分析サービス事例
年次の市場規模予測
背景
こちらのお客様は精密機械関連の製品を製造する企業で、中期的な計画として新興国市場に進出することは決まっていたものの、どの国にどの順番で 進出するかは決まっていませんでした。現在の市場はどの候補国も小さいため、現在の市場規模だけでは決められません。人口も重要なファクターですが、人口が多いからといって早く市場が立ち上がるわけではありません。そこで、今後10年間で、どの国の市場がいつ頃から立ち上がるのかを予測して欲しい、というご依頼をいただきました。
アプローチ
まず、過去に市場が立ち上がった国について、その立ち上がった要因を分析しました。具体的には、その要因の候補となる指標を集め、市場規模との関係を統計的に解析しました。指標には相乗効果がある可能性があるため、いくつかの合成変数を作り、それらとの関係も解析する必要があります。また、市場はその国の経済レベルが上がると上位市場に移行することがあるため、上位市場の予測も併せて行い、統計モデルをつくりました。
モデルができあがったら、進出候補国における各指標の予測値をそのモデルに投入し、候補国の立ち上がり時期と規模を算出します。
意思決定
進出国の決定は、市場の立ち上がりの時期と規模といった「市場の魅力度」の他に、その市場で勝てるのかという「自社の競争力」という要素を併せて考えなければなりません。本件では、弊社の分析結果をもとに各国の「市場の魅力度」を評価するとともに、競争力の評価として、資金や人員といった経営資源、地元政府との関係構築力や現地社員をマネジメントする能力といった「力（＝ケイパビリティ」を考慮しながら、候補国の選定が行われました。
月次の市場規模予測
背景
アプローチ
意思決定
こちらのお客様の業態は消費財メーカーで、小売りチェーンとの商談では2〜3ヶ月先の話をしています。商談で「直近は減少傾向でも3ヶ月後には回復し、その後さらに伸びる」といったことが言えれば交渉に有利になるが、現時点ではそういった情報がなく、3ヶ月後に急に注文が来ても消費期限が短い商品のため在庫を余分に持てないことから欠品になるおそれがある、とのことで、「3ヶ月から半年先の予測をしたい」というご依頼をいただきました。
本事例では、月次の市場規模実績データはお客様が購入した調査会社のものを、影響要因の候補としては、政府が毎月公表している家計調査や物価指数などの統計を用いました。統計の項目数は数百にのぼります。これらと月次の市場規模との関係を統計分析で明らかにするわけですが、年単位と違って気をつけなければならないのが、(1)季節性などのサイクル、(2)影響要因と市場規模との間のタイムラグです。タイムラグは翌月だけでなく、翌月以降数カ月にわたって影響を及ぼすケースもあります。また、最終的に選択された影響要因について、感覚的に納得できる根拠も別途分析しました。
予測結果は営業部門の幹部が参加する会議の資料として毎月共有され、営業マンが商談で用いることが可能になりました。本件では、機械学習ではなく統計的な手法を用いました。それは、経営の意思決定のための情報や営業資料としてお客様に見せる情報は「なぜそういう結果になったのか」という納得感が必要になりますが、機械学習では精度が高くても分析過程がブラックボックス化してしまい、結局意思決定や営業現場で使われない情報となってしまうからです。意思決定や説得のための情報としてデータ分析を行う際には、精度以上に納得感を重視することが重要です。
週次の市場規模予測
背景
こちらのお客様の業態は日用品メーカーで、需要増加により生産キャパシティに余裕がなくなってきため、毎週の生産計画を過不足ないように精度高く立てる必要がありました。また、今後3ヶ月先まで週次で予測できれば小売りチェーンとの商談にも活かせるだろうというお考えもあり、「週次の市場が予測できないか」と打診をいただきました。
アプローチ
お客様にはもともと、市場規模は気象に影響されているのではないか、という仮説がありました。気象に関する予測データは平均気温ぐらいしかありませんが、まずは市場に影響する要因を幅広く考慮することにしました。そこで、市場の地域を絞り、最高・最低気温、湿度、降水量などの日次データを取得しました。そして、それらのデータの週平均を取るだけでなく、前週との差や週内日数などに加工しました。
分析手法は統計的手法のほか、機械学習も用いました。気象がどのぐらい変化すると市場にどのぐらいインパクトがあるのか、という理解は納得感として必要ですが、一方で、予測精度も必要なためです。今回は両方の手法を使い、用途に応じて使い分けることになりました。
意思決定
いきなりこの予測データのみで生産計画を立てるのはリスクがあるため、まずは生産計画を立てるための一つの情報として活用されることになりました。予測モデルの精度だけでなく、平均気温の将来予測の精度も影響するためです。天気予報なので100％の精度にはなりませんが、それまでの「営業マンからの申告ベースの受注予測」よりは大幅な改善が見られました。
売上最大化シミュレーション
背景
こちらのお客様は年度末に経営幹部が翌年度の事業別目標売上額を決定し、その配下の機能別の部門が売上達成のための施策およびアウトカム指標（中間的な結果指標）とアウトプット指標（行動指標や投資額）の月次目標値を設定していました。
各種目標値を設定する際、
-
売上高をモレなくダブりなくアウトカム指標に分解できていないため、各機能別部門が都合良く指標を設定し、それが達成できたとしても最終的な売上高が達成できないことが発生
-
アウトカム指標（結果）とアウトプット指標（行動や投資）との関係が不明確なため、一つのアウトカム指標（例えば「新規顧客獲得数」）を複数の部門（例えば商品開発部門と広告部門と営業部門）の活動で達成しようとする場合、責任や手柄の所在が不明確になり、声の大きい部門が有利
-
アウトカム指標が未達となる月が発生した場合に、残りの各月でどのぐらいアウトプット指標を積み増す必要があるのか、分からない
という課題が生じていました。
そこで、年次の目標売上高を適切かつ恣意性が入らないように月次のアウトカム指標とアウトプット指標に分解した上で、予実の進捗に合わせて残りの月の指標の目標値を変えられるような管理の仕組みを作って欲しいというご依頼をいただきました。
アプローチ
まず、売上目標を分解した項目については、各部門・組織の役割や業務内容をもとにお客様とディスカッションしながら決めていきました。売上をアウトカム指標に分解するための計算は基本的に四則演算なので難しくはありませんが、項目をモレなくダブりなく、かつ、投資対効果（ROI）の見える化という視点で分解するところが難しい点です。
アウトカム指標（結果）からアウトプット指標（行動や投資）への分解の計算は、過去の実績データをもとに統計的手法を用いて数式を作りました。機械学習を使わなかったのは、各部門の寄与度を数値化する必要があるということと、複数の指標を算出するための最適化計算に数式が必要になるためです。
数式が作れたら、予算や活動量の上限を制約条件として設定して最適化計算でアウトカム指標を算出しました。併せて、現有の経営資源で理論上いくらまで売上を上げられる（はず）か、といったシミュレーションも行いました。
最終的には、目標売上高を入力すると自動的に各種の指標に分解されるロジック（KPIツリー）に、毎月の進捗に合わせて残り月の指標を変化させられる機能を付けたツールの形で納品いたしました。
意思決定
このツールは、年間の目標売上高という経営トップが責任を持つ指標から、各部門の活動量という現場レベルが追いかける指標までを一覧できるため、社内の共通言語のような位置付けで組織の各レベルの意思決定に活用されています。
新商品の売上予測
背景
こちらのお客様は期間限定商品を含めると年間に100以上の新商品を発売しています。商品によって発売直後の売れ行きに大きな違いが出るため、予想を超えて売れると欠品になり、売れないと在庫の山になるという状況でした。予想の精度を高めようと模索されていましたが、発売前では情報が少なく、発売直後の売上を予測できないか、と打診をいただきました。
アプローチ
発売直後の販売量に対しては、商品の品質の良し悪し、メディアでの記事、すでに購入した友人やSNSでの評価などはほとんど影響していないと考えました。そこで、売上の主な決め手は、
-
商品コンセプトの受容性
-
小売り店の店頭にどれだけ並べられるか（配荷率）
-
商品パッケージから受ける印象
という仮説を立てました。
1.の商品コンセプトの受容性については、コンセプトのキーワードのツイッターにおける出現数を時系列で分析してみましたが、売れた商品と売れなかった商品に明確な違いが出ませんでした。
2.の店頭配荷率については、ほとんどの商品が同じぐらいだったため、分析対象から除外しました。
残る3.商品パッケージから受ける印象については、過去の複数の商品パッケージから受ける印象をWebアンケートで調査し、その結果と過去の実際の売上高の関係分析を実施しました。
その結果、印象と発売直後の売上には一定の相関があることがわかり、また、相関の高かった印象項目には、売上との相関が無いだろうと思われていたものも含まれていました。
意思決定
売上に与える影響が大きい印象項目が抽出できたので、こちらの意図する印象を作り出せる商品パッケージのデザインの検討が開始されることになりました。
なお、この分析では、(1)商品パッケージ → (2)消費者の印象調査 → (3)発売直後の売上 という関係を見ていきましたが、新商品の発売のたびに(2)の印象調査をするのは予算と時間の制約から現実的では無いため、機械学習を使って(1)商品パッケージの画像と(3)発売直後の売上の関係を直接分析するの検討が開始されることとなりました。
広告の効果分析と予算の最適配分
背景
こちらのお客様は、多くの広告媒体（TVCM、Webバナー、Web動画、電車内広告、看板・デジタルサイネージなど）を使って広告を出しておられました。これらの広告によってキャンペーンの認知者数、商品の認知者数、契約意向者数、契約者数といったKPI（主要業績指標）を上げてきたわけですが、これらの広告投資をもっと効率的に行えないのかという経営からの方針があり、(1)同じ広告予算でのKPIの最大化、(2)KPI目標を達成するための広告投資額の最小化のシミュレーションができないか、という打診をいただきました。
アプローチ
KPIである「認知者数」「意向者数」といったデータはWebアンケートで取得しました。そして、それらのKPIと広告投資額との関係を分析しました。
なお、広告投資とKPIの間には、
-
広告が記憶されるために必要な「累積接触回数」
-
広告に一定期間以上触れないと忘れてしまう「忘却効果」
-
広告や商品が話題となり、記事やSNS、友人などを通じて認知する「波及効果」
-
商品認知や契約意向を持ってから契約するまでの「タイムラグ」
があるため、それらについて仮定を置いて関係性モデルを作る必要があります。
また、(1)KPIの最大化と(2)の広告投資額の最小化では、目的とする項目と変化させる項目が異なるため、設定を（この場合は計算モジュールも）変えて実施しました。
意思決定
分析から分かったのは、ある媒体は1人の認知を獲得するための単価は低いがそれが契約意向や実契約に繋がりにくい一方、別の媒体は契約意向や実契約に繋がりやすいが認知を得るための単価が高い、というトレードオフの関係でした。
全体最適な予算配分の観点ではある特定の媒体に予算をシフトするべきというシンプルな結果にはならなかったものの、どうやって認知のための単価を下げていけるか、累積回数・忘却効果・波及効果を改善するための検討が開始するという意思決定に繋がりました。
流通チャネルごとの価格弾力性分析
背景
こちらのお客様は、スーパーマーケット、ディスカウントストア、コンビニなど、複数カテゴリーの小売りチェーンに商品を卸しています。小売りチェーンと協力して「●個買ったら◯円引き！」などのキャンペーンを行なっているものの、実際にどのぐらい販売数量の増加に寄与しているのか、具体的に把握されていませんでした。そのため、キャンペーンによって値下げした分以上の販売数量の増加が生まれているのか、利益を圧迫しているだけなのか、よく分かっていない状況でした。
アプローチ
価格弾力性分析はどの切り口で行うべきか、最初に検討が必要です。一人の顧客が通常価格とキャンペーン価格の両方で購入している場合は、顧客別の切り口では意味がありません。このケースでは「買い物機会」の単位で分析しました。
このケースでは、経験則通り、コンビニでは価格を下げてもあまり購入数は増えず、ディスカウントストアではある価格以下に下がると買い物あたり平均購入数が大きく増加しました。
意思決定
この分析結果が起点となって、営業部門においてキャンペーンの際の価格決定を客観的データで決定しようということになりました。
今回はコスト面の検討は範囲外だったため行いませんでしたが、時間が許せば、どこまで下げた場合に（売上ではなく）利益が最大化するのか、といった利益最大化シミュレーションを行なった上でキャンペーン価格を決定するのが良いと思われます。
営業マンと案件の最適マッチング
背景
こちらのお客様は製造機械部品メーカーで、商品は機械部品のほか、電子機器と組み合わせたモジュール型商品、特定用途向けの商品、低価格汎用品など多岐にわたり、顧客も完成品メーカーのほか、大手の製造装置メーカー、特注専門の装置メーカー、Tier1と呼ばれる大手部品メーカー、受注生産をする町工場など様々です。
これに伴い、営業スタイルは商品カテゴリ×販売先カテゴリで異なります。例えば、大手の製造装置メーカーに対して機械部品を売り込むときはスペックインが目標になるため、顧客の製品開発過程に入り込み、製品スペックに合わせてこちらの試作品を直し続けるような「足が長く辛抱強い営業スタイル」が必要です。一方、モジュール型の商品を特注専門の装置メーカーに売り込むときは、商品のデモを見せて効果を説明して顧客に興味がなければサッと切り上げて別の顧客に営業に行くような「高回転型」の営業スタイルが必要になります。
スーパー営業マンであれば数多くのスタイルを一人でやってのけることができますが、標準的な営業マンはその全てに対応することは困難です。また、日本全国にある支店ではその地域性によって顧客カテゴリの構成割合や引き合い数が違います。昨今の人手不足の状況で営業マンの採用が思うようにできない中、売上の最大化をするためには、どの支店にどういうスタイルが得意な営業マンを何人配置してどういう顧客を担当させるべきなのか、最適なマッチングが課題となっていました。
アプローチ
まず、カテゴリとして、営業マンのSPI（適性検査）、商品種類、顧客種類、売れ方、地域性を定義しました。また、計算に必要なKPIを定義し、すでにデータがあるものはそれを使い、まだ無いものは仮置きして今後データを蓄積していくことにしました。そして、営業マンの人数、訪問件数、地域別市場規模を制約条件として、売上高が最大化する「地域別の性格別営業マン数」と「性格別営業マン1人に割り当てる案件の種類と数」を変数とした最適化計算を行いました。
意思決定
この分析＋最大化シミュレーションで算出したものは、現有の営業マンで達成できる理論上の最大売上高でしたので、事業責任者が「この配置にできない理由はあるのか？」と思うのは当然の成り行きでした。
今回は、シミュレーションの初期段階でいくつかの仮置きデータを営業部門に考えてもらえたこともあり、今後このシミュレーションの精度を上げていって可能な限りこの配置に近づけるという社内的なコンセンサスがスムーズに得られました。今回のように、シミュレーションの段階で実施部門をうまく巻き込んでおくことがその後の運用のカギになります。
海外ECサイトでの競合商品との評価比較
背景
こちらのお客様は食品メーカーで、ある時から売上が急激に伸び始めたので調査したところ、中国人観光客が日本で買い、それを親類・友人にお土産として持って帰るだけでなく、並行輸入業者として中国で販売しているという情報を得ていました。このお客様が検討されていた選択肢は、(1)このまま中国人観光客に販売し続ける（特に手を打たない）、(2) 中国に販売拠点を作りそこで日本と同じ製品を売る、(3) 中国市場向けに商品をアレンジし、中国で生産して価格を下げて中国で売る、の３つがありました。そこで、この選択肢を検討するために中国人消費者による自社商品の位置づけを知りたい、という打診をいただきました。
アプローチ
中国人消費者によるブランドに対する評価を分析するために、代表的な2〜3の中国のECサイトの評価コメントを取得し、単語に分解して係り受け解析を行いました。中国人は日本人以上に評価コメントを記入する傾向があるので、一つの商品に対する評価コメントは一つのECサイトだけで5000を超え、ブランド全体では数万件になります。また、このお客様のブランドだけを分析しても相対的な位置づけは分からないので、他のブランドと比較しました。
比較においては、共通の比較軸（「効果」「品質」「価格」など）を決め、それぞれのコメントがどの比較軸に関するものかを分類するための辞書を作成しました。
その結果、この商品はお土産としての価値はあるものの、味が好まれているので購入されていて、自分用にも買いたいという声も多く見られました。そして、その品質に対する評価は多分に「日本で製造した」ことが影響しているという結果が出てきたため、選択肢（2）の「日本で販売しているものと同じ商品を中国拠点で販売する」が最も有力な結論であろう、という結果になりました。
意思決定
この分析結果を受けて、３つの選択肢の中では(2)が最有力となりました。しかし、これはあくまでも商品をECサイトで購入した消費者の声を集計したに過ぎません。そこで、この結果から得られた仮説をさらにインタビューなどによって検証することになりました。
もともとこのお客様はインタビューなどによって購入動機を聴取する必要があると考えておられましたが、ECの評価コメント分析を経ることによって、質問の意図や項目が明確になり、意義のある検証を行うことができます。
日本・中国のSNSでの特徴トレンド分析
背景
こちらのお客様は数年前から中国市場に進出され、売上は順調に伸びていましたが、ここ数ヶ月は売上が低迷していました。そこで、社内で議論した結果、その原因についての仮説が３つ挙がり、これを大規模なWebアンケート調査などではなく簡易的に検証してほしい、とご依頼を頂きました。
アプローチ
分析対象として、SNSの新浪微博（weibo.com）の投稿を使うこととしました。まず原因について語られている投稿をピックアップするために、原因を表すキーワードを列挙します。例えば、原因仮説が「反日感情の高まり」の場合、「日本」「嫌」などになります。これらのワードを検索キーワードとして、数年前から現在までの投稿を取得します。なお、新浪微博はAPIでのデータ提供を原則として行なっていないため、数万件の投稿を短期間で取得するには工夫が必要です。
新浪微博やTwitterの投稿は玉石混交ですので、取得したデータをクレンジングする必要があります。具体的には、広告、原因仮説とは関係ない投稿、重複投稿などを除外していきます。そして、その投稿の中でその投稿を象徴するような特徴的な単語を自動抽出しました。さらに、その単語の出現回数ランキングを月次（ケースによっては四半期）でカウントし、原因仮説のなかで自社のブランドや商品カテゴリに関するものがないか、探っていきました。このケースでは、ある原因仮説のなかで、売上が低迷する少し前から自社の商品に関係する単語の出現回数が増えているものがあり、３つの仮説の中ではそれが真因であろう、という結論になりました。
別のケースで日本のTwitterを使った例
意思決定
確からしい原因が判明したため、売上低迷の打開策が検討されました。原因仮説が３つのままでは先に進まないか、誤った打開策を打つ可能性がありました。必ず望んだ結果が得られるというわけではありませんが、社内で時間をかけて議論するより、クイックにSNSで分析する方が実際の意思決定にとっては有用な場合があると言える実例です。