売上分析による改善施策

売上を「分解」して意思決定につなげる

売上は「価格×数量×ミックス×チャネル×地域×期間」に分解できます。まずは全体の売上増減を、どの要素が動かしたかを寄与度で見ると打ち手が明確になります。例えば、価格ダウンで数量が伸びたが粗利が削れたのか、ミックス悪化（利益率の低いSKU比率上昇）なのか、チャネル移動（手数料の高いモールへの寄り）が原因なのかを切り出します。

価格・数量・ミックスの寄与分解

前期と今期の差分を、価格効果・数量効果・ミックス効果に分けると、割引の効き具合や在庫の偏りが数字で見えます。SKU×週の粒度でブリッジ図を作ると、施策別のインパクトが即座に判断できます。

ファネル・リテンション・コホート

新規獲得は「表示→クリック→カート→決済」の転換率、既存は「初回→n回目」の移行率で見ると詰まりが特定できます。12週コホートで2回目購入率、90日内の再購入率、平均注文間隔を並べると、ディスカウント依存やサブスクの定着失敗が露見します。

顧客別収益性

顧客をRFMと粗利で四象限に分け、LTV/CAC>3を目標にします。チャネル別CAC、割引・返品・ポイントを控除した純粗利で見ないと判断を誤ります。B2Bでは契約単価×席数×拡張（NRR）で見ると、値上げよりもアップセル効率の改善余地が見つかります。

すぐに回る分析の設計

データ粒度とイベント設計

意思決定単位で粒度を固定します。ECなら「注文行（order_line_id）」、SaaSなら「アクティブ席×月」を事実テーブルにし、商品・顧客・チャネル・時間をディメンションで持つスター型にします。イベントは「view、add_to_cart、checkout、purchase、refund、subscription_renewal」を最低限揃え、すべてにセッションIDとユーザーIDを紐づけます。

モデリングとダッシュボード

モデルは「当日差分反映・遡及修正可」を要件化します。ダッシュボードは1枚目を「売上ブリッジ＋粗利＋在庫日数＋コホート」、2枚目を「チャネル別CAC/LTV」、3枚目を「SKU別ミックス推移」とし、意思決定の順番に並べます。SQL作成や指標の説明文生成はChatGPTやCopilotに手伝わせると、集計ロジックの抜け漏れチェックが速くなります。

アラートと予測

閾値は「CVR前週比-20%」「在庫日数7日割れ」「キャンセル率+2pt」など、現場が即動ける粒度にします。週次の売上予測は移動平均よりもコホート起点（新規×再購買率）で組むと精度が安定します。プロトタイピングにはGeminiやClaudeで特徴量の仮説出しや要約を回すとスピードが上がります。

打ち手カタログと検証設計

EC/B2Cで効く打ち手

• 割引の衛生管理：初回50%→30%に縮小し、2回目バウチャー配布で移行率を担保。粗利寄与を週次で検証。
• ミックス是正：利益率の高い補完SKUをカート追加で提案。関連表示のCTR>8%を基準にA/B。
• 在庫連動入札：在庫日数が10日未満のSKUは広告入札を自動で抑制。
• 決済エラー検知：CVRのOS別アラートで、特定バージョン障害を即時切り戻し。

SaaS/B2Bで効く打ち手

• オンボーディング分割：初週は1機能に限定してアクティベーション率を+15pt目標。
• 拡張席のトリガー：利用率80%超でプラン提案。拡張率の寄与でNRRを分解。
• 価格実験：年契約割引を10%→7%にしつつ、優先サポートで価値を上げる。解約率の非劣性を検証。

A/B設計の要点

指標は「粗利ベースCVR」「2回目移行率」「NRR」など収益直結に寄せます。効果量の事前想定（例：+5%）と検出力80%で必要サンプルを見積もり、期間中の外乱（大型キャンペーン、在庫切れ）はログして後で層別化します。集計の自動化はスケジュールSQL＋検出ルール、要約はChatGPTで自然言語化、異常の根因仮説列挙はClaudeを補助に使うと実務が軽くなります。

身近な企業活用例：文具EC「ムジナ文具」の逆転

状況と失敗

地方発の中堅D2C、月商4,000万円。広告を強化して流入は増えたのに、粗利は前期比-8%。初回50%オフが主力となり、2回目購入率が22%まで低下。加えて人気ボールペンの在庫切れで、広告着地先のCVRが下がり、モール比率が上がって手数料負担が拡大していました。

分析と施策

売上ブリッジで「ミックス-600万円」「価格-250万円」「数量+400万円」を特定。12週コホートで初回割引群の2回目移行率が非割引群より-14pt。対策として、初回割引を30%へ縮小し、2回目専用20%クーポンを同梱。カートでは高粗利のリフィルをバンドル提案。入札は在庫日数連動で自動抑制。LPの決済導線はOS別CVRを監視し、iOSの特定バージョンで障害を検知して即修正。SQLはCopilotで雛形を作り、コホートの再現性を担保。週次予測はGeminiで再購買率の季節性を加味しました。

結果

2ヶ月で月次売上+12%、粗利率+5.3pt。2回目移行率は22%→35%に改善。在庫連動入札で広告費を-18%抑えつつROASは+21%。モール比率は-6pt、直販比率が戻りLTV/CACは2.4→3.1に上昇。以降はSKU別のミックス寄与を毎週レビューし、在庫と広告の連携を恒常運用に移行しました。

売上分析は「どの要素が、どれだけ、いつ効いたか」を数字で語れれば、現場が迷いません。イベント粒度の設計、寄与分解、コホート、A/Bの一連を日常化することで、改善は積み上がります。データ解析プラットフォーム事業としては、この流れを支えるスキーマ標準化、変化に強いモデリング、アラートと要約の自動化を提供し、現場の意思決定の速度と質を底上げしていきます。