドインの一つである「分析ツール」の使用をお勧めします。

分析ツールを導入する手順としては

  1. 画面上の「ファイル」をクリックし、表示されている「その他」から「オプション」をクリック(オプションが表示されていればそこをクリック)
  2. 次に「アドイン」を開き「分析ツール」を選択、選択したら「設定」ボタンをクリック
  3. アクティブなアドインダイアログが表示されるため、「分析ツール」にcheckし「OK」を選択
  4. 最初の画面に戻り、「データ」タブの右側に「データ分析」が表示されていれば完了

これで、元データの表を準備すれば上で紹介した重回帰分析などを行うことができます。

また、表やグラフを表示する機能もあり、分析だけでなくデータの可視化も可能なため、売上データ分析を行う上では必要不可欠なものになります。

数学(統計学)の知識

データ分析において、数学(特に統計学)はその基盤となる知識です。

これは、分析を行う人自身の理解もそうですが、意思決定を手助けするために分析結果を示して施策や手立てを提案する際、その提案の信頼性を担保する根拠としても重要な知識です。

とは言いつつも、本記事で紹介し分析手法に限って言えばそれほど難易度の高いものではなく、中学・高校で学ぶ統計学の基本知識で理解が可能です。(例外として重回帰分析は少し複雑ですが…)

「ビジネス」への理解

すべてのデータ分析がビジネス理解から始まるといっても過言ではないです。

売上データ分析では、ツールによるデータ操作や数学の重要性をイメージしがちですが、先ず「ビジネスを理解し、ビジネス課題を特定する」ところからがスタートです。

「今あるデータで何かできないか?」というあいまいなものではなく、そもそもどんなビジネス課題があるのか、それを解決することでビジネスにどのような効果があるのか、「適切な課題を適切なアプローチで解く」ためにビジネス理解は基本であり非常に重要な点になります。

\経験豊富なかっこのデータサイエンティストがまとめました!/ なぜデータサイエンスは必要?

まとめ

以上、売上を上げるための具体的なデータ分析手法や、分析の流れ、これらの理解に必要な知識を説明しました。

売上をデータ分析することで、商品や顧客の傾向・パターンを明らかにし、売上UPのためには何が必要かを特定することが可能です。

また、データ分析で得られた知見を意思決定に役立たせることができ、どのような戦略・施策をとっていくべきかを決めることができます。

とは言っても、

「1から売上データ分析に取り組むのは骨が折れる…」
「より効果的なデータ活用がしたい…」

というようなお悩みがあると思います。

そんな時は、ぜひかっこのデータサイエンスにお問い合わせください。

かっこのデータサイエンスではビジネス上の悩みのヒアリング、課題の洗い出し、アプローチの提案まで無料でご提供していますのでお気軽にご相談ください。

かっこのデータサイエンスでのデータ分析業務のフロー

かっこのデータサイエンス|かっこ株式会社

かっこのデータサイエンス公式

ピックアップ記事

  1. こんなときには異常検知
  2. 知っておきたいAIの理想と現実
  3. 多くの人と会話をするきっかけとなる最適な映画をデータサイエンスで選んでみた
  4. 学生をデータサイエンティストに育てる4つのポイント
  5. RFM分析とは?優良顧客を見つけるやり方やメリット【例を用いて解説】

関連記事

  1. 分析

    データ分析の使える道具!! よく活用する図表・グラフをまとめてみた。

    データ分析において、変数1つ1つの特徴や、変数間の関係性、現状の把握を…

  2. 分析

    まずはやってみよう!マーケティングでデータ分析!①イントロダクション

    まずは自社でデータ分析をやるべきデータ分析を会社で活かせていますか…

  3. 需要予測のアイキャッチ画像

    分析

    需要予測とは?使える場面や予測の手法・注意点を徹底解説!

    需要予測とは商品やサービスが市場の中でどれくらい売れるか、需要されるか…

  4. 分析

    それ分析じゃなく集計ですから

    データ分析に取り組んでいるけど、まるで成果が上がらない、こんなことやっ…

  5. ロジスティック回帰分析

    分析

    かんたん解説! ロジスティック回帰の結果の見方と考え方

     統計学の心得が無いビジネスマンにも、分析結果の読み方が理解できれば、…

  6. リピート率とはのアイキャッチ画像

    分析

    売上に直結するリピート率とは?計算方法や上げ方の手順を解説

    「リピート率ってなに?」「そもそもなんでリピート率が重要?…

おすすめ記事

  1. 就活で話すことには困らないかっこのインターンシップ経験!
  2. 日々、巧妙化する不正取引の対策頻度を10倍に向上!「異常検知…
  3. 全力で食らいついたかっこでの1年間
  4. 確率を予測する「ロジスティック回帰」とは
  5. データサイエンスを現場の敵にしないために
  1. 分析

    サブスクリプションの利用継続KPIをロジステック回帰分析で明らかに!
  2. 左から福山、おおたけ、安中

    データ分析例

    日々、巧妙化する不正取引の対策頻度を10倍に向上!「異常検知」活用事例
  3. データサイエンティストとは

    分析

    データサイエンティストとは?定義・業務・スキル・育成の全まとめ
  4. 統計

    2種のデータの関係性を明らかにする「相関」のおはなし
  5. インターン体験記

    文系学生によるかっこのデータサイエンスインターン体験記
PAGE TOP