こんにちは！
大学院で統計学を専門に研究し、現在消費財メーカーでマーケティングを担っているウマたん(@statistics1012)です。
そんな時に統計の知識を持っておくと役に立つことが多々あります。
マーケターにとって統計学は大きな武器になります。是非マーケターのみなさんに統計学の知識を付けて欲しい。
そこで、この記事ではマーケターの方に向けて統計学のエッセンスをまとめていきます。
目次
なぜマーケティングには統計学が必要なのか
マーケティングとは端的に言うと、「顧客を創造し売れる仕組みを作ること」
売れる仕組みを作るためにはロジックとエモーションの2つの観点が重要になります。
ロジックだけで考えてもマーケティングは上手くいきませんが、感情だけに頼っても上手くいかず再現性は生まれないのです。
そしてそのロジックを強固なモノにするのが統計学。
統計学をモノにすることで、
■なんとなく行った施策が果たして統計学的に成功だったのか明確にする
■顧客の購買行動を予測して先手を打つ
■いくつかの要因が盛り込まれた製品から最適の組み合わせを見つける
ことが出来ます。
現在では、これらのことを自動でやってくれるツールや多くの受託会社が存在するため、直接的に統計学を駆使することは少ないかもしれません。
しかし、知識を持っているのといないのでは結果に対する理解度も大きく変わります。
また統計学は数字を上手くごまかすことで騙すことが可能。本当はさして効果のない結果なのにあたかも大きな結果が出たと見せることも可能なのです。
マーケティングに用いられる統計的手法
それでは早速マーケティングに用いられる統計学的手法について見ていきましょう！ここで取り上げる手法群は特に押さえておきたい手法です。
統計的検定
統計学の最も基礎的な検定は様々な場面で使われます。検定を用いると、なんとなく差がある気がするなーと感覚的に思っていたことが本当に正しいのかどうかが分かります。
ある20代と30代での平均購入金額に有意な差があるのかを測定する時は、t検定と呼ばれる手法を用います。
施策を行った前後の効果やバナーのA/Bテストの効果をを測るにはカイ二乗検定を一般的に用います。
統計学的検定に関してはこちらの記事にまとめていますので良ければご覧ください！
回帰分析
回帰分析を用いることで、様々な事象の関連性を見ることができます。そしてその関連性からある事象の予測をすることができるのです。
よくある例では、アイスクリームの需要予測。回帰分析を用いれば、気温や天気という要素からアイスクリームの需要を予測することができるのです。
ちなみに一口に回帰分析と言っても様々なモノが存在します。一つの変数から一つの変数を予測するなら単回帰分析。複数の変数から一つの変数を予測するなら重回帰分析。良く用いられるのは重回帰分析ですね。
またこれらの単回帰分析や重回帰分析は、目的変数に正規分布を想定しているのですが、ビジネスシーンでは正規分布に従わない場合が多い。そんな時に使われるのはロジスティック回帰やポアソン回帰などの一般化線形回帰分析。
さらにここから複雑になっていくのですが、マーケティングにおいては一般化線形回帰まで知っていれば良いかなと思います。
こちらに簡単な回帰分析に関してまとめていますので良ければご覧ください！
判別分析
先ほどの回帰分析では目的変数は量的変数でしたが、この判別分析では目的変数が質的変数になります。
例えば、あるユーザーがそれを購入するかしないかは0・1の質的変数。購買行動を予測するには判別分析が用いられることが多いです。
しかし、この購買行動を購入する確率はどのくらいかというように％の量的変数で予測するパターンもあります。その場合は先ほどの一般化線形回帰の1つロジスティック回帰分析を用います。
ロジスティック回帰分析は基本的な手法ですが、マーケティングにおいて良く使われているイメージがありますねー！
ロジスティック回帰分析を実際にRで回してシミュレーションしてみた記事をこちらにまとめていますので良ければ参考にしてみてください！
クラスター分析
クラスター分析はある母集団をグループ分けする手法。例えば、顧客のセグメントを作る時に年代や性別、行動パターンを基にクラスター分析を行うと、今まで見えてこなかったセグメント集団が浮かび上がってくることがあります。
クラスター分析には大きく分けて、階層的クラスター分析と非階層的クラスター分析があります。
もし最初からクラスターの数が決まっているなら非階層的クラスター分析を使うと良いでしょう。クラスターの数が決まっていないなら階層的クラスター分析を用いて階層木からクラスターを区切りましょう！
ただ気を付けなければいけないのは、クラスター分析で分けられたクラスターに意味を付与するのは人間の仕事。クラスターに分けられただけでそこに意味を見出すのはマーケターの腕の見せ所です。
クラスター分析に関してはこちらにまとめていますので良ければご覧ください！
主成分分析
主成分分析はクラスター分析と近い考え方なのでごっちゃにされがちですが、厳密には違います。
簡単に言うと、
クラスター分析はサンプルをグループ分けする手法
主成分分析は変数をグループ分けする手法
クラスター分析では、多くのユーザーを特徴別にグルーピングしました。主成分析では変数の数が多すぎて意味のある変数を抽出できない時に合成変数を作り出して解釈容易性を上げます。
例えば、顧客一人一人の購買商品はたくさんありますのでそれを全て変数として顧客分析するのは非現実的。そんな時に購買商品に主成分分析をかけることで、嗜好品と日用品などの合成変数が出来上がり、2つの軸で分析することが可能です。
これは一例ですが、主成分分析を用いることで新たな特徴値が浮かび上がってくるかもしれません。
主成分分析に関しては以下の記事にまとめています！
コレスポンデンス分析
コレスポンデンス分析は、マーケティングの中でもブランドイメージ調査やコンセプト調査に用いられる手法です。
競合と比較して自社はどのようなポジショニングに位置しているのかを可視化することができます。
コレスポンデンス分析については以下の記事をご覧ください！
コンジョイント分析
コンジョイント分析は、商品のコンセプト設計を行う時に有用な手法です。
特に情緒に訴えかける商品ではなく、機能面の差が分かりやすい商品には有用。
例えばPCであれば、PCの大きさ・軽さ・CPU・解像度など様々な要因を基にユーザーの効用値を測る調査を行い、最適な組み合わせと最適な価格を決定します。
コンジョイント分析に関しては以下の記事で詳しくまとめています！
ランダムフォレスト
いわゆる最近流行りのマシーンラーニング手法の1つ。決定木と呼ばれる基本的な回帰手法にアンサンブル学習を組み合わせた手法です。
ランダムフォレストは比較的実装が可能で、精度が良いのでよく用いられます。
回帰分析や判別分析などの手法は、解釈が容易で何が原因なのかが分かりやすいです。一方うマシーンラーニングの各手法は、精度は高い一方解釈が容易でない場合が多いです。
ランダムフォレストでは、どの変数が効いているかを知ることができますが、その変数をどの程度チューニングしたらどの程度効果があるか測るのは大変。
そのため、要員は分からなくていいから精度をとことん追求する！という場合はランダムフォレストをはじめとするマシーンラーニング手法を用いるとよいでしょう。
精度よりもそれが起きた要因を知りたい！という場合には一般的な回帰分析を用いるとよいでしょう。
ビジネスシーンでは解釈容易性の高い回帰分析が用いられることが多いです。
ランダムフォレストに関してはこちらにまとめていますので良ければご覧ください！
マーケティングにおいての統計学 まとめ
ここまで様々な統計学的手法を見てきました。統計学の知識は必ずマーケターとしての武器いなります。
マーケティングのオススメ本と統計学のオススメ本をこちらの記事にまとめていますので良ければご覧ください！
Pythonを使うと様々なことができます。しかしどんなことをやりたいかという明確な目的がないと勉強は捗りません。
Pythonを習得するためのロードマップをまとめましたのでぜひチェックしてみてくださいね！
