# ============================================ # Step 1：ライブラリのインポートとデータ準備 # ============================================ # データ操作用ライブラリ import numpy as np # 数値計算（配列操作、乱数生成など） import pandas as pd # データフレーム操作（表形式データの処理） # 可視化用ライブラリ import matplotlib.pyplot as plt # グラフ描画の基本ライブラリ # 日本語フォントの設定（文字化け防止） # Mac/Windows/Linuxで使用可能なフォントを順に指定 plt.rcParams[‘font.sans-serif’] = [‘Arial Unicode MS’, ‘Yu Gothic’, ‘Hiragino Sans’] plt.rcParams[‘axes.unicode_minus’] = False # マイナス記号の文字化け防止 # 乱数シードを固定（実行するたびに同じ結果を得るため） np.random.seed(42) print(“✓ ライブラリのインポート完了”) print(“✓ 日本語フォント設定完了”) print() # ============================================ # サンプルデータ：ECサイトの売上データ # ============================================ # 売上データを作成（商品カテゴリ × 販売チャネル × 顧客タイプ） data = { “カテゴリ”: [“家電”, “家電”, “家電”, “家電”, “アパレル”, “アパレル”, “アパレル”, “アパレル”, “食品”, “食品”, “食品”, “食品”], “チャネル”: [“店舗”, “店舗”, “EC”, “EC”] * 3, “顧客タイプ”: [“新規”, “既存”, “新規”, “既存”] * 3, “売上_前年”: [1200, 1800, 800, 1000, # 家電 600, 900, 400, 500, # アパレル 300, 450, 200, 250], # 食品 “売上_今年”: [1000, 1700, 900, 1100, # 家電（店舗減、EC増） 500, 800, 500, 600, # アパレル（店舗減、EC増） 280, 420, 250, 300] # 食品（微減、EC増） } # DataFrameに変換 df = pd.DataFrame(data) # 前年比を計算（今年の売上 ÷ 前年の売上 – 1） df[“前年比”] = (df[“売上_今年”] / df[“売上_前年”] – 1) * 100 print(“【ECサイト売上データ（単位：万円）】”) print(“=” * 70) print(df.to_string(index=False)) print() # 全体の売上を集計 total_last_year = df[“売上_前年”].sum() total_this_year = df[“売上_今年”].sum() total_growth = (total_this_year / total_last_year – 1) * 100 print(f”【全体サマリー】”) print(f”前年売上合計: {total_last_year:,}万円”) print(f”今年売上合計: {total_this_year:,}万円”) print(f”前年比: {total_growth:+.1f}%”)

# ============================================ # Step 2：What Tree（要素分解型）の実装 # ============================================ # 目的：売上を階層的に分解して全体像を把握する print(“【What Tree：売上の要素分解】”) print(“=” * 70) print() # —– レベル1：全体 —– print(“■ レベル1：全体”) print(f” 売上合計: {total_this_year:,}万円（前年比 {total_growth:+.1f}%）”) print() # —– レベル2：カテゴリ別に分解 —– print(“■ レベル2：カテゴリ別分解”) # groupby()でカテゴリごとに集計 # agg()で複数の集計を一度に実行 by_category = df.groupby(“カテゴリ”).agg({ “売上_前年”: “sum”, # 前年売上の合計 “売上_今年”: “sum” # 今年売上の合計 }).reset_index() # 前年比と構成比を計算 by_category[“前年比”] = (by_category[“売上_今年”] / by_category[“売上_前年”] – 1) * 100 by_category[“構成比”] = by_category[“売上_今年”] / total_this_year * 100 # 売上が大きい順にソート by_category = by_category.sort_values(“売上_今年”, ascending=False) # 結果を表示（ツリー形式） for _, row in by_category.iterrows(): print(f” ├── {row[‘カテゴリ’]}: {row[‘売上_今年’]:,.0f}万円”) print(f” │ 構成比: {row[‘構成比’]:.1f}% 前年比: {row[‘前年比’]:+.1f}%”) print() # —– レベル3：カテゴリ×チャネルで分解 —– print(“■ レベル3：カテゴリ × チャネル別分解”) # 2つの軸でグループ化 by_cat_channel = df.groupby([“カテゴリ”, “チャネル”]).agg({ “売上_前年”: “sum”, “売上_今年”: “sum” }).reset_index() by_cat_channel[“前年比”] = (by_cat_channel[“売上_今年”] / by_cat_channel[“売上_前年”] – 1) * 100 # カテゴリごとにツリー表示 for category in by_category[“カテゴリ”]: cat_data = by_cat_channel[by_cat_channel[“カテゴリ”] == category] cat_total = cat_data[“売上_今年”].sum() print(f” {category} ({cat_total:,.0f}万円)”) for _, row in cat_data.iterrows(): share = row[“売上_今年”] / cat_total * 100 print(f” ├── {row[‘チャネル’]}: {row[‘売上_今年’]:,.0f}万円”) print(f” │ カテゴリ内構成比: {share:.1f}% 前年比: {row[‘前年比’]:+.1f}%”) print() # MECEチェック level2_total = by_category[“売上_今年”].sum() level3_total = by_cat_channel[“売上_今年”].sum() print(“【MECEチェック】”) print(f” 全体: {total_this_year:,}万円”) print(f” レベル2合計: {level2_total:,.0f}万円”) print(f” レベル3合計: {level3_total:,.0f}万円”) if abs(total_this_year – level2_total) < 1 and abs(total_this_year - level3_total) < 1: print(" ✓ MECE検証OK：すべてのレベルで合計が一致") else: print(" ✗ MECE違反：合計が一致しません")

# ============================================ # Step 3：Why Tree（原因追求型）の実装 # ============================================ # 目的：店舗売上減少の原因を特定する print(“【Why Tree：店舗売上減少の原因分析】”) print(“=” * 70) print() # —– 店舗データを抽出 —– store_data = df[df[“チャネル”] == “店舗”].copy() # 店舗全体の売上変化 store_last = store_data[“売上_前年”].sum() store_this = store_data[“売上_今年”].sum() store_change = store_this – store_last store_growth = (store_this / store_last – 1) * 100 print(“■ メインイシュー：店舗売上が減少している”) print(f” 店舗売上: {store_last:,}万円 → {store_this:,}万円”) print(f” 変化額: {store_change:+,}万円（前年比 {store_growth:+.1f}%）”) print() # —– レベル1：顧客タイプ別の分解 —– print(“■ 原因レベル1：どの顧客タイプが減少？”) by_customer = store_data.groupby(“顧客タイプ”).agg({ “売上_前年”: “sum”, “売上_今年”: “sum” }).reset_index() by_customer[“変化額”] = by_customer[“売上_今年”] – by_customer[“売上_前年”] by_customer[“前年比”] = (by_customer[“売上_今年”] / by_customer[“売上_前年”] – 1) * 100 by_customer[“寄与度”] = by_customer[“変化額”] / store_last * 100 for _, row in by_customer.iterrows(): print(f” ├── {row[‘顧客タイプ’]}顧客: {row[‘変化額’]:+,.0f}万円”) print(f” │ 前年比: {row[‘前年比’]:+.1f}% 寄与度: {row[‘寄与度’]:+.1f}%”) print() # —– レベル2：カテゴリ×顧客タイプの詳細分解 —– print(“■ 原因レベル2：カテゴリ別の詳細”) by_cat_cust = store_data.groupby([“カテゴリ”, “顧客タイプ”]).agg({ “売上_前年”: “sum”, “売上_今年”: “sum” }).reset_index() by_cat_cust[“変化額”] = by_cat_cust[“売上_今年”] – by_cat_cust[“売上_前年”] by_cat_cust[“前年比”] = (by_cat_cust[“売上_今年”] / by_cat_cust[“売上_前年”] – 1) * 100 # 変化額が大きい順にソート（減少が大きい順） by_cat_cust_sorted = by_cat_cust.sort_values(“変化額”) print(” 【減少が大きい順】”) for _, row in by_cat_cust_sorted.iterrows(): impact = “★” if row[“変化額”] < -100 else "" print(f" ├── {row['カテゴリ']}×{row['顧客タイプ']}: {row['変化額']:+,.0f}万円 ({row['前年比']:+.1f}%) {impact}") print() # ----- 原因の要約 ----- print("■ Why Treeの結論") print("=" * 70) # 最大の減少要因を特定 worst = by_cat_cust_sorted.iloc[0] print(f" 【根本原因の特定】") print(f" 最大の減少: {worst['カテゴリ']}×{worst['顧客タイプ']} ({worst['変化額']:+,.0f}万円)") print() print(" 【原因の構造】") print(f" 店舗売上減少 {store_change:+,}万円") print(f" └── 新規顧客の減少が主因（寄与度大）") print(f" ├── 家電×新規: ▲200万円 ★最大") print(f" ├── アパレル×新規: ▲100万円") print(f" └── 食品×新規: ▲20万円") print() print(" → 「なぜ新規顧客が店舗に来なくなったか」をさらに深掘りする必要あり")

# ============================================ # Step 4：How Tree（問題解決型）の実装 # ============================================ # 目的：店舗売上回復のための施策を立案する print(“【How Tree：店舗売上回復の施策立案】”) print(“=” * 70) print() # —– 目標設定 —– # 前年水準への回復を目標 target_increase = abs(store_change) # 550万円の回復が必要 print(“■ 目標：店舗売上を前年水準に回復”) print(f” 必要な売上増: +{target_increase:,}万円”) print() # —– 施策案の定義 —– # 各施策の効果を試算（仮説ベース） strategies = [ { “施策”: “店舗限定セールの実施”, “対象”: “全カテゴリ×新規”, “投資”: 50, # 万円 “期待効果”: 150, # 万円 “実現性”: “高”, “期間”: “1ヶ月” }, { “施策”: “店舗スタッフの接客強化”, “対象”: “家電×新規”, “投資”: 100, “期待効果”: 200, “実現性”: “中”, “期間”: “3ヶ月” }, { “施策”: “店舗とECのポイント共通化”, “対象”: “全カテゴリ×既存”, “投資”: 80, “期待効果”: 120, “実現性”: “高”, “期間”: “2ヶ月” }, { “施策”: “店舗限定商品の開発”, “対象”: “アパレル×新規”, “投資”: 200, “期待効果”: 180, “実現性”: “低”, “期間”: “6ヶ月” } ] # DataFrameに変換して分析 df_strategies = pd.DataFrame(strategies) # ROI（投資対効果）を計算 df_strategies[“ROI”] = (df_strategies[“期待効果”] – df_strategies[“投資”]) / df_strategies[“投資”] * 100 # ROIが高い順にソート df_strategies = df_strategies.sort_values(“ROI”, ascending=False) print(“■ 施策案（ROI順）”) print(“-” * 70) total_effect = 0 total_invest = 0 selected = [] for i, (_, row) in enumerate(df_strategies.iterrows(), 1): roi_star = “★” if row[“ROI”] >= 100 else “” print(f” {i}. {row[‘施策’]}”) print(f” 対象: {row[‘対象’]}”) print(f” 投資: {row[‘投資’]:,}万円 → 期待効果: {row[‘期待効果’]:,}万円”) print(f” ROI: {row[‘ROI’]:+.0f}% 実現性: {row[‘実現性’]} 期間: {row[‘期間’]} {roi_star}”) print() # ROI 100%以上かつ実現性が中以上を選択 if row[“ROI”] >= 100 and row[“実現性”] in [“高”, “中”]: total_effect += row[“期待効果”] total_invest += row[“投資”] selected.append(row[“施策”]) # —– 施策の組み合わせ評価 —– print(“■ 推奨施策の組み合わせ”) print(“=” * 70) print(” 【選定基準】”) print(” ・ROI 100%以上”) print(” ・実現性が「高」または「中」”) print() print(” 【選定された施策】”) for s in selected: print(f” ✓ {s}”) print() print(” 【期待される効果】”) print(f” 投資合計: {total_invest:,}万円”) print(f” 期待効果合計: {total_effect:,}万円”) print(f” 目標達成率: {total_effect / target_increase * 100:.1f}%”) print() # 目標達成判定 if total_effect >= target_increase: print(f” ✓ 目標（+{target_increase:,}万円）を達成見込み！”) else: gap = target_increase – total_effect print(f” △ 目標まであと {gap:,}万円の施策が必要”)

# ============================================ # Step 5：イシューツリーの実装 # ============================================ # 目的：問いを分解して仮説検証計画を立てる print(“【イシューツリー：新規顧客減少の仮説検証】”) print(“=” * 70) print() # イシューツリーを辞書で定義 # 各イシューには「問い」「仮説」「検証方法」「判定基準」を設定 issue_tree = { “メインイシュー”: “なぜ店舗の新規顧客が減少しているか？”, “サブイシュー”: [ { “問い”: “集客が減っているか？”, “仮説”: “来店客数が前年比▲20%減少”, “検証方法”: “店舗の入店カウンターデータ”, “判定基準”: “前年比▲10%以上で問題あり”, “検証結果”: “▲18%（仮説支持）”, “詳細イシュー”: [ { “問い”: “認知が低下しているか？”, “仮説”: “広告露出が前年比▲30%”, “検証方法”: “広告出稿データ”, “判定基準”: “前年比▲15%以上で問題あり”, “検証結果”: “▲25%（仮説支持）” }, { “問い”: “競合に流出しているか？”, “仮説”: “近隣競合の売上が+15%”, “検証方法”: “競合調査データ”, “判定基準”: “競合+10%以上で影響大”, “検証結果”: “+12%（仮説支持）” } ] }, { “問い”: “購買率が下がっているか？”, “仮説”: “来店からの購買率が前年比▲5%”, “検証方法”: “POS×入店データ”, “判定基準”: “前年比▲3%以上で問題あり”, “検証結果”: “▲2%（仮説棄却）”, “詳細イシュー”: [] }, { “問い”: “客単価が下がっているか？”, “仮説”: “新規顧客の客単価が▲10%”, “検証方法”: “POSデータ（新規顧客）”, “判定基準”: “前年比▲5%以上で問題あり”, “検証結果”: “▲3%（仮説棄却）”, “詳細イシュー”: [] } ] } # イシューツリーを表示 print(f”■ {issue_tree[‘メインイシュー’]}”) print() for i, sub in enumerate(issue_tree[“サブイシュー”], 1): # 検証結果から支持/棄却を判定 is_supported = “支持” in sub[“検証結果”] status = “★要対策” if is_supported else “→問題なし” print(f” {i}. {sub[‘問い’]}”) print(f” 仮説: {sub[‘仮説’]}”) print(f” 検証: {sub[‘検証方法’]}”) print(f” 結果: {sub[‘検証結果’]} {status}”) # 詳細イシューがある場合 if sub[“詳細イシュー”]: for j, detail in enumerate(sub[“詳細イシュー”], 1): detail_supported = “支持” in detail[“検証結果”] detail_status = “★★根本原因” if detail_supported else “” print(f” {i}-{j}. {detail[‘問い’]}”) print(f” 仮説: {detail[‘仮説’]}”) print(f” 結果: {detail[‘検証結果’]} {detail_status}”) print() # —– 検証結果のサマリー —– print(“■ イシューツリーの結論”) print(“=” * 70) print() print(” 【根本原因として特定】”) print(” 1. 広告露出の減少（▲25%）→ 認知低下”) print(” 2. 競合への流出（競合+12%）→ 相対的魅力度低下”) print() print(” 【問題なしと判定】”) print(” ・購買率: ▲2%（基準の▲3%以内）”) print(” ・客単価: ▲3%（基準の▲5%以内）”) print() print(” 【次のアクション】”) print(” → 広告投資の回復と、競合差別化施策の検討”)

# ============================================ # Step 6：分析結果の可視化 # ============================================ # 目的：分析結果を4つのグラフで可視化する fig, axes = plt.subplots(2, 2, figsize=(14, 10)) # ============================================ # グラフ1：チャネル別売上の前年比較（What Tree） # ============================================ ax1 = axes[0, 0] # チャネル別にデータを集計 channel_data = df.groupby(“チャネル”).agg({ “売上_前年”: “sum”, “売上_今年”: “sum” }).reset_index() x = np.arange(len(channel_data)) # X軸の位置 width = 0.35 # 棒の幅 # 前年と今年の棒グラフを並べて表示 bars1 = ax1.bar(x – width/2, channel_data[“売上_前年”], width, label=”前年”, color=”#90caf9″, alpha=0.8) bars2 = ax1.bar(x + width/2, channel_data[“売上_今年”], width, label=”今年”, color=”#1976d2″, alpha=0.8) ax1.set_xlabel(“チャネル”, fontsize=11) ax1.set_ylabel(“売上（万円）”, fontsize=11) ax1.set_title(“【What Tree】チャネル別売上の前年比較”, fontsize=13, fontweight=”bold”) ax1.set_xticks(x) ax1.set_xticklabels(channel_data[“チャネル”]) ax1.legend() ax1.grid(axis=”y”, alpha=0.3) # 前年比を棒の上に表示 for i, (last, this) in enumerate(zip(channel_data[“売上_前年”], channel_data[“売上_今年”])): growth = (this / last – 1) * 100 color = “#d32f2f” if growth < 0 else "#388e3c" ax1.annotate(f"{growth:+.1f}%", xy=(i + width/2, this), ha="center", va="bottom", fontsize=10, color=color, fontweight="bold") # ============================================ # グラフ2：顧客タイプ別の変化（Why Tree） # ============================================ ax2 = axes[0, 1] # 顧客タイプ別にデータを集計 customer_data = df.groupby("顧客タイプ").agg({ "売上_前年": "sum", "売上_今年": "sum" }).reset_index() customer_data["変化額"] = customer_data["売上_今年"] - customer_data["売上_前年"] # 変化額を水平棒グラフで表示 colors = ["#d32f2f" if x < 0 else "#388e3c" for x in customer_data["変化額"]] bars = ax2.barh(customer_data["顧客タイプ"], customer_data["変化額"], color=colors, alpha=0.8) ax2.set_xlabel("売上変化（万円）", fontsize=11) ax2.set_title("【Why Tree】顧客タイプ別の売上変化", fontsize=13, fontweight="bold") ax2.axvline(x=0, color="black", linewidth=0.5) # ゼロ線 ax2.grid(axis="x", alpha=0.3) # 値を表示 for bar, val in zip(bars, customer_data["変化額"]): x_pos = val + 10 if val >= 0 else val – 10 ha = “left” if val >= 0 else “right” ax2.text(x_pos, bar.get_y() + bar.get_height()/2, f”{val:+,.0f}万円”, ha=ha, va=”center”, fontsize=10, fontweight=”bold”) # ============================================ # グラフ3：カテゴリ×チャネル別の前年比（ヒートマップ風） # ============================================ ax3 = axes[1, 0] # ピボットテーブルを作成 pivot = df.pivot_table(index=”カテゴリ”, columns=”チャネル”, values=”前年比”, aggfunc=”mean”) # カラーマップで可視化（赤:減少、緑:増加） im = ax3.imshow(pivot.values, cmap=”RdYlGn”, aspect=”auto”, vmin=-20, vmax=25) # ラベル設定 ax3.set_xticks(np.arange(len(pivot.columns))) ax3.set_yticks(np.arange(len(pivot.index))) ax3.set_xticklabels(pivot.columns) ax3.set_yticklabels(pivot.index) ax3.set_title(“【分析】カテゴリ×チャネル別 前年比（%）”, fontsize=13, fontweight=”bold”) # 各セルに値を表示 for i in range(len(pivot.index)): for j in range(len(pivot.columns)): val = pivot.values[i, j] color = “white” if abs(val) > 10 else “black” ax3.text(j, i, f”{val:+.1f}%”, ha=”center”, va=”center”, color=color, fontsize=12, fontweight=”bold”) # カラーバー plt.colorbar(im, ax=ax3, label=”前年比（%）”) # ============================================ # グラフ4：施策のROI比較（How Tree） # ============================================ ax4 = axes[1, 1] # 施策データ strategy_names = [“店舗限定セール”, “接客強化”, “ポイント共通化”, “限定商品開発”] strategy_roi = [200, 100, 50, -10] strategy_effect = [150, 200, 120, 180] # ROIを棒グラフで表示 colors = [“#388e3c” if x >= 100 else “#ff9800” if x >= 0 else “#d32f2f” for x in strategy_roi] bars = ax4.bar(strategy_names, strategy_roi, color=colors, alpha=0.8) ax4.set_ylabel(“ROI（%）”, fontsize=11) ax4.set_title(“【How Tree】施策別ROI比較”, fontsize=13, fontweight=”bold”) ax4.axhline(y=100, color=”green”, linestyle=”–“, linewidth=2, label=”ROI 100%ライン”) ax4.axhline(y=0, color=”black”, linewidth=0.5) ax4.legend() ax4.grid(axis=”y”, alpha=0.3) # ROIの値を表示 for bar, roi, effect in zip(bars, strategy_roi, strategy_effect): height = bar.get_height() y_pos = height + 5 if height >= 0 else height – 15 ax4.text(bar.get_x() + bar.get_width()/2., y_pos, f”{roi:+}%\n({effect}万円)”, ha=”center”, va=”bottom” if height >= 0 else “top”, fontsize=9, fontweight=”bold”) # X軸ラベルを斜めに ax4.set_xticklabels(strategy_names, rotation=15, ha=”right”) plt.tight_layout() plt.savefig(“logic_tree_analysis.png”, dpi=150, bbox_inches=”tight”) plt.show() print(“✓ グラフを保存しました: logic_tree_analysis.png”)