クラスター分析とは?
新型コロナで有名になった「クラスター」ですが、クラスターの本来の意味は「グループ」や「集団」などを表す言葉です。そして、データを特性に応じていくつかのクラスターに分け、分析するのがクラスター分析です。分類基準が曖昧な対象を分類するときによく用いられます。
2種類のクラスター分析と使い分け
クラスター分析には「階層クラスター」と「非階層クラスター」があります。ここでは、それぞれの分析方法や使い方について解説します。
階層クラスター
階層クラスターとは、デンドログラムと呼ばれる階層構造で類似のクラスターを表す方法です。デンドログラムを見ると、一目で類似のクラスターが分かるのが特徴です。
下に階層クラスター分析の代表的な方法を掲載します。
| 分析方法 | 内容 |
|---|---|
| ウォード法 | クラスターの結びつきが最も小さな値となるように平方和を算出する。精度が高い。 |
| 最短距離法 (最近隣法) |
最も近いデータで距離を計算し、クラスターの距離とする。 |
| 最長距離法 (最遠隣法) |
最も遠いデータで距離を計算し、クラスターの距離とする。 |
| 重心法 | クラスター間の重心の距離でクラスターの類似度を測る。データ数を重みとして用いる。 |
| 群平均法 | 最短距離法と最長距離法を折衷した方法。2つのクラスターから1つずつデータを取り出して距離を求め、それらの距離の平均値をクラスターの距離とする。 |
| メディアン法 | 重心法の変形。クラスター間の重心の距離を求める際、重みが等しいものとして計算する。 |
非階層クラスター
非階層クラスターとはクラスター数や初期値をあらかじめ決めておき、対象データを分類する手法です。代表的手法には以下の方法があります。
| 分析方法 | 内容 |
|---|---|
| k-means法 (k平均法) |
クラスターの数を初期値として最初に決め、データを一旦分ける。その後、それぞれのクラスターの重心の距離が最も大きくなるように繰り返して分ける。 |
| 超体積法 | 点集合を凸多面体とみなし、体積が最小になるように分割する。 |
クラスター分析のメリット
クラスター分析をマーケティング業務に取り入れることで、実務においてさまざまな恩恵を受けることができます。ここでは、代表的なメリットを大きく3つの視点から整理して解説します。
新たな顧客層(セグメント)を発見できる
最大のメリットは、これまで企業側が認識していなかった新しい顧客層を発見できることです。従来のマーケティングでは、担当者の経験や業界の常識に基づいた思い込みでターゲットを設定してしまうことがよくあります。
クラスター分析はデータ間の客観的な距離(似ている度合い)に基づいてグループを作るため、人間の先入観を排除できます。「実はこの商品、想定していた若年層だけでなく、特定の趣味を持つ中高年層にも支持されていた」といった、意外な事実がデータから浮かび上がります。このように、競合他社がまだ気づいていない独自の市場セグメントを見つけ出すことは、ビジネスにおいて大きな競争優位性を生み出します。
各顧客層に合わせたアプローチが可能になる
顧客を複数のグループに分類できれば、それぞれのグループに最適化されたアプローチを展開できるようになります。ターゲットの顔が鮮明になることで、どのようなメッセージが刺さるのか、どのチャネルで伝えるべきかが明確になるためです。
例えば、価格に敏感でセール時のみ購入するグループには、LINEで限定クーポンを配信する手法が有効です。一方で、ブランドのストーリーや品質に価値を感じて定期的に購入するグループには、商品の開発背景を綴った丁寧なメールマガジンを送る方が喜ばれます。このように、メッセージと顧客のニーズを精密にマッチングさせることで、顧客体験の向上と売上の最大化を同時に達成できます。
データに基づいた意思決定ができる
マーケティング施策の企画会議において、担当者間の意見対立を解消し、データに基づいた合理的な意思決定を促進できることも重要なメリットです。ターゲットの選定や予算配分を決める際、「なんとなくこちらの層が良いと思う」といった主観的な議論は時間がかかるうえに精度も安定しません。
クラスター分析の結果という客観的な根拠があれば、「データが示すこの高収益クラスターに予算を集中投下しよう」といった具合に、誰もが納得しやすい論理的な判断が可能になります。チーム全体の目線が揃いやすくなり、施策の実行スピードが上がることも、データドリブンな組織づくりにおいて大きなプラスとなります。
| 比較項目 | クラスター分析導入前(従来の経験則) | クラスター分析導入後(データ駆動) |
|---|---|---|
| セグメントの発見 | 担当者の思い込みや既存の枠組みに依存しがち | データに基づいた新しい顧客層の発見が可能 |
| 顧客へのアプローチ | 全体に向けた画一的なメッセージになりやすい | クラスターごとの特性に合わせた個別最適化が実現 |
| チームの意思決定 | 個人の勘や声の大きい人の意見に左右されやすい | 客観的なデータに基づく迅速かつ合理的な合意形成が可能 |
クラスター分析の具体例
クラスター分析が実際のビジネス現場でどのように使われているのか、具体的なシチュエーションをイメージすることが大切です。ここでは、「メリット」で解説した効果が、実務においてどのようなデータと組み合わされて成果に繋がっているのか、3つの具体的なシーンから解説します。
ECサイトにおける購買履歴を活用した販促の最適化
ECサイトの運営において、膨大な購買データをただ眺めているだけでは、効果的なプロモーションは打てません。そこで、顧客の「最終購入日」「購入頻度」「累計購入金額」という3つの軸(RFM分析の指標)を掛け合わせてクラスター分析を実施するケースがよく見られます。
この分析により、例えば「購入単価は低いが毎週アクセスして細かく買う層」や「半年に一度しか来ないが高額商品をまとめ買いする層」といった具体的なグループが浮かび上がります。前者のグループには「毎日使えるポイントの付与」を案内し、後者のグループには「ボーナス時期に合わせた高級品の先行予約」を案内するといった具合です。単なる「優良顧客」というひとくくりではなく、購買行動の癖に合わせた具体的な施策の出し分けが可能になります。
多店舗展開する小売業での店舗・商圏の特性分類
全国にチェーン展開するような小売業や飲食店では、顧客だけでなく「店舗そのもの」を対象としたクラスター分析が非常に有効です。各店舗の立地環境や売上構造は全く異なるため、全店一律の品揃えやキャンペーンでは効率が悪くなってしまうからです。
具体的には、各店舗の「売上規模」「駅からの徒歩分数」「周辺の競合店数」「駐車場の有無」といった環境データを用いて分析にかけます。すると、「郊外にある週末型ファミリー向け店舗」や「都心のビジネス街にある平日ランチ特化型店舗」といった、環境的特徴が似た店舗群に分類されます。この結果をもとに、週末型の店舗群には家族向けの大容量パックを厚く陳列し、平日特化型の店舗群にはお弁当の品揃えを増やすといった、店舗グループごとの効率的な経営戦略を描くことができます。
新商品開発に向けたアンケートからのペルソナ作成
新しい商品を開発する際、どのような人をターゲットにすべきかを決める場面でもクラスター分析は活躍します。ターゲット像が定まっていない初期段階で、消費者の潜在的なニーズを客観的なデータから探り出すためです。
例えば、既存市場のユーザー数千人に対して、ライフスタイルや商品に求める価値観に関するアンケート調査を実施します。その回答結果を分析にかけることで、「価格よりも環境への配慮を重視する層」や「とにかく時短と便利さを求める層」といった、特定の価値観を共有するグループを抽出できます。ここから最も自社の強みが活かせそうなグループを選び出し、そのグループの特徴を深掘りして「20代後半で仕事と育児を両立し、時短を最優先する女性」といった具体的なペルソナ(架空の顧客像)を作り上げることで、商品コンセプトがより強固なものになります。
| 具体的な活用シーン | 分析にかける主な変数(データ) | 抽出されるクラスター(グループ)の例 |
|---|---|---|
| ECサイトの販促最適化 | 最終購入日、購入頻度、累計購入金額 | 頻回・低単価な日常使い層、希少・高単価なまとめ買い層 |
| 小売業の店舗・商圏分類 | 売上規模、駅からの距離、競合店数、駐車場有無 | 郊外の週末ファミリー特化店、都心の平日ビジネス特化店 |
| 新商品のペルソナ作成 | アンケートによる生活価値観、重視する機能 | 環境・品質重視のこだわり層、タイパ・利便性重視の時短層 |
クラスター分析するときの手順
クラスター分析で有益な結果を得るためには事前準備が大切です。ここでは事前準備に必要な4つの手順を紹介します。
分析する目的を確認する
最初に行うのは「分析する目的を確認する」ことです。なぜなら、目的が曖昧だと適切なクラスター分析手法や解析結果を得られない可能性が高いから、クラスター分析手法を選ぶことができず、期待した結果が得られないからです。
例えば、メールマガジンを配信するにあたり、対象となるターゲットを絞りこむためにクラスター分析を行うことになったとしましょう。このとき、「分析の対象は何か?」、「どのような分析結果を得たいのか?」、「分析結果をどのように活用したいのか?」など目的を明確にします。例えば、「顧客育成のためにターゲットとなる対象を明確にしたい」、「顧客の興味がありそうなテーマを配信したい」などです。
配信にあたり、年齢や性別などの一般的な顧客属性に加え、顧客の関心あるテーマの選定が重要です。このため、購買傾向などは重要な要素のため、分析の対象となります。
このように、分析の目的を明確にすることでクラスター分析の対象を明確にできます。
関連記事:データマーケティングとは? 目的や手法・企業事例を紹介
目的を達成できる分析方法を選ぶ
目的が明確になったら、次に必要なのは「目的を達成できる分析方法を選ぶ」ことです。なぜなら、2つの分析手法は全く性質が異なり、分析の目的や対象によって分析手法の選択が変わるからです。このため、目的や分析対象に応じて手法を採用しないと適切な分析結果を得ることができません。
階層クラスターは結果を可視化しやすいというメリットがある一方で、ビッグデータなどの多数のデータの分析には向いていません。一方、非階層クラスターはビッグデータなどの分析でも安定した結果を得ることができるが、あらかじめ初期設定を決めておく必要があります。このため、初期設定が重要となります。
データの数が比較的少なく、分類しやすい対象であれば階層クラスターを、ビッグデータの分析であれば非階層クラスターを選択することになります。
関連記事:データ分析とは? 4つの種類や目的、5つのステップでプロセスをご紹介
類似度の算出方法を決める
分析方法が決まったら、次に決めないといけないのは「類似度の算出方法」です。
クラスター分析は分析対象のデータを類似のものに分類し、集計する手法ですが、そもそも似ているかどうかをどのように判断するのでしょうか?類似かどうかを判断する基準となるのが「距離」です。つまり、距離が近ければ近いほど「似ている」と判断できます。
先に紹介した通り、階層クラスターでは下記の通り、それぞれ距離の算出の方法が異なります。
| 分析方法 | 内容 |
|---|---|
| ウォード法 | クラスターの結びつきが最も小さな値となるように平方和を算出する。精度が高い。 |
| 最短距離法 (最近隣法) |
最も近いデータで距離を計算し、クラスターの距離とする。 |
| 最長距離法 (最遠隣法) |
最も遠いデータで距離を計算し、クラスターの距離とする。 |
| 重心法 | クラスター間の重心の距離でクラスターの類似度を測る。データ数を重みとして用いる。 |
| 群平均法 | 最短距離法と最長距離法を折衷した方法。2つのクラスターから1つずつデータを取り出して距離を求め、それらの距離の平均値をクラスターの距離とする。 |
| メディアン法 | 重心法の変形。クラスター間の重心の距離を求める際、重みが等しいものとして計算する。 |
一方、非階層クラスターの代表的手法には以下の方法があります。
| 分析方法 | 内容 |
|---|---|
| k-means法 (k平均法) |
クラスターの数を初期値として最初に決め、データを一旦分ける。その後、それぞれのクラスターの重心の距離が最も大きくなるように繰り返して分ける。 |
| 超体積法 | 点集合を凸多面体とみなし、体積が最小になるように分割する。 |
距離を算出するにあたって重要なのは「バランス」です。一般的に、「ウォード法」や「k平均法(k-means法)」はバランスを取りやすく、問題が生じにくい手法として知られています。
クラスターの形成方法を決める
最後に必要なのは「クラスターの形成方法を決める」ことです。なぜなら、どの方法を選択するかによって、クラスターが形成される順番やバランスが異なるからです。分析結果の活用目的や得たい結果に応じてクラスターの形成方法を決定します。そして、これまで述べた4つの事項を決めたらクラスター分析を実施します。
しかしながら、クラスター分析の結果は「データを分類した結果」にすぎません。活用するためには、分析結果を適切に考察することが必要です。考察結果が適切でなければ、分析に費やした労力も徒労に終わってしまいます。
例えば、スイーツのマーケティング活動で購買傾向を分析したとしましょう。そして、「甘さ控えめ志向」、「適度な甘さ志向」、「ガッツリ甘いもの志向」というクラスターが形成されたとします。しかし、本来であれば「適度な甘さ志向」と解釈すべきところを「ガッツリ甘いもの志向」と解釈すると、その後のマーケティング活動の施策も異なるものとなります。
クラスター分析の結果を次のアクションに活かすためにも、分類した結果を適切に捉えることが大切です。 分析結果を有益なものとするためにも、結果を適切に捉え、活用していきましょう。
クラスター分析の注意点
ここまでクラスター分析のやり方を述べてきましたが、実際にクラスター分析を行うにあたっては注意点があります。ここではクラスター分析の注意点について、2つ紹介します。
クラスター分析を採用する目的と仮説は最低限チェックする
1つめの注意点は「クラスター分析を採用する目的と仮説は最低限チェックする」ことです。
目的が明確でなければ、対象とするデータの定義や類似性が不明のため、適切な結果を得ることができません。また、クラスター分析はあくまで「類似の対象物を箱に分類する」ことに過ぎません。つまり、クラスター分析で得られた結果の解釈は分析者自身の判断に委ねられています。このため、適切に判断しなければ、その後の活動も的外れなものとなってしまいます。
それを防ぐためにも、「形成されるクラスターはいくつになるのか?」「どのような傾向でクラスターに分類されるのか?」など、あらかじめ仮説を立てておくことが大切です。あらかじめ仮説を立てておくことで、分類した結果が妥当かどうかの検証が容易になります。また、仮に仮説と大きく異なったとしても、仮説と実際の結果の差異理由の判断も容易になります。
このため、あらかじめ仮説を立てておくようにしましょう。
主観的な部分が入ってしまうことがある
2つめの注意点は「主観的な部分が入ってしまうことがある」ことです
先にも述べたように、クラスター分析で得られた結果の解釈や分析結果の活用は分析者自身の判断に委ねられています。このため、「このクラスターはこういう傾向があるに違いない」など、どうしてもクラスターの分析では分析者の主観的な判断が入ってしまいます。
また、ビッグデータの分析などで用いられる非階層クラスター分析では、あらかじめクラスター数や初期値などを決めておく必要があり、あらかじめ決めておいたクラスター数や初期値に結果が左右されてしまいます。このため、得られた結果を絶対視せず、客観的な視点で捉えることが大切です。
とはいえ、クラスター分析は市場調査や顧客リサーチなどにおいて、結果の傾向を確認するには有効なツールです。適切な手法や手順を行い、結果を有効に活用していきましょう。
活用方法としては、「商品のリピーターである可能性がある」「競合商品から離脱している可能性がある」「この商品はコンビニでよく購入される」などが挙げられます。
関連記事:コンビニの業界動向は? 現状や今後の展望、大手3社が取り組む施策もご紹介
関連記事:コンビニ3社のユーザ比較で見えたセブン-イレブン王者の理由
正確な顧客理解に役立つ「IDレシートBIツール」
フェリカネットワークスの「IDレシートBIツール」は、自社顧客の特徴を明確にし、立地ごとの購買傾向やトレンドの食材、競合との比較など店舗横断で購買データを見ることができる商談バイヤーも納得した実力の分析ツールです。
POSデータではできない横並びでのチェーン比較分析が可能で、JANコードのない商品や対応している外食チェーンの注文メニューもデータ化しています。
ポイントや謝礼が発生しない家計簿ユーザーのデータ※を集計しているので、3万人の生活者の正確で自然な買い物のデータを収集することができるのが特徴です。
※個人を特定できないようデータ処理しツール上で集計表示
「IDレシートBIツール」の詳しい情報はこちらをご覧ください。
こちらの記事では「笑みある」食卓、食シーンをつくり、家族や友人、人と人との心をつなぐ食品会社を目指す、安曇野食品工房株式会社様が弊社の「IDレシートBIツール」をどのように活用しているのかご紹介しております。
導入企業様の声:安曇野食品工房株式会社様 「コンビニでの購買全体像がリアルに視(み)えました」
他社のサービスを利用していた時は、見たい数値が取れなかったり、取得できるデータに偏りがあったと話される安曇野食品工房株式会社様。
「IDレシートBIツール」をどのように活用しているのか、ぜひ参考にしてみてはいかがでしょうか。
まとめ
クラスター分析は、複雑な顧客データを意味のあるグループに整理し、マーケティングの解像度を高めるための強力な手法です。この記事の要点を振り返ります。
・膨大なデータを類似性に基づいてグループ化する手法であり、データ量や目的に応じて「階層型」と「非階層型」を使い分ける。
・先入観を排除して分析することで、未知の顧客セグメントの発見や、ターゲットごとの特性に合わせた施策の最適化が可能になる。
・分析の精度を向上させるためには、事前に「分析の目的」を明確にし、結果の妥当性を検証するための「仮説」を立てることが不可欠である。
適切な手法と手順でクラスター分析を実務に取り入れ、客観的なデータに基づいた精度の高いマーケティング戦略を立案しましょう。

