# ============================================ # NPS分析の実装 # ============================================ # NPS（Net Promoter Score）とは？ # → 顧客ロイヤルティを測る最もシンプルな指標 # → 「友人に勧めますか？」の1問だけで測定 # → 業績との相関が高く、多くの企業が採用 import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns # ============================================ # サンプルデータ作成 # ============================================ # np.random.seed(): 乱数の再現性を確保 # → 同じコードを実行すれば同じ結果が得られる # → 42は慣習的によく使われる数値（意味はない） np.random.seed(42) n_responses = 1000 # 回答数 # ============================================ # np.random.choice(): 指定した選択肢からランダムに選ぶ # ============================================ # パラメータ: # range(11): 選択肢（0〜10点の11段階） # size: 生成する数 # p: 各選択肢の確率（合計1.0になる必要あり） # → 実際のNPS調査に近い分布を再現 scores = np.random.choice(range(11), size=n_responses, p=[0.02, 0.03, 0.05, 0.08, 0.10, 0.12, 0.15, 0.18, 0.15, 0.08, 0.04]) # p配列の意味: # 0点: 2%, 1点: 3%, 2点: 5%, … 10点: 4% # → 7点付近が最も多い（現実的な分布） # ============================================ # pd.DataFrame(): データフレームを作成 # ============================================ # 辞書形式で列名と値を指定 # ‘customer_id’: 顧客ID（1〜1000） # ‘nps_score’: NPSスコア（0〜10） df = pd.DataFrame({ ‘customer_id’: range(1, n_responses + 1), ‘nps_score’: scores }) # ============================================ # NPSセグメント分類関数 # ============================================ # NPSの3分類ルール（世界共通の基準）: # 推奨者(Promoter): 9〜10点 → 熱狂的なファン # 中立者(Passive): 7〜8点 → 満足だが熱狂的でない # 批判者(Detractor): 0〜6点 → 不満を持っている def classify_nps(score): if score >= 9: return ‘Promoter’ # 推奨者 elif score >= 7: return ‘Passive’ # 中立者 else: return ‘Detractor’ # 批判者 # ============================================ # .apply(): 各行に関数を適用 # ============================================ # df[‘nps_score’]の各値にclassify_nps関数を適用 # → 結果を新しい列’segment’として追加 df[‘segment’] = df[‘nps_score’].apply(classify_nps) # ============================================ # NPS計算 # ============================================ # (df[‘segment’] == ‘Promoter’) の仕組み: # → 各行が条件を満たすかをTrue/Falseで返す # → [True, False, True, False, …]のような配列 # # .sum() の仕組み: # → True=1, False=0として合計 # → つまり、条件を満たす行数をカウント promoters = (df[‘segment’] == ‘Promoter’).sum() passives = (df[‘segment’] == ‘Passive’).sum() detractors = (df[‘segment’] == ‘Detractor’).sum() # len(df): データフレームの行数（総回答数） # 割合を計算（%） promoter_pct = promoters / len(df) * 100 passive_pct = passives / len(df) * 100 detractor_pct = detractors / len(df) * 100 # ============================================ # NPS = 推奨者% – 批判者% # ============================================ # 中立者は計算に含めない！（これがNPSの特徴） # 範囲: -100（全員批判者）〜 +100（全員推奨者） nps = promoter_pct – detractor_pct print(“【NPS分析結果】”) print(f”総回答数: {len(df)}件\n”) print(f”推奨者(9-10点): {promoters}人 ({promoter_pct:.1f}%)”) print(f”中立者(7-8点): {passives}人 ({passive_pct:.1f}%)”) print(f”批判者(0-6点): {detractors}人 ({detractor_pct:.1f}%)\n”) print(f”NPS = {promoter_pct:.1f}% – {detractor_pct:.1f}% = {nps:.1f}”) print() # ============================================ # スコア分布の確認 # ============================================ # .value_counts(): 各値の出現回数をカウント # → {7: 180, 6: 150, 8: 150, …}のような結果 # .sort_index(): インデックス（スコア）順にソート # → 0, 1, 2, … 10の順に並べ替え score_dist = df[‘nps_score’].value_counts().sort_index() print(“【スコア別分布】”) # .items(): Seriesのインデックスと値をペアで取得 # → (0, 20), (1, 30), (2, 50), …のように順番に取得 for score, count in score_dist.items(): pct = count / len(df) * 100 # ‘█’ * int(pct): 文字列の繰り返し # → pct=15なら ‘███████████████’（15個） bar = ‘█’ * int(pct) print(f”{score}点: {count:3d}人 ({pct:4.1f}%) {bar}”) print() # ============================================ # 可視化 # ============================================ # plt.subplots(): 複数のグラフを1つの図に配置 # 2, 2: 2行2列のグリッド（計4つのグラフ） # figsize: 図全体のサイズ（幅14インチ × 高さ10インチ） # # 戻り値: # fig: 図全体のオブジェクト # axes: 各グラフへのアクセス用（axes[行, 列]） fig, axes = plt.subplots(2, 2, figsize=(14, 10)) # ============================================ # グラフ1: スコア分布（棒グラフ） # ============================================ # 色の指定: [‘red’]*7 + [‘yellow’]*2 + [‘green’]*2 # [‘red’]*7 → [‘red’, ‘red’, ‘red’, ‘red’, ‘red’, ‘red’, ‘red’] # + で結合 → 11色のリスト（0-6点=赤, 7-8点=黄, 9-10点=緑） axes[0, 0].bar(score_dist.index, score_dist.values, color=[‘red’]*7 + [‘yellow’]*2 + [‘green’]*2, edgecolor=’black’) axes[0, 0].set_xlabel(‘NPSスコア’, fontsize=11) axes[0, 0].set_ylabel(‘回答数’, fontsize=11) axes[0, 0].set_title(‘NPSスコア分布’, fontsize=13, fontweight=’bold’) # set_xticks(): X軸の目盛りを設定（0〜10を明示） axes[0, 0].set_xticks(range(11)) # grid(): グリッド線を表示（alpha=0.3で薄く） axes[0, 0].grid(axis=’y’, alpha=0.3) # axvline(): 垂直線を追加（セグメント境界を明示） # x=6.5: 批判者(0-6)と中立者(7-8)の境界 # x=8.5: 中立者(7-8)と推奨者(9-10)の境界 axes[0, 0].axvline(x=6.5, color=’red’, linestyle=’–‘, linewidth=2, alpha=0.5) axes[0, 0].axvline(x=8.5, color=’green’, linestyle=’–‘, linewidth=2, alpha=0.5) # ============================================ # グラフ2: セグメント別割合（円グラフ） # ============================================ segment_counts = df[‘segment’].value_counts() colors_pie = [‘#ff6b6b’, ‘#ffd93d’, ‘#6bcf7f’] # 批判者=赤, 中立者=黄, 推奨者=緑 # explode: 各要素を中心から離す距離 # (0.05, 0, 0.05) → 1番目と3番目を少し外側に # → 批判者と推奨者を強調表示 explode = (0.05, 0, 0.05) # pie()のパラメータ: # autopct=’%1.1f%%’: 割合を小数点1桁で表示（例: 45.2%） # startangle=90: 12時の位置から開始 # explode: 要素を外側にずらす # textprops: ラベルのフォント設定 axes[0, 1].pie(segment_counts.values, labels=segment_counts.index, autopct=’%1.1f%%’, startangle=90, colors=colors_pie, explode=explode, textprops={‘fontsize’: 11, ‘fontweight’: ‘bold’}) axes[0, 1].set_title(f’セグメント別割合\nNPS = {nps:.0f}’, fontsize=13, fontweight=’bold’) # ============================================ # グラフ3: NPSの解釈（テキスト表示） # ============================================ # axis(‘off’): 軸を非表示にしてテキスト表示用スペースに axes[1, 0].axis(‘off’) nps_interpretation = f””” 【NPS = {nps:.0f} の解釈】 業界別ベンチマーク(一般的な目安): • 優秀: NPS 50以上 • 良好: NPS 30〜50 • 普通: NPS 10〜30 • 要改善: NPS 0〜10 • 危険: NPS 0未満 現在のNPS: {nps:.0f}点 → {“優秀!” if nps >= 50 else “良好!” if nps >= 30 else “普通” if nps >= 10 else “要改善” if nps >= 0 else “危険!”} 改善の余地: • 批判者を中立者に: +{detractor_pct:.0f}ポイント向上 • 中立者を推奨者に: +{passive_pct:.0f}ポイント向上 • 両方実現: +{detractor_pct + passive_pct:.0f}ポイント向上 “”” # text()のパラメータ: # 0.1, 0.5: テキストの位置（左から10%, 上下中央） # verticalalignment=’center’: 垂直方向の中央揃え # bbox: テキストを囲むボックスの設定 # boxstyle=’round’: 角丸の四角形 # facecolor=’wheat’: 背景色（小麦色） # alpha=0.3: 透明度（0.3で薄く） axes[1, 0].text(0.1, 0.5, nps_interpretation, fontsize=11, verticalalignment=’center’, fontfamily=’monospace’, bbox=dict(boxstyle=’round’, facecolor=’wheat’, alpha=0.3)) # ============================================ # グラフ4: 改善シミュレーション # ============================================ # 「もし改善したらNPSはどうなるか」を可視化 scenarios = [‘現状’, ‘批判者\n-50%’, ‘中立者\n→推奨者\n30%’, ‘両方\n改善’] nps_values = [ nps, # 現状 promoter_pct – (detractor_pct * 0.5), # 批判者半減 (promoter_pct + passive_pct * 0.3) – detractor_pct, # 中立者30%が推奨者に (promoter_pct + passive_pct * 0.3) – (detractor_pct * 0.5) # 両方改善 ] bars = axes[1, 1].bar(scenarios, nps_values, color=[‘gray’, ‘orange’, ‘lightblue’, ‘lightgreen’], edgecolor=’black’) axes[1, 1].set_ylabel(‘NPS’, fontsize=11) axes[1, 1].set_title(‘改善シナリオ別NPS’, fontsize=13, fontweight=’bold’) # axhline(): 水平線を追加（y=0のベースライン） axes[1, 1].axhline(y=0, color=’red’, linestyle=’-‘, linewidth=1) axes[1, 1].grid(axis=’y’, alpha=0.3) # ============================================ # zip(): 複数のリストを同時にループ # ============================================ # zip(bars, nps_values)の動作: # 1回目: bar=1番目の棒, value=nps_values[0] # 2回目: bar=2番目の棒, value=nps_values[1] # … と順番にペアで取得 for bar, value in zip(bars, nps_values): height = bar.get_height() # 棒の高さ（=NPSの値） # 棒の上にNPS値を表示 axes[1, 1].text(bar.get_x() + bar.get_width()/2, height + 2, f'{value:.0f}’, ha=’center’, fontweight=’bold’, fontsize=10) # tight_layout(): グラフ間の余白を自動調整 # → グラフ同士が重ならないように配置 plt.tight_layout() # show(): グラフを画面に表示 plt.show() # ============================================ # 批判者の詳細分析 # ============================================ # 批判者を改善するには、まず詳細を知る必要がある # # df[df[‘segment’] == ‘Detractor’] の仕組み: # 1. df[‘segment’] == ‘Detractor’ # → 各行がDetractorかどうかをTrue/Falseで判定 # 2. df[…] # → Trueの行だけを抽出（フィルタリング） # 3. [‘nps_score’] # → その中からnps_score列だけを取得 detractor_scores = df[df[‘segment’] == ‘Detractor’][‘nps_score’] print(“【批判者の詳細】”) print(f”批判者数: {len(detractor_scores)}人”) # .mean(): 平均値を計算 print(f”平均スコア: {detractor_scores.mean():.1f}点”) # .mode(): 最頻値（最も多い値）を取得 # → 結果はSeriesで返るので[0]で最初の値を取得 print(f”最頻値: {detractor_scores.mode()[0]}点”) print() print(“スコア別内訳:”) for score in range(7): # 0〜6点（批判者の範囲） count = (detractor_scores == score).sum() if count > 0: print(f” {score}点: {count}人”) print(“\n【分析のポイント】”) print(“・0〜3点: 深刻な不満（優先対応が必要）”) print(“・4〜6点: 改善の余地あり（中立者に転換可能）”)

# ============================================ # セグメント別NPS分析 # ============================================ # なぜセグメント別に分析するか？ # → 全体のNPSだけでは改善ポイントが分からない # → 「どの顧客層に問題があるか」を特定する # → 効果的な施策を打てる # ============================================ # 顧客属性を追加（サンプル） # ============================================ # np.random.choice(): ランダムにカテゴリを割り当て # p: 各カテゴリの割合（合計1.0） # # customer_type: 顧客タイプ # 新規30%, リピーター50%, VIP20%の割合で生成 df[‘customer_type’] = np.random.choice([‘新規’, ‘リピーター’, ‘VIP’], size=len(df), p=[0.3, 0.5, 0.2]) # age_group: 年代 # 20代20%, 30代35%, 40代30%, 50代以上15% df[‘age_group’] = np.random.choice([’20代’, ’30代’, ’40代’, ’50代以上’], size=len(df), p=[0.2, 0.35, 0.3, 0.15]) # ============================================ # NPS計算関数 # ============================================ # セグメント別にNPSを計算するための汎用関数 # → 同じ計算を何度も書かなくて済む def calculate_nps(data): “”” データフレームからNPSを計算 Parameters: ———– data : DataFrame – ‘segment’列を含むデータ Returns: ——– float – NPS値（-100〜+100） 計算式: NPS = (推奨者数 / 総数 – 批判者数 / 総数) × 100 “”” # 推奨者と批判者の人数をカウント promoters = (data[‘segment’] == ‘Promoter’).sum() detractors = (data[‘segment’] == ‘Detractor’).sum() total = len(data) # NPS = 推奨者% – 批判者% return (promoters / total – detractors / total) * 100 # ============================================ # 顧客タイプ別NPS # ============================================ print(“【顧客タイプ別NPS】”) for ctype in [‘新規’, ‘リピーター’, ‘VIP’]: # df[df[‘customer_type’] == ctype] の仕組み: # 1. df[‘customer_type’] == ctype # → 各行がctypeと一致するかをTrue/Falseで判定 # 2. df[…] # → Trueの行だけを抽出 subset = df[df[‘customer_type’] == ctype] nps_value = calculate_nps(subset) print(f”{ctype}: NPS = {nps_value:.1f} ({len(subset)}人)”) print() # ============================================ # 年代別NPS # ============================================ print(“【年代別NPS】”) for age in [’20代’, ’30代’, ’40代’, ’50代以上’]: subset = df[df[‘age_group’] == age] nps_value = calculate_nps(subset) print(f”{age}: NPS = {nps_value:.1f} ({len(subset)}人)”) print() # ============================================ # 批判者が多いセグメントを特定 # ============================================ # これが最も重要な分析！ # → 「どのセグメントに不満を持つ顧客が多いか」を特定 # → 優先的に対応すべきセグメントが分かる print(“【詳細分析:批判者が多いセグメント】”) # Step 1: 批判者だけを抽出し、顧客タイプ別にカウント # df[df[‘segment’] == ‘Detractor’]: 批判者だけを抽出 # .groupby(‘customer_type’): 顧客タイプでグループ化 # .size(): 各グループの件数をカウント detractor_by_type = df[df[‘segment’] == ‘Detractor’].groupby(‘customer_type’).size() # Step 2: 各顧客タイプの総数を取得 total_by_type = df.groupby(‘customer_type’).size() # Step 3: 批判者率を計算（批判者数 / 総数 × 100） detractor_by_type_pct = detractor_by_type / total_by_type * 100 # Step 4: 批判者率が高い順にソートして表示 # .sort_values(ascending=False): 降順（大きい順）にソート # .items(): インデックス（顧客タイプ）と値（批判者率）をペアで取得 for ctype, pct in detractor_by_type_pct.sort_values(ascending=False).items(): print(f”{ctype}: 批判者率 {pct:.1f}%”) print(“\n【改善の優先順位】”) print(“批判者率が高いセグメント = 優先的に対応すべき”) print(“→ 不満の原因をヒアリングし、改善策を実施”) print(“\n【次のアクション】”) print(“1. 批判者率が最も高いセグメントの顧客にインタビュー”) print(“2. 不満の原因を特定（価格？品質？サポート？）”) print(“3. 具体的な改善策を実施”) print(“4. 改善後のNPSを再測定”)