目次
こんにちは！
サロン経営ラボRefine、井上です。
この投稿では、日頃から私が実践している経営に関する分析例や思いついた分析の活用例を記載していこうかと思います。
（サロン経営分析から若干離れてしまう内容もあるかもしれませんがご容赦ください）
「こんなことができるよ」的な投稿で、あくまで例示です。
データの取り扱いや実際の分析には、その会社の状況や場面に応じた注意点や、数理的な落とし穴があったりしますので、闇雲に使用しないことをお勧めします。
基本データの可視化を行う
概要
データを可視化することで、数値の羅列ではわかりにくかった変化点が見えたり、トレンドが見えたりするので活用しない手はありません。
同じ売上データにしても、日次なのか月次なのか、スタッフごとなのか店舗ごとなのか、さまざまな切り口が考えられます。データの種類によって適したグラフの種類も異なりますので、注意が必要です。
また、グラフの作り方によっては、効果があるように見えたり、無いように見えたりすることもあります。
可視化例①：時系列売上データの可視化
売上高に限らず、POSレジなどから時系列になったデータを取得しているお店が多いでしょう。
数字が並んでいるだけだと、変化のイメージが湧きにくかったりしますので、以下のような折線グラフなどによる可視化がおすすめです。
上昇傾向なのか下降傾向なのか、それは偶然なのか実力なのか、平均を取るとしたらどの範囲で取るのか、前年比で比較するのか特定範囲の平均で比較するのか、データを対数などで変換するか・・・
このように、分析に入る前の可視化やデータ操作の段階でも、考えられる方法は無数にあります。自社の状況や、検証したい仮説をもとに適切な方法を探ります。
可視化例②：顧客属性データの可視化
顧客の年齢分布がどのようになているか可視化。
以下のような顧客の属性情報の可視化により、自社の経営戦略上のペルソナやダーゲティングを大きくずれていないことを確認します。
顧客男女比の可視化。
可視化例③：曜日別、平均売上高の可視化
どの曜日に余力があるか、販促を実施したらいいかがわかります。
また、例えばこれをスタッフ単位でのグラフに変更すれば、休み希望がないスタッフを休ませるのはどの曜日が良さそうかなどがわかります。
可視化例④：曜日別の時系列売上推移。
各曜日に異常や傾向がないか確認します。
もしかしたらマーケティングに活かせる特徴があるかもしれません。
可視化例⑤：スタッフ月次生産性の可視化
スタッフごとの月次生産性の可視化。
どの月に生産性が上がりやすく、どの月に落ち込む傾向があるか確認します。
それによっては、月単位、スタッフ単位でのプロモーション施策が必要になるかもしれません。
地理データを地図上にプロット
概要
美容室や顧客の住所情報を地図上にプロットすることで、商圏を明らかにします。
もし一定の地域に顧客が集中しているのなら、そこに住んでいる顧客の特性に何かヒントがあるかもしれません。
また、ポスティングなどを実施する際に未開拓地域を狙うことも可能となります。
商圏がざっくり把握できるので、ドミナント展開する場合などの出店地域の絞り込みにも活用できます。
ただの可視化ですが侮れません。
分析例：店舗と顧客の地理空間データプロット
店舗と顧客の位置をプロット。
経営の異常を検知する
概要
経営において、いつも同じような傾向で業績が続くとは限りません。また、たとえ急成長中で業績に上ブレが起きているのだとしても、変動が大きいということは不確実性が大きい（ハイリスク）ということですので、できれば安定した収益を上げ続けたいですよね。
実際に日々経営を行っていく中で、下にも上にも大きく業績がブレることがたまにはあると思います。
それが正常な範囲のものなのか、異常値なのか、機械学習モデル等で統計的に判定し、原因を究明したり対策を打つことは、長期的に経営を続けていくために必要不可欠です。
分析例①：ボラティリティを用いたブレの大きさの分析
統計学の標準偏差を用いてブレがどのくらい大きいのか可視化するための分析です。
多くの美容室には繁忙月や閑散月が存在しますので、売上が月で変動するのは当たり前、と感じるかもしれません。
では、今までの同月データと比べた時、今年の売上高が異常に大きな変動をしていないかはどうでしょう？
また、おおよその変動幅が標準偏差によりわかることになりますので、「将来的な業績の予想がだいたいこのくらいの範囲に収まるだろう」という考察が可能となり、リスクを定量化できます。
分析例②：機械学習モデル（IsolationForest）による異常検知
機械学習モデルを使用し、業績をはじめとした日々のデータの推移に異常値がないか分析します。
IsolationForestは、異常（アウトライアー）を「他のデータポイントから孤立している点」として捉える仕組みです。
一般的に、異常値は通常のデータよりも他の点から遠く離れているため、少ない特徴量を持つので分離できます。
アルゴリズムとしては、まずデータセットをランダムにサンプリングし、ランダムな特徴と閾値でツリーを構築してデータポイントを分割します。分割回数が少ないほど孤立しているとみなし、各データポイントの孤立度を計算してアノマリースコアを出力します。
先ほど述べたように、できれば業績は良い水準で安定していて欲しいですが、異常だから必ずマイナス要因というわけでもありません。
その異常部分を詳しく調べてみると、売上増に繋がるような思わぬ要因が隠れているのかもしれません。
それを逆手に取ったマーケティング施策の打ち出しも考えられます。
顧客の属性とサービスの関係性を知る
概要
男性、女性、のような量的に換算できないデータをカテゴリカルデータと言います。
そのカテゴリカルデータの独立性を評価することは実務において有効です。独立性というのは、簡単に言えば、2つの概念に関係があるのかないのか、ということです。
例えば、顧客の年齢層とサービス利用傾向の関連性を調べることができたりします。
分析例：カイ二乗検定による独立性の評価
２つの概念の関係性の評価ですので、例えば顧客の年齢層とサービス利用傾向などの独立性を評価し、特定の年齢層が特定のサービスを好むかどうかを確認することが可能です。
「カラーを好む属性の顧客には新色などのプロモーションを行うと、いい反応が得られる可能性が高い」などマーケティング施策に活かすことができます。
