マーケットバスケット分析(マーケットバスケットブンセキ)とは | 意味や読み方など丁寧でわかりやすい用語解説

マーケットバスケット分析とは、顧客がどのような商品を「一緒に」購入する傾向があるかを発見するためのデータマイニング手法の一つである。主に小売業界やECサイトで利用され、大量の購買データから、一見無関係に見える商品間の隠れた関連性や購買パターンを明らかにする。この分析の目的は、顧客の購買行動を深く理解し、それに基づいたマーケティング戦略や商品配置戦略を立案することで、売上向上や顧客満足度向上に貢献することだ。データマイニングの分野では、「アソシエーションルール学習」の代表的な手法として知られている。

この分析では、スーパーマーケットのレシート一枚一枚や、ECサイトでの一回の注文といった個々の取引データに着目する。例えば、「ビールを購入した顧客の多くがおむつも購入している」といった、意外な組み合わせのルールを発見することがある。このような発見は、単に顧客の嗜好を理解するだけでなく、店舗の陳列レイアウトの最適化、商品のバンドル販売（抱き合わせ販売）、ターゲットを絞ったプロモーション活動、クロスセル（関連商品の販売促進）の提案など、具体的なビジネス戦略に直結する重要な情報となる。

マーケットバスケット分析を実行するためには、まず大量のトランザクションデータが必要となる。これは、POS（販売時点情報管理）システムやECサイトの購買履歴データから得られるもので、一般的には、どの顧客が、いつ、どの商品を、いくつ購入したかという情報が含まれる。システムエンジニアは、これらのデータを適切に収集、保存、管理するためのデータベースやデータウェアハウスの設計、構築、運用に深く関わる。収集された生データは、分析に適した形に整形される必要があり、この前処理も重要な工程の一つだ。

分析の核心となるのは、特定の商品の組み合わせがどれくらいの頻度で発生し、どの程度の関連性を持つかを数値化する指標である。主要な指標として、「支持度」「確信度」「リフト値」の三つが挙げられる。

まず「支持度（Support）」は、全トランザクションの中で、特定の商品セット（例えば「商品Aと商品B」）が同時に購入された割合を示す。これは、その商品セットがどのくらいの頻度で発生するか、つまり、どの程度一般的な購買パターンであるかを表す指標だ。支持度が高いほど、その組み合わせは多くの顧客に購入されていることを意味する。

次に「確信度（Confidence）」は、「もし商品Aが購入された場合に、商品Bも一緒に購入される確率」を示す。これは、「商品Aを購入した顧客のうち、何パーセントが商品Bも購入しているか」という条件付き確率と解釈できる。確信度が高いルールは、商品Aをきっかけに商品Bを推奨する際の有効性が高いことを示唆する。例えば、「もしビールが購入されたら、おむつも購入される」というルールがあった場合、その確信度が80%であれば、ビール購入者の8割がおむつも購入していることになる。

しかし、支持度と確信度だけでは、偶然の組み合わせなのか、本当に意味のある関連性なのかを判断できない場合がある。そこで重要になるのが「リフト値（Lift）」だ。リフト値は、「商品Aが購入されるという条件が、商品Bが購入される確率をどれだけ高めているか」を示す指標である。これは、「商品Aが購入されたときのBの購入確率（確信度）」を、「商品Aに関係なくBが購入される全体の確率（Bの支持度）」で割って算出される。リフト値が1より大きい場合、商品Aと商品Bには正の相関があり、Aが購入されることでBの購入確率が上昇することを示す。つまり、この組み合わせは単なる偶然ではなく、ビジネス上意味のある関連性があると言える。リフト値が1に近い場合は、商品Aの購入と商品Bの購入は互いに独立している（関連性がない）ことを意味し、1より小さい場合は負の相関（Aが購入されるとBの購入確率が低下する）があることを示す。特にリフト値が1を大きく超えるルールは、新たなビジネスチャンスの発見に繋がる可能性が高い。

システムエンジニアの視点から見ると、マーケットバスケット分析のプロセスは、データの前処理、頻出アイテムセットの発見、アソシエーションルールの生成、ルールの評価と選定、そしてビジネスへの適用というステップで構成される。データ前処理では、生データを分析に適した形式に変換し、不要なノイズを除去する。頻出アイテムセットの発見には、「Apriori（アプリオリ）アルゴリズム」などの専用アルゴリズムが用いられることが多い。このアルゴリズムは、効率的に支持度の高い商品セットを見つけ出すための手法である。その後、これらの頻出アイテムセットから確信度とリフト値に基づいて有用なアソシエーションルールを生成し、選定する。システムエンジニアは、これらのアルゴリズムを既存のデータマイニングツール（例えばPythonのmlxtendライブラリやR言語のarulesパッケージなど）を利用して実行したり、場合によっては自社システムに組み込むためのプログラミングを行ったりする役割を担う。大量のデータを扱うため、ビッグデータ処理技術（Hadoop、Sparkなど）や分散処理の知識が求められることもある。最終的には、分析結果をビジネス部門が活用しやすいように可視化するダッシュボードやレポートシステムの開発も、システムエンジニアの重要な仕事となる。

このように、マーケットバスケット分析は、単にデータを見るだけでなく、その背後にある顧客の行動パターンを深く洞察し、具体的なビジネス価値を生み出すための強力なツールであり、その実現にはシステムとデータの専門知識を持つシステムエンジニアの貢献が不可欠である。