― Power BIで読み解く、季節・カテゴリ・会員状態と購買の関係 ―
ECサイトや小売の購買データには、売上そのものだけではなく、
「どのカテゴリが動いているのか」
「どの顧客が継続的に購入しているのか」
「購買行動にどんな傾向があるのか」
といった、施策につながるヒントが含まれています。
今回分析したのは、3,900件のショッピングデータです。
Power BIで1ページのダッシュボードに整理してみると、このデータから見えてきたのは、購買金額は比較的安定しており、差が出やすいのはカテゴリ構成や継続購買の側面であるという姿でした。
■ 全体像：平均購入金額は約9,562円、価格帯は比較的安定している
まず全体を見てみると、このデータは 3,900件 の購買レコードで構成されています。
購入金額は円換算済みの値として扱うと、
- 総購買件数：3,900件
- 平均購入金額：9,562円
- 平均レビュー評価：3.75
- サブスク会員比率：27％
という水準でした。
この数字から分かるのは、このショップの購買単価が1万円前後に比較的集まりやすいということです。
極端に高額な商品ばかりが売上を押し上げているというより、一定の価格帯の商品が安定して動いている構造と見る方が自然です。
また、レビュー評価も大きく崩れておらず、全体としては比較的安定した購買体験が提供されている様子がうかがえます。
■ カテゴリ別に見ると、差が出ているのは“金額”より“件数”
カテゴリ別に平均購入金額を見ると、
- 衣類：9,604円
- アクセサリー：9,574円
- 履物：9,641円
- アウター：9,148円
という結果でした。
カテゴリごとの価格差は、想像されるほど大きくありません。
アウターがやや低めではあるものの、全体としてはどのカテゴリも1万円前後に収まっているといえます。
一方で、件数を見てみると、
- 衣類：1,737件
- アクセサリー：1,240件
- 履物：599件
- アウター：324件
となっており、カテゴリによって動いている量にはかなり差があります。
このため、このデータでは
「どのカテゴリがどれだけ買われているか」 の方が、
「カテゴリごとの単価差」 よりも売上の違いを説明しやすいと考えられます。
特に衣類とアクセサリーは、単価が大きく高いわけではないにもかかわらず件数が多く、結果として全体の中心を担っていると見られます。
■ 季節差はあるが、極端というほどではない
季節別の平均購入金額を見ると、
- 秋：9,849円
- 冬：9,657円
- 春：9,398円
- 夏：9,345円
となっており、秋と冬が春・夏よりやや高めに出ています。
ただし、その差は数百円程度で、
季節によって購入金額が大きく変わっているとまでは言いにくい水準です。
むしろこのデータから読み取れるのは、年間を通じて購買金額は比較的安定している中で、秋冬に少し上振れする傾向が見られるということです。
そのため、販促面でも
「季節ごとに全く別の戦略が必要」というよりは、
秋冬にやや高単価の商品提案を強める余地がある程度に捉えるのが自然です。
■ 性別・年齢では大きな差は見えにくい
性別別に見ると、
- 女性：約9,640円
- 男性：約9,526円
で、差は小さめでした。
年齢帯でも、
- 18〜29歳：約9,641円
- 30〜39歳：約9,622円
- 40〜49歳：約9,359円
- 50〜59歳：約9,653円
- 60歳以上：約9,522円
と、大きく離れてはいません。
このことから、このデータでは
性別や年齢だけで購買金額の違いを強く説明するのは難しいと考えられます。
少なくとも今回の範囲では、属性差よりも、カテゴリ・季節・会員状態・購入頻度といった行動面の差の方が見やすいと言えそうです。
■ サブスク会員の違いは“1回の金額”より“継続性”に表れる
サブスクリプション状態別のグラフでは、
平均購入金額と平均購入回数の両方を比較しています。
平均購入金額は、
- 非会員：9,578円
- 会員：9,519円
で、ほとんど差がありません。
一方、平均購入回数は、
- 非会員：25回
- 会員：26回
となっており、会員の方がわずかに高い結果でした。
この差は大きいとは言えませんが、少なくともこのデータでは、
会員だから1回あたりの購入金額が大きく上がるわけではないことが分かります。
その代わり、会員の価値は、少しずつでも継続して購入する傾向に表れている可能性があります。
ここから先を強く言い切るには追加データが必要ですが、
少なくともこの結果は、会員施策を「高額購入を狙うもの」というより、
継続利用を促す仕組みとして見る方が自然であることを示しています。
■ 支払い方法の比較からは、小さなズレが見えてくる
支払い方法の比較グラフでは、
実際に使われた支払い方法 と 顧客が好む支払い方法 を並べています。
件数を見ると、
- PayPal：希望 677件 ／ 実利用 638件
- クレジットカード：希望 671件 ／ 実利用 696件
- 現金：希望 670件 ／ 実利用 648件
- デビットカード：希望 636件 ／ 実利用 633件
- Venmo：希望 634件 ／ 実利用 653件
- 銀行振込：希望 612件 ／ 実利用 632件
となっており、大きな差ではないものの、
希望と実利用が完全には一致していないことが分かります。
この違いだけで強い結論を出すことは難しいですが、
少なくとも、決済手段の導線や見せ方、使いやすさによって、実際の利用行動が多少左右されている可能性はあります。
ECにおいて決済は最終接点なので、
この小さな差は、顧客体験改善のヒントとして見ることができます。
■ このデータから比較的はっきり言えそうなこと
今回のデータから、比較的無理なく読み取れるポイントを整理すると、次の3つです。
- 購入金額は全体として安定している
- 1回あたりの購入金額はおおむね1万円前後に集まっている
- 属性やカテゴリによる極端な単価差は見られにくい
- 売上差は単価差よりも件数差に表れやすい
- 特に衣類とアクセサリーの件数が多い
- カテゴリ構成が全体売上に大きく影響していると考えられる
- 会員施策や決済体験は、“継続性”や“使いやすさ”の観点で見るのが自然
- 会員は単価ではなく購入回数でわずかな差がある
- 決済方法は希望と実利用に小さなズレがある
■ データを“売上の記録”から“行動のヒント”へ
このショッピングデータは、表のまま見ればただの購買履歴です。
しかしPower BIで可視化すると、
- どのカテゴリが多く動いているのか
- 季節による差はどの程度なのか
- 会員施策は単価と回数のどちらに効いていそうか
- 決済方法にどんな傾向があるのか
といった、行動の輪郭が見えてきます。
重要なのは、数字を大きく見せることではなく、
どこまでを言えて、どこからは仮説なのかを分けて読むことです。
その意味で、このダッシュボードは「強い結論を押し出す」ためというより、
次の施策の方向性を考えるための土台として役立つものだと言えるでしょう。
データは、答えを一つに決めるためのものではなく、
よりよい問いを立てるための材料でもあります。
今回のショッピングデータは、そのことをよく示しているように思います。
Power BIで可視化すると、売上データは「結果」だけでなく、カテゴリ構成や継続購買など行動の傾向まで見えてきます。
UDATA株式会社では、Power BIを活用したデータ可視化・ダッシュボード設計・分析支援を行っています。
ご相談は こちらのお問い合わせ よりお気軽にご連絡ください。