演習：分析計画を立てよう

## 分析課題一覧

### 課題1: リピート率の低下要因の特定
- ビジネス課題: 既存顧客のリピート率が下がっている気がする
- 分析課題: 過去12ヶ月で2回目購入率はどのセグメントで最も低下したか？
- Specific: 顧客セグメント別の2回目購入率の変化
- Measurable: 2回目購入率（%）、セグメント別に前年同期比
- Actionable: 低下セグメント向けのリテンション施策を設計できる
- Relevant: リピート率改善は売上の安定成長に直結
- Time-bound: 直近12ヶ月 vs 前年同期

### 課題2: 売上鈍化の構造分解
- ビジネス課題: 売上の伸びが鈍化している
- 分析課題: 売上を顧客数×購買頻度×客単価に分解した場合、どの要素が鈍化の主因か？
- Specific: 売上の3要素の月次推移
- Measurable: 各要素の前年同月比成長率
- Actionable: 鈍化要因に応じた施策を優先度付けできる
- Relevant: 売上改善の最もレバレッジの高いポイントを特定
- Time-bound: 直近24ヶ月の月次データ

### 課題3: 効果的な施策の特定
- ビジネス課題: 売上改善につながる施策を提案してほしい
- 分析課題: 過去のキャンペーンのうち、LTV向上に最も寄与した施策タイプは何か？
- Specific: キャンペーンタイプ別のLTV変化
- Measurable: キャンペーン参加者のLTV中央値の前後比較
- Actionable: 効果の高い施策タイプに予算を集中配分できる
- Relevant: マーケティングROIの改善に直結
- Time-bound: 直近6ヶ月のキャンペーン実績

## KPIツリー

月間売上（5,000万円 → 6,000万円）
├── 新規顧客売上（1,500万円 → 1,800万円）
│   ├── サイト訪問数（50万/月 → 55万/月）
│   ├── CVR（1.5% → 1.8%）
│   └── 新規顧客単価（2,000円 → 2,200円）
├── 既存顧客売上（3,000万円 → 3,600万円）
│   ├── アクティブ既存顧客数（2万人 → 2.2万人）
│   ├── 購買頻度（3回/年 → 3.5回/年）
│   └── リピート顧客単価（5,000円 → 5,500円）
└── 休眠顧客復帰売上（500万円 → 600万円）
    ├── 休眠顧客数（5万人）
    ├── 復帰率（2% → 3%）
    └── 復帰顧客単価（5,000円 → 4,000円）

## KPI一覧

| KPI | 現状値 | 目標値 | 改善率 | 優先度 |
|-----|--------|--------|--------|--------|
| 月間売上 | 5,000万円 | 6,000万円 | +20% | - |
| CVR | 1.5% | 1.8% | +20% | 高 |
| 購買頻度 | 3回/年 | 3.5回/年 | +17% | 高 |
| リピート顧客単価 | 5,000円 | 5,500円 | +10% | 中 |
| 休眠顧客復帰率 | 2% | 3% | +50% | 中 |
| サイト訪問数 | 50万/月 | 55万/月 | +10% | 低 |

## 必要データ一覧

| データソース | 必要カラム | 期間 | 用途 |
|-------------|-----------|------|------|
| 購買履歴 | order_id, customer_id, amount, date, product_id | 過去24ヶ月 | 売上分解、RFM分析 |
| 顧客マスタ | customer_id, registration_date, age, gender, region | 全期間 | セグメンテーション |
| 商品マスタ | product_id, category, price, brand | 最新 | カテゴリ別分析 |
| キャンペーン履歴 | campaign_id, type, target_customers, start_date, end_date | 過去12ヶ月 | 施策効果分析 |
| アクセスログ | session_id, customer_id, page, timestamp | 過去6ヶ月 | CVR分析 |

## データ品質の想定課題と対策

| 課題 | 想定される問題 | 対策 |
|------|--------------|------|
| 欠損値 | 顧客属性（age, gender）に20-30%の欠損 | 欠損パターン分析後、分析から除外 or 補完を判断 |
| 重複 | 注文データの重複（決済リトライ） | order_id での重複排除 |
| 異常値 | 極端に高額な注文（法人購入の混入） | 99パーセンタイル以上をフラグ付け |
| 結合キー | customer_idの形式不一致 | 正規化ルールを定義して前処理 |

## 分析スケジュール（2週間）

| 日程 | フェーズ | 作業内容 |
|------|---------|---------|
| Day 1-2 | データ理解 | データ取得、EDA、品質チェック |
| Day 3-4 | データ準備 | クレンジング、結合、特徴量作成 |
| Day 5-6 | 分析1 | 売上構造分解、トレンド分析 |
| Day 7-8 | 分析2 | 顧客セグメンテーション、RFM分析 |
| Day 9 | 分析3 | キャンペーン効果分析 |
| Day 10 | 評価 | 結果の統合、インサイトの整理 |
| Day 11-12 | レポート | 分析レポート・ダッシュボード作成 |
| Day 13 | レビュー | 田中VPoEレビュー、修正 |
| Day 14 | 最終化 | 経営会議向けプレゼン資料完成 |

## 分析手法の選定

| 分析課題 | 手法 | ツール |
|---------|------|--------|
| 売上構造分解 | KPIツリー分解、時系列分析 | Pandas, matplotlib |
| リピート率分析 | コホート分析、RFM分析 | Pandas, seaborn |
| セグメント別分析 | クロス集計、統計検定 | Pandas, SciPy |
| キャンペーン効果 | 前後比較、t検定 | SciPy, statsmodels |
| 可視化 | ダッシュボード | Plotly, Jupyter |