<<目次へ

店舗アンケートから各店舗の特徴を把握する　-コレスポンデンス分析-

事例　ある会社は2007年の夏までに新たに5店舗を建てる予定である。新店舗を建設するにあたって,建設地は「田舎」「そこそこ街中」「都心部」の3タイプの地域が候補としてあげられている。そこで,既にある店舗から6店舗を選び出し,各店舗についてのアンケート調査を行った。どうすればこのアンケート結果を活かせるだろうか？

　まずアンケートから得たい情報というのは,

• 各店舗の特徴は何かということ

ではないだろうか。今回の例では6店舗分のデータしかないが,これが10店舗,20店舗となってくればアンケート集計をしても,分かりやすくまとめるなんてことはかなり難しくなってくる。あるいは質問の項目数が増えた場合でも同じだ。

　データ分析というのは扱うデータが膨大になってくるほど処理に困るのであって,そのデータを要約し,視覚的に捉えるというのが可能になればかなり有効的な使い方をできるわけである。そんな方法を紹介しよう。

■　膨大なデータを視覚的に捉える

　今回はそれほど多くのデータを扱うわけではありませんが,データの量が多くなった場合でもやることは本質的に同じです。

　例えば,上述した「店舗アンケート」をA店舗で実施した結果が以下のようになったとしましょう。表のセルに書かれている「1」という数字はその項目に丸をしたということです。逆に「0」という数字が書かれている場合はその項目に丸をしなかったということを示しています。

　このようなアンケート結果が6店舗分（A店からF店）あるわけです。分析に使うデータは各店舗の「1の度数」を使用するのですが,これは以下のようにまとめます。「q1」というのは「項目1」という意味で,今回の場合だと「店内が広い」ということになります。

　もう少し表の見方を説明しておきましょう。例えばA店舗において「店内が広い」という項目に丸をつけた人は8人いるというわけです。同じ項目についてB店では2人,C店では6人いたということです。また「駐車場が広い」という項目に丸をつけた人は,A店では6人,B店では2人,C店では8人いたということを示しています。

　このようにしてまとめられたデータをコレスポンデンス分析という手法を用いて分析してみます。以下はRという統計ソフトを使用して出した結果です。

> dat
     [,1] [,2] [,3] [,4] [,5]
[1,]    8    6    0    7    5
[2,]    2    2   10    3    9
[3,]    6    8    3    6    5
[4,]    8    7    2    9    7
[5,]    2    0    9    7    6
[6,]    6    7    5    7    4
> corresp(dat, nf = min(nrow(dat), ncol(dat))-1)
First canonical correlation(s): 0.45441159 0.13854180 0.11065962 0.03062649 

 Row scores:
          [,1]       [,2]       [,3]       [,4]
R 1 -1.0835471 -0.6373422 -1.0188035  1.4282358
R 2  1.5133450  1.2754523 -1.1108614  0.3927906
R 3 -0.5902885  1.0506914  0.5572095 -1.1110269
R 4 -0.6496477 -0.5167231 -0.6657796 -1.1487793
R 5  1.4448363 -1.6923196  0.6487459 -0.2989638
R 6 -0.2718747  0.4019764  1.5920775  0.9947213

 Col scores:
          [,1]       [,2]       [,3]       [,4]
C 1 -0.9024153 -0.3045677 -0.4250574  1.7605997
C 2 -1.0744706  1.5228027  0.7853564 -0.6656826
C 3  1.7990255  0.4112181  0.9443547  0.6532528
C 4 -0.2382694 -1.4831776  0.5961444 -0.8027664
C 5  0.5064494  0.2772413 -1.6831881 -0.6668098

　さて,上の出力結果において「Row scores:」という部分があります。これは店舗の空間的配置を示したもの（座標）と考えれば良いです。また「Col scores:」というのは評価項目（q1〜q5）の空間的配置を示したものといえます。実際にこの数値をプロットしてみると以下のようになります。

　図の見方を説明しておきましょう。例えばA店舗とD店舗は同じような位置にプロットされています。これはA店舗とD店舗が似たような特徴を持っているということを示しており,具体的にどの点が似通っているかというと,両点の近くにq1の点があります。これはA店舗とB店舗は「店内が広い」という評価を受けているということです。また,q4の点も近くにあることから比較的,接客態度が評価されているということもわかります。

　これに対してB店舗やE店舗はq1やq4の点から離れているので「店舗面積」や「接客態度」についての評価は低いようです。しかしB店舗とE店舗はq3の点の近くにあることから「駅からのアクセスは良い」と評価されています。

■　ちょっと応用的な考え方

　データ分析というのは数値計算ではありません。現在はコンピュータがありますから計算だけなら専用のソフトウェアを使えば誰にでもできるのです。データ分析というと,得られたデータから特定の統計量（例えば平均とか）を算出することに重点が置かれている場合がありますが,むしろ算出した数値をどう読み解くかが重要なのです。もっといえば,数値を解釈してからそれをどう活かしていくかがとても大切なことです。

　今回の結果（上の図）からどんなことが分かるのかをもう少し詳しく考えましょう。

　例えばA店とD店は地域密着型の店舗であることが考えられます。なぜなら,

• 店舗面積や駐車場面積は広いが駅からのアクセスは良くない

からです。逆にB店とE店は都会型の店舗であるといえます。それは

• 駅からのアクセスは良いが店舗と駐車場の面積が狭い

という特徴が見て取れるからです。

　こういった見方をすると,応用的に「地域密着型と都会型の違いは何か」ということを把握しやすくなります。例えば,品揃え（q5）はどちらも同程度ですが,接客（q4）は地域密着型の方が高い評価を得ています。これは都会型の店舗では接客態度があまり良くないという事でもあります。

　以上のことから,

• 地域密着型の店舗は駅からのアクセスに変わるサービスを考案すべきである
• 都会型の店舗は接客態度を改めるべきである

という改善策が見出されます。つまり新店舗を出す際には田舎に店を出す場合は「多少,時間を掛けても来たい」と思うような何かを考える必要がありますし,都会に出す場合は「従業員に接客の研修を重点的に行う」ということが分かるのです。

　ところで,店舗の点（黒丸）と評価項目の点（赤丸）の関係において,q1（＝店舗が広い）の点に近いほどこれに対する評価が高いといえるか不安ではないでしょうか。下の図は各店舗の点とq1の点のみをプロットしたものです。これを見るとAとDが近く,CとFは中程度,BとEが大きく離れているようです。実際に各店舗（A〜F）の点とq1との点の距離を計算すると表3のようになります。

　表3から分かるように順序関係は

D　＜　A　＜　F　＜　C　＜　E　＜　B

となっています。実際に表2のデータと見比べてみると,確かにA店とD点が高評価,CとFが中程度の評価,BとEが低評価されています。ちなみに断っておきますが,AとDは度数が同じ8ではありますが,q1との距離は同じにはなりません。