販売系の根本データ、POSデータを活用してさまざまな分析を行います。

データ

データ期間＝2020年11月
行数＝約15万行
データは完全なダミーです。

・バスケットコードを作成します。(統計解析で使用します)
　レジの1会計 (合計現計) ごとに個別の値 (ユニーク) になるように作成します。具体的には、「日付」+「例番号」+「時刻」のような組み合わせで作成できます。

・カテゴリ名や商品名
　概ねPOSデータのカテゴリや商品は、それらのコードのみ記載されています。カテゴリマスタや商品マスタとマージ (結合) してカテゴリ名、商品名を表示しておくと結果がみやすくなります。

・会員の属性
　会員マスタとマージ (結合) して会員の属性をくっつけます。

会員別売上データとの違い

・POSデータには取引時刻があります。
・POSデータには商品コードがあります。

　誰が、いつ、何を、何個、いくらの売価で購入したのかを知ることができます。

分析例

年齢によりカテゴリの好みがあるように見える。

＜軸＞
カテゴリ(平均年齢降順)
＜系列＞
値
＜メジャー＞
売上高、年齢 (平均)
＜グラフ＞
組み合わせ (縦棒、折れ線)

---

商品ごとに年齢による好みがあるのかどうか。

＜軸＞
商品 (売上数量降順)、売上数量(上位20位フィルター)
＜系列＞
値
＜メジャー＞
売上数量、年齢 (平均、最大値、最小値)
＜グラフ＞
組み合わせ (縦棒、折れ線)

---

顧客ごとの来店パタンに翌朝があるのかどうか。

＜軸＞
顧客コード (販売数量上位10位フィルター)
＜系列＞
値
＜メジャー＞
売上数量、会員コード (個数)
＜色＞
販売数量

---

　ピボットを組み合わせます。

・果物を選択します。
・「バナナ」を選択します。
　バナナを購入した会員コードの来店パタンを見える化できます。

午前中はご高齢者のお客様が多い。

＜軸＞
時間帯
＜系列＞
年齢10歳階級
＜メジャー＞
顧客コード (個数の累計)
＜グラフ＞
100%縦棒

---

　ピボットを組み合わせます。

・時間帯、年代でフィルターします。

いわゆる上得意様は具体的に誰か。

＜行＞
会員コード、住所
＜列＞
値
＜メジャー＞
性別、生年月日、年齢、売上、数量、一品単価、日付 (最大値)
＜グラフ＞
テーブル

住所マスタとリレーションシップ

　住所マスタとリレーションシップします。

　住所をフィルターします。

マッピング

＜サイズ＞
1世帯あたり売上高
＜マップ＞
バブル

---

＜サイズ＞
数量
＜マップ＞
棒

クラスター

集計粒度	会員コード
値	カテゴリの売上高の割合
クラスター形成方法	階層的
クラスター数	デンドログラムの8でカット

　各会員がどのカテゴリをより多く購入しているかによるクラスターを形成しています。
　飲食データでいうと、ビール党、ワイン党、ハイボール党、しょうちゅう党のようなクラスター化です。

＞クラスター分析(第1回)　好きと苦手の境界線 (data-analyzer.net)

購入する比率が高いカテゴリでクラスターを形成。精肉、鮮魚、一般食など購入の傾向でクラスタリングできる。

＜軸＞
クラスター
＜系列＞
カテゴリ
＜メジャー＞
売上高
＜グラフ＞
100%積み上げ縦棒

---

・フィルターで「乳製品」の売上高構成比が高いクラスターを選択します。

各クラスターの特徴、クラスターごとにどのカテゴリーの売上構成比が高いのか。。

＜軸＞
クラスター
＜系列＞
なし
＜メジャー＞
クラスター内のカテゴリ売上高構成比 (クラスター内のカテゴリ売上高÷クラスターの合計売上高)
＜グラフ＞
縦棒

---

　クラスター２、各カテゴリーをバランスよく購入するクラスターの売上高、会員単価が高い。

Pearson 相関

集計粒度	バスケットコード
相関	カテゴリ

　カテゴリどうしの組み合わせの良さをバスケットコードを粒度に計算します。

＞Pearson 相関　エクセル編 (data-analyzer.net)

買い物カゴの中、どのカテゴリの組み合わせで売れているのか。

＜行＞
カテゴリ
＜列＞
カテゴリ
＜メジャー＞
Pearson相関係数
＜グラフ＞
テーブル

---

＜軸＞
カテゴリ
＜系列＞
値
＜メジャー＞
Pearson相関係数
＜グラフ＞
縦棒