バスケット分析
バスケット分析とは、顧客が同一取引内でどの商品を一緒に購入する傾向があるかを調査し、意味のある購買パターンを明らかにする手法です。この分析は、想定ではなく実際のデータに基づいた商品間の関係性を明らかにすることで、商品バンドル、クロスセル、店舗レイアウト、マーチャンダイジングに関する意思決定を支えます。
バスケット分析の定義
バスケット分析とは、取引データを調査し、顧客が同じ注文でどの商品を一緒に購入する傾向があるかを特定する手法です。その名称は物理的なショッピングバスケットに由来します。つまり、商品を個別に分析するのではなく、完了した各購入の全内容を調べて、繰り返し発生する共購入パターンを見つけ出します。これは、商品バンドル、「よく一緒に購入されている」レコメンデーション、およびマーチャンダイジングの意思決定の基礎となる手法であり、どの商品が一緒に適しているかという推測を、実際の顧客行動から直接得られた証拠に置き換えるものです。
バスケット分析の仕組み
バスケット分析では、3つの主要な統計指標を用いて、2つの商品間のペアリングが意味のあるものかどうかを評価します。支持度は、特定のペアリングが全取引にどの程度出現するかを測定します。1,000件の注文のうち50件に商品Aと商品Bの両方が含まれている場合、そのペアリングの支持度は5%です。確信度は、商品Aを購入した場合に商品Bも購入する確率を測定し、両方を含む取引数を商品Aのみを含む取引数で割って算出します。200件の注文に商品Aが含まれ、そのうち50件に商品Bも含まれている場合、確信度は25%です。リフト値は、その共購入が偶然だけでは説明できないほど頻繁に発生しているかを測定し、実際の確信度を商品Bの全体的な人気から予測される値と比較して算出します。リフト値が1を超えると真の正の関係を示唆し、1に近いかそれ以下の場合は、ペアリングが偶然であるか、あるいは負の関連性があることを示唆します。
具体例で説明します。あるストアに合計1,000件の注文があるとします。商品A（スマホケース）は200件に出現します。商品B（画面保護フィルム）は150件に出現します。商品Aを含む200件の注文のうち、60件に商品Bも含まれています。このペアリングの支持度は60÷1,000=6%です。確信度は60÷200=30%です。リフト値を計算するには、この30%の確信度を商品Bのベースライン人気度150÷1,000=15%と比較します。リフト値は30%÷15%=2.0となり、商品Aを購入した顧客は、ランダムな顧客と比較して商品Bも購入する可能性が2倍高いことを意味します。リフト値2.0で、妥当な支持度と確信度があれば、バンドルやクロスセルのレコメンデーションとして有力な候補となります。なぜなら、その関係性が統計的に意味があり、かつ行動を起こすのに十分な頻度で発生しているからです。
バスケット分析がeコマースブランドにとって重要な理由
バスケット分析が重要なのは、これなしで行われるマーチャンダイジングの意思決定は、カテゴリの隣接性、直感、または「うまく組み合わせられそう」という感覚といった仮定に依存する傾向があり、これらが実際の顧客行動と一致しないことが多いからです。同じカテゴリの2つの商品は自然と一緒に売れると想定しても、バスケット分析によって、顧客が実際にはそのうちの1つの商品をまったく異なるカテゴリの商品とペアリングしていることが判明する場合があります。検証されたバスケット分析の結果に基づいて行動することで、想定された関係性ではなく、すでに発生している需要パターンが反映されるため、より高いコンバージョンを生むバンドルやクロスセルのレコメンデーションを生み出す傾向があります。
| 指標 | 測定内容 | 解釈の例 |
|---|---|---|
| 支持度 | 全注文におけるペアリングの頻度 | 支持度が低いと、結果を信頼するにはデータが少なすぎる可能性がある |
| 確信度 | Aが購入された場合にBも購入される可能性 | 確信度が高いと、強い方向性のある関係を示唆する |
| リフト値 | ペアリングが偶然を上回るかどうか | リフト値が1に近いと、実際の関係性は存在しない |
バスケット分析とAI主導のコマース
ChatGPT ShoppingやPerplexity ShoppingなどのAIショッピングアシスタントは、買い物客が購入の比較や完了を支援する際に、「これには何が合うのか」という暗黙の質問に答えることが増えています。つまり、ブランド自身の検証済みバスケット分析結果は、正確なバンドルやレコメンデーションオファーを構築するための入力として活用でき、これらのアシスタントが買い物客に提示する内容に反映される可能性が高まります。AmICitedのeshop_get_product_bundlesツールは、ストアの実際の注文履歴に対してこの分析を直接実行し、支持度、リフト値、確信度でスコアリングされたペアリングを明らかにするため、商人は想定ではなく真に強い関係性に基づいて行動できます。目標がバンドルの構築、サイト上のクロスセル配置の改善、または単にカタログの実際の購買構造をより深く理解することのいずれであっても同様です。
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
バスケット分析のベストプラクティス
- ペアリングを信頼できるものとして扱う前に、最低限の支持度を要求する。低ボリュームのペアリングはノイズの影響を受けやすいため
- 確信度とともにリフト値を優先する。リフト値が1に近い場合、確信度が高くても有益な情報とはならないため
- バスケット分析を定期的に再実行する。購買パターンは季節性、プロモーション、カタログ変更に応じて変化するため
- 必要に応じて、顧客タイプやチャネルごとにバスケット分析をセグメント化する。新規顧客とリピート顧客では商品のペアリング方法が異なる可能性があるため
- プロモーションオファーだけでなく、バンドル、クロスセル配置、さらにはカテゴリページの構造にも結果を活用する
バスケット分析でよくある間違い
よくある間違いは、リフト値を確認せずに支持度だけで行動することです。これにより、実際には何の関係もない単に人気のある2つの商品間のペアリングが表面化する可能性があります。2つのベストセラーは、偶然だけで相当数の注文で同時に発生するため、リフト値はこれらの誤検出を除外するために不可欠です。もう一つの一般的な問題は、注文件数がごくわずかな新発売の商品など、あまりに小さなデータセットでバスケット分析を実行し、結果として得られたペアリングを実際にはサンプルサイズが小さいことによるアーティファクトに過ぎないのに信頼できるものとして扱うことです。結果を信頼する前に最低注文数のしきい値を設定することで、これを回避できます。また、一部の企業はバスケット分析の結果を古いまま放置し、カタログや顧客ベースが変化したにもかかわらず、もはや成立しないパターンに基づいて何年も前にバンドルやレコメンデーションを構築してしまいます。定期的に最新データで再実行することで、このズレを捉えることができます。すべての高リフト値のペアリングを同等に実行可能として扱うことも別の間違いです。なぜなら、低マージンでほとんど検索されない2つの商品間の強い統計的関係性は、数字がきれいに見えても、マーチャンダイジングを構築する価値がない可能性があるからです。バスケット分析の結果は、統計的有意性だけでなく、ビジネス上の価値とともに評価されるべきです。