GIS活用事例
多変量解析
データを要約
主成分分析
「主成分分析」とは、多変量解析の分析手法の一つで多数の変数を少数の変数に縮約する手法です。例えば、5教科のテストの点数から生徒の成績を決める際、点数配分も難易度も違うテストでは、単純な合計点で生徒を評価することはできません。
そこで、5教科の総合成績を示す指標や、文系・理系を表す指標を新しく作ることで、生徒を上手く評価することができます。
この5教科のテストを要約した指標を主成分得点と呼びます。
これをビジネスに当てはめると、チェーン店舗の情報を多角的に評価するほか、売上予測(重回帰分析)やクラスター分析の精度向上を実現できます。
データを分類
クラスター分析
クラスター分析とは、大量のデータがあるとき、異なる性質のものが混ざりあっている対象の中から互いに似たものを集めてクラスター(集落)を作り、それぞれの特徴から分類する手法です。
経験と勘で分類することも重要ですが、一定のアルゴリズムで分類されるので客観的に分類できます。
また、分類するためのデータは自由に選択できますので、用途にあわせた分類が可能です。
店舗を分類してそれぞれの予測モデルを構築
多くのエリアや立地に多店舗展開している場合、一つの売上予測式では立地によって精度にブレが生じることがあります。
例えば、店舗立地が駅前とベッドタウンに混在していた場合、売上予測に用いるべき要素は立地に応じて異なります。
そこで、クラスター分析で店舗立地に応じて分類することで、クラスターごとに売上予測モデルを構築することが可能となります。もちろん、店舗立地以外にも、商品カテゴリ別の売上や商圏特性など様々な項目で分類できます。
店舗特性ごとの商品の最適化
[チェーン店本部]
店舗によって客層には違いがありますが、それに応じて求められる品揃えも大きく変わってきます。それを本部で決定する場合、すべての情報を吸い上げ、吟味した上で決定することは労力やコスト面で厳しいと思います。
クラスター分析を用いることにより、各種統計データ(年代別人口や世帯人員、世帯年収等)や自社で保有しているPOSデータから、立地や売れる商品ごとに店舗分類をすることができます。
また、クラスター別の商品売上傾向と店舗の商品売上傾向を比較することで、品揃えや在庫管理を最適化することができます。
データから予測
売上予測
重回帰分析機能を活用すれば、既存店舗の売上実績から売上予測モデルを作成することができます。開発部の経験と勘も重要ですが、予めモデルを作成することができれば、新規出店候補地を客観的に評価することができます。
また、物件の一次審査としても利用することができるため、開発部の負担を減らすことにも繋がります。
売上予測モデルを構築する
(重回帰分析)
重回帰分析機能では変数選択方法にステップワイズ法を推奨しております。
こちらの手法では、予測式を構築する変数をユーザー側で指定をするのではなく、投入したデータを一つずつ追加・削除しながら最適なモデルを作成します。ユーザーは投入項目を変更・見直しをするだけでモデル構築のためのトライ&エラーが実施できるため、作成の時間や手間を大幅に省くことができます。また、ステップワイズ法以外の変数投入法を選択することもできます。
売上予測を用いた既存店分析
構築された売上予測モデルは新規出店時の物件評価だけではなく、「予測売上高」と「現在の売上高」を比較することで既存店舗の評価に活用することができます。
これは売上予測で算出された結果を店舗のポテンシャルと捉え、ポテンシャルに対して十分な成果(売上高)を上げることができているのか評価する分析です。
既存店舗の改装や業態転換、スクラップ&ビルドにご活用ができます。
競合店舗を加味した分析
(グラビティモデルシーケンス)
売上予測の精度を向上させる手法はいくつかありますが、競合店舗に関する要素をモデルに組み込むことがおすすめです。
MarketAnalyzer™にはグラビティモデルシーケンス機能という、競合店舗の距離と件数などの影響を考慮した商圏データを全店舗を一括で集計する機能があります。
従来では商圏内の統計値で売上予測を構築していたところ、店舗間の吸引を加味した統計値を用いることで、競合要素を踏まえたモデル式を作成することが可能です。
自社と競合の力関係や距離関係をふまえて計算するため、実際に、競合店を意識すべき店舗業態で売上予測モデルの精度が向上した事例が多数ございます。
製品一覧
導入事例
お問い合わせ
03-5362-3955
受付時間/9:30〜18:00 ※土日祝祭日を除く