知っておくべきデータ分析手法10選！効果や分析するステップも紹介

デジタル化が進み、データ分析に取り組む企業は増えています。今、データ分析はビジネスの意思決定に欠かせません。

しかし、「どのようなデータ分析を取り入れたらよいのかわからない」という方も多いのではないでしょうか。

データ分析をビジネスに活かすには、目的にあった分析手法を選ぶことが重要です。

今回は、企業で使えるデータ分析手法とデータ分析を実施するまでの手順について説明します。データ分析をこれから取り入れたい方は、ぜひご一読ください。

なお、TDSE株式会社では、無料で「データ分析データ利活用資料」を配布しています。データ分析の流れや具体的な方法を紹介していますので、お気軽にダウンロードしてご活用ください。

企業で使えるデータ分析手法10選

企業で使えるデータ分析手法を、下記の10種類紹介します。

 

1. アソシエーション・バスケット分析
2. クロス集計・線形回帰分析
3. 決定木分析
4. クラスター分析
5. ロジスティック回帰分析
6. 因子分析
7. ABC分析
8. グレイモデル
9. 時系列分析
10. RFM分析

順番に見ていきましょう。

手法1. アソシエーション・バスケット分析：サービス・商品間の関係性がわかる

アソシエーション・バスケット分析は、小売店での購買分析に役立ちます。

アソシエーション・バスケット分析の目的は、特定の商品と合わせて購入されることの多い商品を分析し、商品やサービスの間にある相関関係を明らかにすることです。

「商品Aと商品Bの同時購入されやすい」という関係性がわかれば、「店舗内で、商品Aと商品Bを同じ棚に並べて販売する」という戦略を立てることもできます。

手法2. クロス集計・線形回帰分析：アンケート結果からニーズがわかる

クロス集計・線形回帰分析とは、収集したデータを属性ごとに分析して集計する手法です。

アンケートを実施し、回答者の性別・年齢・居住地などに基づいて集計します。

結果をもとに項目を細分化することで、「ターゲットである20～40代男性は、このような経緯で商品を知った」など属性の傾向やニーズを把握できます。

各ユーザー属性の習慣や好みなどをもとに、プロモーション施策を生み出すことが可能です。

手法3. 決定木分析：予測を繰り返してターゲットを絞り込む

原因から「もしこうなったら」という結末を何パターンも繰り返し予測し、データ分析する手法が決定木分析です。

決定木分析では樹木のように経路図を作成し、複数の要因から関係性を見出してダーゲットを絞り込みます。

例えば、「A商品は〇〇地域に住む30代女性に売れやすい」のように自社商品を購入する可能性が高いユーザー属性を予測し、ターゲットを明確にするなどです。

決定木分析は、自社サービスの提供やオリジナル商品の開発をおこなう企業で利用されています。

手法4. クラスター分析：グループ化して潜在ニーズを把握する

クラスター分析とは、とあるグループのなかから似た特徴を集め、グループ形成する分析手法です。クラスターはブドウなどの房（ふさ）や集団、群れなどを意味します。

クラスター分析がよく使われるシーンは、ECサイトのユーザーを細分化するときです。見込み客の潜在ニーズを把握し、ニーズに合わせた商品開発や提供がおこなえます。

メールマガジン配信で下記表のように2つのグループに分け、自社商品の訴求に役立てることも可能です。

グループ	メールマガジンでの訴求
安さを重視するグループ	お得感（セール品）・限定品をアピールした情報を提供する
流行に敏感なグループ	新商品の紹介や、テレビで特集された商品情報を提供する

手法5. ロジスティック回帰分析：問いに対する答えを二択で整理する

ある問いに対する答えをYES・NOの2択で整理する分析手法が、ロジスティック回帰分析です。

ロジスティック回帰分析は、マイナスや1以上の確率が導き出せます。

例えば、DMに反応したユーザーを「1」、購入まで至らなかった顧客を「0」と定義します。すると、一人あたりの購入確率を算出することが可能です。

DMをランダムに手配するより、購入確率の高い順番にDMを送るようにすることで、成果が出やすくなります。

ほかにも、問い合わせ数や受注率などさまざまな場面で役立つ手法です。

手法6. 因子分析：消費者の心理を把握する

因子分析とは、複数のデータの背後にある共通因子を探し出す分析手法です。この手法は、消費者の心理を理解したときによく使われます。

例えば、アンケート回答者をグループに分けたいとき、「年代」や「未婚・既婚」という分類では細かい心理を把握できません。

そこで下記のように、共通点を見つけ出して「質重視」と「コスパ重視」に分けます。

 

このように分析していくことで、より消費者の実態に合った具体的なアプローチ方法を考えやすくなります。

手法7. ABC分析：売れている商品・売れていない商品がわかる

ABC分析では、顧客や商品を重要度別に「A・B・C」の3つのグループに分けて分析します。商品の売上高や在庫といった指標を大きい順にランク付けし、優先度を決めて管理する手法です。

売上順にグループを分類する場合、下記のようなイメージです。

グループ	対応例
A（売上上位91～100%に位置するグループ）	売れ筋商品のため欠品を避ける
B（売上上位71〜90％に位置するグループ）	売れているがまだ伸びしろがあるため、アンケートをとって商品を改良する
C（売上0～70％に位置するグループ）	注文があり次第仕入れるなど、過剰在庫を避ける

グループ分けすることで、体感ベースで施策を立案することを避けられます。社内提案も通りやすくなるため、数値で対応を分けていきましょう。

特に商品数や顧客数が多いビジネスの場合、ABC分析を使ってグルーピングするのが効果的です。

手法8. グレイモデル：明確・不明確なデータから今後を予測する

グレイモデルとは、リスクマネジメントなどの分野で使われる分析手法です。明確なデータを白色、不明確なデータを黒色、曖昧なデータを灰色で表します。

過去の数値データをもとに曖昧なデータの内容を予測し、リスクに備えて対応策を導き出します。

グレイモデルはさまざまな分野で用いられますが、ほかの分析手法と組み合わせることが一般的です。

手法9. 時系列分析：時間経過による変化がわかる

時間の経過に伴って変化するデータを知るには、時系列分析を使用します。変化を明らかにできるため、勘や経験に頼らず意思決定をするシーンで有効です。

例えば、下記のように変動があるデータが挙げられます。

 

扱うデータは、大きく分けて下記3つの変動要因で構成されているのが一般的です。

 

この3つがどのように組み合わさっているのか、時系列データを分解してそれぞれの要因を分析します。

手法10. RFM分析：優先すべき顧客がわかる

顧客の優先度を測りたいときに用いられるのが、RFM分析です。RFM分析では、下記3つの指標で顧客を分類します。

 

例えば、3つの指標を使用して顧客をランク付けします。

高ランクの基準に当てはまる顧客がわかれば、「優先的にキャンペーン情報を配信する」といった施策を打つことが可能です。

そもそもデータ分析とは？基本を押さえておこう

ここまで、企業で使える分析方法について紹介しました。しかし、適切な分析手法を選ぶには、データ分析の目的や効果をしっかりと理解しておくことが重要です。

基本知識を説明しますので、順番に見ていきましょう。

データ分析の目的

データ分析の目的は、客観的なデータに基づいて適切に意思決定をすることです。経験や勘に頼った主観的な判断ではなく、過去から現在に至るまでの事象から、要因や傾向を導き出します。

これにより自社の現状を正確に把握して戦略を立案したり、問題解決に役立てたりすることが可能です。

ビジネスにおいて、会社の評価や利益、顧客満足などは、今まで積み重ねてきた意思決定によって成り立っています。

データ分析は意思決定をより良いものにし、企業の成長や成功に近づけるために必要なものです。

データ分析の効果

データ分析をおこなうことで、下記のような効果を得られます。

 

データには、人間の経験や感覚では見つけられない多くの情報が詰まっているため、ビジネスでの活用が欠かせません。

もし「データ分析で得られる効果をより詳しく知りたい」という場合、下記の記事をご一読ください。データをうまく活用したいときに重視すべきポイントも紹介しています。

【事例あり】データ利活用とは？得られる効果と重要なポイントを解説

では、どのようにデータ分析をビジネスに取り入れると良いのでしょうか。次の章で、データ分析を実施するまでのステップを紹介します。

データ分析を実施するまでの6ステップ

データ分析を実施するときは、下記の流れで進めましょう。

 

1. データ分析の目的を明らかにする
2. 課題を抽出し仮説を立てる
3. データ分析手法を決める
4. 必要なデータを収集する
5. データを分析して知見を得る
6. 施策に落とし込む

1つずつ説明します。

ステップ1. データ分析の目的を明らかにする

まずは、データ分析の目的を明らかにしましょう。

「何となくデータ分析したら会社がよくなるかも」というように、目的や課題が明確になっていない状態で分析しても、結果を活かすことはできません。

目的を決めることで集めるべきデータもわかるため、データ分析の精度をより高められます。例えば、「店舗ごとに適したキャンペーンを実施して、売上をアップさせたい」などです。

データ分析に対して資金や人を投入しているのであれば、コストに見合う成果を出すためにも、目的の明確化は重要です。

ステップ2. 課題を抽出し仮説を立てる

目的が明らかになったら、次は課題を抽出し仮説を立てます。仮説がない状態で分析しても、結果を眺めるだけで終わってしまい、課題との因果関係を導き出せません。

とはいえ、仮説が無数に存在することも珍しくないので、すべてを検証することは困難です。例えば「売上が減少した」という課題を解決したい場合、下記の原因が考えられるでしょう。

 

そのため、仮説に優先順位をつけて、優先度の高いものから検証することがおすすめです。より問題解決につながる可能性がある仮説を選びましょう。

ステップ3. データ分析手法を決める

仮説を立てた後はデータ分析手法を決めます。前述したとおり分析手法はたくさんあるため、下記をもとに選ぶことが大切です。

 

もし「売上が減少した」ことが課題で、「顧客のニーズが変化した」という仮説を立てているなら、アンケートを実施してクロス集計・線形回帰分析を使うなどです。

また、事前に収集できるデータかどうかも調べておきましょう。

ステップ4. 必要なデータを収集する

データ分析が決まったら、次は必要なデータを収集する段階です。必要なデータの種類や量は、データ分析手法や目的によって異なります。

例えば、ステップ3のようにクロス集計を使って分析する場合、アンケートをとおして下記のようなデータを集めます。

 

データ収集方法はさまざまなので、効率よく収集できるデータかどうかにも注目しましょう。

自社の顧客管理システムやツールからの情報だけではなく、公的機関が公開しているオープンデータを使うことも有効です。

ステップ5. データを分析して知見を得る

ここまで完了したら、実際にデータを分析して知見を得ましょう。

前述した分析手法で「ターゲットである20～40代女性は、現状の商品の素材に満足していない」ことがわかったら、さらにどのような素材を求めているのか深掘りするなどです。

最終的に、ビジネス上で有益な価値を生み出すことができれば、データ分析が活用できたことになります。

なお、データをビジネスで活用するポイントや事例を知りたい方は、下記の記事をご覧ください。

【事例あり】データ活用とは？目的やビジネスに活かすポイントを解説

ステップ6（参考）. 施策に落とし込む

データ分析をした後は、施策まで設計・実行することをおすすめします。昔はデータ分析だけして施策に落とし込まない、ということが少なくありませんでした。

上司に「データ分析がトレンドらしいので頼んだ！」と言われ、そのままそれがタスクになってしまうケースです。

結果、分析することやツールを入れて使いこなすこと自体が、目的になってしまうこともあります。そのため、ステップ1〜6を繰り返してPDCAを回し、より施策の効果を高めていきましょう。

また、データ分析の手順をまとめたマニュアルを作成し、複数の従業員が分析できるようにする体制づくりも大切です。

データ分析ではツールを取り入れると効率アップ

基本的にはExcelでもデータ分析が可能です。

しかし、データ量が増えるほど管理が煩雑になったり、分析にかかる時間が増大したりするため、効率的とはいえません。

そこでおすすめなのが、データ分析を支援するツールの導入です。ツールを取り入れることで、専門的な知識がなくてもデータの分析・可視化ができます。

代表的なデータ分析・可視化ツールとして「Tableau」が挙げられます。Tableauは直感的に操作でき、必要なときにスピーディーに分析ができるツールです。

結果もすぐに確認できるため、今までレポート作成にかかった工数を削減するなど、効率アップが期待できます。

弊社TDSEでは「Tableau」を導入する企業向けに、活用を支援するサービスを提供しています。もし導入を検討したい場合は、お気軽に下記の資料をご覧ください。

自社に合ったデータ分析手法を知り、業務に役立てよう

昨今はデジタル化が進み、データ分析を取り入れる企業が増えています。ビジネスの現状を把握してすばやく課題解決につなげるためにも、データの活用が欠かせません。

本記事で紹介したとおり、企業で使えるデータ分析手法は多くあります。まずは解決したい課題や目的を明確にしたうえで、マッチしたデータ分析手法を選びましょう。

なお、データ分析の具体的な考え方は、下記の資料で詳しく紹介しています。気になる方は無料でダウンロードのうえ、ぜひご覧ください。