はじめに
こんにちは、マーケティングアナリストの倉田です。
今回のテーマは「商圏ポテンシャル」の評価をシンプルにする事！
前編では、AIエリアスコアリングのスコアを活用して、出店戦略におけるアクションプランの考察例をご紹介しました。
前編の記事はこちら
今回はその続きとして、
- スコアの活用例（前編）
- スコアの算出方法と、その設計思想（本記事）
- スコアの信頼性について
- 未知の商圏でのスコアリング活用例
について、詳しく解説していきます。「そもそも、あのスコアはどうやって作られているの？」という疑問にお答えします。
どうやってスコアリングしているのか？
ここからはスコアリングの方法について簡単にお伝えいたします。
まずAIは、目的変数（予測したい項目: 今回なら店舗の有無）と、それに影響を与えそうな説明変数（様々な要因）の関係性を、準備したデータから学習し、独自の「予測モデル（≒予測式）」を構築します。
この予測モデルに、分析したいエリアの説明変数（様々な要因）を当てはめることで、予測確率を算出するのが基本的な仕組みです。
※説明変数は様々な組み合わせをテストし、上記12項目に落ち着きました。
AIは予測モデルを作る過程において重要度というものを算出してくれます。これは「店舗の有無を判断する上で、どの説明変数が、どれだけ重要か」を数値で表します。その各説明変数が持つ「重要度」を「重み」として使い、エリアのポテンシャルを総合的に点数化します。これが、エリアスコアリングの『スコア』の正体です。
■重要度表
※「重要度」はあくまで店舗の有無を予測するうえで重要だった度合を数値で表したものです。例えば駅乗降客数が多ければ、店舗がアリになるといった因果関係を表している訳ではありません。
■予測・スコアリング結果（一部抜粋）
このように説明変数12項目の指標を1つの指標へとすることで評価がシンプルになります。
スコアの先にあるもの：重要度から仮説を立てる
このパートは、テーマから少し外れた話、言わば余談になります。
今回の検証で特に重要度が高かったのは、以下の4つの変数でした。
-
『織物・衣服・身の回り品小売業事業所数』（アパレル）
-
『駅乗降客数2023』
-
『（カフェチェーンを除く）飲食店事業所数』
-
『全産業従業者数_女性』
上位3つは、多くの方が「なるほど」と感じるのではないでしょうか。アパレル店や飲食店が集まり、駅の乗降客が多いエリアは、まさにこのカフェチェーンが出店するような、活気のある中心地や繁華街、商業施設などのイメージと重なります。
ここで特に興味深いのが、4位の『働く女性の数』です。
これは単に「客層に働く女性が多そう」という短絡的なイメージではなく、より深い示唆を与えてくれています。『全産業従業者数_女性』という変数は、このカフェチェーンが出店するのに適した複数の好条件が揃ったエリアを特定する、非常に優秀な「代理」の指標として機能している可能性があります。
具体的には、以下のような側面を同時に示唆していると仮説が立てられます。
-
商業エリアの活気: アパレルや飲食店といった業種は女性の従業員比率が高いため、「働く女性が多い」ことは、そのエリアが華やかな商業地であるかもしれません。
-
オフィス街の性質: 同時に、平日昼間の人口が多いオフィス街としての性質が垣間見えます。これにより、出勤前や休憩時間の安定したコーヒー需要が見込めそうです。
-
ライフスタイルの親和性: さらに、都市部で働く女性のライフスタイルや消費行動が、このカフェチェーンの提供する「自分へのご褒美」や「洗練されたサードプレイス」といった価値観と特に共鳴しやすい、という側面もあるかもしれません。
このようにAIは、分かりやすい相関だけでなく、一見すると間接的に思えるデータから、ビジネスの成功に繋がるエリアの「隠れた本質」を浮かび上がらせてくれるのです。
※あくまで重要度起点からの仮説です。これらを証明するには別途検証が必要です。
なぜ「予測」ではなく「スコアリング」なのか？
「店舗の有無を予測しているのだから、AIが算出した予測確率をそのままスコアとして使えば良いのでは？」
そう思われた方もいらっしゃるかもしれません。とても良い視点です。しかし、私たちはあえてその方法は採用していません。なぜ私たちはAIの予測確率をそのまま使わないのでしょうか？その理由を、以下の表を見ながらご説明します。
この表の②予測確率と④スコア、どちらが商圏ポテンシャルをより的確に表していると思われますか？
この問いに答える鍵は、両者の「目的」の違いにあります。
まず、②予測確率の目的は、あくまで「①店舗の有無」という現在の状況を当てることです。予測確率が高いエリアは「店舗が『ある』可能性が高い」とは言えますが、それがそのまま「商圏のポテンシャルが高い」ことを意味するとは限りません。
一方で、④スコアの目的は、AIの予測結果ではなく、そのエリアが持つ商圏データそのものをベースに、AIが学習した「重要度」を重みとして算出した総合評価点です。つまり、スコアは「あり/なし」という二択の結果ではなく、そのエリアが持つポテンシャルの大きさそのものを測るための「物差し」なのです。
この違いが、ビジネスの意思決定において大きな差を生みます。
スコアは、予測確率だけでは見えにくい商圏ポテンシャルの強弱を、より安定的に示してくれます。なぜなら、スコアはシンプルに「説明変数の値 × 重み」の合計で算出されており、ビジネスの意図に合わせて柔軟に調整することも可能だからです。これこそ、私たちが「スコアリング」にこだわる理由です。
まとめ：AIの「予測」を、ビジネスの「評価」に変える
今回は、エリアスコアリングの裏側にある「スコアの算出方法」と、私たちの「設計思想」について解説しました。
AIが学習した「重要度」という思考プロセスを基に、ビジネスの意図に合わせて調整できる「スコア」という物差しを持つことで、初めて私たちはエリアのポテンシャルを客観的に、そしてシンプルに評価できるのです。
さて、こうして作り上げられたスコアですが、その信頼性はどれほどのものなのでしょうか？
次回はシリーズの最終回として、「スコアの信頼性」や「未知のエリアでの活用例」について、さらに深掘りしていきます。どうぞご期待ください！
エリアスコアリングのサービス概要は下記URLをご参照ください。
