探索的なビジネス価値創造プロセスによるマーケティング戦 …lab.inf.shizuoka.ac.jp/yuura/paper/harano-m-r.pdf平成25 年度静岡大学大学院情報学研究科修士論文

平成 25 年度静岡大学大学院情報学研究科修士論文第一章序論

1

平成 25年度静岡大学大学院情報学研究科修士論文

探索的なビジネス価値創造プロセス

によるマーケティング戦略立案

-ショッパー・マーケティングへの適用と実証-

原野朱加（7023-0031）

指導教員：湯浦克彦


2

要旨

本論文は，ショッパー・マーケティングを題材に，探索的なデータ活用手法構築プロセ

スを提案，実証することにより，日本のショッパー・マーケティングの発展と，ビジネス

活用を前提としたデータ分析のための，手法構築プロセスの形式化を目的とする．ショッパー・マーケティングとは，欧米を中心に人待っているマーケティング手法であ

る．マーケティングの対象を消費者（コンシューマー）ではなく購買者（ショッパー）と

し，ショッパーの心理状態や店頭での行動に主眼を置く手法であり，まだ日本での導入事

例は少なく，特に小売店での活用はあまり進んでいない．また，近年ビッグデータをはじめとするデータを活用したマーケティングに注目が集ま

っている．野村総合研究所が行った調査によると，半数以上の企業はデータ活用に関して，

検討を進めているものの，依然データ活用によるビジネス価値が不明瞭であることに不安

を抱いている．しかし，データ活用する際に，実際にデータを分析する前からその価値を

明らかにすることは非効率的であり，CRISP-DM と呼ばれる PDCA サイクルを繰り返すこ

とで，徐々にデータの価値を探索的に発見，増幅させていくことが重要である．これらの背景をもとに，本研究では，まだビジネス的価値が不明瞭であるショッパー・

マーケティングを題材に， CRISP-DM をより具体化した手法構築プロセスを構築する．今回は，まだ導入事例が少なく，かつ技術的進歩により今後自動取得が可能となること

で，活用が期待されている棚前行動データを使用する．棚前行動データを用いて，売り場

に訪れたショッパーの行動を分析し，売り場最適化のための仮説構築を行い，仮説を元に

した施策実施，運用まで一括して行うデータ分析手法を設計した．そして，設計した手法を基に，評価サイクルを繰り返すことで，徐々にその手法の評価，

改善を行った．評価には統計値だけでなく，データ提供をしていただいている株式会社ミ

ディーに同席していただき，ヒヤリングなどを実施した．最後に，改善した手法を基に，特定の売り場の棚前行動データを分析し仮説を立て，実

際にドラッグストアで仮説検証を行った．仮説検証では，売り場のプライスカードや POPのデザイン，種類の変更を行い，変更前後 1 週間の購買データを取得することで効果の検

証を行った．検証の結果，検証前後で売り場全体の売上，購買者数ともに増加した．施策では乱立し

ていた POP を排除し，厳選したことで，購買者に特設コーナーや POP のついている商品

が強調され，該当する商品の買上個数が増加していた．したがって，本手法構築プロセスにより，徐々に構築，精緻化された手法は一定の効果

を示し，手法の有用性と今後の課題を明確にすることができた．また，探索的なデータマ

イニング実践における，一つの事例を示すことができた．今後は，本アプローチにおける

プレイヤーの体系化や，さらなる事例による実証を示すことで，方法論として体系化して

いきたい．


3

目次第一章序論 .......................................................................................................................8

1.1 背景と目的 ................................................................................................................8 1.2 ショッパー・マーケティングの可能性と現状..........................................................9 1.3 データ活用マーケティングの歴史と現状 .............................................................. 10 1.4 CRISP-DM ............................................................................................................ 12 1.5 本論文の構成 .......................................................................................................... 13

第二章ショッパー・マーケティングにおけるデータ分析のアプローチ ..................... 15 2.1 ショッパー・マーケティングに有効なデータと本研究の着眼点 ......................... 15 2.2 本研究の分析対象 .................................................................................................. 16 2.3 研究のアプローチ .................................................................................................. 17 2.4 アプローチのポイント：CRISP-DM に基づく評価サイクル ............................... 18

第三章棚前行動データを用いたショッパー分析手法の設計 ........................................ 20 3.1 手法の全体像 .......................................................................................................... 20 3.2 分析対象店舗と売り場 ........................................................................................... 21 3.3 トランザクションデータ処理 ................................................................................ 22

3.3.1 トランザクションデータ処理の概要 .............................................................. 22 3.3.2 前処理 ............................................................................................................. 24 3.3.3 接触したブランド数 ....................................................................................... 24 3.3.4 価格帯のばらつき ........................................................................................... 24 3.3.5 最も接触した価格帯 ....................................................................................... 25 3.3.6 その他データ加工 ........................................................................................... 25

3.4 クラスタリング ...................................................................................................... 26 3.4.1 クラスタリングの概要 .................................................................................... 26 3.4.2 一般的なクラスタリング手法の解説と本研究で使用した手法 ...................... 26

3.5 購買要因分析 .......................................................................................................... 27 3.5.1 購買要因分析の概要 ....................................................................................... 27 3.5.2 ロジスティック回帰分析の解説と本研究で使用した変数 ............................. 27

3.6 仮説構築・施策の実施 ........................................................................................... 28 3.7 初期手法によるテスト分析：基礎化粧品 .............................................................. 28

3.7.1 分析概要.......................................................................................................... 28 3.7.2 クラスタリング結果 ....................................................................................... 28 3.7.3 購買要因分析結果 ........................................................................................... 31

第四章初期手法の評価及び評価に基づく手法改善 ...................................................... 33


4

4.1 手法評価のアプローチ ........................................................................................... 33 4.1.1 概要 ................................................................................................................. 33 4.1.2 評価サイクルを用いた手法評価と改善 .......................................................... 34

4.2 評価Ⅰ：クラスタリングの妥当性評価 ................................................................. 37 4.2.1 評価内容.......................................................................................................... 37 4.2.2 評価結果.......................................................................................................... 37 4.2.3 手法改善.......................................................................................................... 38

4.3 評価Ⅱ：購買要因分析の妥当性評価 ..................................................................... 42 4.3.1 評価内容.......................................................................................................... 42 4.3.2 評価結果.......................................................................................................... 43 4.3.3 手法改善.......................................................................................................... 44

4.4 評価Ⅲ：汎用性の評価 ........................................................................................... 48 4.4.1 評価内容.......................................................................................................... 48 4.4.2 評価結果.......................................................................................................... 49

4.5 改善後の手法によるテスト分析：基礎化粧品....................................................... 50 4.5.1 分析概要.......................................................................................................... 50 4.5.2 トランザクションデータ処理 ......................................................................... 50 4.5.3 クラスタリング結果 ....................................................................................... 51 4.5.4 購買要因分析結果 ........................................................................................... 53

第五章実地検証 ............................................................................................................. 57 5.1 実地検証の概要 ...................................................................................................... 57

5.1.1 目的 ................................................................................................................. 57 5.1.2 実地検証のプロセス ....................................................................................... 57

5.2 仮説構築のための事前分析：ヘアケア ................................................................. 58 5.2.1 分析概要.......................................................................................................... 58 5.2.2 トランザクションデータ処理 ......................................................................... 59 5.2.3 クラスタリング結果 ....................................................................................... 59 5.2.4 購買要因分析結果 ........................................................................................... 61

5.3 仮説構築 ................................................................................................................. 64 5.4 施策提案と店頭準備 ............................................................................................... 68 5.5 検証内容と結果 ...................................................................................................... 69

第六章考察 .................................................................................................................... 74 6.1 棚前行動データを用いたショッパー分析手法の設計における考察 ...................... 74 6.2 初期手法評価及び評価に基づく手法改善における考察 ........................................ 74 6.3 実地検証における考察 ........................................................................................... 75

第七章結論 .................................................................................................................... 77


5

7.1 まとめ..................................................................................................................... 77 7.2 今後の課題と展望 .................................................................................................. 77

謝辞 ………………………………………………………………………………………….78 引用・参考文献 .................................................................................................................... 79 付録 ………………………………………………………………………………………….81 付録 1 評価サイクルにおける課題管理（一部） ........................................................... 81 付録 2 サブカテゴリ抽出用 R スクリプト ..................................................................... 82 付録 3 相関係数表（基礎化粧品） ................................................................................. 83 付録 4 相関係数表（ヘアケア） .................................................................................... 84 付録 5 実地検証のための提案資料 ................................................................................. 85


6

図表目次

図 1.3-1 ビッグデータの利活用に関する組織内課題レベル ..................................... 10 図 1.3-2 ビッグデータ活用推進上の問題・課題 ........................................................ 11 図 1.3-3 ビッグデータの活用領域 .............................................................................. 11 図 2.3-1 本研究のプロセス ........................................................................................ 17 図 3.2-1 ドラッグストア売り場イメージ .................................................................. 22 図 3.2-2 ヘアケア売り場イメージ ............................................................................. 22 図 3.7.2-1 クラスタリング結果（初期手法）............................................................ 29 図 4.1.2-1 手法評価のスケジュール .......................................................................... 35 図 4.3.3.2-1 プライスカード例 ..................................................................................... 47 図 5.2-1 主成分プロット結果（ヘアケア） ............................................................... 59 図 5.3-1 ショッパーの分類（１） ............................................................................. 64 図 5.3-2 クラスター別購買率の比較.......................................................................... 65 図 5.3-3 ターゲットとなるクラスターの選定 ........................................................... 65 図 5.3-4 CLS2，CLS4 における購買要因ランキング............................................... 66 図 5.3-5 提案する施策の概要 .................................................................................... 67 図 5.3-6 具体的な施策内容の説明 ............................................................................. 67 図 5.4-1 従来の POP・プライスカード..................................................................... 69 図 5.4-2 今回提案した POP・プライスカード .......................................................... 69 図 5.5-1 購買者数と購買金額の推移.......................................................................... 70 図 5.5-2 一購買者当たりの購買傾向の推移 ............................................................... 71 図 5.5-3 特設コーナー内外における検証前後の変化（グラフ） .............................. 71 図 5.5-4 特設コーナー内における検証前後の施策別買上個数の変化（グラフ） .... 73 図 5.5-5 特設コーナー外における検証前後の施策別買上個数の変化（グラフ） .... 73

表 3.2-1 分析対象店舗及び商材とその用途 ............................................................... 21 表 3.3.1-1 棚前行動データ（トランザクション型）属性一覧 .................................. 23 表 3.7.2-1 クラスタリング使用変数（初期手法） .................................................... 29 表 3.7.2-2 プロファイリング使用変数....................................................................... 29 表 3.7.2--3 基礎集計結果 ........................................................................................... 30 表 3.7.2-4 プロファイリング結果 .............................................................................. 30 表 4.1.2-1 手法評価のためのミーティング内容概要 ................................................. 36 表 4.2.3.2-1 クラスタリング・プロファイリング使用変数（改善後の手法） ......... 39 表 4.3.2-1 購買要因分析評価項目 .............................................................................. 43


7

表 5.2.3-1 基礎集計結果（ヘアケア）....................................................................... 60 表 5.2.3-2 プロファイル結果 ..................................................................................... 61 表 5.5-1 売り場全体における検証前後の変化 ........................................................... 70 表 5.5-2 特設コーナー内外における検証前後の変化 ................................................ 71 表 5.5-3 特設コーナー内外における検証前後の施策別買上個数の変化 ................... 72 表 5.5-4 特設コーナー内外における検証前後の施策別買上個数の変化（割合） .... 72


8

第一章序論

1.1 背景と目的

近年，欧米を中心に購買者（ショッパー）の心理状態や店頭での行動に主眼を置く「シ

ョッパー・マーケティング」に注目が集まっている．アメリカの消費財メーカーの業界団

体である GMA（Grocery Manufactures Association）は，ショッパー・マーケティングを，

「行動の深い理解に基づくマーケティング活動の全版であり，ショッパーを惹きつけ，購

買決定に導くことを目的とする」と定義している [1]．米国では GMA を中心に研究，実績

が広がっている [2]が，まだ日本での導入事例は少なく，取り組みの必要性が唱えられてい

る [3]．また，ショッパー・マーケティングに限らず，マーケティング全般において，現在，そ

の有用性が期待されている方法が，データ活用マーケティングである．2010 年以降，ビッ

グデータがバズワード化していることからも見て取れるように，昨今の IT 技術の進歩と情

報爆発を背景に，マーケティングへのデータ活用が注目を浴びている．ショッパー・マー

ケティングの分野でも，従来取得してきた POS データのみならず，さらに多種多様なデー

タを取得，活用することで，迅速で根拠に基づくマーケティング施策を打っていくことが，

必要であると考えられている．しかし，特に日本では，POS データ以外のデータを活用したショッパー・マーケティン

グに取り組んでいる企業や店舗はまだ少なく，どんなデータを使って，どうやって活用す

べきかわからず，取り組めていないのが現状である．これは，ショッパー・マーケティン

グに限らず，日本企業がビッグデータ活用ビジネスに後れを取っていることと同様の課題

である．元来，事業計画を綿密に立てたうえで，事業を進めることが多い日本企業におい

て，データを活用したビジネスに取り組むことは，データ分析の特性上難しい部分がある．

データ分析をビジネスに適用するためには，データマイニングに取り組む必要がある．デ

ータマイニングとは，知識発見（KDD: Knowledge Discovery in Databases または

Knowledge Discovery and Data Mining の略）とも呼ばれ，膨大なデータに埋もれる興味

深い知識の発見を目的とし，データベース管理，統計学，機械学習などの技術的基盤に持

つ学際領域 [4]，およびその技術のことである．データマイニングは，先ほど課題に挙げた

「どんなデータを使って，どうやって活用すべきか」について，トライ&エラーを繰り返し

ながら，掘り下げていくという．ただし，トライ&エラーを繰り返す，というフローは事業

として見通しが難しく，かつ，データマイニングの場合，結果が出ないことが往々にして

発生する．しかし，このようなリスクを取りながらも，探索的にデータから見えない知見

を探索することで，当初は発見できなかった知見を見つけ，さらに洗練された分析手法や

分析による新しい施策を生み出すことができる．


9

本研究では，ショッパー・マーケティングを題材に，探索的なデータ活用手法構築プロ

セスを提案，実証することにより，日本のショッパー・マーケティングの発展とデータ活

用のビジネス価値創造のためのプロセスを示すことを目的とする．

1.2 ショッパー・マーケティングの可能性と現状前節でも述べたように，ショッパー・マーケティングへの注目は，欧米を中心に高まっ

ている．米国のアドバタイジング・エイジ誌の 2007 年の発表では，米国の消費財メーカー

のマーケティング支出に占めるショッパー・マーケティングの構成比が，2004 年は 3%だ

ったのに対し，2007 年には 7%に，2010 年には 8%になると予測している [5]．また，学術

界における注目も高まりつつある．2010 年の 5 月には，米国の MSI（Marketing Science Institute）の主催で，ショッパー・マーケティングをテーマとするカンファレンスがニュ

ーヨーク大学で行われた [6]．ショッパー・マーケティングが，従来から研究されてきたコンシューマーマーケティン

グや店頭マーケティングと異なる点は，視点と対象の違いである．まず，コンシューマー

マーケティングと対象が異なり，消費者であるユーザーまたはコンシューマーから，購買

者であるショッパーに移っている．また，インストアマーチャンダイジングや店頭マーケ

ティングとは，マーケティング施策の現場が店舗内であることは同じであるが，その視点

は売り場ではなく，買い手であるショッパーに移っている．従来は売り場での露出力や品

揃えなど，店頭の物理的な改善が重視されていたが，ショッパー・マーケティングでは，

購買者の行動や心理（これを「ショッパー・インサイト」と呼ぶ）に焦点が当てられ，そ

れらを調査したうえで，店頭改善に取り組むことがショッパー・マーケティングの特徴で

ある [6]．例えば，P&G ジャパンでは，「買物同行調査」を年間 100 件以上実施しており，流通関

係者の間で高い評価を得ている．この調査により，P&G はショッパーの細かな買い物プロ

セスを観察，分析することで，商品開発や売り場づくりに生かしている．また，英国のテ

スコでは，「クラブカード」というカード会員サービスを導入し，会員向け販促施策を実施

した．その結果，導入した翌年には，英国内で万年 1 位であったセインズベリーを抜き，

トップの座に躍りでた．さらに，日本コカ・コーラは，自社でモニタを持ち，モニタの購

買状況を，レシートをスキャンしてもらうことで収集し，また買い物に同行して観察，聞

き込み調査を行うことで，同線分析や商品開発に生かしている．またニールセンやインテ

ージ [7]など，ショッパー行動分析に利用できるシングルソースデータの提供を行っている

調査会社も，近年増加傾向にある．さらに最近では，アイトラッキングによる情報接触デ

ータの活用として，ダイドードリンコが自動販売機にアイトラッキングシステムを導入し，

取得したデータを用いて商品開発に生かしている事例もある [8]．徐々に広がりを見せているショッパー・マーケティングであるがまだ，実用まで至って


10

いるケースは少なく，ショッパーの体験とマーケティング全体の包括的なプランニングは

まだ確立されていない．ショッパーの買物行動を軸として，戦略構築から具体的アクショ

ン設計までを組み替える全体最適化型のマーケティングが必要とされている [3]． 1.3 データ活用マーケティングの歴史と現状

IDC の調査によると、デジタル・ユニバース（1 年間に作成および複製されるデジタル・

データ量）の大きさは，2010 年までは 2 年ごとに倍増しており，2010 年から 2012 年まで

の間に 50 倍に膨張した．さらに，2020 年までには 40 ゼッタバイトになると予想されてい

る [9] [10]．このように急激に増大しているデータの活用が最も積極的に行われているのが，マーケ

ティング分野である．マーケティングにデータ分析が活用されたのは，1872 年にアーロン・

モンゴメリー・ワードが通販カタログを発明したことが始まりとされており，その後テレ

ビやラジオなどのマスメディアの登場により，プロモーションの効果測定としてデータに

よる分析技術が求められるようになった． 1950 年代にはオペレーションズ・リサーチの手

法がマーケティングに適用され始めた．そして 1990 年に入り，計算機科学の分野の発展に

伴い，大規模データを分析することが可能となったことをうけ，データマイニングという

分野が発展していった [11]．さらに，2010 年以降，先述した情報爆発の背景と，HadoopやNoSQLなどの大規模デー

タ処理向け技術の登場によって大規模データ処理が可能となったことから，ビッグデータ

というワードが広まっている．2012 年に株式会社野村総合研究所が行った「ビッグデータ

の利活用に関するアンケート」1 [12]によると，ビッグデータ活用が組織的な検討課題にあ

1 調査名：「ビッグデータの利活用に関するアンケート調査」実施時期：2012 年 7 月 24 日～8 月 3 日調査対象：売上高 200 億円以上の企業における経営企画部門、及び情報システム部門（建設・不動産、素

材・素材加工品、機械・電気製品、輸送機械、食料・生活用品、中間流通、小売、金融、運輸サービス、

広告・情報通信、他）調査方法：上記 2 部門を担当する方を宛先とし、調査票を郵送にて発送・回収

図 1.3-1 ビッグデータの利活用に関する組織内課題レベル


11

げられているかどうかをたずねたところ、「全社レベルの検討課題（23％）」または「特定

部門、部署レベルの検討課題（34％）」となり、合わせて 57％がビックデータ活用を組織的な検討課題と認識していることが分かった（表 1.3-1）。

図 1.3-2 ビッグデータ活用推進上の問題・課題

図 1.3-3 ビッグデータの活用領域

また，同調査にて，今後ビッグデータの活用を進めていく場合の課題や問題点を聞いた

ところ，「ビジネスとして具体的に何に活用するか明確でない」と回答した企業が最も多く，

全体の 6 割を超えていた．この調査は，ビッグデータに関するものであるが，日本におい


12

てデータを活用したビジネスへ関心が高まっているものの，具体的にどう活用できるかが

明確でないことが，導入するうえで障壁になっていると考えられる．また，検討中あるい

は活用している領域，活用が有望な領域を質問すると，マーケティングに応える企業が最

も多いが，他の分野への適用意欲も高く，今後多種多様な分野への適用が注目されている．

1.4 CRISP-DM

データ分析をビジネスに適応するために，とるべきデータマイニングの標準プロセスが，

CRISP-DM（CRoss-Industry Standard Process for Data Mining）である．CRISP-DM と

は，SPSS，NCR，ダイムラークライスラー，OHRA がメンバーとなっているコンソーシ

アムにて開発されたデータマイニングのための方法論である．その名の通り，産業分野に

関わらず，データマイニングを適用するためのプロセスであり，世界中のデータマイナー

に用いられている． CRISP-DM では，図 1.4-1 のようにプロセスを 6 つのフェーズに分けて，繰り返してい

く [13]． (1) ビジネスの理解（Business Understanding） (2) データの理解（Data Understanding） (3) データの準備（Data Preparation） (4) モデル作成（Modeling） (5) 評価（Evaluation） (6) 展開・共有（Deployment）

図 1.4 CRISP-DM [13]


13

CRISP-DM のプロセスは，ビジネスを遂行する人間または企業（以下，「ビジネス遂行者」）

とデータを受領して分析を行う人間または企業（以下，「データ分析者」）が繰り返しコン

タクトをとることで合意の形成（ビジネスの理解，データの理解，評価など）を段階的に

行う．1.3 節で述べたように，活用したいデータが増えている一方で，具体的にどのように

活用していったらいいのかわからない，という現状を踏まえ，まずはこの CRISP-DM のプ

ロセスに倣って，徐々に具体的な活用方法を構築していくことが重要であると考えられる．しかし CRISP-DM はどんな産業にも適用するために，その内容は一般論にとどまってお

り，日本での導入事例はまだ少ない．しかも，具体的なプロセスを定義するには，専門分

野の異なる人同士のコミュニケーションをどう扱うか，産業やデータ形式による違いをど

う扱うか，解析手法による違いをどう扱うかなどの問題点も多く，プロセスを具体化でき

る人材が必要となる．したがって，一概に誰でも CRISP-DM を念頭に入れることでデータ

マイニングができるというプロセスではないため，一企業のマーケッターがデータ分析を

導入し，マーケティングの成果を上げることは，まだ容易ではないのが現状である．

1.5 本論文の構成

本論文の構成を説明する．第一章では，本研究における背景と目的を示したうえで，背景となるショッパー・マー

ケティングやデータ分析の現状や先行事例の紹介と合わせて，その課題を説明する．第二章では，本研究の概要として，具体的な目的と分析対象，さらに本研究でのアプロ

ーチ全体像を説明した上で，アプローチのポイントである CRISP-DM に倣った評価サイク

ルについて説明する．本研究は，手法設計，手法評価及び評価に基づく改善，最後に実地

検証の順に進めていく．第三章以降では，各項目について行ったこととその結果を解説し

ていく．第三章では，最初のアプローチである手法設計を行う．対象データである棚前行動デー

タを使った，ショッパー・マーケティングへ活用するデータ分析手法を設計する．また，

設計した手法を元に，基礎化粧品売り場でのデータを使用した分析例を解説する．第四章では，次のアプローチである手法評価及び評価に基づく改善を行う．第三章で構

築した手法を，CRISP-DM に倣った評価サイクルを持って評価を行う．評価は探索的に行

い，評価結果を元に，徐々に先の初期手法を改善していった．また手法改善後に，第三章

と同じデータを用いて，分析を行い，その結果を併せて解説する．第五章では，第四章で改善した手法の有用性を検証するために，店舗での実地検証を行

う．まず，改善した手法を元に，新たにヘアケア売り場でのデータを用いて，実地検証で

行う施策を考案するための分析を行う．分析結果を元に，仮説を構築し，その仮説を実証

するための，売り場改善を店舗へ提案し，実際に売り場の変更を行った．売り場変更の前


14

後のデータから，今回の手法の効果を検証する．第六章では，第三章から第五章まで行った内容の考察を行う．第七章では，本研究のまとめと，今後の展望を述べる．

平成 25 年度静岡大学大学院情報学研究科修士論文第二章ショッパー・マーケティングにおけるデータ分析のアプローチ

15

第二章

ショッパー・マーケティングにおけるデータ分析のアプローチ

2.1 ショッパー・マーケティングに有効なデータと本研究の着眼点

ショッパー・インサイトの把握に用いられるデータには，行動を理解するための「行

動データ」と，心理を理解するための「心理データ」がある（表 2.1 参照）．行動データに

は，ID-POS などの商品購入データや店内回遊データ，商品選択データが上げられる．行動

データは，動向調査によって取得する場合もあるが，近年の IT 技術の発展により，RFIDやアイカメラ，Kinect などのセンサーを用いることで，早く，自動的に，定常的にデータ

を蓄積することが可能となった．一方，心理データは，関与や感情，知覚などをアンケー

トやインタビューによって取得することができる．近年のネットリサーチの普及により，

以前よりは容易にデータが取得できるようにはなったが，行動データのように継続的に取

得するためには，リサーチ会社のパネルを用いるなど，多額のコストがかかる．データ解

析技術発展の背景からも，今後は自動的にかつ低コストで蓄積されていく行動データの活

用に注目が集まっている．ただし，行動データの中でも，ID-POS を用いた商品購入データや，店内回廊データの活

用などは，1.2 節で紹介したように事例も多く，研究が進められており，ダイドードリンコ

の事例に挙げられた情報接触データの活用も広まりつつある．しかし，動向調査以外でセ

ンサーなどを用いて作成された商品接触データについては，近年ようやく精緻な情報が取

れるようになったデータであることも影響し，まだ活用事例は少なく，研究段階である．そこで本研究では，この商品接触データを使った，ショッパー・マーケティングのため

のデータ解析手法の構築を，CRISP-DM に倣った評価プロセスを用いながら探索的に進め

ることで，現在未導入の分野にデータマイニングを導入するための方法論を提案する．

表 2.1 ショッパー・インサイト把握に活用されるデータ

大分類中分類取得方法

店内回遊データ店内に座標を設定し,無線LANやRFIDなどで取得

商品接触データ店内カメラや同行調査によって取得

情報接触データアイカメラやマイクによって取得

商品購入データ IDPOSやアンケートによって取得

関与調査インタビューや店頭・インターネットアンケートで取得

知覚調査同上

記憶調査同上

感情調査同上

行動データ

心理データ


16

2.2 本研究の分析対象

研究に使用する商品接触データは，ドラッグストアなどの店頭でのショッパー行動を記

録した映像を元に，数値データ化したものである．本データは，マーケティング事業者で

ある株式会社ミディー（以下「ミディー社」）から提供していただいている．ミディー社は，

日本で数少ないショッパー・マーケティングを専門に，データの取得とデータに基づくコ

ンサルティングを行っている事業者であり，ショッパー・マーケティングに関して，多彩

な知見を持つ．今回ミディー社には，データ提供だけでなく，ショッパー・マーケティン

グのビジネス遂行者の立場から，手法の評価にも協力いただいた．ミディー社の事業形態を以下に示す．ミディー社では，小売店に取り付けたカメラ，ま

たはセンサーにより，ショッパーの行動を観察し，その行動を映像データとして保有して

いる．映像データに含まれているショッパーが「棚に訪れ，商品に接触し，何秒間手に持

ち，その後購買した，または，棚に戻した」という一連の棚前行動を，目視またはセンサ

ーによって数値データに成形したものを作成している．今回はその成形後の数値データを

提供していただいた．

数値データ化された棚前行動データの一部を表 2.2 に示す．データはトランザクション形

式であり，一人のショッパーにつき一つの Shopper 番号が与えられ，一人の商品接触行動

が，商品別に一つのレコードに格納されている．接触時間や滞在時間の他にも，テスター

使用有無や，カゴ／カート有無，性年代などの属性を持つ．使用した属性の詳細は 3.2 節で

解説する．表 2.2 に示すデータを，以下，「棚前行動データ（トランザクション型）」とする．

図 2.2 ミディー社ビジネスモデル


17

表 2.2 ミディー社提供棚前行動データ（トランザクション型）

2.3 研究のアプローチ

本研究は，棚前行動データを用いたショッパー・マーケティングのためのデータ解析手

法の構築プロセスとその手法についての研究である． 1.2 節でも紹介したように，ショッ

パー・マーケティングの分野では，Web マーケティングにおける CPA（Cost Per Acquisition）や CPC（Cost Per Click）のような標準的な指標がまだ存在していない．また，マーケティ

ングとして使いやすく，理解しやすい指標である必要があるため，高度なデータ解析技術

だけではなく．現場担当者のニーズをとらえた指標の開発が必要となる．したがって，シ

ョッパー・マーケティングの指標は，データ利用とマーケティング活用上での有用性とい

う双方の立場から探索的に開発していくことが重要である．これらの背景をうけ，本研究では，棚前行動データをショッパー・マーケティングの指

標として活用するために，データ利用とマーケティングという双方が探索的に作り上げて

いくというプロセスをとることで，最適な手法を構築する．本研究は図 2.3-1 のような 3 段階のプロセスを経て構築する．本プロセスを「手法構築プ

ロセス」とする．

図 2.3-1 本研究のプロセス

Shopper 商品名ブランド名価格接触時間棚前滞在時間商品接触まで

の時間接触商品

点数306 肌研　極潤ヒアルロンミスト　つけ替え　４５ｍｌハダラボ 798 0:00:08 0:01:37 0:00:46 3

306 肌研　極潤ヒアルロンミスト　４５ｍｌハダラボ 838 0:00:02 0:01:37 0:00:54 3

306 肌研　極潤ヒアルロン美容液　３０ｇハダラボ 2100 0:00:04 0:01:37 0:00:59 3

307 肌研　極潤ヒアルロンミスト　４５ｍｌハダラボ 838 0:00:24 0:01:16 0:00:09 3

307 肌研　極潤ヒアルロンミスト　つけ替え　４５ｍｌハダラボ 798 0:00:04 0:01:16 0:00:40 3

307 ＢＲ　モイストクリーム　４０ｇバリアリペア 1280 0:00:07 0:01:16 0:01:07 3

308 うるおい屋　しっとりクリーム　４７ｇナリスアップ 880 0:00:04 0:00:24 0:00:11 1

309 うるり　高保湿液しっとり　２００ｍｌウルリ 880 0:00:09 0:01:15 0:00:02 1

310 モイスタージュ　Ｅローション　さっぱり　２１０ｍｌモイスタージュ 698 0:00:10 0:04:10 0:00:43 2

310 肌研　極潤ヒアルロン液　１７０ｍｌハダラボ 980 0:00:05 0:04:10 0:00:50 2


18

まず，研究のベースとなる手法を設計し，その後手法評価を行う．手法評価では，妥当

性の評価と汎用性の評価を行い，映像確認，ビジネス遂行者へのヒヤリング，実証実験を

実施した．第二段階では，評価と併せて手法の改善を探索的に実施し，評価と改善を繰り

返し実施した．最後に，構築された手法をもって実地検証を行い，その効果を検証した．各プロセスの実施は，手法設計は分析者である筆者，評価及び評価に基づく改善は，筆

者とミディー社，実地検証はミディー社とミディー社の提携しているドラッグストアに実

施していただいた．プロセスの詳細は，下から第三章，第四章，第五章の順に解説する．

2.4 アプローチのポイント：CRISP-DM に基づく評価サイクル

本研究の評価は．CRISP-DM に基づいたサイクルを回しながら徐々に手法を評価してい

く手順をとった（以下，「評価サイクル」）．今回の対象となるデータは，データ分析の前例

のない形式であり，かつ，実際の運用を目的とした手法の構築であるため，学術的な評価

よりも，現場担当者の評価が求められる．したがって，今回は筆者を「データ分析者」，ミ

ディー社や実験協力をしていただいたドラッグストアを「ビジネス遂行者」と位置づけ，

複数回の評価サイクルを回し，ミディー社やドラッグストアの担当者の方の評価を，本研

究の評価とした．評価サイクルのイメージを図 2.5 に示す．

図 2.4 評価サイクルイメージ

評価サイクルは，まずビジネス遂行者とデータ分析者がミーティングを行い，互いにビ

ジネスの理解（Business Understanding）やデータの理解（Data Understanding）を深め

ることで，現状を確認し，そのうえで次回ミーティングまでの課題設定を行う．この際，

課題はできるだけ明確で，かつ，一度に全体を解決するような大きな課題を設定しないこ

とがポイントである．次に，その課題解決のためにデータ分析者がデータの準備（Data Preparation）とモデル作成（Modeling）を行う．そして，作成したデータとデータによっ

て作られたモデルを基にレポートを作成（Reporting）し，再度ビジネス遂行者とのミーテ


19

ィングに臨む．データ分析者は作成したレポートをビジネス遂行者と共有し，評価

（Evaluation）してもらう．最後に，評価の結果を踏まえ，再度次回までの課題を設定す

る．このサイクルに準じて評価を実施する．この評価サイクルを用いることで，特に未導入分野に対してデータマイニングを実施す

る際に，課題設定を明確にできないという困難性を回避することができる．また，評価フ

ェーズにおいて，CRISP-DM に準じた評価サイクルを繰り返すことで，ある程度の計画性

を持ちながら，かつ，徐々にデータ分析によって明らかになったことを盛り込みながら，

最適なデータ分析手法を探索的に構築していくことが可能となる．

平成 25 年度静岡大学大学院情報学研究科修士論文第三章棚前行動データを用いたショッパー分析手法の設計

20

第三章

棚前行動データを用いたショッパー分析手法の設計

3.1 手法の全体像

研究の基礎となる棚前行動データを用いたショッパー行動分析手法（以下「初期手法」）

を設計する．今回は近年マーケティング分析でよく活用されている，クラスタリングとロ

ジスティック回帰分析を使用した購買要因分析を用いた手法を初期手法として設計した．

手法の全体像を図 3.1 に示す．

図 3.1 初期手法の全体像

まず，元のトランザクションデータを，分析に投入できる形に加工する．加工したデー

タを用いて，ショッパーのクラスタリングとプロファイリングを行う．これによりショッ

パーを似たような行動特性を持つクラスターに分類することで，ショッパーを潜在意識の

もとでセグメンテーションすることができ，さらにプロファイルによりクラスターごとの

購買心理を推測するための材料を得ることができる．次にクラスター別で，ショッパーが

どんな要因によって購買に至っているか，線形モデルを使用して分析する．例えば，価格

帯のもたらす効果や，POP の効果などを数値で表すことができ，店舗によって獲得したい

クラスターに対して必要なマーケティング施策を実施する指標を得ることができる．最後

に，第一～第三フェーズまでの内容を元に仮説を構築し，マーケティング施策の実施へつ

なげる．各フェーズの詳細は 3.2 節以降で解説をする．本手法のポイントは，3 点である．一つ目はトランザクションデータ処理である．トランザクションデータ処理は，近年イ

ンターネットの普及の波を経て，膨大なトランザクションデータが世の中に蓄積されてい

る中で，その効果的な活用方法に注目が集まっている．今回は，インターネット上のデー

タとは形式は異なるものの，トランザクション形式のデータをどのようにな観点をもち，

情報量を落とすことなく加工していくか，という点について，様々な工夫を凝らしてしょ

りをおこなった．二点目はクラスタリングを実施してから，そのクラスター別に要因分析を行うというハ

イブリット手法を採用していることである．クラスタリングや要因分析のアルゴリズム自

体は，古くから使用されているものであるが，それらを組み合わせて使用することで，顧


21

客ターゲティングと施策を直結させたアプローチの提案が可能となる．三点目は実際に事業者へレポーティング・運用まで一貫して行う点である．単に分析手

法の構築ではなく，最終的にマーケッターにショッパー・マーケティングを運用すること

を見据えた手法を設計することに重点を置いている．各分析アウトプットは統計が得意で

はない現場のマーケッターでも理解できるよう，ビジュアライズすることを試みた．本章の内容は，2012 年に行われた行動計量学会第 20 回大会，および，2012 年度 S-PLUS

学生奨励賞にて発表したものである．

3.2 分析対象店舗と売り場

今回対象となる棚前行動データは，関東近郊のドラッグストア 3 店舗（以下店舗 A，店

舗 B，店舗 C とする）の棚前行動データである．各店舗の概要と，取得した商材を表 2.3に示す．

表 3.2-1 分析対象店舗及び商材とその用途

手法設計で使用したのは，千葉県松戸市，東京都板橋区の基礎化粧品売り場のデータで

ある．ここで，基礎化粧品とは，化粧水，乳液，洗顔などを示し，メーカー別ブランドコ

ーナーの基礎化粧品は含まない（図 3.2-1 参照）．また，本章では使用しないが，東京都板

橋区，練馬区のヘアケアデータも併せて提供していただき，手法評価，実証実験に使用し

た．ここで，ヘアケアとはシャンプー，リンス，トリートメント，整髪料などを示してい

る（図 3.2-2 参照）

No. 店舗立地商材用途

1 店舗A 千葉県松戸市基礎化粧品手法設計／手法評価2 店舗B 東京都板橋区基礎化粧品手法設計／手法評価3 店舗B 東京都板橋区ヘアケア手法評価／実地検証4 店舗C 東京都練馬区ヘアケア手法評価／実地検証


22

図 3.2-1 ドラッグストア売り場イメージ

図 3.2-2 ヘアケア売り場イメージ

3.3 トランザクションデータ処理

3.3.1 トランザクションデータ処理の概要

第一フェーズのトランザクションデータ処理について解説する．今回分析に使用する棚

前行動データ（トランザクション型）は第二章の表 2.2 の形式であり，1 レコードが 1 アク

ションを示している（以下，「アクションレコード」）．今回使用した棚前行動データ（トラ

ンザクション型）の属性を表 3.2-1 に示す．1 人のショッパーは，それぞれ異なる数のアク

ションレコードを持ち，レコード群全体で一人のショッパー行動を示している．したがっ

て，ショッパー一人あたりの行動を理解するためには，この形式のまま分析することは望


23

ましくない．事前にトランザクション集計を行い，一連のアクションを凝縮したレコード

（以下，「集約レコード」）を作成することが必要である．これらのデータ形式から，トラ

ンザクション集計や一部加工を行い，データを作成する．初期手法設計の段階で，作成し

た 1 ショッパーごと集計した棚前行動データ（以下，棚前行動データ（ショッパー集計後））」

の属性を，表 3.2-2 に示す．表示価格は，数値型で格納されていたが，今回は値の細かな大小よりも，おおよそど

れほどの価格帯の商品群と接触しているか，を結果として提示する方が，マーケティング

指標として必要ではないか，と考え，表示価格を「価格帯」という名義尺度に変換して使

用する．価格帯のラベルは「低価格帯」「中価格帯」「高価格帯」の 3 種とし，その閾値は

分析対象の商品群の分布と，実感値を元に設定した．時間関連データは，形式が「hh:mm:ss」であったため，事前にすべて秒数に変換した．

表 3.3.1-1 棚前行動データ（トランザクション型）属性一覧

No 属性名内容

1 連番2 棚列商品が陳列されている棚の属性（定番，特設など）3 商品名4 カテゴリー基礎化粧水，ヘアケアなどのカテゴリー5 サブカテゴリー化粧水，乳液などの細かなカテゴリー（※入っていない場合あり）6 ブランド資生堂，花王など7 メーカーコフレドール，アクアレーベルなど

10 本体/詰替11 JANコード12 接触開始該当商品へ接触を開始した時間13 接触終了該当商品へ接触を終了した時間14 接触時間該当商品へ接触していた時間（接触開始と接触終了の差分）15 表示価格金額16 検討順何番目に接触した商品か17 購買点数最終的その商品を何個購買したか18 返品返品された場合は，フラグを立てる19 テスター試用テスター使用有無20 性別 F／M（性年代になっている場合もある）21 年齢 10代／20代など（性年代になっている場合もある）22 同伴有無23 カゴ/カートカゴあり／カートあり／カゴ・カートなし24 棚前行動開始時刻棚に訪れた時間25 棚前行動終了時刻棚から立ち去った時間26 棚前滞在時間棚に滞在していた総時間（開始時刻と終了時刻の差分）27 商品接触までの時間棚に訪れてから該当商品に接触するまでの時間28 年29 月30 日31 曜日32 都道府県33 市区町村


24

表 3.3.1-2 棚前行動データ（ショッパー集計後）

3.3.2 前処理

トランザクションデータ処理を行う前に，事前に棚前行動データに前処理を施す．前処

理を施した属性は，表示価格（表 3-2-1：No.15）と時間関連データ（表 3-2-1：No.12～13，24～27）である．

3.3.3 接触したブランド数

ブランド名（表 3-2-1：No.6）から，各ショッパーが接触したブランド数を算出する．シ

ョッパー𝑆𝑖の接触商品リスト𝐼𝐼𝐼𝐼𝑖 = {𝑋1,𝑋2,𝑋3} であるとき，それぞれの商品のブランドを

ブランドリスト𝐵𝐵𝐵𝐵𝐵𝑖 = {𝐵1,𝐵1,𝐵2}として格納する．このブランドリストの重複するブランドを省いた，ユニークなブランドリストをブラン

ドリスト𝑆𝑖′とすると，ブランドリスト𝐵𝐵𝐵𝐵𝐵𝑖′ = {𝐵1,𝐵2}となる．このとき，接触ブラン

ド数𝐵𝐵𝐵𝐵𝐵_𝐵𝑛𝐼𝑖を 𝐵𝐵𝐵𝐵𝐵_𝐵𝑛𝐼𝑖 = 𝑙𝐼𝐵𝑙𝐼ℎ�𝑆𝑖′�

と定義する．

3.3.4 価格帯のばらつき

3.2.2 で作成した価格帯データをもとに，価格帯のばらつきを算出する．価格帯のばらつ

きとは，ショッパー𝑆𝑖が接触した商品は，特定の価格帯に集中しているのか，ばらついてい

るのかを示す値と定義する． 𝑆𝑖の接触商品リスト𝐼𝐼𝐼𝐼𝑖 = {𝑋1,𝑋2,𝑋3}，それぞれの商品の価格帯を商品価格帯リスト

𝐼𝐼𝐼𝐼𝑃𝑃𝑖𝑃𝑃𝑖 = {ℎ𝑖𝑙ℎ, 𝑙𝑙𝑙,ℎ𝑖𝑙ℎ} として格納する．価格帯の商品数を価格帯別でカウントした

結果を価格帯別カウントリスト𝑃𝐵𝑖𝑃𝐼𝐶𝐶𝐶𝐶𝐶𝑆𝑖として格納する． 𝑃𝐵𝑖𝑃𝐼𝐶𝐶𝐶𝐶𝐶𝑆𝑖 = �𝐶𝑙𝑛𝐵𝐼ℎ𝑖𝑖ℎ ,𝐶𝑙𝑛𝐵𝐼𝑚𝑖𝑚𝑚𝑚𝑃 ,𝐶𝑙𝑛𝐵𝐼𝑚𝐶𝑙�と定義すると，𝐶𝑙𝑛𝐵𝐼ℎ𝑖𝑖ℎ = 2，

𝐶𝑙𝑛𝐵𝐼𝑚𝑖𝑚𝑚𝑚𝑃 = 0，𝐶𝑙𝑛𝐵𝐼𝑚𝐶𝑙 = 1となる（𝐶𝑙𝑛𝐵𝐼𝑝(𝑝 = ℎ𝑖𝑙ℎ,𝐼𝑖𝐵𝐵𝑙𝐼, 𝑙𝑙𝑙)は各価格帯に該当す

No 属性名内容用途

1 接触ブランド数接触した商品のブランド数

2 価格帯のばらつきカテゴリ名のばらつきを標準偏差により算出したものを格納

3 最も接触した価格帯接触した商品が低・中・高のうち，最も接触していた価格帯最も接触していた価格帯のカテゴリ名（低・中・高）を格納

4 購買点数最終的に購買した商品数

5 購買有無購買したならば1，しなかったならば0を格納

6 棚前滞在時間棚前に立っていた秒数

7 接触点数立ち去るまでに接触した商品の数

8 商品接触までの時間棚に訪れてから最初の商品に接触するまでの秒数購買要因分析※クラスタリング（Pのみ）とはクラスタリングには使用していないが，クラスター

結果の解釈のためのプロファイリング作業時のみに使用したことを示す

クラスタリング

クラスタリング（Pのみ）

クラスタリング（Pのみ）購買要因分析


25

る商品数を示す），このとき，価格帯のばらつきPrice_Scat𝑆𝑖を

Price_Scat𝑆𝑖 = �13��𝑃𝐵𝑖𝑃𝐼𝑃𝐶𝐶𝐶𝐶𝑆𝑖 − 𝑃𝐵𝚤𝑃𝐼𝑃𝐶𝐶𝐶𝐶𝑆𝚤

��2

と定義する．

3.3.5 最も接触した価格帯

3.2.2 で作成した価格帯データをもとに，最も接触した価格帯を算出する．最も接触した

価格帯とは，ショッパー𝑆𝑖が接触した商品の中で，その価格帯が低価格，中価格，高価格の

うちどの価格帯に最も多く接触していたか，を示す値と定義する．価格帯のばらつきと同じく，接触商品の価格帯別カウントリスト𝑃𝐵𝑖𝑃𝐼𝐶𝐶𝐶𝐶𝐶𝑆𝑖を設定する．

このとき，最も接触している価格帯𝑀𝑙𝑀𝐼_𝑃𝐵𝑖𝑃𝐼𝑆𝑖を 𝑀𝐵𝑀_𝑃𝐵𝑖𝑃𝐼𝑆𝑖 = 𝐼𝐵𝑀 (𝑃𝐵𝑖𝑃𝐼𝑃𝐶𝐶𝐶𝐶)

𝑀𝑙𝑀𝐼_𝑃𝐵𝑖𝑃𝐼𝑆𝑖 = 𝑙𝐵𝑙𝐼𝑙𝑀�𝑀𝐵𝑀_𝑃𝐵𝑖𝑃𝐼𝑆𝑖� とする．このとき，labels 関数は𝑀𝐵𝑀_𝑃𝐵𝑖𝑃𝐼𝑆𝑖と一致する数値が格納されているラベルであ

る「低価格帯」「中価格帯」「高価格帯」のいずれかを返す．ただし𝑀𝑙𝑀𝐼_𝑃𝐵𝑖𝑃𝐼𝑆𝑖 が複数存在する場合がある．例えば，4 つの商品に接触し，うち高価

格帯の商品が 2 つ，低価格帯の商品が 2 つだった場合は，上記の定義では𝑀𝑙𝑀𝐼_𝑃𝐵𝑖𝑃𝐼𝑆𝑖 を一意に決めることができない．その場合は，商品価格帯別に商品を分けて，各価格帯の接

触時間𝑇𝑙𝑛𝑃ℎ_𝑇𝑖𝐼𝐼𝑆𝑖 = �𝑇_𝑇𝑖𝐼𝐼ℎ𝑖𝑖ℎ ,𝑇_𝑇𝑖𝐼𝐼𝑚𝑖𝑚𝑚𝑚𝑃 ,𝑇_𝑇𝑖𝐼𝐼𝑚𝐶𝑙� を計算し，最も接触している

価格帯を，

𝑀𝑙𝑀𝐼_𝑃𝐵𝑖𝑃𝐼𝑆𝑖 = 𝑙𝐵𝑙𝐼𝑙𝑀 �𝐼𝐵𝑀�𝑇𝑙𝑛𝑃ℎ_𝑇𝑖𝐼𝐼𝑆𝑖��

として定義する．もし𝐼𝐵𝑀�𝑇𝑙𝑛𝑃ℎ_𝑇𝑖𝐼𝐼𝑆𝑖�も複数存在する場合は，一様乱数を発生させ，ランダムに選定す

る．

3.3.6 その他データ加工

3.2.3，3.2.4，3.2.5 で解説した以外のデータの加工方法を，解説する．購入点数（表 3.2-2：No.4）は，1 人のショッパーがカゴやカートに入れて，または手に

持って立ち去った商品数の合計を算出した．購入有無（表 3.2-2：No.5）は，購入点数が 0 であれば「なし：0」，1 以上であれば「あ

り：1」と定義して，データを作成した．棚前滞在時間（表 3.2-2：No.6）は，元のトランザクションデータの棚前滞在時間を秒数

に変換したものを，そのまま利用した．棚前滞在時間はトランザクション形式ではなく，


26

同一ショッパーにはすべて同じ値が降られているため，いずれか 1 レコードを抽出した．接触点数（表 3.2-2：No.7）は，1 人のショッパーにおけるレコード数を計算した．商品接触までの時間（表 3.2-2：No.8）は，ショッパーが棚に訪れて，最初の商品に接触

するまでの時間と定義した．トランザクションデータのうち，最初のレコードに記録され

る商品接触までの時間を秒数に変換したものを採用した． 3.4 クラスタリング

3.4.1 クラスタリングの概要

第二フェーズのクラスタリングについて解説する．初期手法では，3.2 で作成したデータ

のうち，クラスタリング用（表 3.2-2 参照）データを使用し，クラスタリングを行った．ク

ラスタリング分析の詳細は 3.3.2 にて解説する．初期手法では，価格とブランドだけで購買行動をクラスタリングできるか，という試み

のもと行われたものであり，したがって価格とブランドに関係する変数のみを使用してい

る．ただし，4 章で評価を行った結果に応じて，使用変数は適宜変更していく．

3.4.2 一般的なクラスタリング手法の解説と本研究で使用した手法

クラスター分析（Cluster Analysis）とは，主観を交えず，一定の算法（algorithm）に

したがって分類することだけを目的とする手法であり，一般に構造が分からない個体に対

して，似た者同士を集めることができる．クラスタリング手法は大きく分けて，階層的

（hierarchical）クラスター分析と非階層的（non-hierarchical）クラスター分析の 2 種類

がある [14]．階層クラスタリング分析とは，個体間の類似度あるいは非類似度を算出し、最も類似し

ている個体から順次併合して集合を作っていく方法である。クラスターが作られていく様

子は樹形図で示すことができ，樹形図はデンドログラム( dendrogram )と呼ばれる．類似度

または非類似度の計算方法や，類似している個体を併合する際の方法（クラスター化法）

は複数存在する．類似度の計算には，ユークリッド距離，平方ユークリッド距離，マハラ

ビノス距離など，非類似度の計算には，相関係数，コサイン計数などが使用できる．また，

クラスター化法には最近隣法，最遠隣法，群平均法，メディアン法，重心法，ウォード法

などが存在する [14]．非階層的クラスター分析とは，最終的に似ている個体が集まるようにクラスターを徐々

に確定していく手法である。非階層的クラスター分析の代表的な手法に k-means 法

（k-means clustering）があり，その判別精度や計算速度の速さから，現在最もよく使用さ

れているクラスタリング手法である．k-means 法は、各個体にランダムにクラスター番号

を割り当て，各クラスターの重心を計算し，その重心が最も近いクラスターに番号を書き

換える，という作業を繰り返し行っていくことで，クラスターを振り分ける方法である．


27

ただし，k-means 法は，振り分けるクラスター数を事前に決める必要があるが，決定方法

は特に定義されていない．初期手法では，クラスターの可視性，結果の一意性から階層的クラスター分析を使用し

ていた．類似度計算には平方ユークリッド距離，クラスター化法にはウォード法を採用し，

クラスタリングを行った．しかし，評価結果を経て，個体数の多さ，クラスタリングの安

定性を加味し，また非階層的クラスター分析の課題であるクラスター数の決定のための方

法を考案したことで，最終的に非階層的クラスター分析を採用した． 3.5 購買要因分析

3.5.1 購買要因分析の概要

第三フェーズの購買要因分析について解説する．購買要因分析では，第二フェーズのク

ラスタリングによって判定されたクラスター番号に分けて，ショッパーがなぜ購買に至る

のか，その要因を明らかにするための分析を行う．分析手法には，ロジスティック回帰モ

分析を使用した．

3.5.2 ロジスティック回帰分析の解説と本研究で使用した変数

ロジスティック回帰分析は，一般化線形モデル（Generalized Linear Models）の一つで

あり，近年幅広い分野に適応されている手法である．2 水準の名義変数に基づく割合を目的

変数とした，一般化線形モデルがロジスティック回帰である [15]．ロジスティック回帰は，目的変数 Y が 0 または 1 の値をとるとき，Y の分布は，

𝑃(𝑌 = 1) = 𝑝，𝑃(𝑌 = 0) = 1 − 𝑝 と表される．この時，ロジスティック回帰モデルは

log𝑝

1 − 𝑝 = 𝐵 + 𝑙𝑀

となり，この係数𝐵，𝑙を最尤推定法によって推定する [16]．推定された係数は，標準誤差

や p 値をもとに，係数の確からしさを判定し，モデルの解釈を行う．また，より良いモデルを選ぶために，赤池情報量基準（AIC，Akaike Information Criterion）を用いるのが一般的である．AIC は最尤推定値の時のモデルの対数尤度を用いて，算出さ

れ，相対的に AIC が小さい方が良いモデルであるといわれている．この AIC などの量を使

って，予測の最適化の上でより良いモデルを選択することをモデル選択（model selection）といい，有名なモデル選択手法に AIC を用いたステップワイズ法がある [15]．初期手法は，このロジスティック回帰分析を用いて，目的変数をショッパーが最終的に 1つ以上の商品を購買して立ち去ったか否かの 0/1 データとし，説明変数にトランザクション


28

データ処理で作成したデータ（表 3.3-2 参照）を使用した．また，初期手法ではモデル選択

は行わず，フルモデルのみで解析を行った． 3.6 仮説構築・施策の実施

最後について第四フェーズの仮説構築，および施策の実施について解説する．第一フェ

ーズから，第三フェーズまでの分析を終えた後に，結果から浮かび上がったショッパー行

動の特性を元にマーケティング施策の仮説を構築する．この際，必ずマーケティング施策

として実行可能であり，かつ，売上や顧客価値向上につながる仮説を構築する．構築した

仮説を元に，レポートを作成し，実際に施策を実施できるよう働きかける．施策を提案する際は，お客様であるマーケッターの立ち位置に応じて，変化させる必要

がある．例えば，マーケッターが統計に明るい場合は，分析手法や結果を詳細に提示した

レポートを作成する必要があるが，もし全く統計に詳しくない場合は，これらの結果をす

べて開示することは反対に混乱と不信感を招く．今回は，後者の場合でもマーケッターが

分析結果を受け入れ，施策を実行しやすいレポートを作成するためには，どのようなコン

テンツが必要であり，それらをどう伝えるか，という点に重点を置き，レポーティングを

行う．施策を実施する際には，施策後の改善を想定し，施策結果を評価できるように計画する

必要がある．例えば，施策実施前後で比較ができるよう情報を取得しておく，また，新し

い施策と従来の施策の単独の効果が比較できるよう，他の要因が影響しない商品に対して

施策を実施するなど，工夫しておく必要がある．今回，この仮説構築，および施策の実施については，第五章の実地検証にて実際にドラ

ッグストアに対し提案を行い，施策を実施する．実施結果は第六章にて考察するため，3.7節の分析例，および第四章の手法評価及び改善においては，考慮しない． 3.7 初期手法によるテスト分析：基礎化粧品

3.7.1 分析概要

基礎化粧品の棚前行動データ（表 2.3 参照）に対して，初期手法を適用し，分析を行った．分析に使用した変数と分析結果を本項にて解説する．

3.7.2 クラスタリング結果

クラスタリングに使用した変数を，表 3.7.2 に示す．変数の内容は，3.2 節で説明した内

容である．


29

表 3.7.2-1 クラスタリング使用変数（初期手法）

上表変数を用いて，階層的クラスター分析を行った．結果を図 3.6.2 に示す．

図 3.7.2-1 クラスタリング結果（初期手法）

デンドログラムの形状より，5 クラスターでの分類が妥当であると判断し，5 クラスターに

分けて，プロファイルを行った．プロファイルに使用した変数を，表 3.7.2-2 に示す．変数

の内容は，3.2 節で説明した内容である．

表 3.7.2-2 プロファイリング使用変数

No 属性名内容

1 接触ブランド数接触した商品のブランド数

2 価格帯のばらつきカテゴリ名のばらつきを標準偏差により算出したものを格納

3 最も接触した価格帯接触した商品が低・中・高のうち，最も接触していた価格帯

最も接触していた価格帯のカテゴリ名（低・中・高）を格納

No 属性名内容

1 接触ブランド数接触した商品のブランド数2 価格帯のばらつきカテゴリ名のばらつきを標準偏差により算出したものを格納

3 最も接触した価格帯接触した商品が低・中・高のうち，最も接触していた価格帯

最も接触していた価格帯のカテゴリ名（低・中・高）を格納4 購買点数最終的に購買した商品数5 購買有無購買したならば1，しなかったならば0を格納6 棚前滞在時間棚前に立っていた秒数7 接触点数立ち去るまでに接触した商品の数


30

プロファイル用変数による基礎集計結果を表 3.7.2-3 に示す．表中，橙色のセルは，全体

平均よりも高い値であることを示す．また，この基礎集計表を基に，プロファイルを行い，

各クラスターの特性とクラスター名を決定した．結果を，表 3.7.2-4 に示す．

表 3.7.2--3 基礎集計結果

表 3.7.2-4 プロファイリング結果

クラスター別の基礎集計より，ショッパーは大きく分けて「指名買いまたは立寄りショ

ッパー」「店内物色ショッパー」「無計画ショッパー」に分けられ，さらに価格帯やブラン

ド接触数に応じて，さらに分岐している構造になっていることがわかった．しかし，それ

以外の傾向はあまり読み取ることができず，クラスターに特色は見えづらい結果となった．

属性 CLS1 CLS2 CLS3 CLS4 CLS5 全体

人数 161 71 88 71 13 404

平均棚前滞在時間 70.07 202.77 135.14 45.34 491.62 116.78

平均購買点数 0.57 0.76 0.73 0.73 0.62 0.67

平均接触点数 2.39 8.20 4.50 1.68 19.69 4.30

購買率 0.50 0.59 0.53 0.69 0.38 0.55

平均接触ブランド数 1.00 3.79 2.01 1.00 9.15 1.97

価格帯のばらつき（平均） 0.11 0.62 0.51 0.06 0.60 0.29

最も接触した価格帯（低） 0.0% 19.7% 25.0% 100.0% 46.2% 0.28

最も接触した価格帯（中） 69.6% 62.0% 58.0% 0.0% 53.8% 0.53

最も接触した価格帯（高） 30.4% 18.3% 17.0% 0.0% 0.0% 0.19

CLS 人数購買率ショッパー特性

1 161 50%指名買いまたは立ち寄りショッパー価格帯が中～高価格帯で，棚前滞在時間が短い．購買者と非購買者が半々程度．接触商品数が非常に少ない

2 71 59%店頭物色ショッパー価格帯やブランドは一定しておらず，多くの商品に接触している．

3 88 53%店頭物色ショッパー価格帯が中～高価格帯で，1・2個のブランドに絞って商品を探索している．長時間悩むが，接触点数は多くない

4 71 69%指名買いまたは立ち寄りショッパー価格帯が低価格帯で，棚前滞在時間が最も短い．購買率が高いため，指名買いショッパーの割合が高いことがわかる．

5 13 38%無計画ショッパー店内で非常に長時間検討しているが，購買率は低い．悩みも用途も決まっておらずざっくばらんに物色している．


31

3.7.3 購買要因分析結果

次に，3.7.2 で分けたクラスター別に購買要因分析を行う．購買要因分析に使用した変数

を表 3.7.3-1 に示す．

表 3.7.3-1 購買要因分析使用変数（初期手法）

棚前滞在時間，商品接触までの時間，接触商品数はすべて元のトランザクションデータ

において，ショッパー𝑆𝑖の 1 番目のレコードの情報を使用している．また目的変数は，ショ

ッパー𝑆𝑖が接触した商品のうち，いずれか 1 点以上購入していれば 1，そうでなければ 0 と

する変数を作成し使用した．表 3.6.3-1の変数を用いて，クラスター別に 5つのロジスティック回帰モデルを作成する．

作成した各モデルの係数表と AIC 値を表 3.7.3-2 に示す．係数表より，指名買いまたは立寄りショッパーに対しては購買率が低い指名買い立寄り

ショッパーと判定されたクラスター1 と，価格帯などが一定しない店内物色ショッパーであ

るクラスター2，店内熟孝ショッパーであるクラスター5 には有意な変数がないことがわか

る．反対に，価格帯やブランドが固まっている店内物色ショッパーであるクラスター3 には，

商品点数が多いことや，棚前滞在時間が短いことが，購買に影響を与えていることがわか

る．また，購買率の高い立寄りまたは指名買いショッパーであるクラスター4 にも，棚前滞

在時間が短いことが，購買に影響を与えていることが分かった．

No. 目的/説明変数名変数の内容

1 説明変数棚前滞在時間 1人のショッパーが棚前に現れてから，立ち去るまでの時間（秒数）

2 説明変数商品接触までの時間棚に訪れてから最初の商品に接触するまでの秒数

3 説明変数接触商品数 1人のショッパーが接触した商品数

4 目的変数購買有無1人のショッパーが最終的にいずれかの商品を買ったならば1，

買っていないならば0


32

▼CLS1結果

偏回帰係数オッズ比標準誤差 p値

(Intercept) -0.09 0.92 0.27 0.742棚前滞在時間 0.00 1.00 0.00 0.323接触点数 0.14 1.15 0.09 0.134商品接触までの時間 0.00 1.00 0.01 0.807

AIC: 226.24

▼CLS2結果


(Intercept) 0.03 1.03 0.55 0.952棚前滞在時間 0.00 1.00 0.00 0.536接触点数 0.06 1.06 0.06 0.383商品接触までの時間 0.01 1.01 0.01 0.250

AIC: 102.18

▼CLS3結果


(Intercept) -0.94 0.39 0.51 0.063 ．棚前滞在時間 -0.01 0.99 0.01 0.047 *接触点数 0.59 1.80 0.16 0.000 ***商品接触までの時間 0.00 1.00 0.01 0.923

AIC: 106.24

▼CLS4結果


(Intercept) 0.73 2.08 0.53 0.168棚前滞在時間 -0.03 0.97 0.01 0.026 *接触点数 0.57 1.76 0.34 0.092 ．商品接触までの時間 0.04 1.04 0.02 0.082 ．

AIC: 89.19

▼CLS5結果


(Intercept) -6.68 0.00 3.73 0.073 ．棚前滞在時間 0.00 1.00 0.00 0.801接触点数 0.12 1.13 0.12 0.317商品接触までの時間 0.20 1.22 0.12 0.101

AIC: 18.134

表 3.7.3-2 購買要因分析結果（初期手法）

平成 25 年度静岡大学大学院情報学研究科修士論文第四章初期手法の評価及び評価に基づく手法改善

33

第四章

初期手法の評価及び評価に基づく手法改善

4.1 手法評価のアプローチ

4.1.1 概要

本章では，第三章にて設計した初期手法の，妥当性と汎用性の評価を行い，評価結果に

応じ，適宜手法の改善を行った．評価を行ったのは，クラスタリングと購買要因分析の 2フェーズである．第一フェーズのトランザクションデータ処理に関しては，2 つのフェーズ

の検証過程でデータ処理の見直しが課題となり，手段としてトランザクションデータの処

理方法や新しいデータの作成を行うという形をとっている．妥当性の評価は分析精度の評価とマーケティング有用性の評価の 2 点を満たすことを評

価基準とした．具体的な検証方法として，映像確認，ビジネス遂行者へのヒヤリング，統

計的評価を行った．映像確認では，ミディー社が取得している元の映像データと顧客番号

を紐付，分析によって得られた顧客のプロファイルと，実際の行動を確認した．ビジネス

遂行者へのヒヤリングは，ミディー社や実験協力いただいているドラッグストアのマーケ

ティング担当者の方に検証結果やレポーティング内容を報告し，コメントや評価をいただ

いた．統計的評価は，AIC など分析結果からえられる評価値を分析手法に合わせて採用し

た．汎用性の評価の判断基準は，複数の店舗や複数の商材の売り場に対して，本手法を適用

した場合に，同じ結果が得られるか，とした．今回は異なる店舗のヘアケアデータに対し

て分析を実施し，その結果の妥当性を，妥当性の評価と同じく，ヒヤリングや映像確認に

よって行った．実施した評価の一覧と検証方法を表 4.1.1 に示す．各検証の詳細は，4.2 節で解説する．


34

表 4.1.1 手法評価項目及び評価方法一覧

4.1.2 評価サイクルを用いた手法評価と改善

手法評価と改善は，2.5 節で解説した評価サイクル基づき行い，ビジネス遂行者であるミ

ディー社と，データ分析者である筆者がともに評価サイクルを回し，1 回の評価サイクルつ

き 1 回のミーティングを行う．例えば，クラスタリングの妥当性評価において，1 回目の評価サイクルを回す場合，初め

にミディー社とプレミーティングを行い，ヒヤリングなどを経て 1 回目のゴールを双方で

確認した．その後，分析者である筆者はゴール達成のために，手法の検討やデータ加工，

分析を行い，次の 2 回目のミーティングへ望む．1 回目終了時のミーティングで，またミデ

ィー社へヒヤリングや映像確認による評価を行ってもらい，その結果を 2 回目の評価サイ

クルのゴールとして設定する．この流れを 1 回の評価サイクルとし，今回はこれを 5 回繰

り返した．本研究では，2013 年 4 月から 10 月にかけて評価サイクルによる妥当性検証と汎用性検

証を実施した．全体の流れを図4.1.2に示す．図中の▲はミーティングを行った時期を表す．

評価対象となる

フェーズ検証区分評価項目評価方法

分析精度の評価：プロファイル内容と映像の一致

マーケティング有用性の評価：

クラスター区分とプロファイル結果への納得


指標としての使いやすさ，理解しやすさ

分析精度の評価：統計的指標による確認統計的評価

マーケティング有用性の評価：因果関係の納得



クラスタリング／

購買要因分析汎用性検証分析の再現性統計的評価／ヒヤリング

購買要因分析

クラスタリング妥当性検証映像確認／ヒヤリング

妥当性検証ヒヤリング


35

図 4.1.2-1 手法評価のスケジュールまた，各ミーティングでは行った評価内容，結果，ミディー社からのコメント，次回の

ゴールを逐次設定し，そのゴール達成のための手法の改善に取り組んだ（表 4.1.2 参照）．

このように，毎回のミーティングの前に明確な，かついくつかのゴール設定し，次のミー

ティングまでに手法を改善，その結果を共有，評価してもらうことで，また新しいゴール

を決める，という流れをくりかえすことで，徐々に課題を明確化し，最適な手法構築へと

着実に近づくことができる．ただし，評価サイクルに対応して内容の解説を行う場合，非

常に説明が煩雑になるため，4.2 節以降では，各フェーズにおける評価内容と結果，評価に

基づく手法の改善という 3 段階の形式でまとめて解説を行う．

2013年4月 5月 6月 7月 8月 9月 10月

購買要因分析：妥当性の検証

汎用性検証

クラスタリング検証：妥当性の検証

１回目２回目

３回目４回目

５回目

プレMTG


36

表 4.1.2-1 手法評価のためのミーティング内容概要

CRISP-DM プレMTG 1回目 2回目日付 2013/4 2013/5 2013/6

クラスタリングクラスタリングクラスタリング

妥当性評価妥当性評価妥当性評価

映像確認ヒヤリング



評価結果映像と相違あり映像と相違あり映像と相違なし分類結果も違和感なし

コメント分析結果が見づらい

価格・ブランド以外の情報を加味した

方がいい

サブカテゴリの基準や閾値が厳しい

のでは？

クラスター数の決定の仕方に疑問

購買要因を分析するにあたって，購

買行動が複雑なショッパーは因果関

係が情報量として落ちている

次回のゴール設定

クラスタリング手法の見直し

商品のサブカテゴリ情報の追加

サブカテゴリ情報の精査

クラスター数決定手法の検討

購買行動が複雑なショッパーのトラン

ザクション処理方法の変更

手法改善策

階層クラスタリング分析→非階層へ

サブカテゴリを作成し，ショッパーの

悩んでいるサブカテゴリの傾向を数

値化

サブカテゴリ情報作成のための辞書

更新

主成分分析を応用したクラスター数

決定手法の考案

トランザクションの区切りを1ショッ

パーではなく，1購買行動とする

1購買行動の定義を作成する

3回目 4回目 5回目

日付 2013/7 2013/9 2013/10

購買要因分析購買要因分析クラスタ・購買要因

妥当性評価妥当性評価汎用性評価


ヒヤリング統計的評価


統計的評価

評価映像と相違なし処理基準も違和感なしただし課題も残る

違和感なしAICによるモデル評価も向上

映像との相違なし違和感なしAICによる評価値も変化なし

コメント検討順が欠損している

具体的なマーケティング仮説が立て

づらい

マーケティングドライバと行動との因

果関係を知りたい特になし

次回のゴール設定

検討順を加味したモデル作成

マーケティングドライバを分析に組み

込む

別商材データでの検証（汎用性検証）

手法改善策検討順データの作成とモデル追加

棚配置，価格表示形式，POP形式

データの作成とモデル追加

共分散構造分析の実施

他店舗のヘアケアデータで，同じ手

法で分析を行う

評価内容

評価内容


37

4.2 評価Ⅰ：クラスタリングの妥当性評価

4.2.1 評価内容

クラスタリングの妥当性は，分析精度の評価，マーケティング有用性の評価として，以

下 3 項目をクリアすることを目標として，映像確認，ビジネス遂行者へのヒヤリングを行

った．ヒヤリングは，データ分析者である筆者が，分析結果をレポートにまとめたものを

元に，映像を見ながら以下の項目についてのコメントをいただいた．項目 1 ）分析精度の評価：プロファイル内容と映像の一致項目 2 ）マーケティング有用性の評価：クラスター区分とプロファイル結果への納得項目 3 ）マーケティング有用性の評価：指標としての使いやすさ，理解しやすさこれらの評価項目を，4.1 で解説したように，すべて一度に対処していくわけではなく，

複数回の評価サイクルにより，徐々に項目をクリアしていった．クラスタリングの妥当性

の評価では 2 回の評価サイクルを実行した．

4.2.2 評価結果

評価の結果，初期手法では評価をクリアすることができず，各項目に対し，評価クリア

のための手法改善を実施することとなった（表 4.2.2 参照）．

表 4.2.2 クラスタリング評価項目一覧

まず，分析精度の評価として，プロファイル内容と映像の一致性のチェックを行った．

初期手法で行われた各クラスターのプロファイル結果より，各ショッパーの特性が紐づけ

られた状態で，映像を確認したところ，一致していないショッパーが何名か発見された．

例えば，ショッパーA が「棚前でよく悩み，たくさんの商品間で混乱している人」というプ

ロファイル結果が出ているにもかかわらず，映像を見ると，「棚に訪れてそのまま悩む様子

もなく購買決定し，立ち去っている」ことが確認された．このような結果から，初期手法

のクラスタリング手法では不十分であり，手法の変更，または変数の追加が必要であると

評価項目評価結果改善策

手法の変更（階層クラスター分析から非階層クラ

スター分析へ）

使用変数の追加

（サブカテゴリ情報，テスター利用を追加）

クラスター数決定方法を明確に定義するべきである．クラスター数の決定ロジックの考案

指名買いショッパーと立ち寄りショッパーが必ず同じク

ラスターに属することに対しての対処が必要

クラスタリング実行後，購買者と非購買者に分け

てプロファイルすることで対処


指標としての使いやすさ，理解しやすさ手法改善後の変数を含めれば概ね問題なし－


クラスター区分とプロファイル結果への納得

プロファイル結果から得られた特性と，実際の行動に

差異がある．現在のクラスタリング手法や変数では正確にショッパーを分類できていない．

分析精度の評価：

プロファイル内容と映像の一致


38

判断した．手法の変更としては，従来，結果の解釈のしやすさから階層的クラスター分析

を使用していたが，クラスタリング対象となる個体数が階層的クラスター分析ではあまり

精度が高くないこと，結果が見づらくなってしまうこと，再現性が低いことなどの観点か

ら，非階層的クラスター分析を使用することとした．また，変数の追加としては，サブカ

テゴリ情報とテスター情報を追加することとした．追加した変数の詳細は 4.2.3.1 で解説す

る．また，マーケティング有用性の評価として，まずクラスター区分とプロファイル結果へ

の納得感があるか，という点でヒヤリングを行った．ヒヤリングの結果，2 つの課題が明ら

かになった．一つ目はクラスター数決定のためのロジックの欠如．二つ目は一つのクラス

ターに購買する商品をあらかじめ決定した上で棚に訪れ，購買していく「指名買いショッ

パー」と，何も買うつもりがなくたまたま立ち寄った「立ち寄りショッパー」が混在して

いること対する違和感である．一つ目のクラスター数決定ロジックについては，主成分分

析を用いてクラスター数を決定する手法を採用した．手法の詳細は 4.2.3.2 で解説する．二つ目の指名買いショッパーと立ち寄りショッパーの混在については，クラスタリング

からはこの二者は分類することができないが，クラスタリングによって指名買いまたは立

ち寄りショッパーとして分類されたクラスターの中で，おそらく立ち寄りショッパーであ

るショッパーを，行動変数を元に分類することとした．ロジックの詳細は 4.2.3.3 で解説す

る．最後に同じくマーケティング有用性の評価として，指標としての使いやすさ，理解しや

すさについてヒヤリングを行った．ヒヤリングの結果，初期手法で使用していたものは，

それだけでは情報量に欠けるものの，一つ目の評価項目であったプロファイル内容と映像

の一致性のチェックにより追加された変数を含めれば，非常によくショッパーを説明して

いる指標であるとの評価をいただいた．特に，追加されたサブカテゴリ情報が，ショッパ

ーを説明する指標として，新規性，納得感がある指標であると評価いただいた．

4.2.3 手法改善

4.2.3.1 クラスタリング手法の変更

評価の結果，プロファイル内容と映像が一致していないことから，クラスタリング手法

自体の変更が必要であると判断した．したがって，従来使用していた階層的クラスター分

析ではなく，非階層的クラスター分析である k-means 法を使用することとした．k-means法の詳細は 3.3.2 項を参照されたい．

4.2.3.2 改善後のクラスタリング使用変数

同じく，プロファイル内容と映像が一致していないことから，クラスタリング使用変数

を追加した．初期手法から使用している変数と合わせて，使用変数の一覧を表 4.2.3.2-1 に

示す．1 列目の用途欄は，クラスタリングを行う際に使用した変数を「クラスタリング」，


39

クラスタリング自体には使用してないが，クラスター解釈のためのプロファイリングのみ

に使用した変数を「プロファイリングのみ」と示す．2 列目の初期・追加欄に初期手法から

使用している変数を「初期」，新しく追加した変数を「追加」として示す．

表 4.2.3.2-1 クラスタリング・プロファイリング使用変数（改善後の手法）

評価結果を経てクラスタリングに追加した変数は，用途確定フラグ，悩み確定フラグ，

テスターフラグ，接触商品数，接触ブランド数の 5 つである．また，クラスター解釈のた

めにプロファイリングする際に新しく追加した変数は，年齢である．以下に，クラスタリ

ングに追加した，用途確定フラグ，悩み確定フラグ，テスターフラグについて詳しく解説

する．用途確定フラグ，悩み確定フラグとは，各商品のサブカテゴリ情報から独自に作成した

変数である．サブカテゴリ，基礎化粧品の場合，乳液，化粧水，洗顔料などの商品の用途

による分類である「サブカテゴリ（用途）」と，美白，うるおい，ニキビなどの商品が解決

してくれる悩みによる分類である「サブカテゴリ（悩み）」の 2 種類を作成した．2 種類の

サブカテゴリによって，それぞれ用途確定フラグ，悩み確定フラグを作成する．用途確定

フラグの作成の手順を以下に示す． ⅰ) 商品名の中に，ある特定のキーワードが入っている商品についてサブカテゴリ（用

No. 用途初期・追加変数名変数の内容

1 クラスタリング初期最も接触した価格帯1人のショッパーが最も接触した価格帯1：低価格帯，2：中価格帯，3：高価格帯

2 クラスタリング初期価格帯別接触商品数：低価格帯 1人のショッパーが接触した低価格帯の価格帯別商品数

3 クラスタリング初期価格帯別接触商品数：中価格帯 1人のショッパーが接触した中価格帯の価格帯別商品数

4 クラスタリング初期価格帯別接触商品数：高価格帯 1人のショッパーが接触した高価格帯の価格帯別商品数

5 クラスタリング追加用途確定フラグ商品に化粧水，乳液，美容液，クリーム，洗顔，メイク落としの5つサブカテゴリ（用途）を付与し，1人のショッパーが接触する商品のサブカテゴリ（用途）が80%以上同じであれば，用途確定フラグを1，そうでなければ0とする（※変数定義詳細参照）

6 クラスタリング追加悩み確定フラグ商品に美白，ニキビ，ハリ，毛穴の4つのサブカテゴリ（悩み）を付与し，1人のショッパーが接触する商品のサブカテゴリ（悩み）が70%以上同じであれば，悩み確定フラグを1，そうでなければ0とする（※変数定義詳細参照）

7 クラスタリング追加テスターフラグテスター商品をに3秒以上接触している場合は1，そうでなければ0とする（3秒よりも少ない場合は，ただ手が触れてしまっただけと判断する）

8 クラスタリング追加接触商品数 1人のショッパーが接触した商品数

9 クラスタリング追加接触ブランド数 1人のショッパーが接触したブランドの種類

10 クラスタリング追加接触サブカテゴリ数 1人のショッパーが接触したサブカテゴリの種類

11 プロファイリングのみ初期購買点数 1人のショッパーの購買点数

12 プロファイリングのみ初期購買有無 1人のショッパーが最終的にいずれかの商品を買ったならば1，買っていないならば0

13 プロファイリングのみ初期棚前滞在時間 1人のショッパーが棚前に現れてから，立ち去るまでの時間（秒数）

14 プロファイリングのみ初期総商品接触時間 1人のショッパーが商品を触っていた時間の合計

15 プロファイリングのみ初期1商品当たりの平均接触時間

1人のショッパーにつき商品当たりの商品接触時間の平均を算出したもの（秒数）

16 プロファイリングのみ追加年齢

「性別/年齢」データがあるショッパーは以下の定義に従って数値カテゴリ化FT（13～19歳の女子）：1，F1 （20～34歳の女性）：2F2（35～49歳の女性）：3，F3 （50歳以上の女性）：4MT（13～19歳の男子）：1，M1（20～34歳の男性）：1M2（35～49歳の男性）：3，M3（50歳以上の男性）：4「年齢」データがあるショッパーは以下の定義に従って数値カテゴリ化～19歳：1，20～29歳：2，30～39歳：2，40～49歳：3，50～59歳：4，60～69歳：4，70歳～：4


40

途）を付与する辞書を作成する（表 4.2.3.2-1，表 4.2.3.2-2 参照）． ⅱ) 辞書を元に，元のトランザクションデータにサブカテゴリを自動的に付与する． ⅲ) ⅱ) の自動処理によって，複数のサブカテゴリが付与している，または，サブカテ

ゴリが付与されなかった商品に対しては，目視で正しいサブカテゴリを付与する． ⅳ) ショッパー𝑆𝑖の接触した商品のサブカテゴリリスト𝐶𝐵𝐼𝐼𝑙𝑙𝐵𝐶𝑖 = {𝑃1, 𝑃2, 𝑃3, , , 𝑃𝐶} (t

はサブカテゴリの種類の数) とする．ショッパー𝑆𝑖の接触したサブカテゴリ t に該当

する商品数を格納している．最も接触しているサブカテゴリの商品数を

𝑀𝐵𝑀(𝐶𝐵𝐼𝐼𝑙𝑙𝐵𝐶𝑖) ，接触した全商品数𝑀𝑛𝐼(𝐶𝐵𝐼𝐼𝑙𝑙𝐵𝐶𝑖) と表すとき，

𝑀𝐵𝑀(𝐶𝐵𝐼𝐼𝑙𝑙𝐵𝐶𝑖) > �𝑀𝑛𝐼(𝐶𝐵𝐼𝐼𝑙𝑙𝐵𝐶𝑖)�× 0.8

を満たすならば．ショッパー𝑆𝑖のサブカテゴリは確定しているとする．

上記ⅰ～ⅳの手順を，サブカテゴリ（用途），サブカテゴリ（悩み）のそれぞれについて

行う．ただし，サブカテゴリ（悩み）の場合は，ⅳの定義を，

𝑀𝐵𝑀(𝐶𝐵𝐼𝐼𝑙𝑙𝐵𝐶𝑖) > �𝑀𝑛𝐼(𝐶𝐵𝐼𝐼𝑙𝑙𝐵𝐶𝑖)�× 0.7

とする．これは，データを確認した結果，サブカテゴリ（用途）とサブカテゴリ（悩み）

の確定フラグが立つショッパーの割合を，全体の 60%前後になるように調整した結果，サ

ブカテゴリ（用途）は，ショッパーが接触している商品のうち 8 割が同じ用途であれば確

定している，サブカテゴリ（悩み）はショッパーが接触している商品のうち 7 割が同じ悩

みを解決する商品であれば，悩みが確定している，として，フラグを立てることとした．

手順ⅰに使用した，サブカテゴリ抽出用辞書を，表 4.2.3.2-2，表 4.2.3.2-3 に示す．

表 4.2.3.2-2 サブカテゴリ（用途）抽出用辞書

サブカテゴリ（用途）商品名に以下を含むもの

化粧水化粧水,ローション,ﾛｰｼｮﾝ,ﾛ-ｼﾖﾝ,ヒアルロン液,保湿液,ローシヨン乳液乳液,ミルク,ﾐﾙｸ,ﾐﾙｷ,ミルキ,エマルジョン,ｴﾏﾙｼﾞｮﾝ,エマルジヨン,ｴﾏﾙｼﾞﾖﾝ美容液美容液,ｴﾂｾﾝｽ,エッセンス,ｴｯｾﾝｽ,美容水クリームクリーム,ｸﾘｰﾑ洗顔洗顔,フォーム,ﾌｫｰﾑ,ホイップ,ﾎｲｯﾌﾟ,ソープ,ｿｰﾌﾟ,ﾌｵ-ﾑ,ｾﾂｹﾝ,ウォッシング,石鹸メイク落としメイク,ﾒｲｸ,リムーバー,ﾘﾑｰﾊﾞ ,ークレンジング,ｸﾚﾝｼﾞﾝｸﾞ,リキッド,ﾘｷｯﾄﾞ,ﾘｷﾂﾄﾞミストミスト,ﾐｽﾄベースベース,ﾍﾞｰｽ,下地,ＢＢクリーム,BBクリーム,BBｸﾘｰﾑファンデーションファンデーション,ﾌｧﾝﾃﾞｰｼｮﾝ,パクト,ﾊﾟｸﾄパウダーパウダー,ﾊﾟｳﾀﾞｰジェルジェル,ｼﾞｪﾙ,ｼﾞｴﾙ,ゲル,ｹﾞﾙピーリングピーリング,ﾋﾟｰﾘﾝｸﾞ,ポロつる肌ゼリー,角栓,黒ジェル,ゴマージュパックパック,ﾊﾟｯｸ,ﾊﾟﾂｸ,マスク,ﾏｽｸ


41

表 4.2.3.2-3 サブカテゴリ（悩み）抽出用辞書

また，テスターフラグは，テスターである商品を，3 秒以上接触した場合に，テスター接

触ありと定義して，変数を作成した．商品接触データの性質上，接触した商品はすべて一

様に接触情報ありとしてトランザクションが記録されるため，商品と間違えてテスターを

手に取ってしまった場合や，奥の商品に手を伸ばそうとしてテスターに触れてしまった場

合なども，同じようにトランザクションが残っている．これらは，テスター利用として適

切でない，と判断し，3 秒以上接触した場合のみ，テスターフラグを立てるように定義した．

4.2.3.3 主成分分析を用いたクラスター数の決定

本研究では，主成分分析を用いて個体を可視化することで，クラスター数の決定を試み

た．k-means によるクラスタリング結果を主成分プロットする作業は R の cluster ライブ

ラリにある clusplot 関数にて実行可能である．clusplot 関数を用いてクラスター数を決定す

るロジックを解説する．主成分分析（Principal Component Analysis）とは，互いに相関のある多種類の特性値

の持つ情報を，互いに無相関な少数個の総合特性値に要約するための手法である [14]．今回は，以下のような手順で主成分分析を用いて，クラスター数の決定を行った．事前

に複数のクラスター数の候補 𝑋 = {𝑀1,𝑀2, , ,𝑀𝑖} を用意し，𝑋 に対し以下を繰り返す． ⅰ) クラスター数を𝑀𝑖とし，k-means を実行．クラスター番号を得る． ⅱ) 個体を主成分分析により，2 次元にプロットする（今回は分散共分散行列を用いて主

成分分析を実行）． ⅲ) プロットされた各個体を，クラスター番号に基づき色分けし，各クラスターのボリュ

ームや分布の別れ方などをチェックする． ⅳ) クラスター数を𝑀𝑖+1とし，ⅰ)～ⅲ) を実行する．

上記のプロセスにより，得られたプロット結果から，最適なクラスター数を決定し，そ

のクラスター数で実行された結果を，最終のクラスタリング結果として採用する．

サブカテゴリ（悩み）商品名に以下を含むもの

美白白,ホワイト,ﾎﾜｲﾄ,ﾊｸ,シロ,ｼﾛ,ＵＶ,UV,SPF,ＳＰＦニキビアクネ,ニキビ,ｱｸﾈ,ﾆｷﾋﾞ,にきび,フキ,ﾌｷハリ・つやハリ,ﾊﾘ,リフト,ﾘﾌﾄ,つや,ﾂﾔ,ツヤうるおいうる,モイス,ﾓｲｽ,しっとり毛穴毛穴,ピーリング,ﾋﾟｰﾘﾝｸﾞ,角栓,黒ジェル


42

4.2.3.4 立ち寄りショッパーと指名買いショッパーの分類

クラスタリングによって，同じクラスターとして分類されてしまう，立ち寄りショッパ

ーと指名買いショッパーは，最終的に購買したか，購買せずに立ち去ったか，で分類する

ことで，おおよその理解を図ることとした．図 4.2.3.4 のように，最終的に購買したショッ

パーを指名買いショッパー，購買しなかったショッパーを立ち寄りショッパーとして結果

を解釈する．これにより立ち寄るつもりだったが，突発的に購買してしまったショッパー

が指名買いショッパーに便宜的に分類されてしまうが，これは今後の課題することとして

合意された．

図 4.2.3.4 指名買いまたは立寄りショッパーの分類ロジック

4.3 評価Ⅱ：購買要因分析の妥当性評価

4.3.1 評価内容

購買要因分析の妥当性は，分析精度の評価，マーケティング有用性の評価として，以下 3項目をクリアすることを目標として，統計的評価，ビジネス遂行者へのヒヤリングを行っ

た．ヒヤリングは，分析結果をまとめたレポートをデータ分析者が用意し，レポートを基

に，使用感，納得感などについてコメントをいただいた．

項目 1 ）分析精度の評価：統計的指標による確認項目 2 ）マーケティング有用性の評価：因果関係の納得項目 3 ）マーケティング有用性の評価：指標としての使いやすさ，理解しやすさ

これらの評価項目を，クラスタリングの評価と同じく，複数回の CRISP-DM により，徐々

に項目をクリアしていく．購買要因分析の妥当性の評価では 3回のCRISP-DMを実行した．


43

4.3.2 評価結果

評価の結果，初期手法では評価をクリアすることができず，各項目に対し，評価クリア

のための手法改善が必要であると判断された（表 4.3.2-1 参照）．

表 4.3.2-1 購買要因分析評価項目

まず，分析精度の評価として，統計的指標による評価を行った．初期手法のモデルでは，

使用している変数が少ないこともあり，統計的に有意な指標が少なかった．したがって使

用変数の追加が必要であると考えられた．同時に，マーケティング有用性の評価において

も，マーケティングドライバーとなる指標がないことから，扱いづらいという結果が得ら

れた．したがって，分析の精度向上とマーケティング有用性の 2 つの観点より，クラスタ

リングにて使用していた，最も接触した価格帯，テスターフラグ，接触ブランド数，総商

品接触時間，1 商品あたりの平均接触時間，またマーケティングドライバーとして商品の棚

配置情報，POP 情報，プライスカード情報を追加した．追加した変数の詳細は，4.3.3 項に

て解説する．また，使用変数の追加に伴い，変数の選定が必要となった。従来は商品情報

に絞ってモデルに投入していたが，まだ，試作段階である現状を踏まえ，効果がありそう

な変数を複数モデルに投入し，その中から統計値を基に選定する方針に改めることとした．

追加する変数の詳細は 4.3.3.2 にて，変数選択方法は 4.3.3.3 にて解説する．またマーケティング有用性の評価の 2 点目として，モデルが示す因果関係について議論

を行った．初期手法で使用していたモデルでは，1 ショッパーのすべての商品接触情報が最

終的に何か商品を購買しているか否かを示す購買有無を説明しているモデルとなっていた．しかし，実際映像等を確認していると，明らかに 1 ショッパーの購買行動が途中で全く異

なる興味に移っている例が見つけられた．そこで，データを確認すると表 4.3.2-2 のような

ショッパーがいることが明らかになった．

評価項目評価結果改善策

変数を追加し，変数選択の上でモデルを作成



マーケティングドライバの指標がないため，実際の指

標としては扱いづらい


因果関係の納得

1ショッパーが複数カテゴリの商材を買っている場合が

あり，その際，異なる商材同士の行動に因果は薄いのではないか

トランザクション集計方法の見直し（購買要因分

析のみ）

使用変数の追加，見直し

(商品の棚配置情報，POP情報，価格表示情報の追加)

分析精度の評価：

統計的指標による確認有意な指標が少ない


44

表 4.3.2-2 購買行動が途中で変化するショッパーのトランザクションデータ例

上表から明らかであるように，ショッパーNo.311 は，前半はアスタリフトというブラン

ドの乳液や美容液などを選んでいるが，後半はアスタリフトには全く接触せず，ハンスキ

ンというブランドのファンデーションは BB クリームなどを物色している．初期手法では，

どんな購買行動も一つのレコードに集約しているため，このような 2 種類の全く異なる選

考をしているトランザクションを持っていた，という情報は欠如してしまっている．した

がって，例えば No.311 が 6 レコード目の「アスタリフトトライアルキット」を接触後，

そのまま購買した場合，この購買に影響を与えているのは，1～5 レコード目までのアスタ

リフトブランドへの接触行動であり，ハンスキンへの接触に因果関係はない．しかし，現

状のトランザクションデータ処理では，因果関係がないはずのハンスキンへの接触行動が

購買に寄与する変数としてモデルに投入されてしまっている．ただし，クラスタリングを行う上では，この因果関係はあまり加味する必要がない．な

ぜならば，クラスタリングを行う趣旨は，棚前に訪れるショッパーの大まかな理解とター

ゲティングであり，細かな行動まで拾ってトランザクションを区切れば区切るほど，顧客

全体の理解は煩雑になる．しかし，クラスタリングによってターゲットを絞ったうえで行

う購買要因分析では，ターゲットが購買に至るにあたって影響度の高い要因を見つけるた

めに行うため，このような因果関係を重視する必要がある．したがって，クラスタリングでは従来通りのトランザクションデータ処理を行ったデー

タを使用するが，購買要因分析においては，新たにトランザクションデータ処理の定義を

設定する必要がある．定義の詳細は 4.3.3.1 にて解説する．

4.3.3 手法改善

4.3.3.1 購買要因分析のためのトランザクションデータ処理

因果関係の精緻化のため，購買要因分析で使用するデータを作成するためのトランザク

ションデータ処理方法を変更する．4.3.2 項でも述べたように，あるショッパーの購買行動

の中には，複数の関与をもって購買行動をとっているケースが何人か見られた．このよう

な場合，従来通り 1 人のショッパーをそのまま 1 レコード（ショッパー集約後レコード）

として扱うと情報量が欠如してしまう．したがって，今回新たに「1 購買行動」という単位

No. 商品名購買点数ブランドサブカテゴリ（用途）サブカテゴリ（悩み）

311 アスタリフト　エマルジョン100ML 0 アスタリフト乳液ハリ・つや311 アスタリフト　エッセンス 30ML 0 アスタリフト美容液ハリ・つや311 アスタリフト　トライアルキット 0 アスタリフト不明ハリ・つや311 アスタリフト　アイクリーム15G 0 アスタリフト不明ハリ・つや311 アスタリフト　トライアルキット　美白 0 アスタリフト不明美白311 アスタリフト　トライアルキット 1 アスタリフト不明ハリ・つや311 ハンスキン BBパウダーパクト 12g 0 ハンスキンファンデーション不明311 ハンスキン BBトータルクリーム 30ml 0 ハンスキンクリーム不明311 ハンスキン BBトータルクリーム 15ml 0 ハンスキンクリーム不明311 ハンスキンブラミッシュカバー 10ml 0 ハンスキン不明不明311 ハンスキン BBパウダーパクト 12g 1 ハンスキンファンデーション不明


45

を定義し，トランザクションデータを 1 購買行動単位で分割し，情報を集約することとし

た．ただし，同一人物の 2 回目の購買行動と，2 人の人物の 1 回ずつの購買行動を区別する

ため，新しく「検討順」という変数を作成し，区別することとする．1 購買行動単位でトラ

ンザクションデータを集約する際の定義を以下に示す．

ⅰ) 現在のアクションレコードと一つ前のアクションレコードのショッパーNo が異な

る場合は，異なる購買行動であると判断する． ⅱ)「サブカテゴリ（用途）」「サブカテゴリ（悩み）」「ブランド」の全てが，一つ前のア

クションレコードと現在のアクションレコードで異なる場合に，その購買行動は前の

購買行動とは別であると判断する． ⅲ) ⅱ) でアクションレコードが二回連続で違う購買行動であると判断された場合は，ま

だブランドやサブカテゴリが定まらず物色しているだけ，であると判断し，同じ購買

行動であると判断する．また，アクションレコードを 1 購買行動単位で集約したとき，「検討順」と新しい「購買

有無」の定義を以下とする． ⅳ) 同一ショッパーのアクションレコード内で i 回目の購買行動が発生した時，その検討

順を i とする． ⅴ) １購買行動における購買有無（目的変数）は，従来と同じくいずれかの商品を購入

した場合に１，そうでなければ０とする例えば，表 3.2.2-1 のようなアクションレコードになっている場合，ショッパーNo.311

は 2 つの購買行動に分かれ，赤い部分が検討順 1，青い部分が検討順 2 となる．また，どち

らの購買行動もいずれか 1 点を購買しているため，目的変数は 1 となる．それ以外の変数については，従来の集計方法と変更しない．

4.3.3.2 改善後の購買要因分析使用変数

購買要因分析に使用する変数を．初期手法から使用している変数と合わせて，を表

4.3.3.2-1 に示す．1 列目の用途欄は，目的変数か説明変数．2 列目の初期・追加欄に初期手

法から使用している変数を「初期」，新しく追加した変数を「追加」として示す．評価結果を経て，可能性がありそうな変数を多めに追加し，追加したモデルからステッ

プワイズ法を用いて変数を選択することとした．追加した変数は，従来クラスタリングに

て使用していた，最も接触した価格帯やテスターフラグ，接触ブランド数．さらに詳細な

ショッパーの動きを示す総商品接触時間，1 商品あたりの平均接触時間．そして，マーケテ

ィングドライバーとなる商品情報である．


46

商品情報は，大きく分けて「棚配置情報」「プライスカード情報」「POP 情報」の 3 種類

を新たに作成し，使用変数に追加した．これらの属性はもともと存在していないデータで

あったため，今回は便宜上，筆者が手動でこれらの情報を含む商品データベースを作成し，

トランザクション集計した．

表 4.3.3.2-1 購買要因分析使用変数一覧（改善後）

まず，「棚配置情報」として，商品の配置を縦軸，横軸でデータ化した．売り場のラックの

切れ目を横軸，段を縦軸として，座標化し，各商品がどの座標に配置されているかを目視

で確認し，記録した．次に，「プライスカード情報」は，商品に実際貼られているプライスカードを一定のル

ールで数値データ化した．プライスカードは図 4.3.3.2-1 中の赤枠が示すような価格が表示

されているカードを示し，その大きさを分類し，数値データ化した．プライスカードの各

大きさに対して付与した数値を表 4.3.3.2-2 にまとめる．また，「POP 情報」も，プライスカード情報と同じく，商品につけられている POP を一

定のルールで数値データ化した．POP は図 4.3.3.2-2 中の赤枠が示すようなカードやシール

を示し，その大きさを分類し，数値データ化した．POP の各種類や大きさに対して付与し

た数値を同じく表 4.3.3.2-2 にまとめる．表 4.3.3.2-2 POP・プライスカード


1 説明変数初期棚前滞在時間 1人のショッパーが棚前に現れてから，立ち去るまでの時間（秒数）

2 説明変数初期商品接触までの時間棚に訪れてから最初の商品に接触するまでの秒数

3 説明変数初期接触商品数 1人のショッパーが接触した商品数

4 説明変数追加最も接触した価格帯 1人のショッパーが最も接触した価格帯1：低価格帯，2：中価格帯，3：高価格帯

5 説明変数追加テスターフラグテスター商品をに3秒以上接触している場合は1，そうでなければ0とする

（3秒よりも少ない場合は，ただ手が触れてしまっただけと判断する）

6 説明変数追加接触ブランド数 1人のショッパーが接触したブランドの種類

7 説明変数追加総商品接触時間 1人のショッパーが商品を触っていた時間の合計

8 説明変数追加 1商品あたりの平均接触時間 1人のショッパーにつき商品当たりの商品接触時間の平均を算出したもの（秒数）

9 説明変数追加検討順1ショッパーの購買行動のうち，該当レコードの購買行動が検討されていた順番．

（例：1ショッパーの2番目に検討していたレコードならば「2」を格納する）

10 説明変数追加移動距離（横）接触した商品中の最右の商品と最左の商品の横軸の差分

11 説明変数追加移動距離（縦）接触した商品中の最右の商品と最左の商品の縦軸の差分

12 説明変数追加棚の高さ（最低）接触した商品中で最も高い位置にあった商品の棚位置

13 説明変数追加棚の高さ（最高）接触した商品中で最も低い位置にあった商品の棚位置

14 説明変数追加価格表示の大きさ価格表示の大きさ（別表参照）

15 説明変数追加 POPの種類 POPの種類大きさ（別表参照）

16 目的変数追加購買有無 1人のショッパーが最終的にいずれかの商品を買ったならば1，買っていないならば0

変数種類値

デフォルト 1小サイズ 2中サイズ 3

大サイズ 4POPなし 0小POP 1大POP 2

特設コーナー 3

プライスカード

POPの種類


47

図 4.3.3.2-1 プライスカード例

図 4.3.3.2-2 POP 例

デフォルト：１

小サイズ：２

中サイズ：３

大サイズ：４

大POP：２

特設コーナー：３

小POP：１


48

4.3.3.3 モデル選択方法

改善後の手法では，変数が多いため，モデル選択の必要があると判断した．今回は，相

関係数よる変数選択と，ステップワイズ法を使用した．相関係数による変数選択は，表 4.3.3.2-1 に示す全変数のデータセットを用意し，そのデ

ータセットに対し，相関行列を作成する．相関行列の作成には，R の cor 関数を用いた．計

算された各変数間の相関係数の高い変数の組み合わせを見つけ，見つかった変数のいずれ

かを使用変数から削除する．これは，回帰分析における多重共線性（multicollinearity）を

回避するために行っている．多重共線性とは，線形モデルにおいて説明変数間に高い共線

関係が存在することで，パラメータの推定がきわめて困難になることを示す [15] [17]．多

重共線性が起きると，一方の変数の増減によって，他方の変数も同様に増減してしまうた

め，変数単体での目的変数への説明力を観測することができないため，一方の変数を除く

必要がある．今回使用変数を増やしたことで，多重共線性の問題が発生する可能性が高ま

ったため，相関係数を基に，可能性の高い変数を削除した．ただし，カテゴリカル型の変

数は次に，ステップワイズ法を用いてモデル選択を行う．ステップワイズ法とは，各パラメ

ータの F 値が最大（p 値が最少）になるように，つまり，AIC が最も低くなるように変数

を増減により選定してく方法である．ステップワイズ法には，変数増加法，変数減少法，

変数増減法の 3 種類がある．今回は，変数減少法を用いてステップワイズを行うこととし

た．今回は，相関係数による変数選択後，残った変数をすべてステップワイズ法に投入し，

結果得られたモデルを最終モデルとする． 4.4 評価Ⅲ：汎用性の評価

4.4.1 評価内容

汎用性の評価は，分析の再現性をクリアすることを目標として，異なる商材や異なる店

舗データに対して分析を実施し，結果を評価していただいた．クラスタリングにおける分析の再現性とは，異なるサンプルに対してクラスタリングを

行ったときに，同じようなクラスター特性をもつクラスターが出現するか，クラスターボ

リュームは一致しているかなどが評価基準となる．購買要因分析における分析の再現性とは，同じような指標が購買に対して有意に影響を

与えるという結果が出てくること，または，モデルの AIC に大きな変化がないことなどで

ある．ただし，商材や店舗を変えているため，有意に影響を与える指標は，変化すること

は大いに考えられるため，結果を持ってヒヤリングを行い，その変化が妥当であるかどう

かを評価していただいた．汎用性の評価では，手法設計と妥当性の評価に使用していた，店舗 A，店舗 B の基礎化


49

粧品売り場のデータではなく，店舗 B，店舗 C のヘアケア売り場のデータを使用して行っ

た．対象商材の変更に当たって，サブカテゴリ抽出の辞書変更を行った．ただし，ヘアケ

アデータは，サブカテゴリ（用途）と類似した，「カテゴリー」という属性がすでにデータ

化されていたため，今回は便宜的にこの「カテゴリー」から，表 4.4.1-1 のような定義の元，

サブカテゴリ（用途）を作成した．サブカテゴリ（悩み）は基礎化粧品と同じく商品目お

いから表 4.4.1-2 に示す単語を示すものを抜き出して作成した．確定フラグの定義は，基礎

化粧品と同じものを採用した．また，分析には妥当性の評価を終えた時点での手法を用いて行った．分析の詳細は本項

では割愛し，5.2 節にて解説する．

表 4.4.1-1 カテゴリーに基づくサブカテゴリ（用途）抽出用辞書

表 4.4.1-2 サブカテゴリ（悩み）抽出用辞書

4.4.2 評価結果

評価の結果，初期手法では評価をクリアすることができなかったが，4.3 節までの手法改

善を行った後の分析フローでは，クラスターの再現性に問題はないとの結果が得られた．

カテゴリーサブカテゴリ（用途）カテゴリー

シャンプーシャンプーシャンプー

コンディショナー・リンスコンディショナー・リンスコンディショナー・リンスヘアパック・マスク・トリートメントヘアパック・マスク・トリートメントヘアパック・マスク・トリートメントアウトバストリートメントお試しキットお試しキットお試しキットセット商品セット商品セット商品スタイリング剤スタイリング剤スタイリング剤ブラシブラシブラシ育毛剤育毛剤育毛剤リンスインシャンプーリンスインシャンプー

コンディショナートリートメントクレンジングリンスインシャンプートライアルセットテスターリンスその他

サブカテゴリ（悩み）商品名に以下を含むもの

こどもこども,ゴセイジャー頭皮頭皮,ヘッドスパ,毛穴,フケ,グリジオ,セラピエ,セグレタ,地肌,バルガス,rinRenダメージダメージ,リペア,傷んだ,弱った輝き輝き,シャイン,シャイニング,グロッシーさらさらスムース,さらさらうるおいうるおい,モイスチャ,ドライ,しっとり,保湿ノンシリコンノンシリコン,ヌーディオーラ,ベーネ,ルベルカラーケアカラーケア,カラー肌に優しい肌に優しい,無添加,キュレル,ナチュラル,メリット


50

表 4.4.2 汎用性の評価項目と評価結果

ヘアケアを対象に分析を実施した結果は，4.5 節に詳しく解説する．分析の結果，現れた

クラスターは基礎化粧品を対象にした時とほぼ同じで，プロファイル結果も映像と一致し

ており，特に問題はなかった．また，購買要因分析においても，同じような変数が最終的

に使用されており，結果もマーケティング観点から見ても，納得感があるとの評価を得た．したがって，汎用性の評価の結果，特に手法の改善は必要なしと判断した． 4.5 改善後の手法によるテスト分析：基礎化粧品

4.5.1 分析概要

手法設計で使用したものと同じ基礎化粧品売り場での棚前行動データに対して，改善後

の手法を適用し，分析を行った．手法についての説明は本項では割愛し，各分析フェーズ

の分析条件と結果のみを解説する．

4.5.2 トランザクションデータ処理

従来は，元のトランザクションデータから 1 つの分析用データを作成していたが，手法

改善により，元のトランザクションデータから「クラスタリング用データ」と「購買要因

分析用データ」の 2 つを作成する（図 4.5.2 参照）．

図 4.5.2 トランザクションデータ処理手順（改善後）クラスタリング用データは，1 ショッパー単位でトランザクション集計を行い，購買要因

分析用データは 1 購買行動（4.3.3.1 参照）単位でトランザクション集計を行った．作成し

評価項目評価結果評価クリアのための対応

クラスターの再現性初期手法では再現性が低かったものの，改善後の手

法では特に問題なし-


51

た変数は，それぞれ 4.2.3.2，4.3.3.2 にて解説したものである．上記 2 つのデータを使用し，

クラスタリング，購買要因分析を行う．


4.2.3.1 で解説したクラスタリング用変数（表 4.2.3.2 の No.1～No.10 の変数）を使用し，

k-means 法によるクラスタリングを行った．まずクラスター数を決定するために，クラスター数を 4 クラスター，5 クラスター，6 ク

ラスターの 3 パターン用意し，それぞれ k-means を実行した．k-means の実行には R の

kmeans 関数を用いた．次に，4.2.3.3 で解説した clusplot 関数を用いて，各クラスター数

に設定した場合の主成分プロットを作成した．主成分プロットの結果を図 4.5.3-1 に示す．

図 4.5.3-1 主成分プロット結果（改善後）


52

主成分プロットの結果から，最もよく分類されているのはクラスター数 5 であると判断

し，クラスター数 5 の結果をもとにクラスタリング結果の基礎集計を行った．集計結果を

表 4.5.3-2 に示す．

表 4.5.3-2 基礎集計結果（改善後）

また，基礎集計結果をもとに，各クラスターのプロファイリングを行った．プロファイ

ルの結果を，表 4.5.3-3 にまとめた．

属性 CLS1 CLS2 CLS3 CLS4 CLS5 全体

人数 218 24 91 62 10 405

接触商品数 1.86 14.54 6.62 2.19 24.50 4.29

商品接触数(低) 0.68 5.42 0.98 0.00 2.40 0.97

商品接触数(中) 1.00 5.17 3.79 0.31 18.60 2.20

商品接触数(高) 0.03 2.58 1.13 1.81 2.40 0.76

最も接触した価格帯 1.67 1.75 2.08 3.00 2.00 1.98

用途確定フラグ 0.71 0.21 0.30 0.63 0.20 0.56

悩み確定フラグ 0.84 0.58 0.55 0.84 0.30 0.75

テスターフラグ 0.06 0.38 0.22 0.03 0.10 0.11

接触ブランド数 1.27 5.21 2.67 1.34 6.90 1.97

接触サブカテゴリ数(用途) 1.26 3.79 2.49 1.40 5.70 1.82

接触サブカテゴリ数(悩み) 1.18 2.58 2.01 1.21 3.30 1.51

商品接触数（低）_割合 0.38 0.37 0.14 0.00 0.09 0.26

商品接触数（中）_割合 0.55 0.36 0.60 0.12 0.77 0.49

商品接触数（高）_割合 0.01 0.18 0.16 0.86 0.09 0.18

最も接触した価格帯（低） 0.37 0.46 0.13 0.00 0.00 0.25

最も接触した価格帯（中） 0.56 0.33 0.66 0.00 1.00 0.49

平均購買点数 0.59 1.08 0.86 0.50 0.60 0.67

購買率 0.54 0.67 0.64 0.44 0.40 0.55

平均棚前滞在時間 59.19 392.54 168.66 80.39 488.20 117.38

商品接触までの平均時間 20.57 30.79 27.65 23.13 14.80 23.02

総商品接触時間平均 22.56 301.17 96.16 26.37 356.20 64.43

１商品当たりの平均接触時間 11.51 21.27 14.76 12.12 13.69 12.97

年齢（区分） 2.63 2.75 2.93 2.79 2.80 2.74


53

表 4.5.3-3 プロファイリング結果（改善後）

結果，基礎化粧品売り場のショッパーは指名買いまたは立ち寄りショッパーが価格帯別

で 2 クラスター，店内物色ショッパーも価格帯別で 2 クラスター，無計画ショッパーに分

類できることが分かった．さらに，分類された各クラスターを新しい変数によってプロフ

ァイリングすると，初期手法よりもかなり具体的なショッパー像を浮かび上がらせること

ができる．例えば，同じ店内物色ショッパーでも，従来手法では，価格帯やブランドが一

定していないクラスターと，ある程度一定しているクラスター，としかプロファイルされ

なかったが，今回の結果では，価格帯も明確に分かれ，かつ店頭物色ショッパー①よりも

店頭物色ショッパー②の方が，考慮集合をあらかじめ絞った状態で来店しているショッパ

ーであるとプロファイルできた．また，クラスター数 5 に分けた時のクラスター番号をショッパーに紐付けた状態で，映

像との照合作業をおこなったところ，すべて一致していることが確認された．


4.5.3 で作成した購買要因分析用データを用いて，購買要因分析を行った．分析モデルに

はロジスティック回帰モデルを使用し，変数選択には 4.3.3.3 にて解説した，相関係数によ

る変数選択とステップワイズ法を使用した．今回は，4.5.3 項にて，「店内物色ショッパー」であるとプロファイルされた CLS2 と CLS3のみに対して要因分析を行った．理由は

(1) 購買を店外で決定している指名買いショッパーには，店頭アプローチがしづらい，

または効果が出にくい (2) 最終的にマーケティング施策を実施する対象となりうるクラスターのみに対して行

うことで，手法の簡易化とアウトプットの明解性向上


1 218 59%指名買いまたは立ち寄りショッパー①価格帯が低～中価格帯購買率はCLS4よりも高く，指名買いショッパーが多い

2 24 67%

店頭物色ショッパー①価格帯が低～中価格帯悩みが決まっている人が半数以上だが，ブランドや用途はあまり一定しない傾向にある．棚前滞在時間が②よりも長い．

3 91 64%

店頭物色ショッパー②価格帯が高価格帯悩みが決まっている人が半数以上で，ブランドも固定されている傾向にある．ある程度考慮集団を絞ったうえで物色している．

4 62 44%指名買いまたは立ち寄りショッパー②価格帯が高価格帯購買率が低く，立ち寄りショッパーが多い

5 10 40%無計画ショッパー何か買うつもりはないが、大量の商品を物色している悩みも用途も一定せず、商品を見ているだけで購買しない


54

という 2 点を加味した結果，店内物色ショッパーに対して，購買要因分析を行った．ただし，基礎化粧品では，マーケティングドライバーとなる商品情報が存在しなかった

ため，4.3.3.2 で解説した変数はすべて作成することができなかった．したがって今回は表

4.5.4-1 に示す変数用意した 2．次に使用変数間の相関係数を算出した（表 4.5.4-2，拡大したものを付録に掲載）．表中，

赤く塗りつぶしている部分は，相関係数が 0.6 を超えるものである．下記係数表より，今回

は商品接触までの時間を削除することとした．

表 4.5.4-1 購買要因分析使用変数（改善後：基礎化粧品用）

表 4.5.4-2 購買要因分析使用変数間の相関係数表

2 表 4.5.4-1 の変数は，クラスタリングに使用した全変数と，接触サブカテゴリ数，検討順を加えたもので

ある．この変数群によるステップワイズの結果を踏まえ，4.3.3.2 項の購買要因分析使用変数を決定した．


1 説明変数初期棚前滞在時間 1人のショッパーが棚前に現れてから，立ち去るまでの時間（秒数）

2 説明変数初期商品接触までの時間棚に訪れてから最初の商品に接触するまでの秒数

3 説明変数初期接触商品数 1人のショッパーが接触した商品数

4 説明変数追加商品接触数（低価格帯）低価格帯の商品に接触した商品数

5 説明変数追加商品接触数（中価格帯）中価格帯の商品に接触した商品数

6 説明変数追加商品接触数（高価格帯）高価格帯の商品に接触した商品数

7 説明変数追加最も接触した価格帯 1人のショッパーが最も接触した価格帯1：低価格帯，2：中価格帯，3：高価格帯

8 説明変数追加用途確定フラグ商品に化粧水，乳液，美容液，クリーム，洗顔，メイク落としの5つサブカテゴリ（用

途）を付与し，1人のショッパーが接触する商品のサブカテゴリ（用途）が80%以上同じであれば，用途確定フラグを1，そうでなければ0とする（※変数定義詳細参照）

9 説明変数追加悩み確定フラグ商品に美白，ニキビ，ハリ，毛穴の4つのサブカテゴリ（悩み）を付与し，

1人のショッパーが接触する商品のサブカテゴリ（悩み）が70%以上同じであれば，悩み確定フラグを1，そうでなければ0とする（※変数定義詳細参照）

10 説明変数追加テスターフラグテスター商品をに3秒以上接触している場合は1，そうでなければ0とする

（3秒よりも少ない場合は，ただ手が触れてしまっただけと判断する）

11 説明変数追加接触ブランド数 1人のショッパーが接触したブランドの種類

12 説明変数追加接触サブカテゴリ数（用途）接触したサブカテゴリ（用途）のユニーク数

13 説明変数追加接触サブカテゴリ数（悩み）接触したサブカテゴリ（悩み）のユニーク数

14 説明変数追加総商品接触時間 1人のショッパーが商品を触っていた時間の合計

15 説明変数追加 1商品あたりの平均接触時間 1人のショッパーにつき商品当たりの商品接触時間の平均を算出したもの（秒数）

16 説明変数追加検討順1ショッパーの購買行動のうち，該当レコードの購買行動が検討されていた順番．

（例：1ショッパーの2番目に検討していたレコードならば「2」を格納する）

17 目的変数追加購買有無 1人のショッパーが最終的にいずれかの商品を買ったならば1，買っていないならば0

棚前滞在時間（秒）

商品接触までの時間（秒）

接触商品数（低価格）

接触商品数（中価格）

接触商品数（高価格）

最も接触した価格帯

用途確定フラグ

悩み確定フラグ

テスターフラグ

接触ブランド数

接触サブカテゴリ数（用途）

接触サブカテゴリ数（悩み）

接触商品数

総商品接触時間

1商品あたりの平均接触時間

検討順購買有無

棚前滞在時間（秒） 1.0 0.6 0.0 -0.1 0.2 0.2 0.0 -0.2 0.0 0.1 0.0 -0.1 0.0 0.2 0.2 0.3 -0.1

商品接触までの時間（秒） 0.6 1.0 0.0 -0.3 0.1 0.1 -0.1 -0.2 0.0 0.0 0.0 -0.2 -0.2 -0.1 0.0 0.7 -0.1

接触商品数（低価格） 0.0 0.0 1.0 -0.2 -0.2 -0.6 0.2 -0.2 -0.1 0.4 0.0 0.3 0.5 0.3 0.1 -0.1 0.2

接触商品数（中価格） -0.1 -0.3 -0.2 1.0 -0.2 -0.1 0.0 0.2 -0.2 0.1 0.2 0.2 0.4 0.2 0.0 -0.4 0.3

接触商品数（高価格） 0.2 0.1 -0.2 -0.2 1.0 0.5 -0.1 0.0 -0.1 -0.1 0.3 0.0 0.3 0.0 -0.1 0.0 0.0

最も接触した価格帯 0.2 0.1 -0.6 -0.1 0.5 1.0 -0.2 0.0 0.2 -0.2 0.1 -0.1 -0.2 -0.1 0.0 0.1 -0.2

用途確定フラグ 0.0 -0.1 0.2 0.0 -0.1 -0.2 1.0 -0.1 -0.1 -0.1 -0.7 0.0 0.1 0.0 0.0 -0.1 0.1

悩み確定フラグ -0.2 -0.2 -0.2 0.2 0.0 0.0 -0.1 1.0 0.0 0.0 0.1 -0.1 0.1 0.0 0.0 -0.2 0.2

テスターフラグ 0.0 0.0 -0.1 -0.2 -0.1 0.2 -0.1 0.0 1.0 -0.2 0.0 0.0 -0.1 -0.1 0.0 0.1 -0.1

接触ブランド数 0.1 0.0 0.4 0.1 -0.1 -0.2 -0.1 0.0 -0.2 1.0 0.3 0.4 0.4 0.3 0.1 -0.1 0.1

接触サブカテゴリ数（用途） 0.0 0.0 0.0 0.2 0.3 0.1 -0.7 0.1 0.0 0.3 1.0 0.2 0.3 0.0 -0.1 0.0 0.0

接触サブカテゴリ数（悩み） -0.1 -0.2 0.3 0.2 0.0 -0.1 0.0 -0.1 0.0 0.4 0.2 1.0 0.4 0.1 -0.1 -0.2 0.1

接触商品数 0.0 -0.2 0.5 0.4 0.3 -0.2 0.1 0.1 -0.1 0.4 0.3 0.4 1.0 0.4 0.0 -0.4 0.3

総商品接触時間 0.2 -0.1 0.3 0.2 0.0 -0.1 0.0 0.0 -0.1 0.3 0.0 0.1 0.4 1.0 0.9 -0.2 0.3

1商品あたりの平均接触時間 0.2 0.0 0.1 0.0 -0.1 0.0 0.0 0.0 0.0 0.1 -0.1 -0.1 0.0 0.9 1.0 0.0 0.2

検討順 0.3 0.7 -0.1 -0.4 0.0 0.1 -0.1 -0.2 0.1 -0.1 0.0 -0.2 -0.4 -0.2 0.0 1.0 -0.1

購買有無 -0.1 -0.1 0.2 0.3 0.0 -0.2 0.1 0.2 -0.1 0.1 0.0 0.1 0.3 0.3 0.2 -0.1 1.0


55

次に，商品接触までの時間以外の変数をすべてモデルに投入し，ステップワイズによっ

て最終的に選択された変数によるモデルの係数表と AIC を表 4.5.4-3 に示す．

表 4.5.4-3 購買要因分析結果（改善後）

係数表より，CLS2 と CLS3，また店頭物色ショッパー全体に対して，購買に寄与する変

数が明らかになった．CLS2 のブランドや用途はあまり一定していないが，ある程度の悩み

を持って店内で物色しているショッパーは，やや煩雑な行動が多い傾向から，CLS3 に比べ

て明らかに有意に効いている変数は少ない．しかし，接触商品数が多いことや，1 商品あた

りの平均接触時間が長いことなどが，購買に影響していることが分かった．また， CLS3のある程度ブランドや用途が固定されたうえで，選好をしているショッパーは，棚前滞在

▼CLS2結果

変数偏回帰係数オッズ比標準誤差 p値

(Intercept) -2.01 0.13 1.08 0.063 .接触商品数（低価格） -0.64 0.53 0.43 0.132接触商品数（中価格） -0.82 0.44 0.44 0.061 .最も接触した価格帯（中価格） -0.50 0.61 1.38 0.718最も接触した価格帯（高価格） -3.61 0.03 2.13 0.091 .接触商品数 0.84 2.32 0.37 0.024 *1商品あたりの平均接触時間 0.03 1.03 0.01 0.028 *

AIC: 65.54n=61

▼CLS3結果


(Intercept) -2.86 0.06 1.05 0.007 **棚前滞在時間（秒） -0.01 0.99 0.00 0.009 **最も接触した価格帯（中価格） 0.26 1.30 0.13 0.053 .接触ブランド数 -0.32 0.73 0.21 0.126接触サブカテゴリ数（用途） -0.37 0.69 0.25 0.134接触商品数 0.56 1.75 0.15 0.000 ***1商品あたりの平均接触時間 0.04 1.05 0.01 0.003 **検討順 1.06 2.88 0.39 0.007 **

AIC: 164.66n=146

▼CLS2＋CLS3結果


(Intercept) -4.46 0.01 1.13 0.000 ***棚前滞在時間（秒） 0.00 1.00 0.00 0.108接触商品数（高価格） -0.17 0.84 0.12 0.140悩み確定フラグ 0.74 2.09 0.39 0.056 .テスターフラグ -15.68 0.00 890.61 0.986接触ブランド数 -0.31 0.73 0.16 0.052 .接触商品数 0.53 1.70 0.10 0.000 ***1商品あたりの平均接触時間 0.03 1.03 0.01 0.001 **検討順 0.80 2.22 0.26 0.002 **CLS3 1.39 4.03 0.58 0.015 *

n=207AIC: 227.3


56

時間は短いが，より多くの商品を手短に接触し，検討していくことが購買に寄与している．

また，検討順が 2 番目，3 番目である方が，購買する確率は高まることが分かった．店頭物

色ショッパー全体の傾向としては，CLS3 に類似した傾向に加え，ブランドやサブカテゴリ

などの考慮集合の絞り込みが，購買に寄与していることが分かった．

平成 25 年度静岡大学大学院情報学研究科修士論文第五章実地検証

57

第五章実地検証

5.1 実地検証の概要

5.1.1 目的

4 章にて改善された手法が，マーケティングの現場において，実際に適用可能であるかを

検証する．実地検証を行うことで，本手法の実際の効果を図るだけでなく，現場担当者が

どのような反応をし，どのような使い方をしたいと思うのか，また，彼らのニーズをくみ

取り，さらなる改良につなげることが可能となる．今回は，ミディー社の提携している関

東のドラッグストア（以下，「提携ドラッグストア」）に協力していただき実地検証を行っ

た．また，POP やプライスカードカードの作成には，外部の POP 制作会社に協力いただい

た．今回，実地検証を行うのは，汎用性評価で対象としたヘアケア売り場とした．シャンプ

ーは，基礎化粧品同様，購買者の趣向性の高い商品であり，かつ，競合商品も多いため，

マーケティングに対する比重が高い商品カテゴリである．したがって，ショッパー・マー

ケティングによる効果が期待されやすいという観点から，ヘアケア売り場を対象とした．また，実地検証期間は 1 週間とし，その間の棚前行動データを取得し，結果の検証を行

う．

5.1.2 実地検証のプロセス

実地検証は，事前分析，仮説構築，施策提案，店頭準備，施策のテスト実施の手順で行

った（図 5.1.2 参照）．


58

図 5.1.2 実地検証のプロセス事前分析では，検証を行う売り場と同じヘアケア売り場を対象に，4 章で改善した手法

を用いて，ヘアケア売り場におけるショッパーのクラスタリングと購買要因分析を行った．次に，分析結果を基に，ヘアケア売り場でショッパー行動に関するマーケティング仮説

を構築し，仮説から考えられるマーケティング施策を，具体的なレポートとしてまとめた．

このレポートを元に，ミディー社と協力し，提携ドラッグストアに向けて実地検証の提案

を行った．今回は，POP とプライスカードの単一化が購買に寄与しているのではないか，

という仮説を立て，POP と価格帯表示を極端に絞った棚づくりを提案した．そして，提案した施策実施のために，ミディー社，提携ドラッグストア，POP 制作会社

と議論し，どのような POP を置くのか，どんな商品に設置するのか，などを決めていった．

決定した内容を受け，POPと特別な価格帯の制作を開始し，実地検証前夜に商品陳列とPOP，プライスカードの変更作業を行った．施策テスト中は，施策の効果を検証するために，ヘアケア売り場の棚前行動データを取

得した．今回は，このうち商品の売り上げのみの情報を使用し，検証前後で棚全体の売り

上げがどう変化したか，対象商品の売り上げはアップしているか，などを評価した． 5.2 仮説構築のための事前分析：ヘアケア

5.2.1 分析概要

4.4 節の評価Ⅲ：汎用性評価にて使用したものと同じヘアケア売り場での棚前行動データ

に対して，改善後の手法を適用し，分析を行った．4.5 節と同じく，手法についての説明は

本項では割愛し，各分析フェーズの分析条件と結果のみを解説する．ただし，購買要因分


59

析のみは，変数追加による変数選定ロジックを新たに追加している．また，本項の分析内

容は，4.5 節で説明を割愛した分析内容である．

5.2.2 トランザクションデータ処理

トランザクションデータ処理の内容は，4.5.2 項と同じである．ただし，サブカテゴリ情

報作成の辞書のみ異なる．サブカテゴリ（用途）とサブカテゴリ（悩み）の作成に用いた

辞書は，4.4.1 項の表 4.4.1-2，表 4.4.1-3 を使用した．


4.2.3.1 で解説したクラスタリング用変数（表 4.2.3.2 の No.1～No.10 の変数）を使用

し，k-means 法によるクラスタリングを行った．まずクラスター数を決定するために，4.5.3 項と同じように，クラスター数を 4 クラスタ

ー，5 クラスター，6 クラスターの 3 パターン用意し，それぞれクラスタリングの結果を主

成分プロットした．主成分プロットの結果を図 5.2.3.1 に示す．

図 5.2-1 主成分プロット結果（ヘアケア）


60

主成分プロットの結果から，最もよく分類されているのはクラスター数 4 であると判断し，

クラスター数 4 の結果をもとにクラスタリング結果の基礎集計を行った．集計結果を表

5.2.3-1 に示す．

表 5.2.3-1 基礎集計結果（ヘアケア）

また，基礎集計結果をもとに，各クラスターのプロファイリングを行った．プロファイル

の結果を，表 5.2.3-2 にまとめた．

CLS 1 2 3 4 全体

人数 6 43 139 28 216

接触商品数 18.17 3.12 1.58 6.71 3.01

購買点数 1.50 1.65 0.93 1.61 1.18

購買率 1.00 0.84 0.77 0.86 0.80

棚前滞在時間 537.67 68.58 57.27 151.82 85.13

商品接触までの時間 83.50 23.77 24.40 31.57 26.85

総商品接触時間 808.17 57.51 25.61 103.18 63.75

１商品当たりの平均接触時間 39.04 17.43 15.67 15.67 16.67

商品接触数（低）_割合 0.20 0.92 0.17 0.09 0.49

商品接触数（中）_割合 0.32 0.04 0.51 0.56 0.38

商品接触数（高）_割合 0.47 0.03 0.29 0.32 0.10

最も接触した価格帯（低） 0.17 0.88 0.14 0.04 0.47

最も接触した価格帯（中） 0.17 0.00 0.50 0.64 0.38

最も接触した価格帯（高） 0.67 0.09 0.33 0.32 0.13

用途確定フラグ 0.17 0.23 0.72 0.29 0.55

悩み確定フラグ 0.00 0.72 0.70 0.46 0.65

接触サブカテゴリ数(用途) 3.33 1.91 1.29 2.43 1.62

接触サブカテゴリ数(悩み) 4.67 1.33 1.18 2.36 1.46

テスターフラグ 0.33 0.02 0.08 0.21 0.09

接触ブランド数 4.83 1.26 1.14 2.25 1.41

平均 / 接触ブランド数_割合 0.26 0.44 0.81 0.35 -

かごカートなし 0.67 0.26 0.49 0.36 -

カゴあり 0.33 0.30 0.35 0.43 -

カートあり 0.00 0.44 0.17 0.21 -

女性比率 1.00 0.86 0.85 1.00 1.13

年齢 2.17 1.60 1.74 1.68 1.72


61

表 5.2.3-2 プロファイル結果

クラスター別の基礎集計結果より，各クラスターの特徴が明らかとなった．基礎化粧品

のクラスターと同じく，「店内物色ショッパー」「指名買いまたは立ち寄りショッパー」が

分類された．しかし，基礎化粧品で「無計画ショッパー」とされた，ざっくばらんな購買

行動をしているクラスターは，ヘアケアでも同じような行動をとっているクラスターが分

類されたものの，購買確率が 100%であった．このことから，ヘアケア売り場における当ク

ラスターは，無計画ではなく，店内でよく悩み考える「店内熟考ショッパー」であると命

名した．その他クラスターは，基礎化粧品の分析例と同じく，棚前滞在時間や商品接触時間が短

く，接触商品数も少ない「指名買いまたは立ち寄りショッパー」クラスターと，店頭でい

くつかの商品を手に取り，何分間か悩んでいる「店頭物色ショッパー」クラスターが分類

された．さらに，店頭物色ショッパーは，考慮集団が絞られている店頭物色ショッパー①

と，あまり絞られていない店頭物色ショッパー②に分けられた．


事前に作成した購買要因分析用データを用いて，購買要因分析を行った．同じく分析モ

デルにはロジスティック回帰モデルを使用し，変数選択には 4.3.3.3 にて解説した相関係数

による変数選択とステップワイズ法を使用した．用意した変数間の相関係数表を，表 5.2.4-1 に示す（拡大したものを付録に掲載）．表

中，赤く塗りつぶしている部分は，相関係数が 0.6 を超えるものである．下記係数表より，

今回は棚前滞在時間，最も接触した価格帯，接触サブカテゴリ数，総商品接触時間，棚の


1 6 100%

店頭熟考ショッパー店内で非常に長時間検討するが，必ず購買する悩みも用途も決まっておらずざっくばらんに物色している高年齢の人が多い

2 43 84%

店頭物色ショッパー①価格帯が低価格帯悩みやブランドがほぼ確定しており，かつ商品接触時間が長いことから，ある程度商品を決めたうえで，売り場に訪れているショッパー

3 139 77%

指名買いまたは立ち寄りショッパー価格帯が中～高価格帯棚前滞在時間が短く，接触商品数が最もみじかい．棚前に訪れて，購買or非購買を決めすぐに立ち去る

4 28 86%

店頭物色ショッパー②価格帯が中～高価格帯サブカテゴリやブランドはあまり決まっていないが、3～5分ほど物色し，高確率で購買する年齢層がやや高め


62

高さ（最高）を削除することとした．ここで，接触サブカテゴリ数は，接触ブランド数と

相関が高いことから，接触ブランド数が増えると，同時に接触サブカテゴリ数が増えるこ

とがわかる．結果の解釈の際には，この点を踏まえて読み取る必要がある．

表 5.2.4-1 購買要因分析使用変数間の相関係数表（ヘアケア）

次に，商品接触までの時間以外の変数をすべてモデルに投入し，ステップワイズによっ

て最終的に選択された変数によるモデルの係数表と AIC を表 5.2.4-2 に示す．

棚前滞在時間（秒）

商品接触までの時間（秒）

接触商品数（低価格）

接触商品数（中価格）

接触商品数（高価格）

最も接触した価格帯

用途確定フラグ

悩み確定フラグ

テスターフラグ

接触ブランド数

接触サブカテゴリ数（用途）

接触サブカテゴリ数（悩み）

接触商品数

総商品接触時間

1商品あたりの平均接触時間

検討順棚の高さ（最低）

棚の高さ（最高）

価格の大きさ

POP 購買有無

棚前滞在時間（秒） 1.0 0.6 -0.3 0.3 0.3 0.6 0.0 -0.1 0.4 0.2 0.1 0.2 0.3 0.4 0.3 0.3 -0.3 -0.2 -0.4 0.2 -0.3

商品接触までの時間（秒） 0.6 1.0 -0.2 0.1 0.1 0.3 0.1 -0.1 0.4 -0.1 0.0 0.1 0.0 0.1 0.1 0.6 -0.2 -0.3 -0.2 0.0 -0.1

接触商品数（低価格） -0.3 -0.2 1.0 -0.5 -0.3 -0.6 -0.1 0.0 -0.2 -0.2 0.0 -0.1 0.0 0.1 0.1 -0.2 0.4 0.3 0.5 -0.1 0.2

接触商品数（中価格） 0.3 0.1 -0.5 1.0 0.0 0.3 0.1 -0.3 0.4 0.2 0.1 0.3 0.6 0.3 0.1 0.1 -0.4 -0.2 -0.4 -0.1 -0.1

接触商品数（高価格） 0.3 0.1 -0.3 0.0 1.0 0.7 0.0 0.0 0.0 0.5 0.3 0.3 0.5 0.1 -0.1 0.0 -0.3 -0.3 -0.3 0.5 0.0

最も接触した価格帯 0.6 0.3 -0.6 0.3 0.7 1.0 0.0 0.0 0.3 0.4 0.2 0.3 0.4 0.2 0.0 0.1 -0.5 -0.4 -0.5 0.3 -0.3

用途確定フラグ 0.0 0.1 -0.1 0.1 0.0 0.0 1.0 -0.1 0.2 0.2 -0.7 0.2 0.0 -0.1 -0.1 0.0 -0.1 0.0 0.0 -0.1 -0.1

悩み確定フラグ -0.1 -0.1 0.0 -0.3 0.0 0.0 -0.1 1.0 -0.1 -0.4 -0.1 -0.7 -0.3 -0.1 0.0 -0.1 0.3 0.1 0.1 0.1 -0.1

テスター 0.4 0.4 -0.2 0.4 0.0 0.3 0.2 -0.1 1.0 0.1 0.0 0.2 0.3 0.1 0.0 0.2 -0.2 -0.1 -0.2 -0.1 -0.1

接触ブランド数 0.2 -0.1 -0.2 0.2 0.5 0.4 0.2 -0.4 0.1 1.0 0.0 0.7 0.4 0.2 0.0 -0.1 -0.4 -0.1 -0.2 0.0 0.0

接触サブカテゴリ数（用途） 0.1 0.0 0.0 0.1 0.3 0.2 -0.7 -0.1 0.0 0.0 1.0 0.0 0.4 0.1 0.0 0.1 0.0 -0.1 -0.1 0.2 0.1

接触サブカテゴリ数（悩み） 0.2 0.1 -0.1 0.3 0.3 0.3 0.2 -0.7 0.2 0.7 0.0 1.0 0.4 0.2 0.1 0.0 -0.4 -0.1 -0.2 0.0 0.1

接触商品数 0.3 0.0 0.0 0.6 0.5 0.4 0.0 -0.3 0.3 0.4 0.4 0.4 1.0 0.4 0.0 0.0 -0.3 -0.1 -0.2 0.1 0.1

総商品接触時間 0.4 0.1 0.1 0.3 0.1 0.2 -0.1 -0.1 0.1 0.2 0.1 0.2 0.4 1.0 0.9 0.0 0.0 0.1 0.0 0.0 0.2

1商品あたりの平均接触時間 0.3 0.1 0.1 0.1 -0.1 0.0 -0.1 0.0 0.0 0.0 0.0 0.1 0.0 0.9 1.0 0.0 0.1 0.2 0.1 0.0 0.2

検討順 0.3 0.6 -0.2 0.1 0.0 0.1 0.0 -0.1 0.2 -0.1 0.1 0.0 0.0 0.0 0.0 1.0 -0.1 -0.2 -0.2 -0.1 -0.1

棚の高さ（最低） -0.3 -0.2 0.4 -0.4 -0.3 -0.5 -0.1 0.3 -0.2 -0.4 0.0 -0.4 -0.3 0.0 0.1 -0.1 1.0 0.8 0.4 -0.3 0.2

棚の高さ（最高） -0.2 -0.3 0.3 -0.2 -0.3 -0.4 0.0 0.1 -0.1 -0.1 -0.1 -0.1 -0.1 0.1 0.2 -0.2 0.8 1.0 0.3 -0.3 0.2

価格の大きさ -0.4 -0.2 0.5 -0.4 -0.3 -0.5 0.0 0.1 -0.2 -0.2 -0.1 -0.2 -0.2 0.0 0.1 -0.2 0.4 0.3 1.0 -0.4 0.3

POP 0.2 0.0 -0.1 -0.1 0.5 0.3 -0.1 0.1 -0.1 0.0 0.2 0.0 0.1 0.0 0.0 -0.1 -0.3 -0.3 -0.4 1.0 0.0

購買有無 -0.3 -0.1 0.2 -0.1 0.0 -0.3 -0.1 -0.1 -0.1 0.0 0.1 0.1 0.1 0.2 0.2 -0.1 0.2 0.2 0.3 0.0 1.0


63

表 5.24-3 購買要因分析結果係数表（ヘアケア）

モデル作成の結果，CLS2 と CLS4，また 2 つをまとめた店頭物色ショッパー全体に対

して，購買に寄与する変数が明らかになった．CLS2 のある程度考慮集団を絞っているショ

ッパーは，反対にサブカテゴリを絞ることなく，様々な商品に接触することが購買に寄与

している．また，１商品あたりの接触時間を長くすることも要因となりえる．さらに，価

格の大きさが標準より大きいことがかなり購買に寄与していることが分かった．また，

CLS4 のブランドやサブカテゴリはあまり一定していないが，ある程度の悩みを持って店内

で物色しているショッパーは，大きなプライスカードと小サイズの POP によって購買する

傾向がきわめて高い．反対に，それ以外のサイズにはあまり効果がなく，むしろ接触しな

い方がいい可能性がある．また，１商品あたりの接触時間や接触商品数を増やすことも，

購買に寄与していることが分かった．全体の傾向としては，CLS4 の傾向が強く出ており，やはり大きなプライスカードや POPの影響が強いと考えられる．

▼CLS2 結果


(Intercept) -0.31 0.74 -0.18 0.861接触商品数（中価格） -5.83 0.00 -1.54 0.124用途確定フラグ -3.06 0.05 -2.28 0.023 *悩み確定フラグ -2.56 0.08 -1.64 0.1011商品あたりの平均接触時間 0.14 1.15 1.69 0.091 .価格の大きさ（小サイズ） 4.43 84.31 2.13 0.033 *価格の大きさ（中サイズ） 4.17 64.99 2.41 0.016 *

AIC: 35.93n=48

▼CLS4結果


(Intercept) -3.80 0.02 1.40 0.007 **接触商品数 0.62 1.86 0.26 0.016 *1商品あたりの平均接触時間 0.07 1.07 0.04 0.089 .POP（小） 3.13 22.96 1.29 0.015 *POP（特設コーナー） -1.67 0.19 1.65 0.310

AIC: 44.09n=41

▼CSL2＋CLS4


(Intercept) -1.63 0.20 1.09 0.135悩み確定フラグ -1.06 0.35 0.74 0.156接触商品数 0.35 1.41 0.20 0.082 .1商品あたりの平均接触時間 0.05 1.05 0.03 0.056 .価格の大きさ（小サイズ） -0.23 0.79 0.84 0.781価格の大きさ（中サイズ） -1.42 0.24 1.31 0.280価格の大きさ（大サイズ） 2.61 13.62 0.83 0.002 **POP（小サイズ） 3.22 25.09 1.01 0.001 **POP（大サイズ） -0.06 0.95 1.58 0.972POP（特設コーナー） -0.96 0.38 1.49 0.517

AIC: 94.93n=89


64

5.3 仮説構築

5.2 節の分析結果を元に考察を行い，仮説を構築した．まず，分析内容を元に，マーケテ

ィング仮説を構築した．まずターゲットをCLS2，CLS4として分類された「店頭物色ショッパー」とした（図 5.3-1，

図 5.3-2，図 5.3-3 参照）．

図 5.3-1 ショッパーの分類（１）


65

図 5.3-2 クラスター別購買率の比較

図 5.3-3 ターゲットとなるクラスターの選定

レポートにあるように，CLS2 と CLS3 はある程度高い購買率を持ちながらも，店頭マー


66

ケティングにより購買者の購買行動に影響を与えることのできる可能性が高いショッパー

であることを根拠に選出した．そして，ターゲットの購買要因として，POP やプライスカ

ードへの影響力が大きいことだけでなく，その種類の多さには影響がないことに注目し，

POP やプライスカードの種類を限定し，ついているものだけが強調されることが，よりよ

い売り場であると仮説を立てた（図 5.3-4，図 5.3-5 参照）．

図 5.3-4 CLS2，CLS4 における購買要因ランキング


67

図 5.3-5 提案する施策の概要

また，この仮説の具体的な実施方法として，写真を使ったイメージを作成し，テスト実

施の具体性を強調した．

図 5.3-6 具体的な施策内容の説明


68

今回のレポートは，読み手がドラッグストアであるため，分析結果の詳細はあまり解説

せず，結果から得られた仮説と，そこから考えられる施策内容に重点を置いて作成した．レポートのアジェンダは，以下のとおりである．

1．ご提案概要 2．現状の把握 3．店頭物色ショッパーを購買に導く要因 4．ご提案する売り場づくり 5．施策のテスト実施のご提案 6．スケジュール 7．補足資料

補足資料には，分析結果の詳細を掲載した．作成した全レポートは，付録にて掲載する．

5.4 施策提案と店頭準備

レポートを元にミディー社と協力し，提携ドラッグストアに向けてテスト実施のための

施策提案を行った．提案の結果，提携ドラッグストアから承認をうけ，シャンプー売り場

での検証準備を進めていった．検証のために，以下の 3 点を 3 者で検討し，決定した．

1) POP と大きなプライスカードの種類とデザイン 2) POP と大きなプライスカードをつける商品 3) 実施期間

1) POP と大きなプライスカードの種類とデザインについては，従来の POP やプライス

カードの形式を確認したうえで決定することとした．従来の形式は図 5.4-1 のように多種多

様で，あまり統一感のないデザインになっていた．そこで，分析より得られた仮説をもと

に，これらのプライスカードや POP の統一化を実施する．ただし，店舗側から，月間特売

である図中左上の表示は継続したいとの要望があったため，今回は「通常プライスカード」

「月間特売プライスカード」「セール品プライスカード」「プライスカード＋POP」の 3 種

類に限定し，売り場の広告を変更した（図 5.4-2 参照）．


69

図 5.4-1 従来の POP・プライスカード

図 5.4-2 今回提案した POP・プライスカード

2) POP と大きなプライスカードをつける商品については，こちらで変更できる「POP+プライスカード」をつける商品を決定した．今回は，店舗側の要求を踏まえ，高機能商品

に重点的に設置することとした．設置した商品は，「ブラッククリスタル」「ベーネ」「いち

髪」「大島椿」「Rose of Heaven」の 5 商品とした． 3) 実施期間は 1 週間とした．売り場変更を行った日を規準に前 1 週間，後 1 週間の併せ

て 2 週間棚前にカメラを設置し，データを取得した．売り場変更前後の棚の様子

5.5 検証内容と結果

検証は，取得した購買行動データから，購買者が購買した商品リストを作成したものを

提供していただき，そこから，売り場全体の購買者数，購買金額，購買点数などを算出，

比較検証を行った．ただし，売り場全体で比較すると，今回作成した POP や，特売プライ

スカードが店舗と POP 制作会社の都合上，特設コーナー内に入っている場合害あるため，

要因が分析しづらいため，さらに「特設コーナー内」「特設コーナー外」に分けて，POP の


70

種類別の購買点数を比較した．以下，売り場変更前の 1 週間に記録したデータを「実施前」，

売り場変更後の 1 週間に記録したデータを「実施後」と表記する．まず，売り場全体の傾向としては，購買者数，購買点数，売上金額合計，購買商品の平

均単価，1 購買者あたりの平均購買点数，平均単価を算出した．購買商品の平均 t なんか，

1 購買者あたりの平均購買点数，また平均購買金額については，平均値の差の検定を，不等

分散である 2 標本に対して平均値の差の検定を行うウェルチの検定（Welch's t test）を用

いて行った．購買商品の検定結果は，t = 0.62，df = 206，p-value = 0.537，購買点数の検

定結果は，t = 2.04，df = 177， p-value = 0.0427 < 0.05，購買金額の検定結果は，t = 1.86，df = 170，p-value = 0.06441 > 0.05 であった．したがって，購買点数の平均値の差は有意

であるが，購買商品の価格と購買金額の平均値の差は有意でないといえる．

表 5.5-1 売り場全体における検証前後の変化

図 5.5-1 購買者数と購買金額の推移

項目実施前実施後差分

期間内購買者数 115 159 -44

期間内購買点数 173 210 37

期間内売上金額合計 ¥115,870 ¥133,532 ¥17,662

購買商品の平均価格 ¥671 ¥642 ¥-29 *

１購買者あたりの平均購買点数 1.50 1.32 -0.18 n.s.

１購買者あたりの平均単価 ¥1,008 ¥840 ¥-168 n.s.

*：p値<0.05，　n.s.：有意差なし


71

図 5.5-2 一購買者当たりの購買傾向の推移

つぎに，商品を特設コーナー内と，特設コーナー外の 2 つに分けて，売上点数を集計し

た（表 5.5-2，図 5.5-3）．クロス集計表の実施前，実施後の集計結果において，フィッシャ

ーの直接確率検定（ Fisher exact test）を行った結果，p-value = 0.01612 < 0.05であったため，特設コーナーの内外と，実施前実施後では，関連があるといえ

る．表 5.5-2 特設コーナー内外における検証前後の変化

図 5.5-3 特設コーナー内外における検証前後の変化（グラフ）

実施前実施後差分

特設コーナー内 22（13%） 47（22%） 25（+10%） *

特設コーナー外 151（87%） 163（78%） 12（-10%） *

合計 173 210 37

*：p値<0.05，　n.s.：有意差なし

コーナー別買上点数（実施前）コーナー別買上点数（実施後）

2213%

15187%

特設コーナー内

特設コーナー外

4722%

16378%

特設コーナー内

特設コーナー外

実施前

買上210点実施前

買上173点


72

上記の結果より，特設コーナー内外に分けて，プライスカードや，POP の種類別に買上

点数を集計した．表 5.5-3 に買上点数，表 5.5-4 に各期間（実施前／実施後）の特設コーナ

ー内／特設コーナー外の合計買上点数のうち，各セルの占める割合を算出したものを示す．

以下，表中「PC」とはプライスカードを示す．また，その他 PC／POP＋PC とは，実施前

に月間特売 PC とセール品 PC 以外の POP がつけられていた商品の買上点数を示し，実施

後には今回作成した POP＋プライスカードがつけられている商品の買上点数を示す．した

がって，その他 PC／POP+PC セルの実施前後での推移が，今回作成した POP＋プライス

カードが，従来の様々な種類の POP にくらべて，どれだけ効果があるのかを示す．

表 5.5-3 特設コーナー内外における検証前後の施策別買上個数の変化

表 5.5-4 特設コーナー内外における検証前後の施策別買上個数の変化（割合）

実施前実施後差分

特売PCあり 0 29 29

セールPCあり 0 0 0

その他PC／POP+PC 0 0 0

いずれもなし 22 18 -4

特設コーナー内合計 22 47 25

特売PCあり 33 2 -31

セールPCあり 2 1 -1

その他POP／POP+PC 3 14 11

いずれもなし 113 146 33

特設コーナー外合計 151 163 12

173 210 -

特設内

特設外

合計

実施前実施後差分（％）

特売PCあり 0.0% 61.7% 61.7%

セールPCあり 0.0% 0.0% 0.0%

その他POP／POP+PC 0.0% 0.0% 0.0%

いずれもなし 100.0% 38.3% -61.7%

特設コーナー内合計 100.0% 100.0% -

特売PCあり 21.9% 1.2% -20.6%

セールPCあり 1.3% 0.6% -0.7%

その他POP／POP+PC 2.0% 8.6% 6.6%

いずれもなし 74.8% 89.6% 14.7%

特設コーナー外合計 100.0% 100.0% -

－－ - 合計

特設内

特設外


73

図 5.5-4 特設コーナー内における検証前後の施策別買上個数の変化（グラフ）

図 5.5-5 特設コーナー外における検証前後の施策別買上個数の変化（グラフ）

特設コーナー内施策別買上点数（実施前）特設コーナー内施策別買上点数（実施後）

22100%

特売PCあり

セールPCあり

その他PC／POP+PC

いずれもなし

実施前

売上22点

2962%

1838%

特売PCあり

セールPCあり

その他PC／POP+PC

いずれもなし

実施前

売上47点

特設コーナー外施策別買上点数（実施前）特設コーナー外施策別買上点数（実施後）

3322%

21%

32%

11375%

特売PCあり

セールPCあり

その他POP／POP+PC

いずれもなし

実施前

売上151点

21%

11%

149%

14689%

特売PCあり

セールPCあり

その他POP／POP+PC

いずれもなし

実施前

売上163点

平成 25 年度静岡大学大学院情報学研究科修士論文第六章考察

74

第六章考察

6.1 棚前行動データを用いたショッパー分析手法の設計における考察

今回，設計した初期手法の新規性とその効果を考察する．今回，設計したトランザクシ

ョンデータ処理は，膨大なトランザクションデータを集約するための，一つの考え方であ

る．トランザクションデータは，一つの意味のあるまとまりの大きさがそれぞれ異なるた

め，その情報を意味のあるまとまりとしてどうやって集計するか，という点は，今回使用

した棚前行動データに限らず，すべてのトランザクションデータにおける課題である．初

期手法においては，価格とブランドという 2 つの枠において，新しい集計方法を提案した

が，これも棚前行動データに限らず，EC サイト上のログに適用することや，何らかのシス

テム上でのユーザー行動を格納したデータなどにも適用することが可能である．今回の手法で用いているクラスタリングや購買要因分析で用いている分析手法は，すでに

マーケティングの現場において多用されている手法であるが，運用を見据えた仮説構築ま

で行うことを目的とおくことで，クラスタリングをマーケティングにおけるターゲティン

グとし，ターゲットを統計的指標から絞ったうえで，購買要因分析を行うことで，セグメ

ント別に仮説を構築することが可能となった． 6.2 初期手法評価及び評価に基づく手法改善における考察

手法評価及び改善では，評価サイクルを回しながら探索的に評価及び手法改善に取り組

んでいった．これにより，もともとの手法では問題が明るみに出ていなかったが，手法を

改善したことで，明らかになった点をさらに追加でき，また改善したことで明らかになっ

た知見をもとに，さらに理想的な指標の定義を追及することができた．また，統計的な評価だけでなく，ビジネス遂行者に評価に参加していただいた．実際に

現場で使用するうえで使いやすく，納得できるものか，というマーケティング有用性の評

価を重視したことで，データ分析者だけでは気づかなかった因果関係や，指標に使える現

場の知見を手法に取り込むことができた．評価コストとして，今回評価に 5 回の評価サイクルを実行していることから，評価コス

トを見積もることができる．ただし，今回は月に 1 回のペースで実行したが，実際，特に

データ分析者が分析業務に専念することができれば，週に 1 回程度でサイクルを回すこと

は可能であると考える．そのためには，データ分析者側のプロジェクトマネージャーの存

在が必要であると考える．現状では，評価サイクルを回すうえで，データ分析者は，分析

や分析結果のレポート作成だけでなく，評価サイクル全体の管理，MTG の準備，課題の整

理，各種ビジネス遂行者とのコミュニケーションと非常に多くのタスクがかかっている．


75

データ分析者が分析に集中できるようになれば，評価サイクルはより効率的に，短期的に

回すことが可能である．したがって，分析とレポート作成以外のタスクを担当し，全体を

管理するプロジェクトマネージャーのような人材をアサインすることが，よりよい評価サ

イクルを実現できると考える．

6.3 実地検証における考察

実地検証の結果から，本研究による手法の効果を考察する．まず，売り場全体の傾向としては，購買者数，合計売上金額ともに増加したことから，

今回の施策によって売り場全体として購買者へ購買を促している可能性があると考えられ

る．ただし，1 購買者あたりの単価や購買点数などを比較すると，平均購買点数が施策実施

後に減少していることが有意に認められたが，買っている商品の単価や 1 購買者あたりの

単価には差異が認められない，という結果となった．したがって，一人あたりの購買点数

は減少しているものの，単価自体が大きく下がっていないため，かつ，棚前に訪れて購買

していく人が増加したことにより，売上が向上していると理解できる．次に，特設コーナーと特設コーナー外の売上を施策実施前後で比較すると，実施前と実

施後では商品の買上点数にコーナー内外で有意な差が出た．特設コーナー内の買い上げ点

数の割合が施策実施前に比べて，施策実施後のほうが増加している．これより，施策実施

が特に特設コーナー内の売上に影響をもたらしている可能性があることが分かった．さらに，特設コーナー内外に分け，付随するプライスカードや POP に応じて集計を行っ

た結果（表 5.5-3），特設コーナー内では，実施前は POP や特別なプライスカードが何もつ

いていない商品が売上のすべてであったのに対し，実施後は，特売プライスカードのつい

ている商品の割合が 6 割を超えている．また，特設コーナー外の売上を見てみると，実施

前は月間特売プライスカードや種々POP がついている商品が 4 分の 1 程度で，その大半は

月間特売プライスカードであったが，施策実施後は，今回設置した POP+プライスカードの

割合が増え，月間特売プライスカードの 8 倍近くの割合を占めている．ただし，特設コー

ナー外の場合，POP やプライスカードがついている商品の割合が，特設コーナー内に比べ

て低いため，いずれの表示もされていない商品の買上個数の割合が多くなっている．ここから，まず特設コーナー内に POP やプライスカードを設置することで，購買者への

影響は相乗的に高まっている可能性があり，それが買上点数の増加に寄与している可能性

があることが考えられる．しかし，特設コーナー内に設置した新しい POP＋プライスカー

ドはあまり効果をもたらしていないことが分かった．これらは，乱立していた特設コーナ

ー外の POP を排除したことで，購買者が，特設コーナー内が店舗の推薦している商品群で

あり，かつ特売を実施していることが購買者の買いを招いている可能性があると考えられ

る．特設コーナー外については，新しく設置した POP＋プライスカードが従来の POP や月間


76

特売よりも，目を引き，購買に影響している可能性があるといえる．施策実施後も特設コ

ーナー外には POP＋プライスカードとほぼ同数の商品に，月間特売プライスカードが付与

されていたにも関わらず，月間特売にはあまり惹かれず，POP＋プライスカードがついて

いる商品を買っていることから，施策を絞ったことで，最も売り出したい POP＋プライス

カードが強調されている，と購買者に認識させることができていると考えられる．しかし，

施策実施後には POP やプライスカードのついていない商品の購買割合が高くなっている．

このことから，購買者が POP やプライスカードに単にひきつけられて衝動的に購買をして

いるのではなく，それ以外の商品にも目を向け，適確な購買決定ができていることが考え

られる．特設コーナー外の購買者数，買上点数が有意に増加していることからも，POP を

乱立していないことが，売上増加に寄与している可能性があるといえる．全体を通して，施策実施前後で，購買者の傾向に差が表れたことは確かであり，かつ，

それがPOPやプライスカードの種類を統一したことである可能性は否定できないといえる．

ただし，この売上の変化に対する売り場変更の影響力の大きさは，現在の検証だけでは証

明できておらず，今後映像データを基にさらに検証を深める必要がある．

平成 25 年度静岡大学大学院情報学研究科修士論文第七章結論

77

第七章結論

7.1 まとめ

本研究では，ショッパー・マーケティングのための棚前行動データを題材に，手法設計，

手法の評価及び改善，実地検証という流れで，データ分析手法の構築を行った．このプロ

セスを用いたことで，ショッパー・マーケティングの現状や特性を徐々に手法に取り込む

ことが可能になった．特に手法を元に探索的な評価を行ったことで，実際の使用者にとっ

て使いやすく，理解しやすい手法を構築することができた．そして，最後に実地検証を実

施し，今回構築した手法に基づいたマーケティング施策を実施した．結果，施策の効果が

有意であると認められ，かつ，今後の課題を明確にすることができた．さらに，データマイニングの実施において，ビジネス遂行者とデータ解析者が連携して，

サイクルを回しながら実行するという，一つの具体的な事例を示すことでできた．このサ

イクルを回すことが，より使いやすく，理解しやすい手法を構築するうえで，最も重要で

あり，最も難しい点であるため，本研究の評価フェーズで行ったように，課題と相手のニ

ーズを管理しながら，データマイニングを進めることが必要であることを，再確認するこ

とができた．以上より，使用したデータ分析の手法構築プロセスの有用性を，本研究により示唆する

ことができた．

7.2 今後の課題と展望

本研究の実地検証では，今回構築した手法に基づいた施策による効果が有意であると認

められたが，1 度売り場を変更するだけで終わってはならない．このような分析，仮説構築，

施策実施，検証のサイクルを定常的に回すことで，常に顧客動向を把握できるように運用

していくことが必要であるという，一つの示唆であり，今後も継続していく必要がある．

その際に，どのような手順をとって，どのような操作を行うことで，実現できるのか，と

いう使い手の立場に立ったビジネス設計，システム設計が今後課題となる．また，第六章でも述べたように効果検証が単純な集計しかできておらず，直接的に何が

影響して，購買者の購買傾向が変化したのかを，より詳細な分析となる．そのために，実

施期間前後の棚前行動データを再度クラスタリングし，同様のクラスターが形成されるか，

また，クラスターの購買率がどう変化しているか，などを検証する必要がある．加えて，本研究ではショッパー・マーケティングに対して分析手法を構築するための一

連のプロセスであり，一般化できていない部分がある．他の分野にも汎用できるように，

手法構築プロセスをさらに一般化し，体系化，マニュアル化できるよう研究を進めていき

たい．

平成 25 年度静岡大学大学院情報学研究科修士論文謝辞

78

謝辞

本研究において，指導教員として多くのご指導，ご助言をいただきました，静岡大学情

報学部情報社会学科湯浦克彦教授に深く御礼申し上げます．湯浦教授には，研究のご指導

のみならず，本論文の執筆にあたって，熱心かつ懇切丁寧なご指導をたまりました．この

場を借りて，深く御礼申し上げます．卒業研究に引き続き，研究内容のご助言のみならず，統計学に関する多大なるご指導を

熱心にしていただきました，静岡大学情報学部情報社会学科山田文康教授に，深く感謝の

意を表します．また，本研究において，多大なご助言をいただきました，静岡大学情報学部情報社会学

科田中宏和教授，情報社会学科高口鉄平講師に，深く御礼申し上げます．そして，本研究へのデータ提供のみならず，評価，実地検証わたって，多大なるショッ

パー・マーケティングの知見とご指導をいただきました，株式会社ミディーに最大の感謝

を表します．特に，代表取締役深谷由紀貞さま，ショッパーマーケティング事業グループソリューション推進チーム高橋潤さまには，研究当初から本当に親身になってご協力いただ

き，お二人なしでは本研究を推進することはできませんでした。改めて御礼申し上げます。最後に，大学，大学院と 6 年間の学生生活を，精神的にも経済的にも支援し続けてくれ

た両親に，心から感謝の意を表します．

平成 25 年度静岡大学大学院情報学研究科修士論文引用・参考文献

79

引用・参考文献

[1] DMA/Deloitte Consulting LLP, Shopper Markethingu Study: Capture a Shopper's Mind, Heart and Wallet, 2007.

[2] Grocery Manufacturers Association and Booz & Company, “Shopper Marketing 4.0,” 2010.

[3] 長谷川宏, “ショッパーの買物に焦点を当てた、買物欲マーケティングの可能性,” マーケティングジャーナル, 第巻 Vol. 29, 第 No. 3, pp. p19-23, 2010.

[4] 北陸先端科学技術大学院大学, ナレッジサイエンス改訂増補版, 近代科学社, 2008.

[5] Advertising Age, What's in Store: The Rise of Shopper Marketing, Advertising Age, 2007, pp. pp.1-3.

[6] 財団法人流通経済研究所, ショッパー・マーケティング, 日本経済新聞出版社, 2011.

[7] 株式会社インテージ, “i-SSP（インテージシングルソースパネル）サービス概要,” [オンライン]. Available: http://www.intage.co.jp/panelresearch/customer/issp/.

[8] 日経トレンディネット, “人の視線はウソがつけない！ダイドードリンコ“売れる自販

機 ” の秘密 , ” 17 06 2013. [ オンライン ]. Available: http://trendy.nikkeibp.co.jp/article/pickup/20130603/1049736/.

[9] IDC Digital Universe Study, Extracting Value from Chaos, 2011.

[10] IDC Digital Universe Study, Big Data, Bigger Digital Shadows, and Biggest Growth in the Far East, 2012.

[11] Dimitri Maex & Paul B. Brown, データ・サイエンティストに学ぶ「分析力」, 日経

BP マーケティング, 2013.

[12] 株式会社野村総合研究所, “ビッグデータの利活用に関するアンケート調査,” 25 12 2012. [オンライン]. Available: http://www.nri.com/jp/news/2012/121225.html.

[13] SPSS, “CRISP-DM 1.0 step by step data mining guide,” 9 3 2004. [オンライン]. Available: http://www.spss.ch/upload/1107356429_CrispDM1.0.pdf.

[14] 奥野忠一，久米均，芳賀敏郎，吉澤正, 多変量解析法, 日科連出版社, 1971.

[15] 粕谷栄一, R で学ぶデータサイエンス 10 一般化線形モデル, 共立出版, 2012.

[16] 金明哲, R で学ぶデータサイエンス 1 カテゴリカルデータ解析, 共立出版, 2010.

[17] 佐和隆光, 統計ライブラリー回帰分析, 朝倉書店, 1979.

平成 25 年度静岡大学大学院情報学研究科修士論文引用・参考文献

80

[18] 平井明夫，岡安裕一, データ分析の基本と業務, 翔泳社, 2013.

[19] Advertising Age, What's in Store: The Rise of Shopper Marketing, Advertising Age, Oct. 2007, pp. pp.1-3.

平成 25 年度静岡大学大学院情報学研究科修士論文付録

81

付録付録 1 評価サイクルにおける課題管理（一部）

番号

日付

カテ

ゴリ

課題

対策

/解

決策

結果

14/27

デー

タ処

理・作

成サ

ブカ

テゴ

リデ

ータ

が欠

如し

てい

る

サブ

カテ

ゴリ

を「用

途」と

「悩

み」に

分け

て作

成す

るサ

ブカ

テゴ

リ（用

途）：化

粧水

，乳

液，

美容

液，

クリ

ーム

，洗

顔，

メイ

ク落

とし

の5つ

のサ

ブカ

テゴ

リを

商品

名ベ

ース

で作

成サ

ブカ

テゴ

リ（悩

み）：美

白，

にき

び，

ハリ

，毛

穴の

4つ

のサ

ブカ

テゴ

リを

商品

名ベ

ース

で作

成

デー

タ作

成完

了(※

5/27で

デー

タの

不備

が見

つか

った

ため

，別

課題

で管

理）

24/27

デー

タ処

理・作

成サ

ブカ

テゴ

リの

偏り

をク

ラス

タリ

ング

の指

標に

入れ

たい

「用

途確

定フ

ラグ

」「悩

み確

定フ

ラグ

」を

作成

する

作成

した

サブ

カテ

ゴリ

（用

途）と

サブ

カテ

ゴリ

（悩

み）そ

れぞ

れに

つい

て，

各シ

ョッ

パー

につ

いて

いず

れか

のサ

ブカ

テゴ

リが

全体

の80％

を占

める

よう

であ

れば

，そ

のシ

ョッ

パー

の「用

途」ま

たは

「悩

み」が

確定

して

いる

判断

し，

確定

フラ

グ＝

１，

そう

でな

けれ

ば確

定フ

ラグ

＝０

とし

た

デー

タ作

成完

了(※

5/27で

デー

タの

基準

値の

修正

が行

われ

たた

め，

別課

題で

管理

）

34/27

デー

タ処

理・作

成テ

スタ

ー接

触が

クラ

スタ

ーの

特徴

を表

して

いる

こと

が多

いた

め，

クラ

スタ

リン

グの

指標

に入

れた

い

｢テス

ター

フラ

グ」を

作成

する

商品

名に

「テ

スタ

ー」を

含む

もの

をテ

スタ

ー商

品で

ある

と判

断し

，そ

の商

品に

3秒

以上

接触

して

いる

なら

ば１

，そ

うで

なけ

れば

０と

した

デー

タ作

成完

了

44/27

デー

タ処

理・作

成1商

品当

たり

平均

接触

時間

をプ

ロフ

ァイ

リン

グし

てほ

しい

１商

品当

たり

の接

触時

間を

秒単

位に

した

もの

作成

各シ

ョッ

パー

で接

触し

た全

商品

の平

均を

とり

，１

商品

当た

りの

平均

接触

時間

を計

算し

たデ

ータ

作成

完了

54/27

分析

手法

クラ

スタ

リン

グ手

法は

，階

層か

k-m

ean

sかk-

mean

sで確

定

65/18

デー

タ処

理・作

成サ

ブカ

テゴ

リが

まだ

精査

され

てい

ない

（例

：ヒ

アル

ロン

液→

化粧

水，

クレ

ンジ

ング

→メ

イク

落と

しな

ど）

全商

品名

をも

う一

度精

査し

，ワ

ード

抽出

スク

リプ

ト用

設定

ファ

イル

を変

更フ

ラグ

を再

作成

する

定義

表更

新

75/18

デー

タ処

理・作

成サ

ブカ

テゴ

リの

確定

基準

値＝

80％

は高

すぎ

る可

能性

があ

る（特

に「悩

み確

定フ

ラグ

」）

確定

基準

を60％

に下

げて

フラ

グを

再作

成す

るデ

ータ

作成

完了

87/17

分析

棚情

報の

欠落

につ

いて

商品

配置

によ

って

，今

回の

ロジ

ック

が成

り立

たな

い場

合が

ある

例）異

なる

カテ

ゴリ

の商

品が

混ざ

り合

って

並ん

でい

る棚

　　

→ 本

当に

購買

行動

がチ

ェン

ジし

たと

いえ

るの

か？

　　

　　

チェ

ンジ

した

とし

ても

，そ

の結

果に

は，

隣り

合っ

てい

るこ

とに

よる

影響

はな

いの

かし

たが

って

，棚

情報

を分

析に

取り

入れ

る必

要が

，ロ

ジッ

クの

ため

にも

，店

舗利

用を

考え

る上

でも

必要

商品

情報

を手

動で

作成

→分

析投

入

97/17

分析

棚情

報の

追加

方法

１．

商品

同士

の距

離を

分析

に取

り入

れる

（※

デー

タが

あれ

ば）

２．

棚番

号を

商品

に付

与す

る（※

デー

タが

あれ

ば）

３．

棚が

カテ

ゴリ

に分

けら

れて

いる

のか

否か

のデ

ータ

のみ

を商

品に

付与

する

追加

完了


82

付録 2 サブカテゴリ抽出用 R スクリプト

1 ##　==== 設定 ===　##2 # setwd("C:/Users/students/Documents/R") # 作業ディレクトリの設定3 dat <- read.csv("IDと商品名.csv",header=TRUE) # 入力ファイルの読み込み4 text1 <- read.csv("テキスト抽出用辞書.csv",header=TRUE) # 抽出用辞書の読み込み56 youto.num <- 0 # 用途フラグの種類数7 nayami.num <- 9 # 悩みフラグの種類数8 ##　==== 設定 ===　##91011 func.check <- function(dat, txt){1213 length.t <- length(na.omit(txt)) # NA以外のチェックするデータ数を取得14 length.d <- length(dat) # チェックされるデータ数を取得1516 flg.list <- numeric(length.d) # 一時的フラグ格納用リスト17 box <- matrix(numeric(length.d * length.t), ncol=length.t# 結果格納用の箱1819 result <- numeric(length.t) # 最終結果格納用リスト2021 22 for( i in 1:length.t ){ # NA以外のデータ数だけ繰り返し23 res <- grep(txt[i], dat) # 該当テキストと部分一致する要素番号取得24 flg.list[res] <- 1 # 一致した要素番号にフラグを立てる25 box[,i] <- flg.list # フラグを格納したリストを箱に保存26 }2728 sum.box <- apply(box, 1, sum) # 各行の和を計算29 result[sum.box == 0] <- 030 result[sum.box > 0] <- 1 # 各行の和が0以上であればフラグを立てる3132 result3334 }35 363738 result.box <- matrix(numeric(nrow(dat) * ncol(text1)), ncol=# 結果格納用の箱3940 # テキスト判定を行うサブカテゴリまたはテスターを一つずつ指定し，関数を実行する41 for(i in 1:ncol(text1)){42 result.box[,i] <- func.check(dat[,2], text1[,i])43 }4445 colnames(result.box) <- colnames(text1) # フラグ名を取得464748 y.dat <- result.box[,1:youto.num] # 用途フラグのデータを抽出49 n.dat <- result.box[,(youto.num+1):(youto.num+nayami.num)] # 悩みフラグのデータを抽出5051 youto <- character(nrow(dat)) # 用途のサブカテゴリ名格納用リスト5253 nayami <- character(nrow(dat)) # 悩みのサブカテゴリ名格納用リスト5455 for(i in 1:nrow(dat)){56 youto[i] <- names(which(y.dat[i,]==1))[1]57 nayami[i] <- names(which(n.dat[i,]==1))[1]58 }5960 res <- cbind(dat, result.box, youto, nayami)61 res <- cbind(dat, result.box, nayami)6263 write.csv(res, "テキスト抽出処理結果.csv", row.names=FALSE)


83

付録 3 相関係数表（基礎化粧品）

棚前

滞在

時間

（秒

）

商品

接触

まで

の時

間（秒

）

接触

商品

数（低

価格

）

接触

商品

数（中

価格

）

接触

商品

数（高

価格

）

最も

接触

した

価格

帯

用途

確定

フラ

グ悩

み確

定フ

ラグ

テス

ター

フラ

グ接

触ブ

ラン

ド数

接触

サブ

カテ

ゴリ

数（用

途）

接触

サブ

カテ

ゴリ

数（悩

み）

接触

商品

数総

商品

接触

時間

1商

品あ

たり

の平

均接

触時

間検

討順

購買

有無

棚前

滞在

時間

（秒

）1.0

0.6

0.0

-0.1

0.2

0.2

0.0

-0.2

0.0

0.1

0.0

-0.1

0.0

0.2

0.2

0.3

-0.1

商品

接触

まで

の時

間（秒

）0.6

1.0

0.0

-0.3

0.1

0.1

-0.1

-0.2

0.0

0.0

0.0

-0.2

-0.2

-0.1

0.0

0.7

-0.1

接触

商品

数（低

価格

）0.0

0.0

1.0

-0.2

-0.2

-0.6

0.2

-0.2

-0.1

0.4

0.0

0.3

0.5

0.3

0.1

-0.1

0.2

接触

商品

数（中

価格

）-0.1

-0.3

-0.2

1.0

-0.2

-0.1

0.0

0.2

-0.2

0.1

0.2

0.2

0.4

0.2

0.0

-0.4

0.3

接触

商品

数（高

価格

）0.2

0.1

-0.2

-0.2

1.0

0.5

-0.1

0.0

-0.1

-0.1

0.3

0.0

0.3

0.0

-0.1

0.0

0.0

最も

接触

した

価格

帯0.2

0.1

-0.6

-0.1

0.5

1.0

-0.2

0.0

0.2

-0.2

0.1

-0.1

-0.2

-0.1

0.0

0.1

-0.2

用途

確定

フラ

グ0.0

-0.1

0.2

0.0

-0.1

-0.2

1.0

-0.1

-0.1

-0.1

-0.7

0.0

0.1

0.0

0.0

-0.1

0.1

悩み

確定

フラ

グ-0.2

-0.2

-0.2

0.2

0.0

0.0

-0.1

1.0

0.0

0.0

0.1

-0.1

0.1

0.0

0.0

-0.2

0.2

テス

ター

フラ

グ0.0

0.0

-0.1

-0.2

-0.1

0.2

-0.1

0.0

1.0

-0.2

0.0

0.0

-0.1

-0.1

0.0

0.1

-0.1

接触

ブラ

ンド

数0.1

0.0

0.4

0.1

-0.1

-0.2

-0.1

0.0

-0.2

1.0

0.3

0.4

0.4

0.3

0.1

-0.1

0.1

接触

サブ

カテ

ゴリ

数（用

途）

0.0

0.0

0.0

0.2

0.3

0.1

-0.7

0.1

0.0

0.3

1.0

0.2

0.3

0.0

-0.1

0.0

0.0

接触

サブ

カテ

ゴリ

数（悩

み）

-0.1

-0.2

0.3

0.2

0.0

-0.1

0.0

-0.1

0.0

0.4

0.2

1.0

0.4

0.1

-0.1

-0.2

0.1

接触

商品

数0.0

-0.2

0.5

0.4

0.3

-0.2

0.1

0.1

-0.1

0.4

0.3

0.4

1.0

0.4

0.0

-0.4

0.3

総商

品接

触時

間0.2

-0.1

0.3

0.2

0.0

-0.1

0.0

0.0

-0.1

0.3

0.0

0.1

0.4

1.0

0.9

-0.2

0.3

1商

品あ

たり

の平

均接

触時

間0.2

0.0

0.1

0.0

-0.1

0.0

0.0

0.0

0.0

0.1

-0.1

-0.1

0.0

0.9

1.0

0.0

0.2

検討

順0.3

0.7

-0.1

-0.4

0.0

0.1

-0.1

-0.2

0.1

-0.1

0.0

-0.2

-0.4

-0.2

0.0

1.0

-0.1

購買

有無

-0.1

-0.1

0.2

0.3

0.0

-0.2

0.1

0.2

-0.1

0.1

0.0

0.1

0.3

0.3

0.2

-0.1

1.0


84

付録 4 相関係数表（ヘアケア）

棚前

滞在

時間

（秒

）

商品

接触

まで

の時

間（秒

）

接触

商品

数（低

価格

）

接触

商品

数（中

価格

）

接触

商品

数（高

価格

）

最も

接触

した

価格

帯

用途

確定

フラ

グ悩

み確

定フ

ラグ

テス

ター

フラ

グ接

触ブ

ラン

ド数

接触

サブ

カテ

ゴリ

数（用

途）

接触

サブ

カテ

ゴリ

数（悩

み）

接触

商品

数総

商品

接触

時間

1商

品あ

たり

の平

均接

触時

間検

討順

棚の

高さ

（最

低）

棚の

高さ

（最

高）

価格

の大

きさ

PO

P購

買有

無

棚前

滞在

時間

（秒

）1.0

0.6

-0.3

0.3

0.3

0.6

0.0

-0.1

0.4

0.2

0.1

0.2

0.3

0.4

0.3

0.3

-0.3

-0.2

-0.4

0.2

-0.3

商品

接触

まで

の時

間（秒

）0.6

1.0

-0.2

0.1

0.1

0.3

0.1

-0.1

0.4

-0.1

0.0

0.1

0.0

0.1

0.1

0.6

-0.2

-0.3

-0.2

0.0

-0.1

接触

商品

数（低

価格

）-0.3

-0.2

1.0

-0.5

-0.3

-0.6

-0.1

0.0

-0.2

-0.2

0.0

-0.1

0.0

0.1

0.1

-0.2

0.4

0.3

0.5

-0.1

0.2

接触

商品

数（中

価格

）0.3

0.1

-0.5

1.0

0.0

0.3

0.1

-0.3

0.4

0.2

0.1

0.3

0.6

0.3

0.1

0.1

-0.4

-0.2

-0.4

-0.1

-0.1

接触

商品

数（高

価格

）0.3

0.1

-0.3

0.0

1.0

0.7

0.0

0.0

0.0

0.5

0.3

0.3

0.5

0.1

-0.1

0.0

-0.3

-0.3

-0.3

0.5

0.0

最も

接触

した

価格

帯0.6

0.3

-0.6

0.3

0.7

1.0

0.0

0.0

0.3

0.4

0.2

0.3

0.4

0.2

0.0

0.1

-0.5

-0.4

-0.5

0.3

-0.3

用途

確定

フラ

グ0.0

0.1

-0.1

0.1

0.0

0.0

1.0

-0.1

0.2

0.2

-0.7

0.2

0.0

-0.1

-0.1

0.0

-0.1

0.0

0.0

-0.1

-0.1

悩み

確定

フラ

グ-0.1

-0.1

0.0

-0.3

0.0

0.0

-0.1

1.0

-0.1

-0.4

-0.1

-0.7

-0.3

-0.1

0.0

-0.1

0.3

0.1

0.1

0.1

-0.1

テス

ター

0.4

0.4

-0.2

0.4

0.0

0.3

0.2

-0.1

1.0

0.1

0.0

0.2

0.3

0.1

0.0

0.2

-0.2

-0.1

-0.2

-0.1

-0.1

接触

ブラ

ンド

数0.2

-0.1

-0.2

0.2

0.5

0.4

0.2

-0.4

0.1

1.0

0.0

0.7

0.4

0.2

0.0

-0.1

-0.4

-0.1

-0.2

0.0

0.0

接触

サブ

カテ

ゴリ

数（用

途）

0.1

0.0

0.0

0.1

0.3

0.2

-0.7

-0.1

0.0

0.0

1.0

0.0

0.4

0.1

0.0

0.1

0.0

-0.1

-0.1

0.2

0.1

接触

サブ

カテ

ゴリ

数（悩

み）

0.2

0.1

-0.1

0.3

0.3

0.3

0.2

-0.7

0.2

0.7

0.0

1.0

0.4

0.2

0.1

0.0

-0.4

-0.1

-0.2

0.0

0.1

接触

商品

数0.3

0.0

0.0

0.6

0.5

0.4

0.0

-0.3

0.3

0.4

0.4

0.4

1.0

0.4

0.0

0.0

-0.3

-0.1

-0.2

0.1

0.1

総商

品接

触時

間0.4

0.1

0.1

0.3

0.1

0.2

-0.1

-0.1

0.1

0.2

0.1

0.2

0.4

1.0

0.9

0.0

0.0

0.1

0.0

0.0

0.2

1商

品あ

たり

の平

均接

触時

間0.3

0.1

0.1

0.1

-0.1

0.0

-0.1

0.0

0.0

0.0

0.0

0.1

0.0

0.9

1.0

0.0

0.1

0.2

0.1

0.0

0.2

検討

順0.3

0.6

-0.2

0.1

0.0

0.1

0.0

-0.1

0.2

-0.1

0.1

0.0

0.0

0.0

0.0

1.0

-0.1

-0.2

-0.2

-0.1

-0.1

棚の

高さ

（最

低）

-0.3

-0.2

0.4

-0.4

-0.3

-0.5

-0.1

0.3

-0.2

-0.4

0.0

-0.4

-0.3

0.0

0.1

-0.1

1.0

0.8

0.4

-0.3

0.2

棚の

高さ

（最

高）

-0.2

-0.3

0.3

-0.2

-0.3

-0.4

0.0

0.1

-0.1

-0.1

-0.1

-0.1

-0.1

0.1

0.2

-0.2

0.8

1.0

0.3

-0.3

0.2

価格

の大

きさ

-0.4

-0.2

0.5

-0.4

-0.3

-0.5

0.0

0.1

-0.2

-0.2

-0.1

-0.2

-0.2

0.0

0.1

-0.2

0.4

0.3

1.0

-0.4

0.3

PO

P0.2

0.0

-0.1

-0.1

0.5

0.3

-0.1

0.1

-0.1

0.0

0.2

0.0

0.1

0.0

0.0

-0.1

-0.3

-0.3

-0.4

1.0

0.0

購買

有無

-0.3

-0.1

0.2

-0.1

0.0

-0.3

-0.1

-0.1

-0.1

0.0

0.1

0.1

0.1

0.2

0.2

-0.1

0.2

0.2

0.3

0.0

1.0


85

付録 5 実地検証のための提案資料


86


87

Documents

探索的なビジネス価値創造プロセス によるマーケティング戦 …lab.inf.shizuoka.ac.jp/yuura/paper/harano-m-r.pdf平成25 年度静岡大学大学院情報学研究科修士論文

探索的なビジネス価値創造プロセスによるマーケティング戦 …lab.inf.shizuoka.ac.jp/yuura/paper/harano-m-r.pdf平成25 年度静岡大学大学院情報学研究科修士論文