# ============================================ # MECEな売上分解：商品 × チャネル # ============================================ import numpy as np import pandas as pd import matplotlib.pyplot as plt # 日本語フォント設定 plt.rcParams[‘font.sans-serif’] = [‘Arial Unicode MS’, ‘Yu Gothic’, ‘Hiragino Sans’] plt.rcParams[‘axes.unicode_minus’] = False np.random.seed(42) # 商品とチャネルの定義 products = [“商品A”, “商品B”, “商品C”] channels = [“店舗”, “オンライン”, “卸売”] # 売上データを生成 sales_data = [] for product in products: for channel in channels: sales = np.random.uniform(500, 2000) sales_data.append({ “商品”: product, “チャネル”: channel, “売上”: round(sales, 0) }) df_sales = pd.DataFrame(sales_data) # ピボットテーブルで2次元表示 pivot = df_sales.pivot(index=”商品”, columns=”チャネル”, values=”売上”) pivot[“合計”] = pivot.sum(axis=1) pivot.loc[“合計”] = pivot.sum() print(“【売上の2次元MECE分解（単位：万円）】”) print(“=” * 60) print(pivot.to_string()) print() # MECEチェック total_from_data = df_sales[“売上”].sum() total_from_pivot = pivot.loc[“合計”, “合計”] print(“【MECEチェック】”) print(f”データ合計: {total_from_data:,.0f}万円”) print(f”ピボット合計: {total_from_pivot:,.0f}万円”) if abs(total_from_data – total_from_pivot) < 1: print("✓ MECE検証OK：漏れ・ダブりなし") else: print("✗ MECE違反：漏れまたはダブりあり")

# 異なる分解方法でも合計が一致することを確認 print(“【分解方法の比較】”) print(“=” * 60) # 商品別の合計 by_product = df_sales.groupby(“商品”)[“売上”].sum() print(“商品別分解:”) for product, sales in by_product.items(): print(f” {product}: {sales:,.0f}万円”) print(f” → 合計: {by_product.sum():,.0f}万円”) print() # チャネル別の合計 by_channel = df_sales.groupby(“チャネル”)[“売上”].sum() print(“チャネル別分解:”) for channel, sales in by_channel.items(): print(f” {channel}: {sales:,.0f}万円”) print(f” → 合計: {by_channel.sum():,.0f}万円”) print() # 全データの合計 total = df_sales[“売上”].sum() print(f”【結論】どの分解方法でも合計は {total:,.0f}万円 で一致”) print(“→ すべての分解がMECE！”)

# ============================================ # MECEな分解の可視化（4つのグラフ） # ============================================ fig, axes = plt.subplots(2, 2, figsize=(14, 10)) # 1. 商品別売上（MECEな分解） ax1 = axes[0, 0] product_sales = df_sales.groupby(“商品”)[“売上”].sum().sort_values(ascending=False) colors1 = [“#4ecdc4”, “#ff6b6b”, “#f9ca24”] bars = ax1.bar(product_sales.index, product_sales.values, color=colors1, alpha=0.7) ax1.set_ylabel(“売上（万円）”, fontsize=11) ax1.set_title(“商品別売上（MECE分解）”, fontsize=13, fontweight=”bold”) ax1.grid(axis=”y”, alpha=0.3) # 値を表示 for bar, val in zip(bars, product_sales.values): height = bar.get_height() ax1.text(bar.get_x() + bar.get_width()/2., height, f”{val:,.0f}”, ha=”center”, va=”bottom”, fontsize=10) # 合計を表示 total = product_sales.sum() ax1.text(0.5, 0.95, f”合計: {total:,.0f}万円”, transform=ax1.transAxes, ha=”center”, va=”top”, bbox=dict(boxstyle=”round”, facecolor=”wheat”, alpha=0.5), fontsize=11, fontweight=”bold”) # 2. チャネル別売上（MECEな分解） ax2 = axes[0, 1] channel_sales = df_sales.groupby(“チャネル”)[“売上”].sum().sort_values(ascending=False) colors2 = [“#667eea”, “#a29bfe”, “#fd79a8”] bars = ax2.bar(channel_sales.index, channel_sales.values, color=colors2, alpha=0.7) ax2.set_ylabel(“売上（万円）”, fontsize=11) ax2.set_title(“チャネル別売上（MECE分解）”, fontsize=13, fontweight=”bold”) ax2.grid(axis=”y”, alpha=0.3) for bar, val in zip(bars, channel_sales.values): height = bar.get_height() ax2.text(bar.get_x() + bar.get_width()/2., height, f”{val:,.0f}”, ha=”center”, va=”bottom”, fontsize=10) ax2.text(0.5, 0.95, f”合計: {total:,.0f}万円”, transform=ax2.transAxes, ha=”center”, va=”top”, bbox=dict(boxstyle=”round”, facecolor=”wheat”, alpha=0.5), fontsize=11, fontweight=”bold”) # 3. 2次元分解（商品×チャネル） ax3 = axes[1, 0] x_pos = np.arange(len(products)) width = 0.25 for i, channel in enumerate(channels): channel_data = df_sales[df_sales[“チャネル”] == channel] values = [channel_data[channel_data[“商品”] == p][“売上”].values[0] for p in products] ax3.bar(x_pos + i * width, values, width, label=channel, alpha=0.7, color=colors2[i]) ax3.set_xlabel(“商品”, fontsize=11) ax3.set_ylabel(“売上（万円）”, fontsize=11) ax3.set_title(“商品×チャネル（2次元MECE分解）”, fontsize=13, fontweight=”bold”) ax3.set_xticks(x_pos + width) ax3.set_xticklabels(products) ax3.legend() ax3.grid(axis=”y”, alpha=0.3) # 4. MECEチェックの可視化（分解方法ごとの合計比較） ax4 = axes[1, 1] breakdown_methods = [“商品別\n分解”, “チャネル別\n分解”, “2次元\n分解”] totals = [product_sales.sum(), channel_sales.sum(), df_sales[“売上”].sum()] colors_check = [“#4ecdc4” if abs(t – total) < 0.01 else "#ff6b6b" for t in totals] bars = ax4.bar(breakdown_methods, totals, color=colors_check, alpha=0.7) ax4.axhline(y=total, color="red", linestyle="--", linewidth=2, label=f"正解: {total:,.0f}万円") ax4.set_ylabel("売上合計（万円）", fontsize=11) ax4.set_title("MECE検証（すべて同じ＝MECE成立）", fontsize=13, fontweight="bold") ax4.legend() ax4.grid(axis="y", alpha=0.3) for bar, val in zip(bars, totals): height = bar.get_height() ax4.text(bar.get_x() + bar.get_width()/2., height, f"{val:,.0f}", ha="center", va="bottom", fontsize=10, fontweight="bold") plt.tight_layout() plt.show()

# ============================================ # MECEチェックリスト # ============================================ print(“【MECEチェックリスト】”) print(“=” * 60) print() checklist = [ { “項目”: “1. 分類軸は1つか”, “確認内容”: “同じレベルで1つの軸を使っているか？”, “良い例”: “✓ 商品別 OR チャネル別（混ぜない）” }, { “項目”: “2. 相互排他的（ME）”, “確認内容”: “各項目は1つのカテゴリにだけ属するか？”, “良い例”: “✓ 店舗とオンラインは重複なし” }, { “項目”: “3. 全体網羅的（CE）”, “確認内容”: “すべての項目を足すと全体になるか？”, “良い例”: “✓ 商品A + B + C = 全売上” }, { “項目”: “4. 粒度が適切”, “確認内容”: “細かすぎず、粗すぎないか？”, “良い例”: “✓ 3-5分類が扱いやすい” }, { “項目”: “5. アクションにつながる”, “確認内容”: “この分解から意思決定できるか？”, “良い例”: “✓ 不調商品の特定→改善策の立案” } ] for item in checklist: print(f”{item[‘項目’]}”) print(f” 確認: {item[‘確認内容’]}”) print(f” 例: {item[‘良い例’]}”) print()

# ============================================ # ロジックツリーのMECE検証と改善機会の特定 # ============================================ # ツリー構造を辞書で定義 logic_tree = { “名称”: “利益”, “値”: 1000, “子要素”: [ { “名称”: “売上”, “値”: 5000, “子要素”: [ {“名称”: “商品A”, “値”: 2000}, {“名称”: “商品B”, “値”: 1800}, {“名称”: “商品C”, “値”: 1200} ] }, { “名称”: “コスト”, “値”: -4000, “子要素”: [ {“名称”: “変動費”, “値”: -2500}, {“名称”: “固定費”, “値”: -1500} ] } ] } def check_mece(node, level=0): “””各レベルでMECEをチェック””” if “子要素” not in node: return children_sum = sum(child[“値”] for child in node[“子要素”]) parent_value = node[“値”] is_mece = abs(children_sum – parent_value) < 0.01 indent = " " * level status = "✓ OK" if is_mece else "✗ NG" print(f"{indent}{node['名称']}: {parent_value:+,}万円") print(f"{indent} 子要素合計: {children_sum:+,}万円 → {status}") for child in node["子要素"]: check_mece(child, level + 1) print("【ロジックツリーのMECE検証】") print("=" * 60) check_mece(logic_tree) print() # 改善機会の特定 print("【改善機会の特定】") print("=" * 60) print() print("【売上側の分析】") print() print("商品パフォーマンス:") print(" 1. 商品A: 2,000万円（売上の40%）- 好調") print(" → 維持・投資継続") print() print(" 2. 商品B: 1,800万円（売上の36%）- 良好") print(" → 成長の余地あり") print() print(" 3. 商品C: 1,200万円（売上の24%）- 要改善") print(" → リニューアルまたは撤退検討") print() print("チャネル分析:") print(" ・店舗: 2,700万円（54%）") print(" ・オンライン: 2,300万円（46%）") print(" → オンラインが伸びている、投資強化") print() print("【コスト側の分析】") print() print("変動費: 2,500万円（コストの62.5%）") print(" ・材料費: 1,500万円 → 仕入先との交渉余地") print(" ・外注費: 1,000万円 → 内製化の検討") print() print("固定費: 1,500万円（コストの37.5%）") print(" ・人件費: 800万円 → 適正化の余地") print(" ・家賃: 400万円 → 移転・再交渉の検討") print(" ・その他: 300万円 → 見直し")

# ============================================ # アクションプラン（優先順位付き） # ============================================ print(“【アクションプラン（優先順位付き）】”) print(“=” * 60) print() actions = [ { “優先度”: 1, “施策”: “商品Cのリニューアルまたは撤退”, “対象”: “売上”, “期待効果”: “+300万円”, “期間”: “3ヶ月” }, { “優先度”: 2, “施策”: “オンラインチャネルへの投資強化”, “対象”: “売上”, “期待効果”: “+500万円”, “期間”: “6ヶ月” }, { “優先度”: 3, “施策”: “材料費の仕入先交渉”, “対象”: “コスト”, “期待効果”: “▲200万円削減”, “期間”: “1ヶ月” }, { “優先度”: 4, “施策”: “人員配置の最適化”, “対象”: “コスト”, “期待効果”: “▲150万円削減”, “期間”: “6ヶ月” }, { “優先度”: 5, “施策”: “外注業務の内製化検討”, “対象”: “コスト”, “期待効果”: “▲150万円削減”, “期間”: “3ヶ月” } ] for action in actions: print(f”{action[‘優先度’]}. {action[‘施策’]}”) print(f” 対象: {action[‘対象’]}”) print(f” 期待効果: {action[‘期待効果’]}”) print(f” 期間: {action[‘期間’]}”) print() # 期待される総合効果 print(“=” * 60) print(“【期待される総合効果】”) print(“=” * 60) print() print(f”現在の利益: 1,000万円”) print() print(“改善効果:”) print(” 売上増: +800万円（商品C改善+300、オンライン+500）”) print(” コスト削減: ▲500万円（材料▲200、人員▲150、内製化▲150）”) print(” 合計: +1,300万円”) print() print(f”改善後の利益: 2,300万円”) print(f”改善率: +130%”)