# ============================================ # ファネル分析の基本実装 # ============================================ # ファネル分析とは？ # → ユーザーが購入に至るまでの各段階を分析 # → どこで離脱が多いか（ボトルネック）を特定 # → 改善すべきポイントを明確にする import pandas as pd import numpy as np # ============================================ # ファネルデータを作成 # ============================================ # 各段階のユーザー数を記録 # → 通常、前の段階より少なくなる（離脱するため） funnel_data = { ‘stage’: [‘サイト訪問’, ‘商品閲覧’, ‘カート追加’, ‘会員登録’, ‘購入完了’], ‘users’: [10000, 5000, 1000, 600, 300] } df = pd.DataFrame(funnel_data) # 初期ユーザー数（比較の基準） initial_users = df[‘users’].iloc[0] # .iloc[0]: 最初の行 # ============================================ # 前段階からのCVR（Conversion Rate）を計算 # ============================================ # 各段階で「前の段階から何%が進んだか」 # → これが低い段階がボトルネック df[‘cvr_from_previous’] = [100.0] # 最初の段階は100% for i in range(1, len(df)): cvr = (df.loc[i, ‘users’] / df.loc[i-1, ‘users’]) * 100 df.loc[i, ‘cvr_from_previous’] = round(cvr, 1) # ============================================ # 初期からのCVR（全体CVR）を計算 # ============================================ # 「最初の段階から何%が到達したか」 # → 最終段階のCVRが「全体のCVR」 df[‘cvr_from_start’] = (df[‘users’] / initial_users * 100).round(1) # ============================================ # 離脱数と離脱率を計算 # ============================================ # dropoff: 前段階から何人減ったか # dropoff_rate: 全体に対する離脱率 df[‘dropoff’] = [0] + [df.loc[i-1, ‘users’] – df.loc[i, ‘users’] for i in range(1, len(df))] df[‘dropoff_rate’] = (df[‘dropoff’] / initial_users * 100).round(1) print(“【ファネル分析結果】”) print(df.to_string(index=False)) print(“\n【段階別サマリー】”) for i, row in df.iterrows(): if i == 0: print(f”1. {row[‘stage’]}: {row[‘users’]:,}人”) else: print(f”{i+1}. {row[‘stage’]}: {row[‘users’]:,}人 ” f”(前段階から{row[‘cvr_from_previous’]}%, 離脱{row[‘dropoff’]:,}人)”) print(“\n【分析のポイント】”) print(“・CVRが低い段階 = ボトルネック（改善優先度が高い）”) print(“・離脱数が多い段階 = インパクトが大きい改善ポイント”)

# ファネル図の可視化 import matplotlib.pyplot as plt import numpy as np def create_funnel_chart(stages, users, title=”ファネル分析”): “””ファネル図を作成””” fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6)) # 色の設定 colors = plt.cm.Blues(np.linspace(0.3, 0.8, len(stages))) initial_users = users[0] # === 左側：ファネル図（横棒グラフ） === y_positions = np.arange(len(stages)) widths = [u / initial_users for u in users] bars = ax1.barh(y_positions, widths, height=0.7, color=colors, edgecolor=’white’) # ラベル追加 for i, (stage, user, width) in enumerate(zip(stages, users, widths)): cvr = user / initial_users * 100 ax1.text(width/2, y_positions[i], f'{user:,}人\n({cvr:.1f}%)’, ha=’center’, va=’center’, fontweight=’bold’, fontsize=10) ax1.set_yticks(y_positions) ax1.set_yticklabels(stages) ax1.set_xlabel(‘割合’, fontsize=11) ax1.set_title(‘ファネル図’, fontsize=13, fontweight=’bold’) ax1.set_xlim(0, 1.1) ax1.invert_yaxis() ax1.grid(axis=’x’, alpha=0.3) # === 右側：段階別CVR === stage_cvrs = [] for i in range(1, len(users)): cvr = users[i] / users[i-1] * 100 stage_cvrs.append(cvr) stage_labels = [f'{stages[i]}→{stages[i+1]}’ for i in range(len(stages)-1)] bars2 = ax2.bar(range(len(stage_cvrs)), stage_cvrs, color=colors[1:], edgecolor=’black’) # 値を表示 for bar, cvr in zip(bars2, stage_cvrs): height = bar.get_height() color = ‘red’ if cvr < 30 else 'black' # 30%未満は赤色 ax2.text(bar.get_x() + bar.get_width()/2, height + 2, f'{cvr:.1f}%', ha='center', va='bottom', fontweight='bold', color=color) ax2.set_xticks(range(len(stage_labels))) ax2.set_xticklabels(stage_labels, rotation=45, ha='right', fontsize=9) ax2.set_ylabel('CVR (%)', fontsize=11) ax2.set_title('段階別CVR', fontsize=13, fontweight='bold') ax2.set_ylim(0, 100) ax2.axhline(y=30, color='red', linestyle='--', alpha=0.5, label='警告ライン(30%)') ax2.legend(loc='upper right') ax2.grid(axis='y', alpha=0.3) plt.tight_layout() plt.savefig('funnel_analysis.png', dpi=150, bbox_inches='tight') plt.show() print("→ グラフを保存しました: funnel_analysis.png") # 実行 stages = ['サイト訪問', '商品閲覧', 'カート追加', '会員登録', '購入完了'] users = [10000, 5000, 1000, 600, 300] create_funnel_chart(stages, users)

# ボトルネックの自動検出 def detect_bottlenecks(stages, users, threshold=30): “”” ボトルネック（CVRが低い段階）を検出 Parameters: ———– stages : list – 段階名のリスト users : list – 各段階のユーザー数 threshold : float – ボトルネックとみなすCVRの閾値（%） “”” print(“=” * 60) print(“ボトルネック分析レポート”) print(“=” * 60) bottlenecks = [] print(“\n【段階別CVR分析】”) for i in range(1, len(stages)): cvr = users[i] / users[i-1] * 100 dropoff = users[i-1] – users[i] status = “⚠️ ボトルネック” if cvr < threshold else "✅ 正常" print(f"{stages[i-1]} → {stages[i]}: CVR {cvr:.1f}% " f"(離脱 {dropoff:,}人) {status}") if cvr < threshold: bottlenecks.append({ 'from': stages[i-1], 'to': stages[i], 'cvr': cvr, 'dropoff': dropoff }) # ボトルネックのサマリー print(f"\n【ボトルネック一覧】（CVR {threshold}%未満）") if bottlenecks: for i, bn in enumerate(bottlenecks, 1): print(f"{i}. {bn['from']} → {bn['to']}") print(f" CVR: {bn['cvr']:.1f}%, 離脱: {bn['dropoff']:,}人") else: print("ボトルネックは検出されませんでした") # 最大のボトルネック if bottlenecks: worst = min(bottlenecks, key=lambda x: x['cvr']) print(f"\n【最も深刻なボトルネック】") print(f"📍 {worst['from']} → {worst['to']}") print(f" CVR: {worst['cvr']:.1f}%（{worst['dropoff']:,}人が離脱）") # 改善インパクト試算 target_cvr = 50 # 目標CVR potential_gain = users[stages.index(worst['from'])] * (target_cvr - worst['cvr']) / 100 print(f"\n【改善インパクト試算】") print(f"もしCVRを{worst['cvr']:.1f}% → {target_cvr}%に改善できれば...") print(f"→ +{potential_gain:,.0f}人が次の段階に進む") print("=" * 60) return bottlenecks # 実行 stages = ['サイト訪問', '商品閲覧', 'カート追加', '会員登録', '購入完了'] users = [10000, 5000, 1000, 600, 300] bottlenecks = detect_bottlenecks(stages, users, threshold=30)

# 改善効果のシミュレーション def simulate_improvement(stages, users, improve_stage_idx, new_cvr): “”” 特定段階のCVRを改善した場合の効果をシミュレーション Parameters: ———– stages : list – 段階名 users : list – 現在のユーザー数 improve_stage_idx : int – 改善する段階のインデックス（1以上） new_cvr : float – 改善後のCVR（%） “”” print(“=” * 60) print(“改善効果シミュレーション”) print(“=” * 60) # 現在のCVR current_cvr = users[improve_stage_idx] / users[improve_stage_idx – 1] * 100 print(f”\n【改善対象】”) print(f”段階: {stages[improve_stage_idx – 1]} → {stages[improve_stage_idx]}”) print(f”現在のCVR: {current_cvr:.1f}%”) print(f”目標CVR: {new_cvr:.1f}%”) # 改善後のユーザー数を計算 improved_users = users.copy() for i in range(improve_stage_idx, len(users)): if i == improve_stage_idx: improved_users[i] = int(improved_users[i-1] * new_cvr / 100) else: # 後続の段階は元のCVRを維持 original_cvr = users[i] / users[i-1] improved_users[i] = int(improved_users[i-1] * original_cvr) print(f”\n【改善前後の比較】”) print(f”{‘段階’:<12} {'改善前':>10} {‘改善後’:>10} {‘差’:>10}”) print(“-” * 45) for i, stage in enumerate(stages): diff = improved_users[i] – users[i] print(f”{stage:<12} {users[i]:>10,} {improved_users[i]:>10,} {diff:>+10,}”) # 最終CVRの改善 original_final_cvr = users[-1] / users[0] * 100 improved_final_cvr = improved_users[-1] / improved_users[0] * 100 print(f”\n【全体CVRの変化】”) print(f”改善前: {original_final_cvr:.2f}%”) print(f”改善後: {improved_final_cvr:.2f}%”) print(f”改善幅: +{improved_final_cvr – original_final_cvr:.2f}%ポイント”) # ビジネスインパクト（仮定） avg_order_value = 5000 # 平均注文金額 additional_purchases = improved_users[-1] – users[-1] additional_revenue = additional_purchases * avg_order_value print(f”\n【ビジネスインパクト】（客単価{avg_order_value:,}円の場合）”) print(f”追加購入者数: +{additional_purchases:,}人”) print(f”追加売上: +{additional_revenue:,}円”) print(“=” * 60) return improved_users # 実行例：「商品閲覧→カート追加」のCVRを20%→35%に改善 stages = [‘サイト訪問’, ‘商品閲覧’, ‘カート追加’, ‘会員登録’, ‘購入完了’] users = [10000, 5000, 1000, 600, 300] improved = simulate_improvement(stages, users, improve_stage_idx=2, new_cvr=35)