実体験

マーケティングの分析手法

マーケティングの分析手法

野村総合研究所、「マーケティング分析コンテスト2020」の受賞者を決定

当コンテストは、消費者の行動と企業の施策とが相互にもたらす関係や影響を「見える化」するNRIのサービス「Insight Signal(インサイトシグナル) 1 」において、NRIが独自に消費者から収集したシングルソースデータ 2 を当コンテストの参加登録者に提供し、マーケティング指標や分析手法に関する斬新なアイデアを募集するものです。さまざまな視点から生活者の購買要因の掘り下げが行われ、学術研究や企業の広告・マーケティング戦略に活用されることを目的として2007年度から毎年開催しており、本年度で14回目になります。

いまのマーケティングに求められるもの

ハイレベルな作品の中、仮説設定や結論のまとめ方に特長のある3作品を選定

今年度のエントリー(参加登録)数 3 は201件、応募作品数は110件に上ります。企業が単独で行う広告・マーケティング領域でのコンテストとしては、国内で最大級の応募件数です。2020年11月の予備審査を経て、12月8日に審査員6人による本審査を実施し、「分析結果が有益」「分析ロジックやプロセスに優れる」「視点や仮説設定が斬新」「ビジネス実務への展開が可能」などの観点から、多面的に議論した上で各賞を決定しました。全体のレベルが高まっているため、差をつけ難い作品が非常に多い中で、最終的に下記の3作品を選定しました。
阿部周造審査員長(横浜国立大学名誉教授)は、「本年は、消費者行動に着目したレポートが多かった。必要データも拡充されたこともあり、立てた仮説について丁寧に分析できている。また、例年に比べ、商学部や経済学部などの学生の参加が増え、データ分析の裾野が広がっている」と総括しました。

【最優秀賞】「TVCM出稿に適さない消費者グループの分析~TV無視聴者と態度非変容者の解明~」
一橋大学大学院 経営管理研究科 大熊 佑翠
一橋大学 商学部 畝川 隆宏

(審査員コメント)
「分析の緻密な掘り下げがなされている点が他の類似のレポートと比べて抜きんでている。丹念な分析努力を評価したい」
「データを非常に丁寧に扱って、分析も丁寧である」
「「TV無視聴層」と「態度非変容層」に着目してTVCMの出稿の是非を検討する点は興味深い」

【優秀賞】「テレビCMの出稿配分最適化」同志社大学文化情報学部 増田愛子

(審査員コメント)
「線形計画法を用いた最適CM出稿配分までたどり着いていることと、それと現状との比較というところまで検討しているところが評価できる」
「膨大なデータを用いて、たくさんの製品カテゴリーに対する解析を行い、出稿配分計画を提示している意欲が評価できる」

【佳作】「エモーショナルマーケティングによる広告効果の分析」一橋大学 商学部 大山ゼミ 小川遼人 高橋優太郎 宋賢智

(審査員コメント)
「効果の捉え方も分析方法もわかりやすい。感情訴求型の広告の効果について導出された結果も興味深い。できれば、感情訴求別(文字、音、韻)商品カテゴリー別に効果を捉えてほしい」
「シンプルだが本当にこの結果が出ているなら注目される分析結果」

コンテストの詳細については、以下の専用サイトをご覧ください。
「Insight Signal マーケティング分析コンテスト2020」
http://www.is.マーケティングの分析手法 nri.co.jp/contest/

Insight Signal(インサイトシグナル):
加入企業が行う広告、PRなどのプロモーション施策について、NRI独自のデータを基に、NRIが分析・評価するサービスです。媒体選定、クリエイティブ作成の支援をはじめ、KPI設定やPDCA構築の支援も行います。
Insight Signal ウェブサイト:https://www.is.nri.co.マーケティングの分析手法 jp/

■当コンテストの概要

マーケティングの分析手法
タイトル 「マーケティング分析コンテスト2020」(第14回)
概要 NRIが収集した消費者マーケティングデータを参加登録者に提供し、データ分析による斬新なビジネスの法則、マーケティング指標等を導き、その内容及び成果を競います。
趣旨 当コンテストを通じて、さまざまな視点からの消費者の購買要因に関するデータ分析を行い、学術研究および企業の市場分析力の向上に寄与します。
募集期間 2020年4月16日~9月30日
対象 年齢、国籍、職業(社会人、学生)は一切問いません。
提供するデータ 3,000サンプルの同一調査対象者から、2020年1月25日~4月4日にわたってNRIが収集した、広告・宣伝メディアへの接触状況と商品購買行動に関するデータを、未加工のデータ(ローデータ)として提供します。
贈賞内容 最優秀賞:賞金20万円
優秀賞 :賞金10万円
佳作 :賞金5万円

■審査プロセス

阿部 周造 (横浜国立大学 名誉教授、審査員長)
桑原 武夫 (慶應義塾大学 総合政策学部 教授)
清水 聰 (慶應義塾大学 商学部 教授)
西尾 チヅル(筑波大学大学院 ビジネス科学研究群 教授)
守口 剛 マーケティングの分析手法 (早稲田大学 商学学術院 教授)
塩崎 潤一 (野村総合研究所 マーケティングサイエンスコンサルティング部長)

お問い合わせ

お知らせに関するお問い合わせ

株式会社野村総合研究所 コーポレートコミュニケーション部 玉岡、竹尾
TEL:03-5877-7100
E-mail: [email protected]

本件に関するお問い合わせ

株式会社野村総合研究所 マーケティングサイエングコンサルティング部
「マーケティング分析コンテスト2020」事務局 松本、森田
TEL:03-5877-7388
E-mail: [email protected]

まずはやってみよう!マーケティングでデータ分析!③顧客分析

購買金額は、「¥5,000 ~ ¥10,000をボリュームとし、年間¥20,マーケティングの分析手法 000まで支払ってくれる顧客が全体の80%を占める」という分布です。「 ¥0 ~ ¥5,000 」 、「 ¥5,000 ~ ¥10,000」 、「 ¥10,000以上 」 の3つのグループに分けて、購買金額を上げるために上位のグループが何を購入しているかを分析できれば、各下位グループに購買金額を上げるための購買行動を誘導する有意義で具体的な施策が検討できそうです。

顧客を分けてみよう

    マーケティングの分析手法
  1. RFMの各値を降順にして顧客数が等しくなるように3等分し上位から順番に3点、2点、1点を与えR、F、Mスコアとする
  2. R、F、Mスコアを合計しRFMスコアを算出(顧客ごとに3〜9点の点数が与えられている)
  3. RFMスコアの分布をもとに1でやったように3等分し、上位から順番に「優良顧客」、「普通顧客」、「引き上げ対象顧客」とします。(整数で要素数が少ないので顧客数は厳密に均等にはなりません)

売上をあげるためのアプローチを考えるとなると、何から手を付けるべきかわからなくなるほど複雑に思えますが、優良顧客の数を増やすという考えに立つと、途端に、 打ち手が絞られ具体的な設計がしやすくなります

つまり顧客セグメントから得られる優良顧客数、優良化率、離脱率等の数値は、売上を上げるために、企業側で コントロールしやすい重要指標(KPI) になりえるのです。

パレートの法則

データ集計の負担が少ない単純な顧客セグメントとしても活用できますし、データを見る際にパレートの法則になっていないかという仮説をもとに、分布を確認することは何かのインサイトのきっかけになることもあるので、 データと向き合うものさしの1つ として知っておくと役にたつかもしれません。

紀伊國屋書店

購買履歴の評価からマーケティングミックスの最適化、ソーシャルネットワークのデータ分析まで
本書は、マーケティング分析を行う際の諸相それぞれに関するデータ分析手法について論じます。伝統的な統計手法から、現在注目されている最新の手法までを網羅しながら、入手できるデータをどのように分析し、料理するかのレシピとして活用されることを期待します。
本書の大きな特徴として、分析の方向性を定番的な手法で示した後、マーケティング視点での分析について紹介し、マーケティング分析において、各分析手法をどのように役立てるのかについて示します。

はじめに
第1章 マーケティングにおけるデータ分析
1.1 マーケティングとマーケティング・リサーチ
1.2 POS システムとID 付きPOS データの登場と活用
1.3 インターネットとマーケティング
1.4 ビッグデータ時代のマーケティング分析技術
第2章 マーケティング分析のためのデータ
2.1 マーケティング活動と消費者行動
2.2 消費者の購買プロセスの捉え方の変化
2.3 尺度について
2.4 インタビュー調査,アンケート調査データ
2.5 購買データ:POS データ,ID 付きPOS データ
2.6 スキャン・パネル・データ
2.7 購買行動に関連するデータ
2.8 顧客の行動・発信データ
第3章 記述統計:データの集計と可視化
3.1 データのクリーニングと加工
3.2 表によるデータの集計
3.3 グラフによるデータの可視化
3.4 一変量のデータの代表的な値を表す統計値
3.5 一変量のデータのばらつきを表す統計値
3.6 二変量間の統計値
第4章 推測統計:確率分布と統計的検定
4.1 確率変数と確率分布
4.2 離散確率分布
4.3 連続確率分布
4.4 中心極限定理と大数の法則
4.5 区間推定
4.6 統計的検定
4.7 マーケティングの分析手法 過誤と検出力
第5章 売り場の評価
5.1 集計による売上の評価
5.2 売り場の計数管理
5.3 ABC 分析による重要カテゴリの評価
5.4 吸引力モデルによる商圏分析
5.5 マーケティングの分析手法 回帰分析による売上予測
第6章 商品の評価
6.1 マーケティングの分析手法 経営的視点からの商品の管理
6.2 主成分分析による商品の評価
6.3 相関ルール分析
6.4 コンジョイント分析による新商品企画の最適化
第7章 顧客の評価
7.マーケティングの分析手法 1 顧客のセグメンテーション
7.2 優良顧客の評価
7.マーケティングの分析手法 3 因子分析・共分散構造分析による顧客の潜在的ニーズの構造分析
7.4 確率選択モデルによる購買行動モデル
第8章 顧客志向のアプローチ
8.1 ターゲティング戦略の策定
8.2 対応分析による売り場配分策定
8.3 顧客へのレコメンデーション
8.4 潜在クラス分析による顧客の多様性の評価
第9章 ウェブ・マーケティング,ソーシャル・マーケティング
9.1 ネットワーク分析による消費者間の関係分析
9.2 テキスト・マイニングによるクチコミの解析
9.3 アクセス・ログ・データをもとにした顧客のサイト内行動分析
付録A 統計分布表
A.1 標準正規分布表
A.2 t分布表
A.3 カイ2乗分布表
A.4 F 分布表
A.マーケティングの分析手法 5 ウィルコクソンの符号順位和検定のための数表
A.6 ウィルコクソンの順位和検定のための数表
付録B 数理モデルの詳細
B.1 不偏分散の導出
B.2 最尤法
B.3 回帰分析の数理
B.4 多項ロジット・モデルの算出
B.5 主成分分析の数理
B.6 因子分析の数理
B.7 対応分析の数理
B.8 EM アルゴリズム
B.9 吸収マルコフ連鎖モデルの数理
参考文献
索引

代表的なデータ分析手法を6つご紹介!これで基本的なデータ分析はできる

アソシエーション分析はビックデータを利用して、商品やサービスの相関関係を分析する手法です。一見関連性がなさそうでも、同時に起こる(共起性のある)項目を分析することで、隠れた関連性を発見できます。 分析対象を購入した商品に限定した場合は、マーケットバスケット分析(バスケット分析)とも呼ばれます。 アソシエーション分析(マーケットバスケット分析)は、同時に購入されることが多いものを発見したり、実店舗とECサイトでの行動の違いを発見したりできます。そのため、マーケティングでよく使われる分析法です。 マーケティングの分析手法 ECサイトの「この商品を買った方はこんな商品も購入しています」という表示にはレコメンドエンジンというシステムが使われています。このレコメンドエンジンのもとになっているのもアソシエーション分析です。

決定木分析

クラスター分析

クラスター分析は、いろいろな性質のものが混じり合って存在しているなかで、対象を類似性によりグループに分類し、その属性を分析する手法です。作成したグループを「クラスター」といいます。 クラスター分析のポイントは、対象をどういう要因で分類するかです。クラスター分析では表面に表れた事象や属性でクラスターに分け、その要因を分析します。 クラスター分析は、ユーザーのセグメント分析やブランディングなどに使われています。

主成分分析

主成分分析は、多くの要因(変数)がある場合、似た要因を少数の要因(主成分)に集約させることで、データを分析しやすくする手法です。要因が多すぎるとデータ分析が複雑化し、分析しにくくなります。そのため、データ分析の前に分析しやすいデータに整えるのが主成分分析です。 主成分分析はクラスター分析と似ていますが、主成分分析はデータの事象ではなく、データの属性で類似性のあるものを集約します。 主成分分析では大まかにデータの特徴をつかむことが可能です。しかし要因を集約することで「情報の一部(細部)を捨てなければならない」というデメリットが発生します。 主成分分析は、ユーザーのセグメント分析や購買動機の分析、ブランディングなどに使われています。

データ分析手法を使いこなすには

手軽に高度なデータ分析を行うには、BIツールの導入をおすすめします。たとえばSAP Analytics Cloudは、中堅・中小企業でも使いやすいクラウド型のBIツールです。BIツールがあれば、データを入力してマウスで数回クリックするだけで、さまざまなデータ分析を実行できます。 SAP Analytics Cloudなら、データを入力すれば、あとは数回クリックするだけで高度なデータ分析を行い、見やすいレポートの形にすることも可能です。

Webマーケティング戦略立案に必須のフレームワーク・考え方を解説

まず市場と顧客を分析します。喫茶店の主商品であるコーヒーの市場規模は、2017年の国内消費量で約46万トンと長期的には増加基調で推移しています。このことから国内でコーヒーを飲む人は増えつつあるとみていいでしょう。
顧客ニーズは開店する場所で異なります。
住宅地では主婦層、大学の近くなら学生層、オフィス街ならサラリーマン層が中心となります。世田谷区などの高級住宅街ならば「高くても美味しいコーヒー」が好まれ、学生街なら気楽に入れる店で味よりも値段が優先するでしょう。

企画立案に必要なフレームワーク

Customer value(顧客価値)
顧客にとっての価値を考える
例:購入した商品の使い方やお手入れ方法などが読める

Cost(顧客コスト)
購入する際に顧客にどのような負担が生じるかを考える
例 : 無料で利用可、購入してからそのサービスや商品を受け取るまでの期間が読める

Convenience(利便性)
顧客が購入する際の便利さや手軽さを考える
例 : 広告がない

Communication(コミュニケーション)
商品やサービスの情報や魅力の見つけやすさを考える
例 : SNSで新着情報を受け取れる

Product(製品)
顧客が魅力を感じる製品
例 : クルーズタイプの豪華寝台車旅行プラン

Price(価格)
品質に見合う適正な価格
例 : 通常の寝台車旅行プランよりも高め

Place(場所)
ターゲット層が入手しやすい販売ルートを用意する流通
例 : 公式および旅行会社のWebサイトや実店舗

Promotion(販売促進)
商品の存在や魅力を顧客に知らしめるプロモーション
例 マーケティングの分析手法 : 特設サイトやパンフレットを用意

STP分析

Segmentation(市場細分化)
市場全体から類似したニーズを持つ顧客を細かく分類する
例:予備校に通いたい地方在住の学生

Targeting(ターゲットの特定)
Sで分類した顧客のどれをターゲットにするかを決める
例:大学受験前の高校生

Positioning(立場)
競合他社と自社を比較し他社との差別化を図り、自社の業界での立場を確立する
例:一般的な教科別学習ではなく、学校や塾講師と併用できる学習サービスを行う

戦略の可視化に必要なフレームワーク

KPIツリー

【KGI】 売上
【KPI-1】 サイト訪問者数
【KPI-2】 購入率
【KPI-3】 注文単価

カスタマージャーニーマップ

1.ペルソナを設定する
「ペルソナ」とはターゲットとなる客層から作られた架空の顧客モデルで、年齢や性別、住所や職業、趣味や家族構成などまで詳細に決めます。

2.ペルソナの行動を設定する
ペルソナがどのような手段で知り、どのようなサイトで調べ、どのような場所で購入するかなど、製品やサービスを購買するまでの行動と心理を設定します。

3.ペルソナの行動を検証する
ヒアリングやアンケートなどを通して、ペルソナの行動と実際の顧客の行動が合っているかを検証します。

4.検証した情報を基にカスタマージャーニーマップを作成する
検証から得られた結果をベースに、図やイラストを用いてカスタマージャーニーを作成します。

施策の振り返りに必要なフレームワーク

KEEP
続けるべきことで、施策において成功したことや良かったことを挙げる

PROBLEM
抱えている問題であり、施策において失敗したことや悪かったことを挙げる

TRY
次に挑戦することを挙げる

PLAN
計画を作成する

DO
計画を実行する

CHECK
実行結果を検証する

ACTION
改善を行う

合わせて知っておきたいマーケティング手法・概念

合わせて知っておきたいマーケティング手法・概念

O2Oは「Online to Offline 」略称で、顧客をWebから実店舗へ誘導するための手法です。 マーケティングの分析手法
たとえば、Webで割引クーポンやポイントクーポンを配り、実店舗へと顧客を導き、実際に行った顧客のコメントがWebに入力されて実店舗の知名度を上げるケースがあります。

OMOは「Online Merges with Offline」の略称で、Webと実店舗の垣根を取り払った手法です。
たとえば、Webや実店舗で注文でき、実店舗の在庫確認、注文、決裁がなどもWeb上で完結、商品はどの店舗でも受け取れる例が挙げられます。

関連記事

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!

コメント

コメントする

目次
閉じる