# 3C分析のデータ駆動アプローチ import pandas as pd import numpy as np import matplotlib.pyplot as plt # 日本語フォント設定 plt.rcParams[‘font.sans-serif’] = [‘DejaVu Sans’] print(“=” * 80) print(“【3C分析: ECサイト市場の例】”) print(“=” * 80) print() # 1. Customer(顧客・市場)分析 print(“【1. Customer(顧客・市場)分析】”) print() customer_data = { ‘指標’: [ ‘市場規模’, ‘成長率’, ‘ターゲット市場規模’, ‘購買頻度’, ‘平均注文単価’ ], ‘数値’: [ ‘5,000億円’, ‘前年比15%’, ‘1,000億円’, ‘年2.5回’, ‘8,000円’ ], ‘トレンド’: [ ‘拡大中’, ‘加速’, ‘成長中’, ‘増加傾向’, ‘上昇傾向’ ] } df_customer = pd.DataFrame(customer_data) print(df_customer.to_string(index=False)) print() print(“顧客分析から得られた洞察:”) print(” • 市場は急成長中(前年比15%)”) print(” • ターゲット層: 都市部ミレニアル世代(20-39歳)”) print(” • 主なニーズ: 利便性、迅速な配送、品揃え”) print(” • 購買決定要因: 価格、レビュー、ブランド信頼性”) print(” • 課題: 配送遅延、商品品質への不安”) print() # 顧客セグメント分析 segments = pd.DataFrame({ ‘セグメント’: [‘価格重視層’, ‘利便性重視層’, ‘品質重視層’], ‘構成比’: [40, 35, 25], # % ‘成長率’: [10, 20, 15], # % ‘収益性’: [‘低’, ‘高’, ‘中’] }) print(“顧客セグメント:”) print(segments.to_string(index=False)) print() # 2. Competitor(競合)分析 print(“=” * 80) print(“【2. Competitor(競合)分析】”) print(“=” * 80) print() competitor_data = { ‘企業’: [‘A社’, ‘B社’, ‘C社’, ‘自社’], ‘市場シェア’: [35, 25, 15, 10], # % ‘強み’: [ ‘ブランド力、品揃え’, ‘低価格、迅速配送’, ‘プレミアム品質’, ‘顧客サービス’ ], ‘弱み’: [ ‘価格が高い’, ‘品揃えが限定的’, ‘価格高い、配送遅い’, ‘品揃えが少ない’ ], ‘戦略’: [ ‘市場リーダー’, ‘コストリーダーシップ’, ‘差別化戦略’, ‘ニッチ集中’ ] } df_competitor = pd.DataFrame(competitor_data) print(df_competitor.to_string(index=False)) print() print(“競合状況から得られた洞察:”) print(” • A社が35%のシェアで市場をリード”) print(” • 価格競争が激化”) print(” • 配送スピードが重要な差別化要因に”) print(” • 品質重視セグメントは競争が少ない”) print() # 3. Company(自社)分析 print(“=” * 80) print(“【3. Company(自社)分析】”) print(“=” * 80) print() company_analysis = { ‘評価項目’: [ ‘商品ラインナップ’, ‘価格競争力’, ‘配送スピード’, ‘顧客サービス’, ‘技術力’, ‘ブランド認知度’, ‘財務体力’ ], ‘評価点’: [6, 7, 5, 9, 7, 4, 6], # 1-10 ‘対A社’: [-2, 0, -3, +3, 0, -4, -2], ‘対B社’: [+1, 0, -1, +4, +2, -1, 0] } df_company = pd.DataFrame(company_analysis) print(df_company.to_string(index=False)) print() print(“自社の強み:”) print(” • 優れた顧客サービス(評価点: 9/10)”) print(” • 競争力のある価格設定”) print(” • 強力な技術プラットフォーム”) print() print(“自社の弱み:”) print(” • 低いブランド認知度”) print(” • 競合より遅い配送”) print(” • 限られた商品ラインナップ”) print() # KSF(重要成功要因)の導出 print(“=” * 80) print(“【KSF(重要成功要因)】”) print(“=” * 80) print() print(“3C分析に基づく導出:”) print() ksf_analysis = “”” 顧客ニーズ + 競合ギャップ + 自社強み = KSF 1. 迅速な配送 顧客: 高い優先度(80%が重要と回答) 競合: B社がリード(翌日配送) 自社の能力: 現在平均3日 → KSF: 6ヶ月以内に2日配送を実現 2. 顧客体験 顧客: 重要性が増加(NPS相関係数0.8) 競合: 業界平均NPS 30 自社の能力: 強力なサービスチーム、NPS 45 → KSF: 優れたサービスを差別化要因として活用 3. 商品セレクション 顧客: 品揃えが重要(70%がより多くの選択肢を希望) 競合: A社は10万SKU 自社の能力: 現在2万SKU → KSF: 優先カテゴリーで5万SKUに拡大 “”” print(ksf_analysis) print() # 戦略の方向性 print(“=” * 80) print(“【戦略の方向性】”) print(“=” * 80) print() strategy = “”” 推奨戦略: 「サービス卓越性 + ターゲット成長」 1. 優れた顧客体験による差別化 – 9/10の顧客サービス評価を活用 – プロアクティブな顧客サポートを実施 – リピート顧客向けロイヤリティプログラム構築 2. 選択的な市場拡大 – 品質重視層に注力(市場の25%、高収益) – B社との直接的な価格競争を回避 – プレミアムブランドとの提携 3. オペレーションの改善 – 物流投資で2日配送を実現 – 需要の高いカテゴリーでSKU数を拡大 – ターゲットマーケティングでブランド認知度向上 期待される成果: – 市場シェア: 2年で10% → 15% – 売上成長: 前年比30% – 高い顧客満足度を維持(NPS > 40) “”” print(strategy) # 可視化 fig, axes = plt.subplots(2, 2, figsize=(14, 10)) # 1. 市場セグメントの魅力度 ax1 = axes[0, 0] x = np.arange(len(segments)) width = 0.35 bars1 = ax1.bar(x – width/2, segments[‘構成比’], width, label=’現在の構成比 (%)’, alpha=0.7, color=’#4ecdc4′) bars2 = ax1.bar(x + width/2, segments[‘成長率’], width, label=’成長率 (%)’, alpha=0.7, color=’#ff6b6b’) ax1.set_xlabel(‘顧客セグメント’, fontsize=11) ax1.set_ylabel(‘パーセント’, fontsize=11) ax1.set_title(‘市場セグメント分析’, fontsize=13, fontweight=’bold’) ax1.set_xticks(x) ax1.set_xticklabels(segments[‘セグメント’], fontsize=9) ax1.legend() ax1.grid(axis=’y’, alpha=0.3) # 2. 競合の市場シェア ax2 = axes[0, 1] colors_share = [‘#ff6b6b’, ‘#f9ca24’, ‘#4ecdc4’, ‘#667eea’] explode = (0.1, 0, 0, 0.1) # 自社を強調 wedges, texts, autotexts = ax2.pie(df_competitor[‘市場シェア’], labels=df_competitor[‘企業’], autopct=’%1.1f%%’, colors=colors_share, explode=explode, startangle=90) for autotext in autotexts: autotext.set_color(‘white’) autotext.set_fontweight(‘bold’) autotext.set_fontsize(10) ax2.set_title(‘市場シェア分布’, fontsize=13, fontweight=’bold’) # 3. 自社の能力評価 ax3 = axes[1, 0] categories = df_company[‘評価項目’] ratings = df_company[‘評価点’] bars = ax3.barh(categories, ratings, color=’#667eea’, alpha=0.7) ax3.axvline(x=7, color=’red’, linestyle=’–‘, linewidth=2, label=’目標 (7/10)’, alpha=0.7) ax3.set_xlabel(‘評価点 (1-10)’, fontsize=11) ax3.set_title(‘自社能力評価’, fontsize=13, fontweight=’bold’) ax3.legend() ax3.grid(axis=’x’, alpha=0.3) ax3.invert_yaxis() # 評価を表示 for bar, rating in zip(bars, ratings): width = bar.get_width() ax3.text(width, bar.get_y() + bar.get_height()/2., f'{rating}’, ha=’left’, va=’center’, fontsize=10, fontweight=’bold’, color=’white’) # 4. 競合比較マトリックス ax4 = axes[1, 1] comparison_data = np.array([ [6, 8, 5], # 商品ラインナップ [7, 7, 8], # 価格 [5, 8, 4], # 配送 [9, 5, 6], # サービス [7, 5, 8], # 技術 [4, 8, 7], # ブランド [6, 8, 5] # 財務 ]) im = ax4.imshow(comparison_data, cmap=’RdYlGn’, aspect=’auto’, vmin=0, vmax=10) companies = [‘自社’, ‘A社’, ‘B社’] ax4.set_xticks(np.arange(len(companies))) ax4.set_yticks(np.arange(len(categories))) ax4.set_xticklabels(companies, fontsize=10) ax4.set_yticklabels(categories, fontsize=9) # 数値を表示 for i in range(len(categories)): for j in range(len(companies)): text = ax4.text(j, i, comparison_data[i, j], ha=”center”, va=”center”, color=”black”, fontweight=’bold’, fontsize=10) ax4.set_title(‘競合比較マトリックス’, fontsize=13, fontweight=’bold’) plt.colorbar(im, ax=ax4, label=’評価点 (1-10)’) plt.tight_layout() plt.savefig(‘3c_analysis.png’, dpi=150, bbox_inches=’tight’) plt.show()

# 4P分析のデータ駆動アプローチ import pandas as pd import numpy as np print(“=” * 80) print(“【4P分析: SaaS製品の例】”) print(“=” * 80) print() # 1. Product(製品)分析 print(“【1. Product(製品)分析】”) print() product_metrics = pd.DataFrame({ ‘指標’: [ ‘顧客満足度’, ‘NPSスコア’, ‘機能利用率’, ‘バグ報告率’, ‘製品起因の解約率’ ], ‘現状’: [‘4.2/5.0′, ’35’, ‘65%’, ‘2.1件/月’, ‘15%’], ‘目標’: [‘4.5/5.0′, ’50’, ‘80%’, ‘1.0件/月’, ‘10%’], ‘業界平均’: [‘4.0/5.0′, ’30’, ‘60%’, ‘2.5件/月’, ‘20%’], ‘状況’: [‘順調’, ‘要改善’, ‘要改善’, ‘良好’, ‘良好’] }) print(product_metrics.to_string(index=False)) print() print(“製品分析から得られた洞察:”) print(” • 顧客満足度は業界平均を上回る”) print(” • NPSは改善が必要 – 推奨者を増やす施策が必要”) print(” • 機能利用率が低い – オンボーディング改善が必要”) print(” • 品質指標は良好”) print() # 機能別の利用状況 feature_usage = pd.DataFrame({ ‘機能’: [‘コア機能A’, ‘コア機能B’, ‘高度な機能C’, ‘新機能D’, ‘プレミアム機能E’], ‘利用率’: [95, 80, 45, 25, 15], # % ‘満足度’: [4.5, 4.2, 3.8, 4.0, 4.3], ‘売上インパクト’: [‘高’, ‘高’, ‘中’, ‘低’, ‘高’] }) print(“機能別利用状況分析:”) print(feature_usage.to_string(index=False)) print() # 2. Price(価格)分析 print(“=” * 80) print(“【2. Price(価格)分析】”) print(“=” * 80) print() pricing_tiers = pd.DataFrame({ ‘プラン’: [‘ベーシック’, ‘スタンダード’, ‘プレミアム’, ‘エンタープライズ’], ‘価格’: [‘5,000円/月’, ‘15,000円/月’, ‘30,000円/月’, ‘個別見積’], ‘顧客数’: [500, 300, 100, 20], # 数 ‘売上構成比’: [‘15%’, ‘27%’, ‘18%’, ‘40%’], ‘平均LTV’: [’12万円’, ’36万円’, ’72万円’, ‘240万円’], ‘解約率’: [‘8%’, ‘5%’, ‘3%’, ‘2%’] }) print(pricing_tiers.to_string(index=False)) print() # 価格弾力性分析 print(“価格弾力性分析:”) print() print(” 直近の価格テスト結果(スタンダードプラン):”) print(” • 現在: 15,000円 → 300顧客”) print(” • -10% (13,500円): 予想顧客数+15% = 345人”) print(” • +10% (16,500円): 予想顧客数-8% = 276人”) print() print(” 売上への影響:”) print(” • 現在: 15,000円 × 300 = 450万円”) print(” • -10%: 13,500円 × 345 = 465.75万円 (+3.5%)”) print(” • +10%: 16,500円 × 276 = 455.4万円 (+1.2%)”) print() print(” → 推奨: 成長のためわずかな値下げを検討”) print() # 3. Place(流通)分析 print(“=” * 80) print(“【3. Place(流通・販売チャネル)分析】”) print(“=” * 80) print() channel_performance = pd.DataFrame({ ‘チャネル’: [‘直販営業’, ‘Webサイト’, ‘パートナー/代理店’, ‘マーケットプレイス’, ‘紹介’], ‘売上構成比’: [‘45%’, ‘30%’, ‘15%’, ‘5%’, ‘5%’], ‘成長率’: [‘+10%’, ‘+25%’, ‘+5%’, ‘+50%’, ‘+30%’], ‘CAC’: [’15万円’, ‘8万円’, ’10万円’, ‘6万円’, ‘3万円’], ‘LTV/CAC’: [‘4.0’, ‘4.5’, ‘3.6’, ‘5.0’, ‘12.0’] }) print(channel_performance.to_string(index=False)) print() print(“流通分析から得られた洞察:”) print(” • 直販は売上最大だがCAC最高”) print(” • Webサイトは成長が速く、良好なユニットエコノミクス”) print(” • 紹介が最高のROI – 紹介プログラムを拡大すべき”) print(” • マーケットプレイスは新興チャネル – 慎重に投資”) print() # 4. Promotion(プロモーション)分析 print(“=” * 80) print(“【4. Promotion(プロモーション)分析】”) print(“=” * 80) print() marketing_channels = pd.DataFrame({ ‘チャネル’: [‘SEO/コンテンツ’, ‘リスティング広告’, ‘SNS’, ‘メール’, ‘イベント/ウェビナー’, ‘PR’], ‘予算’: [‘200万円’, ‘500万円’, ‘300万円’, ‘100万円’, ‘200万円’, ‘100万円’], ‘リード数’: [500, 800, 300, 200, 150, 100], ‘CVR’: [‘3%’, ‘5%’, ‘2%’, ‘8%’, ‘10%’, ‘1%’], ‘CAC’: [‘4万円’, ‘6.25万円’, ’10万円’, ‘5万円’, ‘13.3万円’, ’10万円’], ‘ROI’: [‘350%’, ‘200%’, ‘80%’, ‘300%’, ‘150%’, ‘120%’] }) print(marketing_channels.to_string(index=False)) print() print(“プロモーション分析から得られた洞察:”) print(” • SEO/コンテンツが最高ROI – 投資を増やすべき”) print(” • メールは非常に効率的 – 自動化を最適化”) print(” • SNSは期待以下 – 戦略の見直しが必要”) print(” • イベントは高価値リードに有効だが高コスト”) print() # 4P統合分析 print(“=” * 80) print(“【4P統合分析】”) print(“=” * 80) print() integration_check = “”” 4Pの一貫性チェック: ターゲット顧客: 中堅B2B企業、テクノロジーに精通 Product: ✓ 機能豊富でスケーラブルなソリューション Price: ✓ 企業規模に合わせた段階的な価格設定 Place: ✓ B2B向け直販+デジタルチャネル Promo: ✓ 情報感度の高い購買層向けコンテンツマーケティング 発見された不整合: 1. プレミアム機能の活用度が低い → プレミアムプランの製品マーケティング強化が必要 2. マーケットプレイスチャネルが成長しているが未プロモーション → プロモーションチャネルにマーケットプレイスを追加 3. 紹介は最高のROIだが予算が最小 → 紹介プログラムへの投資を増加 推奨事項: 1. SNS予算の20%をコンテンツ/SEOにシフト 2. 紹介プログラムのインセンティブを2倍に 3. プレミアムプラン機能のショーケースキャンペーンを作成 “”” print(integration_check)

# SWOT分析とクロスSWOT戦略 import pandas as pd import numpy as np print(“=” * 80) print(“【SWOT分析: 中堅ECサイトの例】”) print(“=” * 80) print() # SWOT分析 swot = { ‘強み(Strengths)’: [ ‘高い顧客満足度(NPS 45 vs 業界平均30)’, ‘強力な技術プラットフォーム’, ‘柔軟でアジャイルな組織’, ‘競争力のある価格設定能力’, ‘忠実な顧客基盤(リピート率60%)’ ], ‘弱み(Weaknesses)’: [ ‘低いブランド認知度(助成認知15%)’, ‘限られた商品数(2万SKU vs 競合10万)’, ‘遅い配送(3日 vs 競合1日)’, ‘小さなマーケティング予算(5千万円 vs 競合5億円)’, ‘弱い物流ネットワーク’ ], ‘機会(Opportunities)’: [ ‘市場成長率 前年比15%’, ‘モバイルコマースの急成長(年率40%)’, ‘プレミアムセグメントが未開拓’, ‘ソーシャルコマースの台頭’, ‘AI/MLによるパーソナライゼーション’ ], ‘脅威(Threats)’: [ ‘大手競合の積極的な拡大’, ‘価格競争の激化’, ‘顧客獲得コストの上昇(前年比+20%)’, ‘データプライバシーに関する新規制’, ‘経済の不確実性’ ] } print(“【強み(S): 内部環境・ポジティブ】”) for i, s in enumerate(swot[‘強み(Strengths)’], 1): print(f” S{i}. {s}”) print() print(“【弱み(W): 内部環境・ネガティブ】”) for i, w in enumerate(swot[‘弱み(Weaknesses)’], 1): print(f” W{i}. {w}”) print() print(“【機会(O): 外部環境・ポジティブ】”) for i, o in enumerate(swot[‘機会(Opportunities)’], 1): print(f” O{i}. {o}”) print() print(“【脅威(T): 外部環境・ネガティブ】”) for i, t in enumerate(swot[‘脅威(Threats)’], 1): print(f” T{i}. {t}”) print() # クロスSWOT戦略 print(“=” * 80) print(“【クロスSWOT戦略マトリックス】”) print(“=” * 80) print() cross_swot = { ‘SO戦略’: [ { ‘戦略名’: ‘プレミアムセグメント集中’, ‘SWOT組合せ’: ‘S1,S5 × O3’, ‘説明’: ‘高い顧客満足度とロイヤリティを活かして未開拓のプレミアムセグメントを獲得’, ‘アクション’: ‘厳選されたプレミアム商品ラインを立ち上げ’, ‘投資額’: ‘1億円’, ‘期待リターン’: ‘2年で5億円’ }, { ‘戦略名’: ‘モバイルファースト体験’, ‘SWOT組合せ’: ‘S2 × O2’, ‘説明’: ‘強力な技術プラットフォームを活用してモバイルコマースをリード’, ‘アクション’: ‘AI推奨機能を備えた最高品質のモバイルアプリを開発’, ‘投資額’: ‘8千万円’, ‘期待リターン’: ‘モバイル売上+200%’ } ], ‘ST戦略’: [ { ‘戦略名’: ‘サービス差別化’, ‘SWOT組合せ’: ‘S1 × T1,T2’, ‘説明’: ‘優れた顧客サービスで競合の拡大と価格競争に対抗’, ‘アクション’: ‘サービス品質を倍増、24時間サポート’, ‘投資額’: ‘5千万円/年’, ‘期待リターン’: ‘顧客維持率60%以上を維持’ } ], ‘WO戦略’: [ { ‘戦略名’: ‘SNSによるブランド構築’, ‘SWOT組合せ’: ‘W1 × O4’, ‘説明’: ‘ソーシャルコマースを通じて低いブランド認知度を克服’, ‘アクション’: ‘インフルエンサーと提携、ソーシャル販売を開始’, ‘投資額’: ‘1.2億円’, ‘期待リターン’: ‘ブランド認知度 15% → 30%’ }, { ‘戦略名’: ‘物流パートナーシップ’, ‘SWOT組合せ’: ‘W3,W5 × O1’, ‘説明’: ‘市場成長を取り込むため配送の弱点を解消’, ‘アクション’: ‘大手物流会社と提携’, ‘投資額’: ‘2億円’, ‘期待リターン’: ‘配送3日→2日、市場シェア+2%’ } ], ‘WT戦略’: [ { ‘戦略名’: ‘ニッチ市場防衛’, ‘SWOT組合せ’: ‘W1,W4 × T1,T2’, ‘説明’: ‘直接競争を避け、守りやすいニッチに集中’, ‘アクション’: ‘特定の高利益カテゴリーに特化’, ‘投資額’: ‘3千万円’, ‘期待リターン’: ‘収益性維持’ } ] } for strategy_type, strategies in cross_swot.items(): print(f”【{strategy_type}】”) print() for strategy in strategies: print(f”戦略: {strategy[‘戦略名’]}”) print(f” SWOT組合せ: {strategy[‘SWOT組合せ’]}”) print(f” 説明: {strategy[‘説明’]}”) print(f” アクション: {strategy[‘アクション’]}”) print(f” 投資額: {strategy[‘投資額’]}”) print(f” 期待リターン: {strategy[‘期待リターン’]}”) print() # 戦略の優先順位付け print(“=” * 80) print(“【戦略の優先順位】”) print(“=” * 80) print() all_strategies = [] for strategy_type, strategies in cross_swot.items(): for strategy in strategies: all_strategies.append({ ‘タイプ’: strategy_type, ‘戦略’: strategy[‘戦略名’], ‘投資額’: strategy[‘投資額’], ‘インパクト’: ‘高’ if strategy_type in [‘SO戦略’, ‘WO戦略’] else ‘中’, ‘優先度’: 1 if strategy_type == ‘SO戦略’ else 2 if strategy_type == ‘WO戦略’ else 3 }) df_strategies = pd.DataFrame(all_strategies) df_strategies = df_strategies.sort_values(‘優先度’) print(“推奨する優先順位:”) print() print(df_strategies.to_string(index=False)) print() print(“実行ロードマップ:”) print() print(“フェーズ1 (0-6ヶ月): SO戦略”) print(” → プレミアムセグメント集中”) print(” → モバイルファースト体験”) print() print(“フェーズ2 (6-12ヶ月): WO戦略”) print(” → 物流パートナーシップ”) print(” → SNSによるブランド構築”) print() print(“フェーズ3 (12-18ヶ月): ST戦略”) print(” → サービス差別化”) print() print(“継続実施: WT戦略”) print(” → ニッチ市場防衛(必要に応じて)”)

# SWOT分析の可視化 import matplotlib.pyplot as plt import numpy as np # SWOTマトリックスの可視化 fig, ax = plt.subplots(figsize=(12, 10)) # 4象限の背景色 ax.fill_between([0, 0.5], [0.5, 0.5], [1, 1], color=’#d4edda’, alpha=0.5) # S ax.fill_between([0.5, 1], [0.5, 0.5], [1, 1], color=’#fff3cd’, alpha=0.5) # W ax.fill_between([0, 0.5], [0, 0], [0.5, 0.5], color=’#cce5ff’, alpha=0.5) # O ax.fill_between([0.5, 1], [0, 0], [0.5, 0.5], color=’#f8d7da’, alpha=0.5) # T # 象限のラベル ax.text(0.25, 0.95, ‘強み(STRENGTHS)’, ha=’center’, va=’top’, fontsize=16, fontweight=’bold’, color=’#155724′) ax.text(0.75, 0.95, ‘弱み(WEAKNESSES)’, ha=’center’, va=’top’, fontsize=16, fontweight=’bold’, color=’#856404′) ax.text(0.25, 0.45, ‘機会(OPPORTUNITIES)’, ha=’center’, va=’top’, fontsize=16, fontweight=’bold’, color=’#004085′) ax.text(0.75, 0.45, ‘脅威(THREATS)’, ha=’center’, va=’top’, fontsize=16, fontweight=’bold’, color=’#721c24′) # 各象限の内容 strengths_text = “””• NPS 45 (業界平均: 30) • 強力な技術基盤 • アジャイルな組織 • 競争力ある価格 • リピート率60%””” weaknesses_text = “””• ブランド認知度15% • SKU数が限定的(2万) • 配送3日 • マーケティング予算小 • 物流網が脆弱””” opportunities_text = “””• 市場成長率+15% • モバイルコマース急成長 • プレミアム層が未開拓 • ソーシャルコマース • AIパーソナライゼーション””” threats_text = “””• 競合の積極拡大 • 価格競争 • CAC上昇(+20%) • プライバシー規制 • 経済の不確実性””” ax.text(0.25, 0.85, strengths_text, ha=’center’, va=’top’, fontsize=10, family=’monospace’) ax.text(0.75, 0.85, weaknesses_text, ha=’center’, va=’top’, fontsize=10, family=’monospace’) ax.text(0.25, 0.35, opportunities_text, ha=’center’, va=’top’, fontsize=10, family=’monospace’) ax.text(0.75, 0.35, threats_text, ha=’center’, va=’top’, fontsize=10, family=’monospace’) # 軸のラベル ax.text(0.5, 1.02, ‘内部環境’, ha=’center’, va=’bottom’, fontsize=12, fontweight=’bold’) ax.text(0.5, -0.02, ‘外部環境’, ha=’center’, va=’top’, fontsize=12, fontweight=’bold’) ax.text(-0.02, 0.75, ‘ポジティブ’, ha=’right’, va=’center’, fontsize=12, fontweight=’bold’, rotation=90) ax.text(-0.02, 0.25, ‘ネガティブ’, ha=’right’, va=’center’, fontsize=12, fontweight=’bold’, rotation=90) # グリッド線 ax.axhline(y=0.5, color=’gray’, linewidth=2) ax.axvline(x=0.5, color=’gray’, linewidth=2) ax.set_xlim(0, 1) ax.set_ylim(0, 1) ax.set_aspect(‘equal’) ax.axis(‘off’) ax.set_title(‘SWOT分析マトリックス’, fontsize=18, fontweight=’bold’, pad=20) plt.tight_layout() plt.savefig(‘swot_matrix.png’, dpi=150, bbox_inches=’tight’) plt.show()

# 3C × SWOT × 4P 統合分析 import pandas as pd print(“=” * 80) print(“【フレームワーク統合分析】”) print(“=” * 80) print() # Step 1: 3C → SWOT への変換 print(“【Step 1: 3CからSWOTへのマッピング】”) print() mapping = pd.DataFrame({ ‘3C要素’: [ ‘Customer: プレミアム層20%成長’, ‘Customer: モバイル購入+40%’, ‘Customer: 迅速な配送を期待’, ‘Competitor: 大手が35%シェア’, ‘Competitor: 価格競争が進行中’, ‘Company: NPS 45(高い)’, ‘Company: 技術基盤が強力’, ‘Company: ブランド認知度15%’, ‘Company: 配送3日(遅い)’ ], ‘SWOTカテゴリ’: [ ‘O (機会)’, ‘O (機会)’, ‘O (機会)’, ‘T (脅威)’, ‘T (脅威)’, ‘S (強み)’, ‘S (強み)’, ‘W (弱み)’, ‘W (弱み)’ ], ‘データによる裏付け’: [ ‘市場調査: CAGR 20%’, ‘分析: モバイルトラフィック前年比+40%’, ‘調査: 80%が2日配送を期待’, ‘業界レポート: 市場シェア35%’, ‘競合価格15%下落’, ‘NPS調査: 45 vs 業界平均30’, ‘稼働率99.9%、読込0.5秒’, ‘ブランド調査: 助成認知15%’, ‘物流レポート: 平均3.2日’ ] }) print(mapping.to_string(index=False)) print() # Step 2: クロスSWOT戦略 print(“=” * 80) print(“【Step 2: クロスSWOT戦略オプション】”) print(“=” * 80) print() strategic_options = { ‘SO (攻め)’: { ‘名称’: ‘プレミアムモバイル体験’, ‘組合せ’: ‘S(NPS, 技術) × O(プレミアム, モバイル)’, ‘説明’: ‘プレミアム層のモバイルショッパーを獲得’, ‘成功確率’: ‘75%’, ‘期待ROI’: ‘300%’ }, ‘WO (構築)’: { ‘名称’: ‘物流パートナーシップ’, ‘組合せ’: ‘W(配送) × O(配送期待)’, ‘説明’: ‘市場ニーズに合わせて配送を改善’, ‘成功確率’: ‘80%’, ‘期待ROI’: ‘200%’ }, ‘ST (守り)’: { ‘名称’: ‘サービス卓越性’, ‘組合せ’: ‘S(NPS) × T(競争)’, ‘説明’: ‘優れたサービスで差別化’, ‘成功確率’: ‘70%’, ‘期待ROI’: ‘150%’ }, ‘WT (回避)’: { ‘名称’: ‘ニッチ集中’, ‘組合せ’: ‘W(ブランド, 配送) × T(価格競争)’, ‘説明’: ‘価格競争を避け、ニッチに集中’, ‘成功確率’: ‘60%’, ‘期待ROI’: ‘100%’ } } for strategy_type, details in strategic_options.items(): print(f”【{strategy_type}】 {details[‘名称’]}”) print(f” 組合せ: {details[‘組合せ’]}”) print(f” 説明: {details[‘説明’]}”) print(f” 成功確率: {details[‘成功確率’]}”) print(f” 期待ROI: {details[‘期待ROI’]}”) print() # Step 3: 選択した戦略の4P展開 print(“=” * 80) print(“【Step 3: 4P実行計画】”) print(“=” * 80) print() print(“選択した戦略: SO – プレミアムモバイル体験”) print() four_p_plan = pd.DataFrame({ ‘P’: [‘Product’, ‘Price’, ‘Place’, ‘Promotion’], ‘現状’: [ ‘標準的な商品ライン’, ‘5,000-30,000円’, ‘Webサイト、アプリ’, ‘パフォーマンスマーケティング’ ], ‘目標状態’: [ ‘プレミアム厳選コレクション’, ‘15,000-100,000円’, ‘モバイルファースト、プレミアム提携’, ‘ブランド+インフルエンサーマーケティング’ ], ‘主要KPI’: [ ‘プレミアムSKU数: 500→2,000’, ‘プレミアム客単価: 25,000円→50,000円’, ‘モバイル売上比率: 30%→60%’, ‘プレミアム認知度: 5%→25%’ ], ‘投資額’: [ ‘5千万円(キュレーションチーム)’, ‘N/A(価格戦略)’, ‘8千万円(アプリ+提携)’, ‘1.2億円(ブランドキャンペーン)’ ] }) print(four_p_plan.to_string(index=False)) print() # 実行計画とKPI print(“=” * 80) print(“【実行タイムラインとKPI】”) print(“=” * 80) print() timeline = “”” Q1: 基盤構築 – プレミアム商品キュレーションチーム立ち上げ – プレミアムブランド5社と提携 – KPI: プレミアムSKU数 500 → 1,000 Q2: モバイル強化 – 新しいプレミアムモバイルアプリをリリース – AI推奨機能を実装 – KPI: モバイルCVR +30% Q3: ブランド構築 – インフルエンサーキャンペーン開始 – プレミアムブランド広告 – KPI: プレミアム層認知度 5% → 15% Q4: スケール – プレミアム提携を拡大 – データに基づいて最適化 – KPI: プレミアム売上 +100% 総投資額: 2.5億円 期待リターン: 7.5億円(1年目) ROI: 200% “”” print(timeline)