店舗システム

この章で覚えておきたいこと

• POS は販売時点の情報を記録する仕組みであり、売上集計、在庫管理、伝票処理の合理化、売れ筋把握の出発点になります。
• ID-POS は POS に顧客 ID を結び付けたデータであり、顧客ごとの購買金額、購買頻度、来店間隔、購買商品の傾向を分析できます。
• RFM分析 は顧客分析、アソシエーション分析 は商品同士の併買分析です。目的が違うので入れ替えないことが重要です。
• アソシエーション分析では、支持度 は全体を分母にし、信頼度 は前件を含む件数を分母にし、リフト値 は独立な購買と比べて併買が強いかを見ます。
• 3商品以上の表では、AとBの同時購買件数に A・Bのみ だけでなく A・B・Cすべて の行も含めます。
• PI値 は販売点数または販売金額をレシート枚数またはレジ通過人数で割った指標であり、店舗規模の違いをならして比較するときに使います。
• 相関係数は、正なら右上がり、負なら右下がり、0に近ければばらつきが大きい と読みます。
• 基本統計量では 標準偏差の2乗が分散 です。尺度水準では、顧客 ID は名義尺度、年は間隔尺度、購買金額は比例尺度です。

基本知識

POSとID-POSの役割

POS は Point of Sales の略で、販売時点情報管理のことです。レジで商品コードを読み取り、商品、数量、価格、売上時刻、担当者などをその場で記録します。ここで大事なのは、POS は「何が、いつ、どれだけ売れたか」を正確に記録する仕組みだという点です。

POS の基本的な効果は、次のように整理します。

• 売上集計を速く正確に行える。
• 商品ごとの販売数量や売上金額を把握できる。
• 在庫補充や発注判断の基礎データになる。
• 伝票処理を合理化できる。
• レジ処理の標準化や不正抑止に役立つ。

試験では、POS の直接効果と、POS データ活用の結果として実現する施策を混同させる選択肢がよく出ます。顧客囲い込みや高度な CRM は、ID-POS や会員制度まで含めた活用施策であり、POS 単体の直接効果とは切り分けて判断します。

ID-POS は、POS データに会員 ID や顧客 ID を結び付けたものです。POS が商品中心のデータであるのに対し、ID-POS は顧客中心の分析ができるようになります。つまり、「誰が、いつ、何を、いくら買ったか」を追える点が本質です。

ID-POS で把握しやすい内容は、次のとおりです。

• 顧客ごとの購買金額
• 顧客ごとの購買頻度
• 最終購買日や来店間隔
• よく買う商品カテゴリ
• クーポンや販促への反応
• 離反しそうな顧客の兆候

CRM、FSP、RFM分析の使い分け

CRM は Customer Relationship Management の略で、顧客との関係を長期的に維持し、強化する考え方です。単に売上を集計するのではなく、顧客ごとに適した販促や情報提供を行い、再来店や継続購買につなげる発想だと押さえます。

FSP は Frequent Shoppers Program の略で、会員カード、ポイント、優待、限定クーポンなどを通じて優良顧客を育成する仕組みです。FSP は CRM と無関係なのではなく、CRM を実務で回すための代表的な施策のひとつです。

RFM分析は、顧客を次の3つの軸で評価する手法です。

• R: Recency
  最終購買の近さです。最近買っているほど高く評価します。
• F: Frequency
  一定期間内の購買回数です。頻繁に買っているほど高く評価します。
• M: Monetary
  一定期間内の購買金額です。金額が大きいほど高く評価します。

RFM分析の目的は、顧客を優良顧客、育成対象、離反予備軍などに分類し、対応の優先順位を決めることです。したがって、ロイヤルカスタマーの定義では、年齢や性別だけを見るのではなく、まず購買行動を見るのが基本になります。

ここでのひっかけは、F の意味です。通常の F は購買頻度ですが、問題文によっては「平均来店購買間隔」と読み替えさせる場合があります。このときは、数値が小さいほど頻繁に来店していると判断します。略語だけで機械的に処理せず、問題文の定義を確認してください。

アソシエーション分析の3指標

アソシエーション分析は、商品同士の併買関係を調べる分析です。マーケットバスケット分析とも呼ばれます。RFM分析が顧客を見るのに対し、アソシエーション分析は商品間の関係を見るので、ここを入れ替えないことが重要です。

主な用途は次のとおりです。

• クロスセル対象商品の発見
• 関連陳列や棚割りの見直し
• セット販売の企画
• クーポン配信の対象選定
• 商品推薦の精度向上

試験で最重要なのは、支持度、信頼度、リフト値の定義です。

支持度

支持度は、対象の商品や組み合わせが全体の中でどれだけ出現したかを示します。

• 商品 A の支持度
  A を含む件数 ÷ 全件数
• 商品 A と商品 B の併買支持度
  A と B を同時に含む件数 ÷ 全件数

支持度の分母は 全体件数 です。ここを前件の購入件数にしてしまうと信頼度になります。

信頼度

信頼度は、前件の商品を買った人のうち、後件の商品も買った割合です。

• A から見た B の信頼度
  A と B を同時に含む件数 ÷ A を含む件数

信頼度は向きを持ちます。A から見た B と、B から見た A は分母が違うので、同じ値になるとは限りません。

リフト値

リフト値は、A と B が独立に買われる場合と比べて、実際の併買がどれだけ強いかを見る指標です。

• リフト値
  A と B の併買支持度 ÷ （A の支持度 × B の支持度）

リフト値の読み方は次のように整理します。

• 1より大きい
  独立な場合より併買されやすいです。
• 1
  独立に近いです。
• 1より小さい
  独立な場合より併買されにくいです。

信頼度は条件付き割合、リフト値は独立性との比較です。この違いを押さえると、リフト値を単なる信頼度と混同しにくくなります。

アソシエーション分析の計算手順

計算問題では、式を思い出す前に件数整理をするのが安全です。次の順序で処理します。

1. 全件数を確認します。
   レシート枚数なのか、顧客数なのかを先に確定します。
2. A を含む件数を出します。
   A のみ、A・B、A・C、A・B・C など、A が入る行をすべて足します。
3. B を含む件数を出します。
4. A と B を同時に含む件数を出します。
   A・Bのみ だけでなく、A・B・Cすべて のように A と B を両方含む行も入れます。
5. 支持度を計算します。
6. 信頼度を計算します。
7. リフト値を計算します。
8. 最後に、リフト値が 1 より大きいか小さいかで意味を読みます。

たとえば、全体 6,000 件、A を含む件数 3,000 件、B を含む件数 3,000 件、A と B を同時に含む件数 1,800 件なら、次のようになります。

• A の支持度は 3,000 ÷ 6,000 = 1/2
• B の支持度も 1/2
• A と B の併買支持度は 1,800 ÷ 6,000 = 3/10
• A から見た B の信頼度は 1,800 ÷ 3,000 = 3/5
• リフト値は (3/10) ÷ (1/2 × 1/2) = 6/5

このとき、リフト値が 1 より大きいので、A と B は独立に買われる場合より併買されやすいと判断します。

また、試験ではジャッカード係数が出ることもあります。ジャッカード係数は、2商品の重なりを和集合で割った指標です。

• ジャッカード係数
  A と B を同時に含む件数 ÷ （A を含む件数 + B を含む件数 - A と B を同時に含む件数）

支持度、信頼度、ジャッカード係数、リフト値は、すべて分母が違います。分子が同じでも値は変わるので、分母から確認する癖を付けてください。

POSデータの読み取りと周辺指標

POS や ID-POS の問題では、単純な用語暗記だけでなく、数値や図表の読み取りもよく問われます。代表的なものをまとめて押さえます。

PI値

PI値は、販売点数または販売金額を レシート枚数またはレジ通過人数 で割った指標です。来店規模が異なる店舗同士でも比較しやすくするための調整指標だと理解してください。

相関係数と散布図

相関係数は、2つの変数の関係の方向と強さを表します。

• 正の相関
  右上がりの散布図になります。
• 負の相関
  右下がりの散布図になります。
• 0に近い
  点がばらつき、はっきりした傾きが出にくくなります。

相関係数は因果関係を示すものではありません。まず符号、次に絶対値の大きさを見て判断します。

基本統計量

ID-POS の集計では、平均値、中央値、最頻値、分散、標準偏差、最小値、最大値が出題されます。特に重要なのは次の関係です。

• 標準偏差の2乗 = 分散

最大値や最小値、中央値、最頻値の間に常に成り立つ単純な式はありません。定義そのものから判断するのが基本です。

尺度水準

顧客データの問題では、データ項目の尺度水準も問われます。代表例を整理すると次のようになります。

• 顧客 ID
  個体識別のラベルなので 名義尺度
• 年
  差に意味はあるが比に意味はないので 間隔尺度
• 性別
  区別のみなので 名義尺度
• 購買金額
  0 に意味があり比も扱えるので 比例尺度

尺度水準は、どの統計手法が使えるかを考える基礎になります。数字で書かれていても、ID は計算用の量ではない点に注意してください。

この章のまとめ

• POS は販売時点情報の記録、ID-POS は顧客 ID を結び付けた購買行動分析の基盤です。
• CRM は顧客関係全体の考え方、FSP は優良顧客育成の施策、RFM分析は顧客評価の手法です。
• アソシエーション分析は商品同士の併買を見る分析であり、顧客分析である RFM分析とは役割が違います。
• 支持度は 全体件数、信頼度は 前件を含む件数 が分母です。ここが最大のひっかけです。
• リフト値は併買支持度を各商品の支持度の積で割って求め、1 より大きければ正の関連と読みます。
• 3商品以上の表では、同時購買件数に「すべて購入」の行を含めるかを必ず確認します。
• PI値は販売実績をレシート枚数またはレジ通過人数で割る指標です。
• 相関係数は符号で方向、絶対値で強さを読み、標準偏差の2乗が分散 であることを押さえます。
• ロイヤルカスタマーの定義は、属性よりも購買行動データを優先して考えるのが基本です。

一次試験過去問での出方

2011年 第39問では POS 導入の直接効果が問われ、販売記録の正確化や伝票処理の合理化と、顧客囲い込み施策を切り分ける必要がありました。

2019年 第39問、2021年 第39問、2023年 第40問、2024年 第43問では、CRM、FSP、RFM分析、ロイヤルカスタマー定義が繰り返し問われています。

2022年 第39問、2023年 第38問、2025年 第40問では、支持度、信頼度、ジャッカード係数、リフト値の計算問題が出題され、分母の違いと同時購買件数の拾い方が重要でした。

2022年 第40問では相関係数と散布図の対応、2023年 第38問では基本統計量、2019年 第43問では尺度水準が問われ、POS・ID-POS 分野でも図表と数値の読み取り力が要求されています。

2019年 第40問では PI値、2023年 第38問では 標準偏差の2乗が分散 という基本関係が出ており、顧客分析まわりの基礎統計も得点源になっています。