データ分析のおすすめ手法12選！グッドパッチ流データ分析手順も解説

近年、DX（デジタルトランスフォーメーション）が注目される中で、データ利活用の重要性が高まっています。

データを分析し、利活用したいと思いながらも、さまざまなアプローチがあるため「どの手法を選べばいいか分からない」とお悩みの方も多いのではないでしょうか。

本記事では、データ分析の代表的な12の手法を紹介するとともに、グッドパッチ流データ分析の手順を解説します。データ分析を効率化するポイントも併せて紹介するので、ぜひ参考にしてみてください。

監修者：住岡 耕平（株式会社グッドパッチ　PdM）
Unipos株式会社（旧Fringe81）へ事業企画として入社し、アドネットワークのデータ分析やプロダクト開発・グロース支援に従事。その後株式会社unerryにて、位置情報を活用した小売・流通向けのビッグデータ分析とダッシュボード開発を担当。2024年7月より株式会社グッドパッチにPdMとして参画し、プロダクトグロース支援やソリューション開発に携わる

専門人材による高度なデータ分析でPdM/PMMを強力サポート

プロダクトを成長させるには、あらゆる定量データを基にしたデータドリブンな意思決定が欠かせません。このサービスでは、グッドパッチのPdMエキスパートがデータ取得の環境を整え、データを活用したプロダクト改善をサポートします。

データ分析だけにとどまらない専門人材による二人三脚のサポートで、プロダクトの成長を加速させる中長期的な土台を構築することが可能です。

このような方におすすめです

• ・ データは取得しているがプロダクトロードマップや施策作成時に活用できない
  ・意思決定に関わるデータをダッシュボードなどで整理できていない
  ・定量データの結果をプロダクト改善に活用しきれていない

「データアナリティクス・ソリューション」の詳細を見る

データ分析とは

データ分析とは、さまざまな調査を通じて収集したデータを整理し、分析するプロセスを指します。

収集したデータにはあらゆる情報が含まれており、そのままの状態では活用が難しい状態です。まずは収集したデータから必要な情報や数値を分類・整理し、分析しやすい形に加工する必要があります。

データ分析の目的

データ分析の目的は、分析結果を基に課題の解決やビジネスの改善を行うことです。

データ分析自体は目的ではなく、あくまで問題を解決するための手段に過ぎません。データ分析で導き出された結果を基に仮説を立て、次のアクションを起こすことが重要です。

データ分析を活用すれば、より精度の高い意思決定が可能になり、スピーディーな問題解決につながります。

データ分析の重要性

インターネットやSNSの普及によって、ユーザーの購買プロセスや価値観は複雑かつ多様なものに変化しています。多様化するユーザーに適した戦略を立てるためには、データ分析を活用してユーザーニーズや価値観を明らかにすることが重要です。

これまでもユーザーを分析する上で、定性的なリサーチ（ユーザーからのヒアリングなど）は行われてきました。しかし、定性的なリサーチは主観的な要素も多く、バイアスがかかってしまうこともあります。そこで必要となるのが定量的なデータ分析です。

定性的なリサーチと定量的なデータ分析を組み合わせることで、客観的な根拠に基づく意思決定ができ、データドリブンな経営が実現します。また、データ分析の活用は、DX（デジタルトランスフォーメーション）を実現する手段としても重要視されています。

【関連記事】確度の高い仮説検証を実現する「定性×定量 2刀流」のススメ

【目的別】データ分析の手法12選

データ分析の手法は多数あり、分析を行う目的や解決したい課題によって最適な手法が異なります。データ分析を行う際は、目的に適した手法を選ぶことが重要です。

以下は、この章で紹介する分析手法を目的別にまとめた一覧表です。自社の目的に合った手法を見つける際の参考にしてみてください。

1.相関分析

【関連記事】定量分析の心得 〜目は最強の分析ツール〜

相関分析とは、2つの要素が「どの程度同じような動きをするか」を明らかにし、要素間の関係性を把握するための分析手法です。データの特徴を簡単に把握できるため、データ分析で広く使用されています。

データ同士の関係性を把握することは分析の基本です。今までわからなかった要素間の関係性を新たに発見できたり、関係のある要素をまとめて分析を容易にする効果があります。

相関分析の結果は、散布図でビジュアル化すると2つの要素の相関関係を理解しやすくなります。

2.因子分析

引用：中小企業庁

因子分析とは、複数のデータに共通する要素（共通因子）を探るための分析手法です。因子とは、ある結果を起こす素になる要素で、共通因子は複数のデータに対して共通性を持つ因子を指します。

因子分析は、アンケート結果を分析する際によく用いられる手法です。ブランドやプロダクトのイメージを把握したいときや、消費者行動の背景を探りたいときなどに役立ちます。

3.主成分分析

主成分分析とは、たくさんある変数をより少ない変数に置き換え、データを要約する分析手法です。一般的にはデータを1〜3つの変数（主成分）に置き換え、最初に求められるものから順に第一主成分、第二主成分、第三主成分と呼びます。

主成分分析は、因子分析と同じくデータを要約するための手法です。因子分析はデータ（結果）に影響を与える共通因子（原因）を探るのに対し、主成分分析は今あるデータ（原因）をまとめて新たな主成分（結果）を作り出すため、両者はデータの因果関係が逆になります。

4.クラスター分析

クラスター分析とは、異なるものが入り混じった集団の中から、類似するものを集めてグループ（クラスター）に分類する手法です。人はもちろん、プロダクトや企業などあらゆる対象を分類できるため、市場調査やマーケティングでよく使われています。

クラスター分析には、大きく分けて「階層クラスター分析」と「非階層クラスター分析」の2種類があります。

5.判別分析

判別分析とは、今あるデータから分類基準を導き出し、未知のデータを分類する手法です。判別分析によって分類基準ができると、分析以降に得た未知のデータも、どのグループに分類されるかを判断できます。

たとえば、既存顧客のデータをもとに「リピーターになる顧客」の基準を導き出します。基準をもとに新規顧客を分類すれば、リピーターになりそうな顧客かどうかを判別可能です。

6.決定木分析

決定木分析とは、閾値（境目となる値）を基準にして分岐を作り、データを分類する分析手法です。樹形図を用いて分析結果を視覚的に把握します。

決定木分析はデータの分類や抽出が得意であり、アンケート結果や顧客データに基づく消費者行動の分析に効果的です。

例えば、あるプロダクトのターゲットを選定したい場合、顧客を「男性」「女性」「30歳以下」「30歳以上」などの基準で分類し、それぞれの購入率を比較します。分類を続けると最も購入率が高いセグメントが導き出され、狙うべきターゲットが明確になります。

7.時系列分析

時系列分析とは、時間経過に伴って変化するデータを分析し、将来の予測に活用する分析手法です。日々の売上金額や店舗の来客数、株価などのデータが分析の対象になります。

時系列分析は、データと時系列を紐づけて分析することで将来を予測できるため、勘や経験に頼らないデータドリブンな意思決定に有効です。

8.ロジスティック回帰分析

ロジスティック回帰分析とは、いくつかの要素（説明変数）から「2値の結果（目的変数）」が起こる確率を予測する分析手法です。2値とは、「はい／いいえ」や「合格／不合格」のように答えが2つしかない値を指します。

例えば、ECサイト内のユーザーの行動履歴や流入経路を基に、商品の購入に至る確率を予測するといった活用が可能です。

9.コンジョイント分析

コンジョイント分析とは、プロダクトの各要素（価格や性能など）が全体の評価にどのくらい影響を与えるかを明らかにする分析手法です。

コンジョイント分析は、プロダクトやサービスのアイデアを考える際に有効です。特に費用が高く、テストが難しいプロダクトのコンセプトを決める際に役立ちます。

一例として、以下のような複数の要素を組み合わせた例を提示し、ユーザーに評価してもらいます。

• A：家賃8万円/駅から5分/駐車場あり
• B：家賃8万円/駅から10分/駐車場なし
• C：家賃12万円/駅から5分/駐車場なし
• D：家賃12万円/駅から10分/駐車場あり

評価を基に、各要素が購入時にどのくらい優先／妥協されるかを測定すると、各要素の優先順位や最適な組み合わせを明らかにできます。

10.ABC分析

ABC分析とは、売上金額や販売量などの評価軸を定め、重要度別にA、B、Cと分類する分析手法です。特に在庫管理に用いられ「重点分析」とも呼ばれます。

ABC分析で商品を重要度別に分類すれば、「売れ筋の商品Aは在庫に余裕をもたせる」「重要でない商品Cは最低限の在庫だけ」など、在庫の最適化に役立ちます。

ABC分析は、売上の8割は全体の2割がもたらしているという「パレートの法則」をベースに生まれました。商品や顧客の重要度に合わせてリソースを配分すれば、効率良く利益向上が目指せます。

11.RFM分析

RFM分析とは、Recency（直近の購入日）、Frequency（購入頻度）、Monetary（購入金額）の3つの指標で顧客を分類する手法です。顧客の優良度を測定できるため、LTV（顧客生涯価値）の最大化を目的とした施策によく用いられます。

RFM分析によって「購入金額も頻度も高い優良顧客」や「過去に購入があったがリピートがない休眠顧客」などの顧客の分類が可能です。顧客の状況やニーズに応じたアプローチによって、効果的なマーケティングが実現します。

12.アソシエーション分析（バスケット分析）

アソシエーション分析とは「何と何が同時に発生しやすいか」を調べる分析手法です。データ同士の相関を調べ、単体では分からないデータ同士の背後にある関係性を導き出します。

アソシエーション分析のうち、併売分析（「何と何が同時に購入されやすいか」を調べる分析）を「バスケット分析」と呼びます。「ビールを買う人は紙オムツも一緒に買う」という有名な併せ買いの事例も、アソシエーション分析によって検証されました。

グッドパッチ流データ分析の7ステップ

グッドパッチでは、データ分析を下記の7つのステップに分けて進めています。データ分析の事前準備や手順をきちんと把握しておけば、効率良く分析を進められるため、ぜひ参考にしてみてください。

1. 基礎的なサービスとユーザー情報を把握する
2. 目的を明確化する
3. 分析プロセスを考える
4. データを集める
5. データをビジュアライズする
6. 分析を実行する
7. 分析から仮説を立てる

1.基礎的なサービスとユーザー情報を把握する

データ分析を行う前の準備として、まずはユーザーのサービスの利用方法や、ユーザーとのタッチポイントを把握しましょう。

データ分析を通じて改善を行うためには、そもそも「どのようなデータが存在しているか」「ユーザーがどのようにサービスを使用しているか」など、基本的な情報を知る必要があります。

サービスやユーザーの基礎情報を明確にしておくと、データ分析を行う際より精度の高い仮説や方向性の検討が可能です。

サービスやユーザーを理解する手段の1つとして、「サービスブループリント」というフレームワークを活用する方法があります。下記の記事で詳細を解説しているので、ぜひ参考にしてみてください。

【関連記事】サービスリニューアルする際、チームでユーザー体験を向上させるためのサービスブループリント

2.目的を明確化する

ユーザーやサービスの基礎情報を把握できたら、次はデータ分析の目的を明確にしましょう。

目的やゴールがあやふやなままデータ分析を始めると、無駄な時間や工程が発生し、かえって遠回りになる可能性があります。

データ分析を効率良く進めるためにも、事前に「何を明らかにするための分析なのか」「分析結果から何を得たいのか」「結果を明らかにするために必要な情報は何か」などの目的を明確にすることが重要です。

3.分析プロセスを考える

データ分析の目的が明確になったら、次は分析プロセス（進め方）の計画を立てましょう。分析プロセスは、以下7つの項目に沿って検討します。

• 達成軸を決める（例：アクティブ率が上下する要因仮説を発見する）
• 評価軸を決める（例：アクティブ率の上昇）
• 分析方針を決める（例：xx年とyy年の数値aを比較する）
• 実施する分析手法を決める（例：相関分析でxx年とyy年の関係性を把握する）
• 収集するデータとその収集方法を決める（例：機能bの利用数と離脱数をSQLでデータを抽出する）
• 対応担当を決める（例：自身で対応するorエンジニアに依頼する）

あらかじめ分析の手順を明確にしておくと、無駄な時間が削減され、スムーズに分析を進められます。

4.データを集める

分析プロセスが決まったら、次は分析に必要なデータを集めましょう。データ収集にはさまざまな方法があるため、以下を参考に自社の環境や状況に応じた方法を検討してみてください。

【データ収集方法の例】

• Google Analyticsでイベントをトラッキングする
• データベース（BigQueryなど）にアクセスし、SQLで抽出する
• 特定のツールを活用して収集する
• ユーザーからアンケートを収集する

5.データをビジュアライズする

データ分析において、データから得られた事実や発見は、関係者（自分自身を含む）に分かりやすく伝えることが重要です。数字や文字の羅列である生データも、ビジュアライズ（可視化）して初めて意味を解釈できるようになります。

図表やグラフによる可視化は、データ全体の傾向やパターン、外れ値などを直感的に把握でき、情報共有や議論をスムーズにします。

ただし、ビジュアライズには試行錯誤が必要です。データの種類や分析目的に応じて、グラフの種類や色使いなど、最適な表現方法を模索しなければなりません。ビジュアライズの方法次第で、誤った解釈を招くリスクもあるからです。

バイアスによる誤解を防ぎ、データ分析結果を正しく理解するためには、データの特性を考慮し、常に客観的な視点での適切な可視化表現の追求が重要となります。

6.分析を実行する

必要なデータを収集したら、いよいよデータ分析を実行します。前述の「データ分析の手法12選」も参考に、目的に適した手法を選びましょう。

データ分析を行う際には、時間とコスト／結果に対しての妥当性／客観的な視点の3つを持って臨むことが重要です。

時間とコスト

分析の方法やデータ量によっては、想定よりも多くの時間とコスト（金額）がかかってしまうケースがあります。なので、今回の目的に照らし合わせてそれらが妥当なのか、実施前に確認しておくことが大事です。

結果に対しての妥当性

データ収集の時点で、データにはいろいろな前提条件が付き纏います。分析結果はその前提条件を含んだものになってしまいます。時には意図したものとは異なる結果が出るケースが存在します。その場合は、データの収集定義など、前段階に立ち戻って改めて結果が妥当なのか確認することが大事です。

客観的な視点

分析によって良くない結果が出た場合、個人の経験や業界の慣習などからバイアスがかかり、都合の良いようにデータを解釈してしまうことがあります。しかし、データ分析の本来の目的は、分析結果を課題解決やビジネスの改善につなげることです。仮に悪い分析結果が出ても、大切な発見として受け止めるために、複数人でレビューするなど客観的視点の確保に努めることが大事です。

7.分析から仮説を立てる

データ分析を実行したら、設定した目的に応える形で分析結果を言語化し、次のアクションに向けて仮説を立てましょう。

例えば、サービスの改善を目的とした場合、分析結果から以下のような仮説を立てます。

• 最も摩擦になっているサービス体験はどこか？
• どこで離脱が発生しているのか？
• サービス体験の変化は、コンバージョンにどのように影響するか？
• 特定のユーザー行動の背景にあるインサイトは何か？

仮説を立てることで、次のアクションや意思決定に大きな洞察を与えられます。データ分析に基づく仮説と検証を繰り返すことで、ビジネスの改善や成長を促すサイクルを生み出せるでしょう。

データ分析を効率化するポイント

最後に、データ分析を効率化するポイントとして以下の2点を解説します。データ分析をスムーズに進めるための参考にしてみてください。

• ツールを活用する
• 運用体制を整備する

ツールを活用する

データ分析を行う際は、大量のデータの整理や統合、加工が必要になります。しかし、膨大なデータを手作業だけで処理するのは困難です。分析を効率化するにはツールを活用しましょう。

以下に、データ分析に活用できる各種ツールの概要とメリット・デメリットをまとめました。ぜひ、ツール選定の参考にしてみてください。

運用体制を整備する

データ分析をスムーズに行うためには、運用体制の整備が重要です。

「グッドパッチ流データ分析の7ステップ」でも述べた通り、データ分析を行う際は客観的な視点が欠かせません。分析結果を偏った主観だけで解釈しないためにも、データ分析は複数人のチームで行いましょう。

社内にデータ分析の知見がない場合は、専門家に協力を依頼することも有効な手段です。分析結果を基に改善施策を推進できる人材にサポートを依頼すれば、データ分析の効果をより高められます。

データ分析を活用してビジネスの改善と成長につなげよう

本記事では、データ分析の代表的な12の手法や、グッドパッチ流データ分析の手順を解説しました。データ分析にはさまざまな手法があるため、自社の目的に合った手法を選びましょう。

データ分析を行った後は、分析結果を基に仮説を立て、課題解決やビジネスの改善に生かすことが重要です。社内にデータ分析のノウハウがない場合は、専門家に依頼することも有効です。

グッドパッチでは、御社に最適なデータ分析や分析結果に基づく改善提案が可能です。ぜひお気軽にお問い合わせください。

専門人材による高度なデータ分析でPdM/PMMを強力サポート

プロダクトを成長させるには、あらゆる定量データを基にしたデータドリブンな意思決定が欠かせません。このサービスでは、グッドパッチのPdMエキスパートがデータ取得の環境を整え、データを活用したプロダクト改善をサポートします。

データ分析だけにとどまらない専門人材による二人三脚のサポートで、プロダクトの成長を加速させる中長期的な土台を構築することが可能です。

このような方におすすめです

• ・ データは取得しているがプロダクトロードマップや施策作成時に活用できない
  ・意思決定に関わるデータをダッシュボードなどで整理できていない
  ・定量データの結果をプロダクト改善に活用しきれていない

「データアナリティクス・ソリューション」の詳細を見る