課題：「売上を上げたい」
↓
分析：売上データを様々な角度で集計
↓
結果：「先月より売上が下がっています」
↓
問題：具体的な改善策が見えない

課題：「新規顧客の購入率が低い理由を特定し、改善策を立案したい」
↓
分析：新規顧客の行動データを詳細分析
↓
結果：「商品詳細ページでの離脱率が高い」
↓
改善：商品説明の充実化で購入率15%向上

売上低下の要因分析
├── 訪問者数の減少
│   ├── 新規訪問者の減少
│   │   ├── 広告効果の低下
│   │   ├── SEO順位の下落
│   │   └── 競合他社の台頭
│   └── リピート訪問者の減少
│       ├── メルマガ開封率の低下
│       ├── リターゲティング効果の低下
│       └── 顧客満足度の低下
├── コンバージョン率の低下
│   ├── 商品ページでの離脱
│   ├── カート放棄の増加
│   └── 決済プロセスでの離脱
└── 客単価の低下
├── 高単価商品の売上減少
├── クロスセル効果の低下
└── 割引キャンペーンの影響

# 課題構造化ワークシート
## 1. 最終目標の明確化
- 何を達成したいか？
- いつまでに達成したいか？
- 成功の定義は何か？
## 2. 現状の定量的把握
- 現在の数値は？
- 過去のトレンドは？
- 業界平均との比較は？
## 3. 要因の階層化
- 直接的要因は何か？
- 間接的要因は何か？
- 外部要因と内部要因の分類

# 仮説構築フレームワーク
class HypothesisFramework:
def __init__(self, business_problem):
self.problem = business_problem
self.hypotheses = []
def generate_hypotheses(self):
        """
        4C分析による仮説生成
        Customer, Company, Competitor, Context
        """
hypotheses = {
'customer': [
'顧客ニーズの変化',
'顧客行動パターンの変化',
'顧客満足度の低下'
],
'company': [
'サービス品質の低下',
'マーケティング効果の低下',
'オペレーション効率の低下'
],
'competitor': [
'競合他社の新サービス',
'価格競争の激化',
'市場シェアの変化'
],
'context': [
'市場環境の変化',
'技術トレンドの変化',
'規制環境の変化'
]
}
return hypotheses
def prioritize_hypotheses(self, hypotheses):
        """
        仮説の優先順位付け
        Impact（影響度） × Probability（確率）
        """
priority_matrix = []
for category, hyp_list in hypotheses.items():
for hyp in hyp_list:
# 実際のプロジェクトでは関係者へのヒアリングで評価
impact = self.assess_impact(hyp)
probability = self.assess_probability(hyp)
priority = impact * probability
priority_matrix.append({
'hypothesis': hyp,
'category': category,
'impact': impact,
'probability': probability,
'priority': priority
})
return sorted(priority_matrix, key=lambda x: x['priority'], reverse=True)

-- 仮説検証のためのデータ抽出例
-- 仮説：商品詳細ページでの離脱が多い
-- 1. ページ別離脱率の分析
WITH page_analytics AS (
    SELECT 
        page_url,
        COUNT(DISTINCT session_id) as total_sessions,
        COUNT(DISTINCT CASE WHEN is_bounce = 1 THEN session_id END) as bounce_sessions,
        AVG(time_on_page) as avg_time_on_page,
        COUNT(DISTINCT CASE WHEN converted = 1 THEN session_id END) as converted_sessions
    FROM web_analytics 
    WHERE date_range BETWEEN '2024-01-01' AND '2024-03-31'
    AND page_type = 'product_detail'
    GROUP BY page_url
),
conversion_metrics AS (
    SELECT 
        page_url,
        total_sessions,
        bounce_sessions,
        ROUND(bounce_sessions * 100.0 / total_sessions, 2) as bounce_rate,
        avg_time_on_page,
        converted_sessions,
        ROUND(converted_sessions * 100.0 / total_sessions, 2) as conversion_rate
    FROM page_analytics
)
SELECT * FROM conversion_metrics
ORDER BY bounce_rate DESC, conversion_rate ASC
LIMIT 20;

# データ品質確認項目
## 完全性（Completeness）
- [ ] 必要な期間のデータが揃っているか？
- [ ] 欠損値の割合は許容範囲内か？
- [ ] サンプルサイズは統計的に十分か？
## 正確性（Accuracy）
- [ ] データの定義は明確か？
- [ ] 異常値や外れ値は適切に処理されているか？
- [ ] データソース間の整合性は取れているか？
## 一貫性（Consistency）
- [ ] 時系列データに断絶はないか？
- [ ] カテゴリ分類は一貫しているか？
- [ ] 単位や形式は統一されているか？

import pandas as pd
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
import seaborn as sns
class BusinessAnalyzer:
def __init__(self, data):
self.data = data
def ab_test_analysis(self, control_group, test_group, metric):
        """
        A/Bテストの統計的有意性検定
        """
control_data = self.data[self.data['group'] == control_group][metric]
test_data = self.data[self.data['group'] == test_group][metric]
# 基本統計量
control_mean = control_data.mean()
test_mean = test_data.mean()
# t検定実行
t_stat, p_value = stats.ttest_ind(control_data, test_data)
# 効果サイズ（Cohen's d）
pooled_std = np.sqrt(((len(control_data) - 1) * control_data.var() + 
(len(test_data) - 1) * test_data.var()) / 
(len(control_data) + len(test_data) - 2))
cohens_d = (test_mean - control_mean) / pooled_std
# 信頼区間
se = pooled_std * np.sqrt(1/len(control_data) + 1/len(test_data))
ci_lower = (test_mean - control_mean) - 1.96 * se
ci_upper = (test_mean - control_mean) + 1.96 * se
results = {
'control_mean': control_mean,
'test_mean': test_mean,
'difference': test_mean - control_mean,
'relative_improvement': (test_mean - control_mean) / control_mean * 100,
'p_value': p_value,
'cohens_d': cohens_d,
'confidence_interval': (ci_lower, ci_upper),
'is_significant': p_value < 0.05,
'practical_significance': abs(cohens_d) > 0.2
}
return results
def cohort_analysis(self, user_id_col, date_col, revenue_col):
        """
        コホート分析による顧客行動の理解
        """
# 初回購入月でコホートを定義
first_purchase = self.data.groupby(user_id_col)[date_col].min().reset_index()
first_purchase['cohort_month'] = first_purchase[date_col].dt.to_period('M')
# データにコホート情報を結合
df_cohort = self.data.merge(first_purchase[[user_id_col, 'cohort_month']], on=user_id_col)
df_cohort['period_number'] = (df_cohort[date_col].dt.to_period('M') - df_cohort['cohort_month']).apply(attrgetter('n'))
# コホートテーブル作成
cohort_table = df_cohort.groupby(['cohort_month', 'period_number'])[user_id_col].nunique().reset_index()
cohort_table = cohort_table.pivot(index='cohort_month', columns='period_number', values=user_id_col)
# リテンション率計算
cohort_sizes = first_purchase.groupby('cohort_month')[user_id_col].nunique()
retention_table = cohort_table.divide(cohort_sizes, axis=0)
return retention_table

# 施策提案テンプレート
## 1. 現状分析サマリー
- 発見した課題：商品詳細ページの離脱率が業界平均より30%高い
- 定量的インパクト：月間機会損失 500万円
- 根本原因：商品情報の不足、レビューの少なさ
## 2. 提案施策
### 施策A：商品情報の充実化
- 内容：商品画像を3枚→8枚に増加、動画説明を追加
- 期待効果：離脱率20%改善、コンバージョン率0.3%向上
- 実装コスト：200万円
- 実装期間：2ヶ月
### 施策B：レビューシステムの改善
- 内容：購入者レビューの促進、写真付きレビューの優遇
- 期待効果：レビュー数2倍、購入率15%向上
- 実装コスト：100万円
- 実装期間：1ヶ月
## 3. 優先順位と実装計画
1. 施策B（ROI: 300%、実装容易）
2. 施策A（ROI: 250%、効果大）
## 4. 効果測定計画
- KPI：コンバージョン率、離脱率、売上
- 測定期間：実装後3ヶ月
- 測定方法：A/Bテスト

新規顧客購入率低下の要因
├── 集客の質の問題
│   ├── 広告ターゲティングの精度
│   ├── 流入キーワードの関連性
│   └── 流入チャネルの特性
├── サイト体験の問題
│   ├── ファーストビューの訴求力
│   ├── 商品発見のしやすさ
│   ├── 商品詳細の充実度
│   └── 購入プロセスの簡便性
└── 信頼性の問題
├── ブランド認知度
├── 口コミ・レビュー
└── セキュリティ表示

# 実際の分析コード例
import pandas as pd
import matplotlib.pyplot as plt
# データ読み込み
df = pd.read_csv('ecommerce_analytics.csv')
# 商品詳細ページの分析
product_analysis = df[df['page_type'] == 'product_detail'].groupby('product_id').agg({
'session_id': 'count',
'bounce': 'sum',
'time_on_page': 'mean',
'add_to_cart': 'sum',
'purchase': 'sum'
}).reset_index()
# 離脱率計算
product_analysis['bounce_rate'] = product_analysis['bounce'] / product_analysis['session_id'] * 100
product_analysis['conversion_rate'] = product_analysis['purchase'] / product_analysis['session_id'] * 100
# 高離脱率商品の特定
high_bounce_products = product_analysis[product_analysis['bounce_rate'] > 70]
print(f"高離脱率商品数: {len(high_bounce_products)}")
print(f"平均離脱率: {high_bounce_products['bounce_rate'].mean():.1f}%")

# ROI計算
implementation_cost = 3000000  # 300万円
monthly_revenue_increase = 10000000  # 月1,000万円増
annual_revenue_increase = monthly_revenue_increase * 12
roi = (annual_revenue_increase - implementation_cost) / implementation_cost * 100
payback_period = implementation_cost / monthly_revenue_increase
print(f"年間売上増加: {annual_revenue_increase:,}円")
print(f"ROI: {roi:.1f}%")
print(f"投資回収期間: {payback_period:.1f}ヶ月")

# 週次練習課題
## Week 1-2: 課題構造化
- 身近なビジネス課題をIssue Treeで分解
- MECEの原則を意識した要因分析
## Week 3-4: 仮説構築
- 4C分析による仮説生成
- 仮説の優先順位付け練習
## Week 5-8: データ解釈
- 公開データセットを使った基本分析
- グラフの読み方・作り方

# 因果関係の検証方法
def causal_analysis_checklist():
checklist = [
"時間的前後関係は明確か？（原因が結果より先に発生）",
"第三の変数（交絡因子）は考慮されているか？",
"逆の因果関係の可能性は検討したか？",
"実験的検証は可能か？（A/Bテストなど）",
"理論的な説明は可能か？"
]
return checklist

import math
def calculate_sample_size(effect_size, alpha=0.05, power=0.8):
    """
    必要サンプルサイズの計算
    """
from scipy import stats
z_alpha = stats.norm.ppf(1 - alpha/2)
z_beta = stats.norm.ppf(power)
n = 2 * ((z_alpha + z_beta) / effect_size) ** 2
return math.ceil(n)
# 例：効果サイズ0.2を検出するのに必要なサンプルサイズ
required_n = calculate_sample_size(0.2)
print(f"必要サンプルサイズ: {required_n}")

from statsmodels.stats.multitest import multipletests
def multiple_testing_correction(p_values, method='bonferroni'):
    """
    多重検定の補正
    """
rejected, p_corrected, alpha_sidak, alpha_bonf = multipletests(
p_values, alpha=0.05, method=method
)
return {
'original_p_values': p_values,
'corrected_p_values': p_corrected,
'significant_after_correction': rejected
}