アソシエーション分析｜簡単解説

アソシエーション分析の代表例

「おむつとビールの関係」がアソシエーション分析を説明する際の代表例として知られています。

スーパーの販売アイテムのなかで、おむつとビールは購買層が異なる商品であり、商品が置かれている売り場も異なります。

アメリカのあるスーパーで、「特定の曜日の夕方の時間帯におむつを買った30〜40代の男性がビールを同時に買っている」、というPOSデータの分析結果が明らかになりました。

この結果から、「乳幼児のいる子育て世帯では、母親がかさばるおむつの購入を父親に頼み、会社帰りの父親がスーパーに立ち寄っておむつを買った際にビールもついで買いしているのではないか」、というストーリーが仮説として導きだされます。

そこで、「おむつとビールを同じ売り場に陳列したところ売上を伸ばすことができた」、というのがアソシエーション分析のイメージをわかりやすく伝えた例としてよく取り上げられます。

この例に見られるような、小売店舗でのPOSデータの分析を目的として開発されたのがアソシエーション分析です。後にデータマイニングのための手法としても研究が進み、その実用化に大きく貢献したとされています。

アソシエーション分析の考え方

アソシエーション分析で分析の対象とするのは、主にPOSデータやWebログなどのトランザクションデータです。

その中の、特定のアイテムの出現頻度と頻出アイテムの集合に着目して、そこで見出される規則性を見つけ出し、規則性についての指標を評価します。

アソシエーションルール

分析の対象とする事象間の関連を「Aが起こった場合にはBが起こる」という形のルールとして表現し、これをアソシエーションルールと呼びます。

ビッグデータの各要素に見られる規則性を抽出することがアソシエーション分析の目的であり、その規則性と見なしたものがルールということになります。

アソシエーションルールの評価指標

アソシエーションルールを導き出すために以下の4つの指標が用いられます。

支持度（Support）

（すべての事象のなかで、事象A（条件部）と事象B（結論部）が同時に出現した割合。）

事象Aを商品aの購買件数、事象Bを商品bの購買件数とすると、すべての商品アイテムの購買件数のうち、商品aと商品bが同時に購入されている件数の割合がSupport（A ⇒ B）となります。

支持度が高いということは、起こりうるすべての事象のなかで、特定の事象（ルール）が起こる割合が高いことを示しています。

信頼度・確信度（Confidence）

（事象Aのうち事象Bが出現した割合。）

商品aを購入した件数のうちの商品bも購入した件数がConfidence（A ⇒ B）です。事象Aに対する（A ⇒ B）というルールが出現する割合であるため、Confidence（A ⇒ B）が高ければ、商品aの購入者は商品bも購入する割合が高いことを示しています。 

期待信頼度（Expected Confidence）

（すべての事象のなかでBが出現した割合。）

すべての購入件数のうちの商品bが購入された件数です。全体に対する事象Bが独立して出現する割合であることから、もともと商品bが売れている商品かどうかということを判断するための指標となります。

リフト値（Lift）

（期待信頼度に対する信頼度の割合。）

商品bの売れ行きに対する商品a・bの併売率比較しているため、併売率が高くても、もともと商品bの販売件数の割合が高ければ、ルール（A ⇒ B）が成立する可能性は低いと考えられ、リフト値が高ければ商品bの売れ行きに商品aの売れ行きが関連付けられるということです。

Lift値	解釈
Lift ＜ 1	商品aを買った人が商品bを買う確率は低い
Lift ＝ 1	商品aを買った人が商品bを買う確率は商品bが買われている確率と同じ
Lift ＞ 1	商品aを買った人の商品bを買う確率が高い

アソシエーション分析の活用方法

アソシエーション分析はマーケットバスケット分析をはじめとして、さまざまなビッグデータの分析に使われています。

マーケットバスケット分析（併売分析）

アソシエーション分析がPOSデータの分析を行うために生まれた分析手法であることを挙げましたが、その典型的な例が「おむつとビール」のような、商品アイテムの購買パターンの傾向を分析し、商品レイアウトの最適化や販売施策の意思決定に活かすことを目的とするものです。

アソシエーション分析にもとづいた施策を行うことでクロスセルやアップセルを実現することができます。

買い物かごに同時に入れられる商品を分析するという意味でバスケット分析、併売分析という呼び方をされています。

Eコマースでのレコメンド

リアル店舗での同時購入と同様に、Eコマースでも購買データを対象にアソシエーション分析を行うことで購買パターンからアソシエーションルールを抽出することが可能です。

アソシエーションルールにもとづきユーザーの購買行動を先回りして商品を勧めるのがリコメンドであり、クロスセル・アップセルを増やすためにアソシエーション分析が用いられます。

協調フィルタリング

レコメンドはユーザーの購入した商品や商品閲覧履歴をもとに、同時に購入する商品や次に購入する商品を勧めます。

その際に同じ購買パターンを持つユーザーが買ったり見たりした商品をレコメンドする方法と購買パターンで組み合わせられる商品アイテムをベースにレコメンドする方法があります。これを協調フィルタリングといいます。

Webサイトのエクスペリエンス改善・CTA向上

Eコマースで商品アイテムを分析対象とする以外に、検索キーワードやアクセスログを分析対象とすれば、Webサイト上での閲覧行動に共通のパターンや傾向を見つけることができます。

それをもとに、閲覧動線やメニュー構成、ページレイアウトを改善することでユーザーエクスペリエンスの最適化を図れるとともに、CTAや広告の対費用効果の改善につなげられます。

位置情報による回遊行動分析

アソシエーション分析はビッグデータの分析に適している手法であり、GPSによる位置情報も分析の対象となります。

スマートフォンのナビゲーションシステムが取得するGPSデータをもとに、旅行者の目的地や回遊パターン、滞在時間などをルールとして抽出することで、属性別の旅行者の傾向を把握することができます。

分析の結果を活用することで輸送計画の最適化や旅行者への情報提供、観光施設のマーケティングに役立てるなどの使い方が考えられます。

アンケート調査におけるプロファイリング

アンケート調査の分析にもアソシエーション分析が活用されます。

アンケート調査で取得する属性情報と設定した調査項目を関連付けてアソシエーション分析を行うことで、属性情報と調査項目を紐づけたプロファイリングを行うことができます。

プロファイリングに活用できる分析手法としてコレスポンデンス分析や数量化Ⅲ類、決定木分析などがありますが、それらと合わせてアソシエーション分析を用いることで、より有益なインサイトを発見することにつながります。

まとめ

アソシエーション分析は要素間の関連性を見出すために有効な方法であり、活用場面は多岐にわたります。

これまで気づかなかった関係性やパターンを見つけることがリサーチの精度を高め、より効果的なマーケティング施策につなげることができます。