マーケティング分析 - sas.com13 主成分分析＋クラスター分析の例...

0

マーケティング分析 ―初心者がつまづきやすいポイントと分析の技法―

専修大学生田目崇 [email protected]

2012年8月2日 SASユーザー総会

1

マーケティング・マネジメント・プロセス：P.コトラー 1. 市場機会の発見（リサーチ，SWOT分析） 2. 標的市場を選定（STP） 3. マーケティング・ミックス戦略を開発（4P） 4. マーケティング活動を管理

市場機会の発見

ターゲット市場の選

定

マーケティング・ミック

ス

マーケティング活動

の管理

SASユーザー総会 2012年8月2日

2

マーケティングの変遷 1.0：製品中心 2.0：消費者志向 3.0：価値主導

目的製品を販売消費者を満足させつなぎとめること

世界をより良い場所にすること

可能にした力産業革命情報技術ニューウェーブの技術市場に対する企業の見方

物質的ニーズをもつマス購買者

マインドとハートを持つより洗練された消費者

マインドとハートと精神を持つ全人的存在

主なマーケティングコンセプト

製品開発差別化価値

企業のマーケティングガイドライン

製品の説明企業と製品のポジショニング

企業のミッション，ビジョン，価値

価値提案機能的価値機能的・感情的価値機能的・感情的・精神的価値

消費者との交流 1対多数の取引 1対1の関係多数対多数の協働中心となる

マーケティング活動マーケティング・ミックス

の最適化ターゲット市場の選定個客対応

ビッグデータ対応コトラー他：「コトラーのマーケティング3.0」（2010）＋加筆


3

マーケティングにおけるデータ解析：手法の観点から集計・統計分析

– OLAP – 統計解析（統計値，検定，分散分析）

多変量解析的アプローチ – 伝統的な手法による分析 – マーケティング特有のモデル（普及モデル，価格モデル）

データ・マイニング，テキスト・マイニング – 非線形の関係 – 大規模データ分析 – 個別対応

意思決定 – 最適化モデル


4

構造解析

因果関係

クラス判別

多変量解析・データマイニング手法の概観

正準相関分析

２群の正準判別分析

多群の正準判別分析

数量化I類

数量化II類

数量化III類主成分分析

因子分析

マハラノビスの汎距離による判別分析

ロジスティック回帰分析

一般化線形モデル

決定木モデル：CART

アソシエーションルール分析

共分散構造分析

決定木モデル：CHAID

多項ロジット・モデル

コンジョイントモデル

潜在クラス分析

重回帰分析

NTTデータ中川氏の資料より


ニューラルネットワーク

階層型クラスター分析

5

データ・マイニング，テキスト・マイニング大量・非集計データ，非線形関係を計算機パワーで分析

– データ分類非階層型クラスタリング：大規模データのクラスター分析決定木分析：If-then形式の判別 SVM：非線形の判別分析自己組織化マップ：二次元上に類似するサンプルの集合を作成

– ルール抽出アソシエーション分析：If-then式のルールもしくは同時選択

– 予測ニューラルネットワーク：非線形の因果関係モデル

テキスト・マイニング – 形態素解析，係り受け解析，頻出分析，アソシエーション・ルール


6

アソシエーションルール分析

条件Ａに占める条件Ｂの割合確信度 Confidence（X⇒Y）＝(XY)／X

全体Uに占める条件Ａかつ条件Ｂの割合支持度 Support（X∩Y）＝(XY)／U

条件Aに占める条件Bの割合（確信度）に対する全体に占める条件の割合の比

リフト値

Lift（X⇒Y）＝((XY)／X)÷(Y／U)

【ルールの評価指標】

If 条件A Then 条件B ・・・確信度○○ X:前提 Y:結論

U:全サンプル

Support

Confidence

Lift

XY


7

決定木分析

顧客全体

～29 40～

年齢

家族

30～39

独身既婚

性別

男性女性

優良非優良非優良非優良

年齢で分類すると最も明確分類できる

優良顧客の特徴は30代既婚者

分割基準カイ二乗ジニ係数情報量


8

マーケット・セグメンテーション「消費者をなんらかの意味で同質と考えられるような消費者グループに分割」す

ること – 消費者の嗜好や行動が多様化 – 消費者の情報探索・判断能力の向上

マス対応セグメント対応

• リソースの効率的配分 • 選択と集中


9

セグメンテーションの軸

地理軸

地域関東，関西，東北・・・心理的軸

ライフスタイルイノベーター，都市型，伝統的

都市規模 5千人未満，2万人未満， 5万人未満，10万人以上・・・

性格社交的，権威主義的，野心的

生活価値観保守的，自己達成，自己表現人口密度都市，郊外，地方，農村

行動面の軸

購買回数ー気候太平洋側，日本海側，山地・・・購買単価ー

人口統計的軸

年齢 20代・30代，F1・F2，M1・M2 購買機会定期的，アドホック，値引き時

性別男性・女性購買時間帯日中，夕方，深夜

家族数 1人・2人・3人・4人・・・追求便益経済性，便宜性，新規性

学歴高卒・大卒・院卒ロイヤルティ高，中，低，無

所得 300万円以下，500万円以下・・使用頻度少量，中程度，大量

職業専門職，技術職，公務員，学生，主婦，定年退職者・・・

使用者状態非使用者，旧使用者，潜在使用者，初回使用者・・・

家族ライフサイクル

若年独身，若年既婚子供あり，高年既婚子供あり・・・

購買準備段階無知，知識あり，興味あり，購買意欲あり

社会階層中流階層の上位/下位，上流階層の上位/下位・・・

マーケティング要因感受性

品質，価格，サービス，広告，セールスプロモーション

出展：わかりやすいマーケティング戦略,沼上,有斐閣アルマ（2001）をもとに修正


10

STPの分析手法集計分析

– RFM分析（S） – ABC分析（T)

多変量解析 – 主成分分析・因子分析（S，P) – 判別分析（T)

データマイニング – 決定木分析（S，T) – クラスター分析（S)

その他 – 個人差の考慮（S，T） – 最適化手法（S，T）


11

顧客購買履歴をもとにした RFM分析

– Recency：直近購買日からの期間 – Frequency：一定期間の購買回数 – Monetary Value：一定期間の購買金額

これらを顧客ごとに算出しスコアリング 5段階もしくはデシルに分割する方法も（例：RFMセルコード）基本的には「反復購買」「反復来店」に関して，優良顧客セグメントを識別する

のが目的 high mid Low

R < 3日 < 1週間 1週間≦ F 7回 < 3回＜ ≦２回 M 20,000円 < 10,000円 < ≦ 9,999円


12

RFM分析の例

RFMセルセルごとの人数次月離脱客反復購買確率次月平均購買額次月平均購買額（購買者のみ）

111 1629 1286 21.1% 555 2,634 112 284 213 25.0% 1,078 4,311 113 10 10 0.0% 0 0 121 549 346 37.0% 753 2,036 122 724 438 39.5% 1,496 3,787 123 97 50 48.5% 2,666 5,502 131 21 7 66.7% 1,002 1,503 132 115 42 63.5% 1,894 2,984 133 100 34 66.0% 3,495 5,295 211 479 390 18.6% 452 2,430 212 89 65 27.0% 1,150 4,265 213 3 3 0.0% 0 0 221 423 259 38.8% 698 1,799 222 856 454 47.0% 1,607 3,422 223 232 93 59.9% 3,718 6,205 231 42 12 71.4% 929 1,300 232 502 137 72.7% 1,977 2,720 233 919 159 82.7% 5,383 6,509 311 159 137 13.8% 354 2,560 312 73 60 17.8% 776 4,356 313 5 5 0.0% 0 0 321 152 95 37.5% 809 2,157 322 444 254 42.8% 1,665 3,891 323 165 90 45.5% 2,390 5,257 331 27 7 74.1% 829 1,119 332 397 96 75.8% 1,779 2,346 333 1952 220 88.7% 6,630 7,472


13

主成分分析＋クラスター分析の例 ID付POSデータを顧客別・カテゴリー別に集計主成分分析により次元の縮約（図示できるように）主成分得点を使って，クラスター分析（k-means法）でセグメントを作成

SAS Enterprise Guideによる例


14

線形モデルからの発展

線形モデル

• 回帰分析・分散分析 • 正規分布を仮定

一般化線形モデル

• ロジットモデル・ポアソン回帰・ワイブル回帰 • 正規分布以外の分布を仮定

混合モデル

• 潜在クラスモデル • 個体差の考慮

個別のパラメータ

• 階層ベイズモデル • 個別のパラメータ


15

個人の異質性の考慮したモデル統計的見地から個人の異質性を考慮する手法が提案されている．

– 離散的なモデル潜在クラスモデル

離散的なセグメントに対する所属確率を推定

セグメント1

セグメント2

セグメント3

所属確率

30％ 50％ 20％ 10％ 20％ 70％


16

個人の異質性の考慮したモデル – 連続的なモデル階層ベイズモデル

分布のパラメータと各サンプルの値を統計的に推定通常はMCMC（マルコフチェーンモンテカルロ）法によるシミュレーショ

ンにより求める

-4

-3

-2

-1

0

1

2

3

4

0 0.2 0.4

パラメータの分布

Aさんの値

収束するまで


Bさんの値

17

セグメンテーション・ターゲティングに関する若干の注意有効なセグメントの条件（コトラーの基準）

1. 測定性セグメントの購買力が測定できる

2. 到達性セグメントに対してマーケティング活動ができる

3. 維持性セグメントが十分なサイズである

4. 実行性セグメントに対して実際に販売促進ができる


18

モデル作成時はこんなことを考えてくださいモデルづくりにおいても80:20の法則

– 結果全体の8割は重要な2割の原因によって決まる・左右される ⇒ 重要な変数を落とさないこと

何をしたいのかをはっきりさせること – 何か決めたいのか（例：プロダクトミックス，価格） – 何かを把握したいのか？（例：優良顧客，セグメンテーション） – 誰が何のために使うモデルなのか？（例：外部向けか内部向けか）

分析結果は万能ではないし，真実にどれだけ近づいているかは永遠の疑問 – ですが分析結果を見通す力は必要 – 地道な試行錯誤 – 真の状況にモデルがどれだけ近づいているのか？？


19

線形モデルvs非線形モデル

上：線形回帰右：ニューラルネット

回帰分析の結果をみると説明がしにくい二つのグループが重なっている


Namatame et al. “Analysis of Contract Price in a B2B Automobile Auction,” Industrial Engineering & Management Systems, Vol.8, No.4, pp.201-212 (2009).

20

当日はいくつか分析例を示します


21

現在考えている課題分析も個客志向

– それらしい解は確かに出てくるのだけれど，計算実験してみると．．．

ビッグデータへの対応 – 利用されるデータが変わる可能性食卓メニュー記録 → ID付POS＋クックパッド

– マーケティング・モデル分析と融和するのだろうか？計算機パワーによって左右される？モデルの出番はあるにか？

潜在クラスモデル

疑似データ

尤度計算


22

SASの分析プラットフォーム汎用分析環境

– SAS® 9.3 – SAS ® Enterprise Guide

– SAS® Enterprise Miner

マーケティングに特化したプロダクト

– SAS® Enterprise BI Server – SAS® Merchandise Intelligence – SAS® Customer Intelligence – SAS® Supply Chain Intelligence


23

ご清聴ありがとうございました！


マーケティング分析 - sas.com13 主成分分析＋クラスター分析の例...

Documents

Transcript of マーケティング分析 - sas.com13 主成分分析＋クラスター分析の例...