元卸売業営業がデータ分析の基礎を習得
筆者はもともと三菱食品の営業部門の出身で、以前は泥臭い現場でメーカーさんと小売業さんをつなぐ仕事をしてきました。使っていたのはエクセル程度で、とことんアナログな仕事です。2021年にリテール業界のDX（デジタルトランスインフォメーション）を支援する今村商事に転職。そこで筆者も自分自身でデータを取り扱えるようにと一念発起し、弊社で提供している研修プログラムを自ら受講しました。Azure Databricksというツールによる、基礎的なデータ分析方法を3日間学び、その後3ヵ月ほどかけて習得。そこで学んだことを実際に売場に適用したのが、この記事の内容です。
実証実験の概要
今回実証実験を行ったのは、スーパー細川という、大分県に2店舗、福岡県に1店舗を展開する食品スーパーです。カード会員比率が80%を超えるような、地元のお客様に愛されている地域密着型スーパーといえます。
実証実験の対象に選んだのは、豆腐売場の棚。2022年の11月から2023年2月までのID-POSデータを基に、棚割の案を筆者が作成し、2023年11月に実際の棚を変更して売上の変化を見ることにしました。データはプロのエンジニアがセットし、分析と検討は筆者が行いました。
1.客数データをチェックする
まず見てみたのが客数のデータです（図表1、以下、図表はすべて一部加工したものです）。データをざっと見て、「店舗と月によってデータがない場所があるな」と気付きました。
また、検証対象となる2022年11月から翌2月までの数字をざっと追い、そこについては抜けがないことを確認しました。
気を抜くと、POSデータが正しく集配信されておらず、「ある期間のある店舗のデータがごっそり抜け落ちている」なんてことはよくあります。
今回の記事でデータを分析する万田店には、月間7,000人前後のお客様が来店されていることがわかります。
2.商品マスタをチェックする
次に、分析対象となる豆腐が含まれる和日配部門の商品マスタを参照しました（図表2）。このデータを見ると、今回の対象となる棚で取り扱われる商品には「豆腐」だけでなく厚揚げや卵豆腐などの「加工豆腐」という複数のサブカテゴリーが含まれることがわかりました。
そこで今回は実際の棚に合わせた分析を行うために「豆腐」と「加工豆腐」を合体して「豆腐・加工豆腐」というサブカテゴリーを疑似的につくり、そちらを分析対象とすることにしました。
3.棚割データをチェックする
やっとこのタイミングで、現状把握をするために、棚割のデータを参照することにしました。ここでよくあるのが、「理屈のうえでは正しい」はずのデータ上の棚割と、実際の棚割に差異があるということです。
「棚割図どおりに棚をつくりました」と現場は行動しても、想定した棚割が実現できていなかったり、よかれと思って特定の商品を定番化している、ということは往々にしてあります。今回実証実験の舞台となったスーパー細川さんでも、同様の状況が起きていました。そこで、本当の棚の状態をデータ化するため、実際に現場に足を運び写真を撮影し、つくった棚割図が図表3右です。これで、現状を正しくデータ化することができました。
リフト値による分析
併売特徴量による分析
クラスタリング
協調フィルタリングによる分析
現場の意思をくみ取りながら棚割作成
の手順を紹介しています。
