Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
回帰分析の活用による新商品の販売力予測
Search
Ikuya Murasato
May 13, 2022
Business
0
130
回帰分析の活用による新商品の販売力予測
2022/05/13(金)に開催したExploratory データサイエンス勉強会#23の株式会社ロッテ様のご登壇資料です。
Ikuya Murasato
May 13, 2022
Tweet
Share
More Decks by Ikuya Murasato
See All by Ikuya Murasato
トピックモデル分析を活用した問合せ業務の効率化
ikuyam
1
180
生存分析モデルを利用したLineのブロック要因分析
ikuyam
0
79
自動車トラブルと気象条件などの探索的データ分析
ikuyam
0
55
データサイエンス「も」使えるチェンジメーカー輩出への挑戦
ikuyam
0
320
ExploratoryとRによる全学データサイエンス教育
ikuyam
0
430
エンゲージメント向上のための人事制度改革 - 管理部門におけるExploratoryの活用
ikuyam
0
1.4k
「学ぶ」分析技術から「使う」分析技術へ - Exploratoryによるドリル演習
ikuyam
0
310
データサイエンス入門教育の現場から - 46歳新任教員2年間の苦闘
ikuyam
0
400
弱小データアナリストが成果を出せるまで
ikuyam
0
100
Other Decks in Business
See All in Business
大規模プロダクトにおける組織作りと技術ポートフォリオマネジメント
recruitengineers
PRO
4
300
crage 全職種共通募集要項
crage
0
53k
Craftyアプリ説明資料
irori
0
100
ホットリンク会社紹介スライド / We are hiring
hottolink_pr
1
3.1k
公開版_モノ売りからコト売りへ 製造業が向き合うビジネスとアジャイル
junki
1
440
VISASQ: ABOUT DEV TEAM
eikohashiba
2
19k
VTホールディングス株式会社_会社紹介資料
vtholdings
0
5.8k
イークラウド会社紹介 ~ひとりひとりの想いをつなぎ、挑戦に力を~
ecrowd
1
1.9k
依頼仕事の最適化 〜未完了をいかに完了にするか〜
katsuhisa91
PRO
16
8.5k
Nstock 採用資料 / We are hiring
nstock
23
210k
株式会社CloudSoft 会社説明資料
csmatsushita
0
390
株式会社ネオキャリア_採用ピッチ資料
neo_recruit
2
120k
Featured
See All Featured
Building Better People: How to give real-time feedback that sticks.
wjessup
359
19k
ピンチをチャンスに:未来をつくるプロダクトロードマップ #pmconf2020
aki_iinuma
103
48k
The Pragmatic Product Professional
lauravandoore
31
6.2k
Bash Introduction
62gerente
608
210k
Infographics Made Easy
chrislema
239
18k
jQuery: Nuts, Bolts and Bling
dougneiner
61
7.4k
Making Projects Easy
brettharned
113
5.8k
Fontdeck: Realign not Redesign
paulrobertlloyd
80
5.1k
Reflections from 52 weeks, 52 projects
jeffersonlam
346
20k
The Mythical Team-Month
searls
218
43k
Facilitating Awesome Meetings
lara
49
5.9k
The World Runs on Bad Software
bkeepers
PRO
64
11k
Transcript
回帰分析の活⽤による 新商品の販売⼒予測 株式会社ロッテ 中澤 政紀
会社紹介
⾃⼰紹介 名前:中澤 政紀 年齢:33歳 居住地:群⾺ ⇒ 滋賀 ⇒ 福岡 ⇒
⿅児島 ⇒ 東京 経歴: 2013年 ロッテアイス⼊社(営業) 2017年 商品開発部(ガーナアイス、モナ王、スイカバー etc..) 2019年 事業企画課(⾃社・他社分析、売上利益管理) 2021年 新ブランド開発課(新しいブランド⽴ち上げるぜ!!) 2022年 リサーチ課(消費者調査)
Exploratoryとの出会い 統計の勉強しといて 承知しました ? 統計 セミナー 2021年2⽉ 2020年9⽉
1.業務背景と課題 2.予測モデルの作成 3.評価・ビジネスへの応⽤ 4.まとめ 本⽇の内容
1.業務背景と課題 2.予測モデルの作成 3.評価・ビジネスへの応⽤ 4.まとめ
⾃社商品 全て合わせると、年間で数百品もの新商品が発売される。 新商品の売上はとっても⼤切!
企画⽴案 味づくり デザイン 発売 分析 商品開発の流れ
新商品における課題 デザイン 担当者の好み 決裁者の感覚 各担当が個別に調査 属⼈的 売上 前年並み? 担当者の感覚 出たとこ勝負
勘や経験に頼らずにどの くらいの売上になりそうか 分からないだろうか? Exploratoryのブートキャンプで学んだことを 活かせば解決できるのでは? なんか、予測とか変数重要度とかあったし! 売上予測したい お客様に⼿に取ってもらえる デザインとは⼀体…? 判断基準がほしい
①新商品がどの程度売れそうかという予想は過去実績や 経験に基づいていた ②デザインの善し悪しを計る評価基準がない 発売前に消費者調査を実施することで、 「販売⼒の予測」と「デザインの評価基準」を設けたい! 新商品における課題
発売前 発売後 消費者調査 《説明変数》 売上データ 《⽬的変数》 予測モデル(線形回帰) ①販売⼒(販売個数)の予測 ②デザインの評価基準を設定 課題解決へのアプローチ
新商品発売
1.業務背景と課題 2.予測モデルの作成 3.評価・ビジネスへの応⽤ 4.まとめ
使⽤する説明変数に⽬星を付ける ↓ 予測モデルを決める ↓ 様々な説明変数の組み合わせを試す ↓ モデルの精度を確認 ↓ 予測モデルを使ってビジネスで活⽤ 予測モデル作成への⼤まかな流れ
使⽤する説明変数に⽬星を付ける 相関でモデルに使⽤する説明変数に⽬星をつける(サマリでも可) 実際はもっと多かったです…😢 ⽬的変数と⽐較的相関している 変数をチェック!
使⽤するモデルを決める 線形回帰をチョイス! ①重要な指標を⾒つけるのに適している ②変数の関係性を理解しやすい ③説得⼒のある説明ができる
「変数重要度」タブで重要な指標を⾒つけることができるが、 線形回帰などの統計のモデルは他の変数を⼀定にした上での重要度がわかる。 重要な変数を⾒つけるのに 適している ①重要な指標を⾒つけるのに適している
「予測」タブを使うことで、他の変数を⼀定にした上での ⽬的変数と予測変数との関係性がわかる。 販売個数が上がるのか下がるのか の関係性が直感的に理解できる。 ②それぞれの変数の関係性を理解しやすい
「係数」タブでは、その変数が有意かどうか、予測変数の値が1上がった時に、 ⽬的変数の値がどれだけ上がる(下がる)のかがわかる。 その変数が有意かどうかは説明の上 で重要になる。 また、1ポイント上がった時の効果 がわかるため説明しやすい。 ③販売⼒との関係性を説得⼒をもった説明ができる
⽬的変数:販売個数 販売価格 発売⽉ 発売週気温 調査項⽬① 調査項⽬② 調査項⽬③ ・ ・ 説明変数:
線形回帰のモデルを作成 たったこれだけ
ここを⼊れ替えるだけなので 超簡単!! 変数の候補が多いと⼊れ替えや ⽐較が⼤変なので、総当たりと かできたらいいな・・・ 様々な説明変数の組み合わせを試す
1.業務背景と課題 2.予測モデルの作成 3.評価・ビジネスへの応⽤ 4.まとめ
1. 予測精度の評価 2. デザイン調査により新商品の販売⼒を予測 3. 販売⼒⾃体にランク付け(店当り販売個数3個以上:A、2個以上:B、1個以上:C) 4. 予測された販売⼒にランクをもとにラベル付け 5. 結果をもとに今後のアクションを決める
ここまで来たらゴールまであとちょっと モデルの評価 ⇒ ビジネスへの応⽤の流れは以下の通り
感覚的に 実務に使えそうか モデルは 説明できてるか R2乗:⽬的変数(週販個数)のばらつきを予測変数でどれだけ説明できているか。 0から1の間を取り、1に近ければ近いほどモデルが⽬的変数をうまく予測できていると⾔える。 RMSE:予測値と実測値の平均的なズレを表す。 値が⼩さくなればなるほど、ズレが少ないためにうまく予測できていると⾔える。 1. 予測精度の評価
チョコレート アイス R2乗 0.37 0.77 RMSE 0.32 1.46 MAPE 10.5
% 14.1 % 考察 データを溜めて精度を 上げる必要はあるが、 誤差のレベルは許容範囲内 季節要因もあり誤差が⼤きい データを溜めて各指標の 関係性や⼊れ替えも随時検討 ⽬指せ0.8! せめて0.5は 超えたい… 10%付近に したい… 感覚的に… 1. 予測精度の評価
商品名 販売⼒ 変数7 変数11 変数32 変数14 ガーナ いちご 2.8 5
180 50 10 トッポ 抹茶 2.3 5 150 40 8 商品名 販売⼒ 変数7 変数11 変数32 変数14 ガーナ いちご ? 5 180 50 10 トッポ 抹茶 ? 5 150 40 8 25 線形回帰 モデル 2.デザイン調査により新商品の販売⼒を予測 予測モデルのためのデータ 予測する
2.デザイン調査により新商品の販売⼒を予測 販売⼒が知りたい新商品 新商品の販売⼒を作ったモデルを使って予測 ① ② ③ ④
2.デザイン調査により新商品の販売⼒を予測 予測された販売⼒ (販売個数) では、良い悪いの判断は?
2.0 3.0 下位 20% 上位 20% 中間 60% 3.販売⼒⾃体にランク付け 商品⼒
商品⼒ 個数 A B C
4.予測された販売⼒にランクをもとにラベル付け 新商品のランク付けができた!
5. 結果をもとに今後のアクションを決める 販売⼒の予測値 (店舗当たり個数) ランク 3個以上 A 2個以上 B 1個以上
C 改善の余地あり 再検討… いい感じかも♪ A B C 新商品に対する意思決定を、 ランクに基づいて⾏えるようになった
現状と今後 ランクをもとにデザイン評価をテスト的に進めるが、 予測モデルはまだまだ不安定。 なので・・・ 他社品を含めた調査データや販売データをもとに、 今回作成した予測モデルでうまくいくかを検証しつつ、 予測モデルのブラッシュアップも同時に⾏っていく。
1.業務背景と課題 2.予測モデルの作成 3.評価・ビジネスへの応⽤ 4.まとめ
・どの要素が販売⼒に結び付いているのか ⇒売上と消費者調査の関係性を理解する ・新商品の販売⼒を予測 ⇒ブランドごとの売れる傾向や需要予測 ・デザインの善し悪しを計る基準値の設定 ⇒予測された販売⼒をもとに、このデザインで売れるか どうか、もし売れなそうであれば再度デザインを 考えることにつなげられる。 今回分かったこと、できたこと
・項⽬を選択するだけなのでRとか使えなくてもOK ・様々な統計モデルを簡単に試して⽐較できる ・重要度や変数同⼠の関係性が視覚的に理解できる ・⼀度モデルを作ってしまえば、他の⼈も再現できる 形でデータを共有できるため、誰でも同じモデルを 使うことができる Exploratoryを使ってよかったこと
おわり