# 必要なライブラリを読み込む
import pandas as pd      # データを表形式で扱うためのライブラリ
import numpy as np       # 数値計算を行うためのライブラリ

# pandas: Excelのような表形式でデータを操作できる
# numpy: 平均、合計、相関係数などの計算に使用

# 売上要素のデータを作成
# pd.DataFrame(): 表形式のデータを作成する関数
sales_breakdown = pd.DataFrame({
    '指標': ['総売上', '客数', '客単価', '年間購買頻度'],
    '前年': [1000, 10000, 10000, 10.0],    # 前年の数値
    '今年': [900, 9000, 10000, 10.0],      # 今年の数値
    '単位': ['百万円', '人', '円', '回/年']
})

# 変化額を計算（今年 - 前年）
sales_breakdown['変化額'] = sales_breakdown['今年'] - sales_breakdown['前年']

# 変化率を計算（(今年 - 前年) / 前年 × 100）
sales_breakdown['変化率%'] = (
    (sales_breakdown['今年'] - sales_breakdown['前年']) 
    / sales_breakdown['前年'] * 100
).round(1)  # round(1): 小数点第1位で四捨五入

# 結果を表示
print("=" * 60)
print("【STEP 1: 売上要素の分解】")
print("=" * 60)
print()
print(sales_breakdown.to_string(index=False))
# to_string(index=False): 行番号なしで表を文字列として出力

# 新規顧客と既存顧客のデータを作成
customer_segments = pd.DataFrame({
    'セグメント': ['新規顧客', '既存顧客', '合計'],
    '前年_客数': [3000, 7000, 10000],      # 前年の客数
    '今年_客数': [2100, 6900, 9000],       # 今年の客数
    '前年_売上': [150, 850, 1000],         # 前年の売上（百万円）
    '今年_売上': [105, 795, 900]           # 今年の売上（百万円）
})

# 客数の変化率を計算
customer_segments['客数変化率%'] = (
    (customer_segments['今年_客数'] - customer_segments['前年_客数']) 
    / customer_segments['前年_客数'] * 100
).round(1)

# 売上の変化率を計算
customer_segments['売上変化率%'] = (
    (customer_segments['今年_売上'] - customer_segments['前年_売上']) 
    / customer_segments['前年_売上'] * 100
).round(1)

# 結果を表示
print("=" * 60)
print("【STEP 2: 顧客セグメント別分析】")
print("=" * 60)
print()
print(customer_segments.to_string(index=False))

# 売上減少の内訳を計算
total_decline = -100  # 総売上減少額（百万円）

# 新規顧客による売上減少
new_customer_impact = 105 - 150  # 今年 - 前年 = -45百万円

# 既存顧客による売上減少
existing_customer_impact = 795 - 850  # 今年 - 前年 = -55百万円

# 寄与度（全体に占める割合）を計算
print()
print("【売上減少の内訳】")
print(f"  新規顧客の減少: {new_customer_impact}百万円")
print(f"    → 全体の {new_customer_impact/total_decline*100:.0f}% を占める")
print()
print(f"  既存顧客の減少: {existing_customer_impact}百万円")
print(f"    → 全体の {existing_customer_impact/total_decline*100:.0f}% を占める")

# Web解析データを作成
# 新規顧客獲得に関連する指標を比較

web_analytics = pd.DataFrame({
    '指標': [
        'サイト訪問者数',
        'コンバージョン率(CVR)',
        '新規顧客数',
        '広告費',
        '顧客獲得コスト(CPA)'
    ],
    '前年': [300000, 1.0, 3000, 60, 20000],
    '今年': [210000, 1.0, 2100, 42, 20000],
    '単位': ['人', '%', '人', '百万円', '円']
})

# 変化率を計算
web_analytics['変化率%'] = (
    (web_analytics['今年'] - web_analytics['前年']) 
    / web_analytics['前年'] * 100
).round(1)

# 結果を表示
print("=" * 60)
print("【STEP 3: Web解析データによる原因分析】")
print("=" * 60)
print()
print(web_analytics.to_string(index=False))

# 新規顧客数の計算式を検証
# 新規顧客数 = サイト訪問者数 × コンバージョン率

print()
print("【因果関係の検証】")
print()
print("新規顧客数 = サイト訪問者数 × CVR")
print()

# 前年の検算
visitors_ly = 300000
cvr_ly = 0.01  # 1.0% = 0.01
customers_ly = visitors_ly * cvr_ly
print(f"前年: {visitors_ly:,} × {cvr_ly:.1%} = {customers_ly:,.0f}人 ✓")

# 今年の検算
visitors_ty = 210000
cvr_ty = 0.01  # 1.0% = 0.01
customers_ty = visitors_ty * cvr_ty
print(f"今年: {visitors_ty:,} × {cvr_ty:.1%} = {customers_ty:,.0f}人 ✓")
print()

print("【結論】")
print("コンバージョン率(CVR)は変わっていない → サイトの問題ではない")
print("サイト訪問者数が30%減少 → これが新規顧客減少の直接原因")
print()
print("では、なぜサイト訪問者が減ったのか？")
print("→ 広告費を30%削減したから！")

# 統計分析に必要なライブラリを読み込む
from scipy import stats  # 統計検定を行うためのライブラリ

# 月次の広告費と新規顧客数のデータ（12ヶ月分）
# 広告費を段階的に削減した経緯をシミュレート
ad_spend = np.array([60, 58, 55, 50, 45, 42, 42, 42, 42, 42, 42, 42])  # 百万円
new_customers = np.array([250, 245, 230, 210, 190, 175, 175, 175, 175, 175, 175, 175])  # 人

# 相関係数を計算
# np.corrcoef(): 2つの配列の相関係数を計算
# 戻り値は2x2の行列で、[0,1]が相関係数
correlation = np.corrcoef(ad_spend, new_customers)[0, 1]

print("【相関分析】")
print(f"広告費と新規顧客数の相関係数: {correlation:.3f}")
print()

# 相関係数の解釈
if correlation >= 0.7:
    print("→ 非常に強い正の相関（広告費が増えると新規顧客も増える）")
elif correlation >= 0.4:
    print("→ 中程度の正の相関")
else:
    print("→ 弱い相関")

# 回帰分析を実行
# stats.linregress(): 単回帰分析を行う関数
# 戻り値: slope(傾き), intercept(切片), r_value(相関係数), 
#         p_value(有意確率), std_err(標準誤差)

slope, intercept, r_value, p_value, std_err = stats.linregress(ad_spend, new_customers)

print("【回帰分析】")
print(f"回帰式: 新規顧客数 = {intercept:.1f} + {slope:.2f} × 広告費")
print()
print(f"傾き(slope): {slope:.2f}")
print("→ 広告費を1百万円増やすと、新規顧客が約4人増える")
print()
print(f"決定係数(R²): {r_value**2:.3f}")
print("→ 新規顧客数の変動の96%が広告費で説明できる")
print()
print(f"p値: {p_value:.6f}")
print("→ p値 < 0.001 なので、統計的に非常に有意")