# ============================================ # ABC分析の完全実装 # ============================================ import pandas as pd import numpy as np import matplotlib.pyplot as plt # サンプルデータ: 商品別売上（パレート分布） np.random.seed(42) n_products = 100 product_ids = [f’商品{i:03d}’ for i in range(1, n_products + 1)] # パレート分布で売上を生成 sales = np.random.pareto(a=1.5, size=n_products) * 100 + 50 sales = np.sort(sales)[::-1] # 降順にソート df = pd.DataFrame({ ‘商品ID’: product_ids, ‘売上’: sales }) # ============================================ # ABC分析の実行 # ============================================ # 1. 売上の降順にソート df = df.sort_values(‘売上’, ascending=False).reset_index(drop=True) # 2. 累積売上を計算 df[‘累積売上’] = df[‘売上’].cumsum() # 3. 累積比率を計算 total_sales = df[‘売上’].sum() df[‘累積比率’] = df[‘累積売上’] / total_sales * 100 # 4. ABC分類 def classify_abc(cumulative_ratio): “””累積比率に基づいてABC分類””” if cumulative_ratio <= 70: return 'A' elif cumulative_ratio <= 90: return 'B' else: return 'C' df['分類'] = df['累積比率'].apply(classify_abc) # 5. 各分類の集計 summary = df.groupby('分類').agg({ '商品ID': 'count', '売上': 'sum' }).rename(columns={'商品ID': '商品数'}) summary['商品数比率'] = summary['商品数'] / len(df) * 100 summary['売上比率'] = summary['売上'] / total_sales * 100 # 結果表示 print("=" * 50) print("【ABC分析結果】") print("=" * 50) print() print(summary.round(1)) print() # パレートの法則の確認 a_products = summary.loc['A', '商品数比率'] a_sales = summary.loc['A', '売上比率'] print(f"【パレートの法則の確認】") print(f"上位 {a_products:.0f}% の商品が、売上の {a_sales:.0f}% を占める") print() # 詳細表示（各分類の上位5商品） for category in ['A', 'B', 'C']: print(f"【{category}ランク商品（上位5件）】") print(df[df['分類'] == category].head().to_string(index=False)) print() # ============================================ # パレート図の作成 # ============================================ fig, axes = plt.subplots(2, 2, figsize=(14, 10)) # 1. パレート図（メイン） ax1 = axes[0, 0] x = np.arange(len(df)) # 棒グラフ（個別売上） colors_bar = df['分類'].map({'A': '#ff6b6b', 'B': '#ffd93d', 'C': '#6bcb77'}) ax1.bar(x, df['売上'], color=colors_bar, alpha=0.7, width=1.0) # 折れ線（累積比率） ax1_twin = ax1.twinx() ax1_twin.plot(x, df['累積比率'], color='navy', linewidth=2.5, label='累積比率') # 境界線 ax1_twin.axhline(y=70, color='red', linestyle='--', linewidth=1.5, label='A-B境界(70%)') ax1_twin.axhline(y=90, color='orange', linestyle='--', linewidth=1.5, label='B-C境界(90%)') ax1.set_xlabel('商品（売上順）', fontsize=11) ax1.set_ylabel('売上（万円）', fontsize=11) ax1_twin.set_ylabel('累積比率（%）', fontsize=11) ax1.set_title('パレート図', fontsize=13, fontweight='bold') ax1_twin.legend(loc='center right') ax1.grid(alpha=0.3, axis='y') # 2. ABC分類別の商品数比率 ax2 = axes[0, 1] colors_pie = ['#ff6b6b', '#ffd93d', '#6bcb77'] wedges, texts, autotexts = ax2.pie( summary['商品数'], labels=['A（超重要）', 'B（重要）', 'C（普通）'], autopct='%1.1f%%', colors=colors_pie, startangle=90, explode=(0.05, 0, 0) ) for autotext in autotexts: autotext.set_fontweight('bold') autotext.set_fontsize(11) ax2.set_title('ABC分類別 商品数比率', fontsize=13, fontweight='bold') # 3. ABC分類別の売上比率 ax3 = axes[1, 0] wedges, texts, autotexts = ax3.pie( summary['売上'], labels=['A（超重要）', 'B（重要）', 'C（普通）'], autopct='%1.1f%%', colors=colors_pie, startangle=90, explode=(0.05, 0, 0) ) for autotext in autotexts: autotext.set_fontweight('bold') autotext.set_fontsize(11) ax3.set_title('ABC分類別 売上比率', fontsize=13, fontweight='bold') # 4. 商品数 vs 売上の比較 ax4 = axes[1, 1] x_pos = np.arange(3) width = 0.35 bars1 = ax4.bar(x_pos - width/2, summary['商品数比率'], width, label='商品数比率', color='steelblue', alpha=0.7) bars2 = ax4.bar(x_pos + width/2, summary['売上比率'], width, label='売上比率', color='coral', alpha=0.7) ax4.set_xlabel('分類', fontsize=11) ax4.set_ylabel('比率（%）', fontsize=11) ax4.set_title('商品数 vs 売上の比較', fontsize=13, fontweight='bold') ax4.set_xticks(x_pos) ax4.set_xticklabels(['A', 'B', 'C']) ax4.legend() ax4.grid(axis='y', alpha=0.3) # 値を表示 for bars in [bars1, bars2]: for bar in bars: height = bar.get_height() ax4.text(bar.get_x() + bar.get_width()/2., height + 1, f'{height:.1f}%', ha='center', va='bottom', fontsize=10) plt.tight_layout() plt.savefig('abc_analysis.png', dpi=150, bbox_inches='tight') plt.show() print("→ グラフを 'abc_analysis.png' に保存しました")

# ============================================ # 在庫管理へのABC分析応用 # ============================================ # 在庫データの追加 df_inventory = df.copy() df_inventory['在庫金額'] = df_inventory['売上'] * np.random.uniform(0.3, 0.5, len(df)) df_inventory['在庫回転率'] = df_inventory['売上'] / df_inventory['在庫金額'] # ABC分類別の在庫管理指標 inventory_summary = df_inventory.groupby('分類').agg({ '商品ID': 'count', '売上': 'sum', '在庫金額': 'sum', '在庫回転率': 'mean' }).rename(columns={'商品ID': '商品数'}) inventory_summary['平均売上'] = inventory_summary['売上'] / inventory_summary['商品数'] inventory_summary['平均在庫'] = inventory_summary['在庫金額'] / inventory_summary['商品数'] print("=" * 50) print("【在庫管理指標（ABC別）】") print("=" * 50) print() print(inventory_summary.round(2)) print() # 在庫最適化の提案 print("=" * 50) print("【在庫最適化の提案】") print("=" * 50) print() for category in ['A', 'B', 'C']: data = inventory_summary.loc[category] print(f"■ {category}ランク商品") print(f" 商品数: {data['商品数']:.0f}点") print(f" 売上合計: {data['売上']:.1f}万円") print(f" 在庫金額: {data['在庫金額']:.1f}万円") print(f" 在庫回転率: {data['在庫回転率']:.1f}回/年") if category == 'A': print(" → 【厳格管理】欠品厳禁、安全在庫多め") elif category == 'B': print(" → 【標準管理】定期発注、適正在庫維持") else: print(" → 【簡易管理】在庫削減、SKU整理検討") print() # ============================================ # 在庫分析の可視化 # ============================================ fig, axes = plt.subplots(1, 3, figsize=(15, 5)) colors = ['#ff6b6b', '#ffd93d', '#6bcb77'] # 1. ABC別 売上 vs 在庫金額 ax1 = axes[0] x_pos = np.arange(3) width = 0.35 bars1 = ax1.bar(x_pos - width/2, inventory_summary['売上'], width, label='売上', color='steelblue', alpha=0.7) bars2 = ax1.bar(x_pos + width/2, inventory_summary['在庫金額'], width, label='在庫金額', color='coral', alpha=0.7) ax1.set_xlabel('分類', fontsize=12) ax1.set_ylabel('金額（万円）', fontsize=12) ax1.set_title('売上 vs 在庫金額', fontsize=13, fontweight='bold') ax1.set_xticks(x_pos) ax1.set_xticklabels(['A', 'B', 'C']) ax1.legend() ax1.grid(axis='y', alpha=0.3) # 2. ABC別 在庫回転率 ax2 = axes[1] bars = ax2.bar(['A', 'B', 'C'], inventory_summary['在庫回転率'], color=colors, alpha=0.8, edgecolor='black') ax2.set_xlabel('分類', fontsize=12) ax2.set_ylabel('在庫回転率（回/年）', fontsize=12) ax2.set_title('在庫回転率の比較', fontsize=13, fontweight='bold') ax2.grid(axis='y', alpha=0.3) for bar in bars: height = bar.get_height() ax2.text(bar.get_x() + bar.get_width()/2., height + 0.1, f'{height:.1f}', ha='center', va='bottom', fontsize=11, fontweight='bold') # 3. 在庫効率マトリクス ax3 = axes[2] for i, category in enumerate(['A', 'B', 'C']): data = inventory_summary.loc[category] ax3.scatter(data['売上'], data['在庫金額'], s=data['商品数'] * 20, c=colors[i], label=f'{category}ランク', alpha=0.7, edgecolors='black') ax3.set_xlabel('売上合計（万円）', fontsize=12) ax3.set_ylabel('在庫金額（万円）', fontsize=12) ax3.set_title('在庫効率マトリクス\n（円の大きさ=商品数）', fontsize=13, fontweight='bold') ax3.legend() ax3.grid(alpha=0.3) plt.tight_layout() plt.savefig('inventory_abc.png', dpi=150, bbox_inches='tight') plt.show() print("→ グラフを 'inventory_abc.png' に保存しました")

# ============================================ # 顧客ABC分析 # ============================================ # 顧客データ生成 n_customers = 200 customer_ids = [f'顧客{i:04d}' for i in range(1, n_customers + 1)] customer_sales = np.random.pareto(a=2, size=n_customers) * 50 + 10 customer_sales = np.sort(customer_sales)[::-1] df_customer = pd.DataFrame({ '顧客ID': customer_ids, '年間売上': customer_sales }) # ABC分類 df_customer = df_customer.sort_values('年間売上', ascending=False).reset_index(drop=True) df_customer['累積売上'] = df_customer['年間売上'].cumsum() total_customer_sales = df_customer['年間売上'].sum() df_customer['累積比率'] = df_customer['累積売上'] / total_customer_sales * 100 df_customer['分類'] = df_customer['累積比率'].apply(classify_abc) # 集計 customer_summary = df_customer.groupby('分類').agg({ '顧客ID': 'count', '年間売上': ['sum', 'mean'] }).round(1) customer_summary.columns = ['顧客数', '売上合計', '平均売上'] customer_summary['顧客数比率'] = customer_summary['顧客数'] / len(df_customer) * 100 customer_summary['売上比率'] = customer_summary['売上合計'] / total_customer_sales * 100 print("=" * 50) print("【顧客ABC分析結果】") print("=" * 50) print() print(customer_summary.round(1)) print() # 具体的な施策提案 print("=" * 50) print("【顧客別マーケティング戦略】") print("=" * 50) print() strategies = { 'A': { 'label': 'VIP', 'actions': ['専任営業担当', '月次訪問', '特別割引 15%', 'VIP限定イベント', 'カスタマイズサービス'] }, 'B': { 'label': '重要', 'actions': ['四半期フォロー', '標準割引 10%', '一般イベント招待', 'A顧客への育成プログラム'] }, 'C': { 'label': '一般', 'actions': ['メール/SNSでの対応', '標準サービスのみ', '効率化・自動化', '購買頻度確認'] } } for category in ['A', 'B', 'C']: count = customer_summary.loc[category, '顧客数'] sales = customer_summary.loc[category, '売上比率'] avg = customer_summary.loc[category, '平均売上'] strategy = strategies[category] print(f"■ {category}顧客（{strategy['label']}）") print(f" {count:.0f}名（売上の{sales:.1f}%、平均{avg:.1f}万円/年）") print(" 施策:") for action in strategy['actions']: print(f" ・{action}") print() # ============================================ # 顧客分析の可視化 # ============================================ fig, axes = plt.subplots(1, 2, figsize=(12, 5)) # 1. 顧客のパレート図 ax1 = axes[0] x = np.arange(len(df_customer)) colors_bar = df_customer['分類'].map({'A': '#ff6b6b', 'B': '#ffd93d', 'C': '#6bcb77'}) ax1.bar(x, df_customer['年間売上'], color=colors_bar, alpha=0.7, width=1.0) ax1_twin = ax1.twinx() ax1_twin.plot(x, df_customer['累積比率'], color='navy', linewidth=2) ax1_twin.axhline(y=70, color='red', linestyle='--', alpha=0.7) ax1_twin.axhline(y=90, color='orange', linestyle='--', alpha=0.7) ax1.set_xlabel('顧客（売上順）', fontsize=11) ax1.set_ylabel('年間売上（万円）', fontsize=11) ax1_twin.set_ylabel('累積比率（%）', fontsize=11) ax1.set_title('顧客パレート図', fontsize=13, fontweight='bold') ax1.grid(alpha=0.3, axis='y') # 2. 顧客数 vs 売上比率 ax2 = axes[1] x_pos = np.arange(3) width = 0.35 bars1 = ax2.bar(x_pos - width/2, customer_summary['顧客数比率'], width, label='顧客数比率', color='steelblue', alpha=0.7) bars2 = ax2.bar(x_pos + width/2, customer_summary['売上比率'], width, label='売上比率', color='coral', alpha=0.7) ax2.set_xlabel('分類', fontsize=11) ax2.set_ylabel('比率（%）', fontsize=11) ax2.set_title('顧客数 vs 売上の比較', fontsize=13, fontweight='bold') ax2.set_xticks(x_pos) ax2.set_xticklabels(['A（VIP）', 'B（重要）', 'C（一般）']) ax2.legend() ax2.grid(axis='y', alpha=0.3) for bars in [bars1, bars2]: for bar in bars: height = bar.get_height() ax2.text(bar.get_x() + bar.get_width()/2., height + 1, f'{height:.1f}%', ha='center', va='bottom', fontsize=10) plt.tight_layout() plt.savefig('customer_abc.png', dpi=150, bbox_inches='tight') plt.show() print("→ グラフを 'customer_abc.png' に保存しました")