マーケットバスケット分析
マーケットバスケット分析とは、顧客が一緒に購入する傾向にある商品を調査するデータマイニング手法であり、「Xを買ったお客様はYも購入しています」といったパターンを明らかにします。小売業者はこれを活用して、推測ではなく実際の共同購入行動に基づいた商品配置、バンドル、クロスセルレコメンデーション、プロモーション戦略を立案します。
マーケットバスケット分析の定義
マーケットバスケット分析とは、同じトランザクション内で顧客が一緒に購入する商品のパターンを特定するデータマイニング手法です。その名称は元々の小売での応用に由来しており、文字通り買い物かごの中身を分析してどのアイテムが一緒に出現する傾向があるかを調べます。この手法は、「顧客が商品Aを購入した場合、商品Bも購入する可能性が高い」という形式のアソシエーションルールを生成し、これはマーチャンダイザーが妥当だと考えるカテゴリ分類や仮定に頼るのではなく、過去の注文データをマイニングすることによって行われます。特にeコマースにおいて、マーケットバスケット分析は、どの商品が互いに補完し合うかについての推測を、実際の顧客行動から直接得られた証拠に置き換えるため、商品レコメンデーションエンジン、バンドル設計、プロモーション計画の基礎的なインプットとなっています。
マーケットバスケット分析の仕組み
マーケットバスケット分析は、3つの主要な統計指標に依存しています。サポートは、アイテムの組み合わせが全トランザクションにどの程度の頻度で出現するかを測定します。10,000件の注文のうち500件にスマホケースと画面保護フィルムの両方が含まれている場合、そのペアのサポートは5％です。コンフィデンスは、商品Aを購入した顧客が商品Bも購入する条件付き確率を測定します。スマホケースを購入した人の60％が画面保護フィルムも購入した場合、そのルールのコンフィデンスは60％です。リフトは、そのコンフィデンスを2つの購入が無関係だった場合に期待される値と比較します。リフト値が1を超えると、そのペアリングが偶然の予測よりも頻繁に発生していることを意味し、リフトが1に近い場合は、アイテムに関連性がなく、単に個別に人気があることを示唆します。
実際の例を挙げましょう。ある家庭用品店が四半期に8,000件の注文を処理したとします。スタンドミキサーはそのうち400件に、ミキシングボウルセットは900件に含まれています。150件の注文に両方が含まれている場合、そのペアのサポートは約1.9％です。スタンドミキサーの購入にミキシングボウルセットが含まれるコンフィデンスは、150÷400＝37.5％です。一方、ミキシングボウルセットの全体的な購入率は約11％であるため、リフトは1を大幅に超え、真の関連性が確認され、バンドルや「よく一緒に購入されている」配置として活用する価値があることがわかります。
マーケットバスケット分析がeコマースブランドにとって重要な理由
マーケットバスケット分析がなければ、バンドル、クロスセル、商品配置に関するマーチャンダイジングの決定は直感に頼ることになり、明らかなカテゴリ関係に当てはまらない非自明なペアリングを見逃すことがよくあります。たとえば、キャンプ用品店では、テントを購入する顧客が特定ブランドの虫よけスプレーも不釣り合いに購入していることを発見するかもしれませんが、これはカテゴリマネージャーがデータなしでは推測できそうにない関連性です。
実際の関連性に基づいて行動することは、カテゴリの類似性のみに基づく汎用的な「あなたへのおすすめ」ウィジェットよりも、平均注文額をより確実に引き上げる傾向があります。なぜなら、レコメンデーションが分類上の一致ではなく実際の購買行動を反映するからです。マーケットバスケット分析は、プロモーション費用の無駄を避けるのにも役立ちます。すでにほとんどの場合一緒に購入されている2つの商品を値引きしても、バスケットサイズは拡大せず、そもそも発生したであろう購入のマージンを減らすだけです。一方、リフトは高いが現在のサポートが低いペアリングを値引きすることで、未活用の関連性を新たな増分収益に変換できます。
マーケットバスケット分析の指標早見表
| 指標 | 測定内容 | 読み方 |
|---|---|---|
| サポート | アイテムの組み合わせが全体的に出現する頻度 | サポートが低くてもリフトが高ければ、テストする価値のある隠れた逸品である可能性がある |
| コンフィデンス | Aが購入された場合にBも購入される確率 | コンフィデンスが高いほど、「よく一緒に購入されている」の有力な候补となる |
| リフト | ペアリングが偶然よりもどれだけ発生しやすいか | リフトが1を超えると偶然ではなく真の関連性を示す |
| コンビクション | Bが存在しないことがAの不存在にどの程度依存しているか | ほぼ必須のアドオン購入を特定するのに有用 |
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
AI主導のコマースにおけるマーケットバスケット分析
ChatGPT ShoppingやPerplexity ShoppingのようなAIショッピングアシスタントが、1つのクエリに対して複数アイテムの購入提案を生成するようになるにつれて、マーケットバスケット分析の基本的なロジックが新しい層で適用されています。キャンプ旅行のクエリに対して「テント、寝袋、虫よけスプレー」を推奨するAIアシスタントは、実質的に、小売業者が何十年も自社の注文データで行ってきたのと同じアソシエーションルール推論をリアルタイムで実行しています。自社の最も強い商品関連性を理解しているブランドは、AIシステムが任意または不完全なセットではなく適切な組み合わせを提示するように、商品リスト、バンドル、コンテンツを構造化する上で有利な立場にあります。運用面では、AmICitedのeshop_get_product_bundlesツールは、ストア自身の注文履歴に対するマーケットバスケット分析の直接的な実装です。トランザクションデータを処理して統計的に意味のある商品ペアやグループを明らかにし、マーチャントが推測ではなく実際の共同購入の証拠に裏付けられたバンドルを確認し、そのシグナルをオンサイトのマーチャンダイジングとAI主導のディスカバリー向けの商品説明の両方に活用できるようにします。
マーケットバスケット分析のベストプラクティス
- 注文量に適した最小サポートしきい値を設定する。1日数千件の注文があるストアは稀なペアリングも検討できるが、小規模なストアはノイズを避けるためにより高いサポートの関係性に焦点を当てるべきである。
- コンフィデンスまたはリフトのいずれか単独ではなく、両方を組み合わせて使用する。リフトが1に近い高コンフィデンスのルールは、実際の関係性ではなく、単に2つの一般的に人気のある商品を反映している可能性がある。
- 商品構成や顧客行動は季節性、新製品の発売、廃止されたSKUによって変化するため、定期的に分析を再実行する。
- ボリュームが許せば、顧客タイプ別に分析をセグメント化する。初回購入者とリピーターでは、異なる共同購入パターンを示すことが多いためである。
- 分析を誰も行動に移さないレポートで終わらせず、具体的なバンドルやクロスセル配置といった具体的なアクションに落とし込む。
マーケットバスケット分析でよくある間違い
よくある間違いは、サポート、コンフィデンス、リフトを互換可能なものとして扱うことです。それぞれが異なる質問に答えるものであり、コンフィデンスだけに頼ると、単に両方とも人気のある商品であるだけで真に関連しているわけではないペアが浮かび上がり、実際には平均注文額を動かさないバンドルにつながる可能性があります。もう1つの一般的な問題は、特に注文量が限られているストアにおいて、小さすぎるデータサンプルで分析を実行することです。これにより、統計的に不安定な関連性が生成され、ある月は強く見えても翌月には消えてしまいます。10件の注文に基づくルールは、1,000件に基づくものよりもはるかに信頼性が低くなります。また、一部のマーチャントは、本当のパターンがカテゴリレベルである場合に、SKUレベルで発見事項をあまりにも文字通りに適用し、一般化可能な関係性ではなく正確な繰り返しのペアリングを探すことで、より広範なバンドル機会を逃しています。季節性を無視することもよくあります。ホリデーシーズン中に強く見えたペアリングが年間を通じては当てはまらない可能性があり、それを恒久的なバンドルとして扱うと、その期間外では期待された付加率を下回る可能性があります。最後に、多くのストアは分析を一度実行して二度と見直さず、カタログの変化に伴って出現する新しい関連性を見逃しており、バンドルやクロスセルのロジックが実際の現在の顧客行動から徐々に乖離していくことになります。