筑波大学大学院博士課程
システム情報工学研究科修士論文
スキー板市場における
潜在クラスモデルを用いた需要構造分析
柴山 武
(計量ファイナンス・マネジメント専攻)
指導教官 金澤 雄一郎 教授
2005 年 1 月
概要
本論文では、スキー板市場について潜在クラス 2 項ロジットモデルを用いて小売店サイド
からの需要構造分析を行っている。まず、スキー板の販売に先行して行なわれる展示予約会
でのアンケート情報を基に顧客の選択肢集合についてプロデジー分析を行い、競技モデルと
デモモデルという 2 つのサブマーケットが存在することを明らかとした。そして、スキー市
場の特徴からデモモデルの需要予測が重要であるとして、デモモデルに対して展示予約会で
のアンケートから得られる選択肢集合の情報を被説明変数として潜在クラス 2 項ロジット分
析を行った。このとき、展示会に先立って行われる消費者が直接的に新規機種の情報を入手
する唯一の機会である試乗会においてアンケートを実施し、そこから得られる購入意向を説
明変数としてモデルに取り込んだ。潜在クラス 2 項ロジット分析によってアンケート回答者
は各説明変数に対する反応の特徴から 5 つのクラスに分類され、それぞれのクラスにおいて
予測された選択数を展示予約会における予約数や店頭販売数を予測する回帰モデルの説明変
数として用いた。このとき、クラスを分類せずに 2 項ロジット分析を行って予測された選択
数や全てのクラスの予測選択数の合計を説明変数として用いた場合以上に精度の良い予測を
行うことができるクラス（購買に影響を与える目利き層とも言うべきクラス）が存在するこ
とを明らかとした。
目次
第 1 章 はじめに
1
第 2 章 スキー板の市場について
2.1 商品の特徴 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 顧客セグメント . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
3
4
第3章
3.1
3.2
3.3
予約数及び店頭販売数の予測の流れ
専門店 A の年間スケジュール . . . . . . . . . . . . . . . . . . . . . . . . . .
予約数及び店頭販売数の予測に用いるデータ . . . . . . . . . . . . . . . . . .
予約数及び店頭販売数の予測の流れ . . . . . . . . . . . . . . . . . . . . . . .
5
5
7
9
第 4 章 モデル
4.1 プロデジーモデル . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 潜在クラス 2 項ロジットモデル . . . . . . . . . . . . . . . . . . . . . . . . .
10
10
12
第5章
5.1
5.2
5.3
5.4
5.5
5.6
5.7
14
14
17
35
40
40
48
50
予約数及び店頭販売数予測モデルの構築
プロデジー分析 . . . . . . . . . . . . . .
潜在クラス 2 項ロジット分析 . . . . . . .
予約数予測モデルの構築 . . . . . . . . .
予約数予測モデルの精度比較 . . . . . . .
店頭販売数予測モデルの構築 . . . . . . .
店頭販売数予測モデルの精度比較 . . . .
結論 . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
謝辞
55
参考文献
56
i
図目次
3.1
3.2
予測に用いるデータの入手の流れ . . . . . . . . . . . . . . . . . . . . . . . .
本論文における予測の流れ . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1
5.2
5.3
5.4
5.5
クラス数と BIC の変化 . . . . . . . . . . .
店頭販売数とクラス 5 の予測選択数の散布図
試乗会アンケート . . . . . . . . . . . . . .
展示予約会アンケート表面 . . . . . . . . .
展示予約会アンケート裏面 . . . . . . . . .
ii
. .
.
. .
. .
. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
8
9
19
48
52
53
54
表目次
5.1
5.2
5.3
5.4
5.5
5.6
5.7
5.8
5.9
5.10
5.11
5.12
5.13
5.14
5.15
5.16
5.17
5.18
5.19
5.20
5.21
5.22
5.23
5.24
5.25
5.26
5.27
機種全体でのプロデジー分析結果 . . . . . . . . . . . . . . . . . . . . . . . .
競技モデルのサブマーケット（r=1）に属する機種のプロデジー分析結果 . .
デモモデルのサブマーケット（r=2）に属する機種のプロデジー分析結果 . .
試乗会アンケートの各項目間の相関 . . . . . . . . . . . . . . . . . . . . . .
分析に用いる説明変数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
潜在クラス分析の対数尤度、絶対誤差、平均二乗誤差、ヒット率とクロスバリ
デーションの結果 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
クラス 1 のときのパラメータ . . . . . . . . . . . . . . . . . . . . . . . . . . .
クラス 2 のときのパラメータ . . . . . . . . . . . . . . . . . . . . . . . . . . .
クラス 3 のときのパラメータ . . . . . . . . . . . . . . . . . . . . . . . . . . .
クラス 4 のときのパラメータ . . . . . . . . . . . . . . . . . . . . . . . . . . .
クラス 5 のときのパラメータ . . . . . . . . . . . . . . . . . . . . . . . . . . .
各クラスにおける各機種を選択肢集合に含める確率 . . . . . . . . . . . . . .
各クラスにおける各機種の予測選択数 . . . . . . . . . . . . . . . . . . . . . .
質問項目「性別」「年齢」に関する集計結果 . . . . . . . . . . . . . . . . . .
質問項目「職業」「スキーの志向」に関する集計結果 . . . . . . . . . . . . . .
質問項目「技術レベルの自己評価」に関する集計結果 . . . . . . . . . . . . .
質問項目「現在使用中のブランド」に関する集計結果 . . . . . . . . . . . . .
質問項目「スキー板を購入する際に信頼できる情報源として利用するもの」に
関する集計結果 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
質問項目「スキー板の購入に関して他人の推薦に影響を受ける」に関する集計
結果 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
質問項目「デザインが良い」に関する集計結果 . . . . . . . . . . . . . . . . .
質問項目「目新しさがある」に関する集計結果 . . . . . . . . . . . . . . . . .
質問項目「価格に手頃感がある」に関する集計結果 . . . . . . . . . . . . . .
質問項目「ブランドイメージがよい」に関する集計結果 . . . . . . . . . . . .
各予測モデルの説明変数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
予約数を被説明変数としたときの各モデルにおける回帰分析結果（下級機種）
予約数を被説明変数としたときの各モデルにおける回帰分析結果（上級機種）
予約数を被説明変数としたときの各モデルにおける回帰分析結果（ブランド B
の機種） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
iii
14
15
16
17
18
19
19
20
20
21
21
23
24
25
26
27
28
29
30
31
32
33
34
36
37
38
39
5.28
5.29
5.30
5.31
5.32
5.33
5.34
5.35
5.36
5.37
予約数予測のモデル . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
各モデルの機種毎の誤差と最大誤差、平均絶対誤差、平均二乗誤差 . . . . .
店舗販売予測について追加するモデル . . . . . . . . . . . . . . . . . . . . . .
店頭販売数を被説明変数としたときの各モデルにおける回帰分析結果（下級機
種） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
店頭販売数を被説明変数としたときの各モデルにおける回帰分析結果（上級機
種） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
店頭販売数を被説明変数としたときの各モデルにおける回帰分析結果（上級機
種：クラス 5 の予測選択数が 20 以上） . . . . . . . . . . . . . . . . . . . . .
店頭販売数を被説明変数としたときの各モデルにおける回帰分析結果（上級機
種：その他） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
店頭販売数を被説明変数としたときの各モデルにおける回帰分析結果（ブラン
ド B の機種） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
店頭販売数予測のモデル . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
各モデルの誤差と最大誤差、平均絶対誤差、平均二乗誤差 . . . . . . . . . .
iv
40
41
42
43
44
45
46
47
49
49
第 1 章 はじめに
本論文ではスキー専門店チェーンにおける小売サイドからのスキー板に関する需要構造分
析を行う。スキー板の市場では、シーズンごとにモデルチェンジが行なわれるため、板の各機
種の販売数はシーズンによって異なり、シーズンごとに需要予測を行う必要がある。需要予
測を行う際に小売店サイドで得られる情報源としては、スキー板の試乗会におけるアンケー
ト情報（3 月に開催）及び、展示予約会（6 月に開催）のみとなっている。また、趣味性が強
く、購買間隔が長い商品の市場であるために情報源の少なさとあいまって需要予測が難しい
市場であるといえる。本論文では、潜在クラス 2 項ロジットモデルを用いて試乗会における
アンケート情報から、各クラス毎の顧客が購入を考慮している機種の選択確率と選択数を予
測し、それらの情報を基に展示予約会での予約数及び店頭での販売数を予測する際の説明変
数として用いることで、この専門店チェーンにおける試乗会開催時点での予約数ならびに店
頭販売数の予測精度を向上させることを目的とする。
本研究と関連性がある研究として、Fisher，Hammond，Obermeyer and Raman（1994）
[3] では衣料品の需要予測という観点から、Sport Obermeyer 社のスキーウェアに関する需要
予測の方法について論じている。スキーウェアの生産はその年の需要が定まる前に生産を行わ
なくてはならないため、需要予測の方法が難しく、適切な需要予測が行えないでいた。Sport
Obermeyer 社ではこれまで役員 6 名がそれぞれの商品について需要予測をし、話し合いで需
要予測を行っていたが、Fisher らは役員それぞれの需要予測の平均と標準偏差を基に需要予
測を行った。ここでは News Vender Formula から売れ残りコストと売り切れコストのバラン
スをとる点を求めることで生産計画を行っている。
また、Sport Obermeyer 社で 1 度目の発注は中国に出し、その販売結果をみて 2 度目の発
注をアメリカ国内で行っているため、Fisher and Raman（1996）[4] では受注を受ける前に
発注を行う第 1 期と受注後の追加発注を行う第 2 期とに分けて需要予測を行っている。そし
て、第 1 期発注分の売れ行きを考慮して第 2 期の需要予測を行い、全体での売れ残りのコス
トと機会費用のコストを最小化する最適解を求めるためのモデルを構築している。
Eliashberg,Jonker,Sawhney and Wierenga（2000）[2] では新作映画に関する口コミ情報を
マルコフ連鎖を用いてモデル化している。ここでは、その映画を見る見ないの意思決定を行
なわない状態と見るという意思決定を行った状態、見ないという意思決定を行った状態、さ
らに映画を見た上で良い評価を広めている状態（正の口コミ情報）、悪い評価を広めている状
態（負の口コミ情報）、何もリアクションを起こさなくなった状態の 6 つの状態を設定し、正
の口コミ情報と負の口コミ情報がまだ映画を見ていない状態の人々に対して影響を与えるよ
うに状態遷移確率を求めることで、口コミ情報の影響を考慮した新作映画の需要予測モデル
1
を構築している。モデル構築に関しては 2 つの映画に対して、140 人の学生の反応をアンケー
トすることで行っている。
Gupta, Jain and Sawhney（1999）[10] では潜在クラスモデルを用いてデジタルテレビ市
場における需要予測の意思決定を支援する分析結果を導いた。ここでは消費者を潜在クラス
分析によって 3 つのクラスに分類し、それぞれパラメータの値から価格に敏感なクラス、現
実的なクラス、映像を好むクラスといった特徴づけを行っている。さらに、分類したクラス
毎に収入や学歴、所有している映像機器等を集計し、各クラスの特徴をより詳しく説明して
いる。そして、それぞれのクラスにおける映像精度、画面サイズ、価格、（画質に対応した）
コンテンツへの反応を分析することでターゲットとする顧客層をどこにすべきか、そのター
ゲットに対してどのような付加価値をつけた商品を開発すべきなのかという意思決定の手助
けとなるデータを導いている。
今回分析に用いるプロデジーモデルに関しては Urban,Jhonson and Hauser（1984）[1] を、
潜在クラスモデルについては Wedel and Kamakura（1998）[11] を参考とした。
スキー板市場においては消費者が直接的に新規機種の情報を入手する機会は試乗会のみと
なっており、そこでの評価が実際に試乗会に参加した友人、知人やスキー雑誌、スキー専門
店チェーン等の店員等からその他の消費者に広まっていると考えることができる。また、試
乗会に参加する消費者はスキー板に対して興味関心が強く、技術レベルも高い層であること
から、未参加の消費者に対して与える影響力も大きいと考えられる。そこで、本論文ではス
キー板市場において販売に先立って行なわれる新規機種試乗会での評価がその後の販売の動
向を予測する上で重要な情報源となると考え、試乗会でのアンケートを実施し、そこから得
られたスキー板の購入意向を説明変数に取り入れ、展示予約会でのアンケートから得られる
選択肢集合を被説明変数として潜在クラス 2 項ロジット分析を行った。既存研究においては
Gupta, Jain and Sawhney（1999）[10] に見られるように、分類されたクラス毎の特徴から
ターゲットとなる顧客層やそのターゲットに対してとるべき販売戦略を分析すること、ある
いは消費者の異質性を考慮した消費者構造を把握することを目的として潜在クラスモデルを
用いてきた。本論文においては、潜在クラスモデルを需要予測に適用できるように行ったこ
とが学術的貢献である。本論文では、潜在クラスモデルを用いることで全体の購買に影響を
与える目利き層とも言うべきクラスが存在することを明らかにした。それらのクラスにおい
て予測された選択数を展示予約会における予約数や店頭販売数を予測する回帰モデルの説明
変数として用いることで、クラスを分類せずに 2 項ロジット分析を行って予測された選択数
や全てのクラスの予測選択数の合計を説明変数として用いた場合と比較し精度の良い予測を
行うことができることを明らかとした。
本論文の構成として、第 2 章ではスキー板の特徴と顧客セグメントについて述べ、第 3 章
でスキー専門店チェーンの予約数及び店頭販売数予測の流れと本論文で取り扱うデータ及び
それたのデータを用いた予測モデル構築の流れについて述べる。第 4 章では今回用いるプロ
デジーモデルと潜在クラス 2 項ロジットモデルについて解説する。第 5 章ではプロデジー分
析と潜在クラス 2 項ロジット分析の結果を示し、それらの結果を基に予約数及び店頭販売数
の予測モデル構築について論じる。
2
第 2 章 スキー板の市場について
本章では商品の特徴 (2.1 節) と顧客セグメント (2.2 節) について述べる。
2.1
商品の特徴
本節では商品の特徴として季節性、ブランド、スキー板の SKU、スキー板のカテゴリにつ
いて述べる。
• 季節性
スキーは冬にしか行うことのできない季節性のあるスポーツの代表例であり、スキー板
の主な販売期間は 10 月から 6 月までの 6ヶ月間である。さらに、スキー板は通常、１
年でモデルチェンジが行われる。このため、シーズンごとに新たに需要予測を行う必要
がある。また、3 月を過ぎると旧モデルとして値引きが行われ、3 月以前でも在庫が残
りそうな場合には値引きを行い、3 月以降に在庫を残さないようにする必要がある。ま
た、モデルチェンジには大きくその板のスペックを変えるフルモデルチェンジと、板の
デザインなどの小幅な変更を行うマイナーチェンジとがある。
• ブランド
スキー板市場には新規ブランドが参入することは難しく、既存のブランドにはブランド
イメージがあり、顧客の購買行動に影響を与える。専門店 A で主に取り扱うブランドと
してブランド A からブランド N までの 14 ブランドがある。
• スキー板の SKU（stock keeping unit）
各ブランド毎に 30 種類から 60 種類の機種を取り扱っている。それぞれの機種は色やサ
イズ (長さ) によってさらに細かく分類される。
• スキー板のカテゴリ
スキー板の機種は大きく分けて競技用とデモ用 (一般向けのモデルも含む) にことができ
る。競技用の機種は競技大会等での滑走時間を競うことを目的としているため、一般的
に扱いにくくなっている。競技モデルには GS（大回転）用のモデルと SL（回転）用の
モデルとに分かれており、用途に合わせて選択が行なわれる。デモ用のモデルはゲレン
デでうまく滑ることを目的としたモデルであり、下位のモデルになるほど楽しく滑ると
いう要素が強くなる。デモ用の中にも大回りに向いたモデル、小回りに向いたモデル、
オールラウンドに扱えるモデルといったそれぞれのモデルに対する特徴がある。デモモ
3
デルに関してはさらに上位モデルと下位モデルに分けることができる。また、上位モデ
ルと下位モデルの中にも消費者が自分のレベルに合わせて選択することができるよう上
級機種と下級機種とに分かれている。
2.2
顧客セグメント
顧客はスキーに対する技術レベルによって、エキスパート・上級者・中級者・初級者に分
けることができる。エキスパートや上級者は板の性能や新しいテクノロジーに敏感なグルー
プであり、1、2 年に 1 本板を買い換えるケースが多い。このため、ニューモデルの情報を最
も正確に把握しているグループであり他のスキーヤーを指導する立場にあるため、板の購入
に関して他の消費者に与える影響も大きい。さらに、エキスパートや上級者の扱う板は平均
的に価格が高く、マージンも大きい。また、このセグメントの顧客は店舗に来る前にある程
度の選択肢を持ってやってくるため、その商品が無かった場合には売り逃すこととなる。そ
のため、現在のスキー板業界においてエキスパート・上級者の顧客セグメントの動向をうか
がうことは重要である。これに対して、中級者や初級者は板のデザインの影響を受けやすく、
店舗での店員のアドバイスによって板を決定する傾向が見られるため、同じ価格帯の板であ
れば代替品で間に合わせることが可能である。
4
第 3 章 予約数及び店頭販売数の予測の流れ
本章ではデータ提供元のスキー専門店チェーン（以降、専門店 A と呼称する）の年間のスケ
ジュールを示し、それに基づいて本論文における展示予約会での予約数及び店頭販売数の予
測の流れについて説明する。
3.1
専門店 A の年間スケジュール
本節では専門店 A の年間のスケジュールについて述べる。
1 月 来期ニューモデル発表
商品のデザインやスペック（長さ・ラディウス・製品特徴）、価格などの製品情報を入手。
2 月 ブランド主催試乗会（販売店向け）
各ブランド毎にディーラー・ショップ向けの試乗会が開催される。ここで専門店Ａのス
キー担当者全員が実際の製品性能を体感しそのスキーのフィーリングを各自確かめる。
レーサー向けのモデルならば性能を、初級者向けのモデルならばシステムの目新しさ
や、デザインを重点的に見る。
3 月 専門店 A 主催試乗会
専門店Ａ内での試乗会
専門店Ａのスキー担当者全員が参加し、各ブランドの板を乗り比べる。ブランド
主催の試乗会と異なり様々なブランドの板を取り揃えるため全てのブランド間で
の乗り 比べができる。
オピニオンリーダーを集めた試乗会
各スキーチームのリーダー 150 人程を集めた試乗会を開催する。この試乗会の夜
に各スキーチームのリーダー 150 人を交え、専門店Ａのスキー担当者との懇親会
が開催さ れる。ここで顧客を代表する意見を収集し、今後の需要予測に役立てる。
主に試乗される板は競技モデル及びデモモデルの上位モデルとなる。
一般顧客向け試乗会
一般のスキーヤー 1000 人程を集めた試乗会を開催する。ここにもスキー担当者全
員が参加し、聞き込みによる人気調査を行う。また、板の貸し出し状況から人気
を推測する。ここでの板の人気は雑誌等の先行情報によるところが大きい。主に
試乗される板は競技モデル及び デモモデルの上位モデルとなる。
5
5 月 第一次発注
これまでに得られた情報を基に第一次需要予測を行い、発注量を決定する。需要予測か
ら発注までの流れは以下のようになる。
１、各店舗での需要予測
まず、
「去年のデータ」
「試乗会での感触」
「店員の勘」
「今年の各店舗の販売戦略」
を基にブランド毎の販売総量を決定する。次に各ブランド内で各機種のクラス分
け（競技用・デモ用／上位モデル・下位モデル）を行い、去年の販売比率を参考に
数量を割り振る。さらに、
「去年のデータ」から各機種の「色」
「サイズ」別の発注
量を決定し、商品部へ予測量を提出する。商品部は各店舗からあがってきた SKU
毎の発注データをブランド毎のデータにまとめ直し、本部へ送る。
２、本部での需要予測
本部では商品部でまとめられた各店舗のブランド毎の月別発注データをもとに以
下の項目を考慮し、全体の発注量を調整する。本部で修正のあったブランドにつ
いては各店舗がもう一度見直し、SKU 毎に発注量を調整する。修正したものをも
う一度商品部で取りまとめ発注を行う。
a 他社との競合状態
1，2 番人気の商品は大手量販店が大量仕入れによって安く仕入れた際に価格
競争で不利になるため、人気が 1，2 位の商品よりも 3，4 番手で人気はあま
りないが「いいモノ」を販売するという専門店Ａの方針にそって、他社が人気
1，2 位の商品を多く取り揃えているならば 1，2 位の商品よりも 3，4 番手の
商品に力を入れるよう調整する。専門店Ａには先に述べたように専門店とし
て販売員の教育に力をいれているので、このような 3，4 番人気の商品の良さ
を顧客に説明し購入を促すことができる。
b モデルチェンジについて
大幅にモデルチェンジが行われた場合、目新しさから需要が増加する場合が
多い。そのため、大幅なモデルチェンジが行われたブランドの発注量は多めに
設定しなおす。逆にマイナーチェンジのみで大きな変化がないときには少な
めに見積もる。現在はレールスキーへの過渡期にあるが、専門店Ａでは大手
量販店に比べ期末在庫の保有量が少ないため、新製品導入のサイクルが早く、
このような新製品に敏感に反応し発注量を多めに見積もっている。
c 各ブランドの輸入量について
各ブランドの日本への輸入量はブランドの需要予測によって販売期間前に定
められ、その年の動向を見て追加されることはない。そのため、輸入量が少
ない場合には追加発注が難しくなる可能性があり、発注量を多めに見積もる
必要がある。また、輸入量が多い場合、競合他社が多く仕入れる可能性があ
るため競争が激化し、売上高が少なくなる可能性がある。そのため、発注量
は少なめに見積もる必要がある。
6
d 去年の販売状況との比較
各店舗の去年の月別販売状況と比較し、各店舗の総発注量を見直す。各店舗を
比較した際に、ある月の販売量が比較的少ない店舗があれば、その月の発注
量を上方修正するように指示する。
6 月 展示予約会の開催
専門店Ａでは 6 月という早い時期に展示予約会を独自に開催している。ここで予約を行
うと定価の１割引で購入することができる。商品は 10 月頃に受け渡される。代金もそ
のときに支払う。また、予約に関してはキャンセルすることができる。ここでは主に競
技モデル及び上位デモモデルの展示が行われる。
7 月 第二次発注
展示予約会での予約受注データを基に一次発注量に修正を加え、二次発注を行う。この
予約受注データをもとに各店が一次発注提出時に出した発注量の何％を展示予約会で
受注したのかを調べる。その後メーカーに調整できるか質問し、可能ならば展示予約会
で予想以上に売れたものに関してはその後の販売分も考慮し、発注量を増やす。売れな
かったものについては発注量を減らす。また、全店を合計して売れているものについて
は追加発注を行い、各店舗に追加分を振り分ける。逆に全店を合計して売れていないも
のに関しては発注量を減らし、各店舗へ返品を示唆する。このとき発注量を変化させる
のは前期分のみである。
10 月 競技モデル及び上位デモモデルの販売開始
10 月頃から各店舗の店頭にニューモデルの板が並び始める。各店舗は目標の販売台数
と実際の販売結果を見比べながら、必要かつ可能ならば追加発注を各店舗毎に行う。
12 月 発注量の見直し、下位デモモデルの販売開始
上位デモモデルの発注量とここまでの販売量とを比較し、売れ残りがあるブランドに関
しては売れ残りを今後の販売に回す。また、下位デモモデルの発注分を減らす。もし、
発注量を需要が上回っているようであれば本部が追加発注を出し各店舗に振り分ける。
この頃から雪が降り始めるため、中初級層の顧客の購買が始まり、下位デモモデルが販
売される。
1 月 値下げ開始
売れ残りそうな商品があった場合、各店舗の店長が判断し、値下げを行う。値下げの時
期、値下げ幅に関しては各店舗の競合店の影響によって変化する。
3.2
予約数及び店頭販売数の予測に用いるデータ
本論文では 3 月に行なわれる一般顧客向け試乗会及び展示予約会においてアンケートを実
施した。アンケート内容については（図 5.3）、（図 5.4）、（図 5.5）を参照。
試乗会アンケートでは試乗者に対して「Q1：ターン導入がしやすい」「Q2：ターン後半のキ
7
レがよい」「Q3：高速安定性がよい」「Q4：総合滑走性がよい「Q5：デザインに目新しさが
ある」「Q6:スキーのテクノロジーに目新しさがある」「Q7:全体的に満足する」「Q8：購入を
希望する」の 8 項目に関して「1, 非常にそう思わない」「2, そう思わない」「3, どちらともい
えない」
「4, そう思う」
「5, 非常にそう思う」の 5 段階で試乗した機種の評価をしてもらった。
ここでは 805 名から 6004 枚のアンケートを回収することができた。今回は、各機種ごとの各
項目に対する評価の平均値をとり、それを各機種の評価とする。
展示予約会アンケートでは展示予約会来場者に対して性別や年齢などの個人情報や、選択
集合に関してアンケートを実施した。選択肢集合に関しては、板を購入する前の段階でどの
ような選択肢を持っているのか知るために、選択肢として考慮している（していた）機種を
複数回答を許して機種名に印をつけてもらうという形でアンケートを行った。ここでは 5753
名からアンケートを回収することができた。
また、予測対象となる展示予約会での予約数及び店頭販売数のデータに関しては機種レベ
ルでの集計データを手にいれることができた。データ入手の流れをまとめると図 3.1 のよう
になる。
今回は専門店 A が主に取り扱う 14 ブランドのうち、シェアが比較的大きいブランド A か
らブランド H までの 8 ブランドに限定して分析を行う。
図 3.1: 予測に用いるデータの入手の流れ
/
•
3
•
•
•
8
6
103
•
3.3
予約数及び店頭販売数の予測の流れ
今回の予測の流れについて説明する。まず、3 月の試乗会アンケートの結果から選択肢集合
を潜在クラス 2 項ロジット分析によって予測する。次に、予測された選択肢集合から各機種
の予約数及び店頭販売数を回帰分析によって予測する。予測された予約数及び店頭販売数は
第 1 次発注における発注量決定のために使用することができる。
また、展示予約会後に各機種の予約数が得られるため、実際の予約数を用いて店舗販売数
を回帰分析によって予測する。ここで予測された店頭販売数は第 2 次発注における発注量調
整のために使用することができる。予測の流れをまとめると図 3.2 のようになる。
図 3.2: 本論文における予測の流れ
2
9
第 4 章 モデル
4.1
プロデジーモデル
プロデジー分析とは個人 h の機種 i に対する選択に関して機種 i を除外した場合の代替案の
構造を分析することで、機種の選択に関してサブマーケット r が存在し、それぞれのサブマー
ケット内で選択が行われるという構造があると言えるのか、それともそういった構造はなく、
全ての機種の中から選択が行われていると言えるのかということを明らかにするための分析
手法である。本論文では Urban,Jhonson and Hauser（1984）[1] を参考としている。ここで、
機種 i(=1,2,· · · ,I) と個人 h(=1,2,· · · ,H) に対して変数を以下のように定義し分析を行う。
1 個人 h が機種 i を選択肢に入れた場合
(h)
mi =
(4.1)
0 個人 h が機種 i を選択肢に入れなかった場合
(h)
mi
: モデル i を選択肢に含んだ人数
(4.2)
ni =
h
機種 i を選択した人の中で、機種 i を選択肢から外した場合に個人 h がその他の機種 j に移
(h)
行する確率 P̂i(j) は等確率である（i 以外の選択肢の数が n のとき、i が選択肢から外れた場合
に他の機種 j に移る確率は 1/n）と仮定することで（4.3）式が得られる。
(h)
(h)
P̂i(j)
(h)
mi mj
= (h) ， i = j
j mj
(4.3)
(h)
ここで、P̂i(j) を個人 h について足しあげることで、機種 i を選択肢から外した場合に機種 j
を選択する人数の期待値を ni (j) で表す。そして、これを機種 i の選択者数 ni で割ることで、
機種 i を選択肢から外した場合にその他の機種 j に移行する確率 P̂i(j) を示す。
ni (j) =
P̂i (j)(h) ， i = j
(4.4)
h
P̂i(j) = ni (j)/ni ， i = j
(4.5)
次に、サブマーケット r に属する機種 i を選択肢から外した場合に同じサブマーケット内で
選択を行う確率を求める。実測値（選択肢集合に関するアンケート結果）を基に、同じサブ
マーケット内の他の機種 j ∈ r に移る確率を足し合わせたものが P̂i(r) ［(4.6) 式］となる。ま
た、全ての機種の中から選択が行われているとしたときの選択確率は機種 i の選択人数（ni ）
10
に依存する（i が選択肢から外した場合に j を選択する確率は ni /
理論値が Pi(r) ［(4.7) 式］となる。
P̂i(r) =
Pi(j) ， i = j
j∈r
Pi(r) =
nj /
j∈r
nj ， i = j
j
nj , i = j ）として求めた
(4.6)
(4.7)
j
ここで、機種 i が各サブマーケット内で選択が行われていると言えるのか確かめるために、
実現値と理論値の間で Z 検定を行う。
P̂i(r) − Pi(r)
zi =
(Pi(r) (1 − Pi(r) )/ni )1/2
(4.8)
さらに、全ての機種においてサブマーケットの存在を適応すべきかどうかサブマーケット
毎のプロデジー分析を行う。このとき、機種 i を選択肢から除外した場合に機種 i が所属する
サブマーケット r 内で選択を行う人数の期待値を ni (r) で表す。ここで、それぞれのサブマー
ケット r に所属する機種の選択者が同じサブマーケット r 内の機種を選択する期待値を n(r)
［(4.9) 式］で表し、全てのサブマーケット T に対して同じサブマーケット内の機種を選択す
る期待値を n∗ ［(4.10) 式］で表す。
n(r) =
ni (r)
(4.9)
i∈r
∗
n =
n(r)
(4.10)
r∈T
ここで、実測値を基に同じサブマーケット内で選択を行う確率を計算したものが Pˆ∗［(4.11)
式］となり、理論値を基に同じサブマーケット内で選択を行う確率を計算したものが P ∗［(4.12)
式］となる。
Pˆ∗ = n∗ /
ni
(4.11)
i∈T
P∗ =
(
Pi(r) ni )/
ni
r∈T i∈r
z=
(4.12)
i∈T
P̂ ∗ − P ∗
(P ∗ (1 − P ∗ )/ i ni )1/2
(4.13)
このとき、Z 値が十分に大きければ全ての機種の中から選択が行われているという帰無仮
説は棄却され、機種 i においてサブマーケット間の選択には構造があるということができ、各
個人はサブマーケット内で選択を行っていると考えられる。
11
4.2
潜在クラス 2 項ロジットモデル
潜在クラス 2 項ロジット分析とは、個人の選択の特徴によって個人をいくつかの潜在的な
クラスに確率的に分類し、各クラス毎にパラメータを推定することで消費者の異質性を考慮
した分析を行うための手法である。本論文では Wedel and Kamakura（1998）[11] を参考と
している。ここでは、クラス数 S を任意に決定し、機種 i(=1,2,· · · ,I) と個人 h(=1,2,· · · ,H) に
対して変数を以下のように定義する。
(h)
yi
K
(h)
xik
(h)
Xi
πs(h)
θsk
1 個人 h が機種 i を選択肢に入れた場合
=
0 個人 h が機種 i を選択肢に入れなかった場合
(4.14)
: 説明変数の数
(4.15)
: 個人 h の機種 i に対する説明変数 k(= 1, . . . , K)
(4.16)
: 個人 h の機種 i に対する説明変数のベクトル (1 × K)
(4.17)
: 個人 h がクラス s(= 1, 2, · · · , S) に所属する確率
(4.18)
: クラス s に属する場合のパラメータ k の値
(4.19)
Θs : クラス s に属する場合のパラメータ値のベクトル (K × 1)
(4.20)
潜在クラス分析は各クラスへの所属確率 π̄s を推定する E ステップ［Expectation ステップ］
と、パラメータを推定する M ステップ［Maximize ステップ］とに分かれている。E ステップ
と M ステップとに分けて説明する。
[E ステップ]
初期の各クラスへの所属確率を 1/S とし、パラメータの初期値をランダムに決定する。こ
(h)
の時、クラス s に属する個人 h が機種 i を選択肢に入れる確率は Pis で表される。
(h)
Pis =
(h)
exp(Xi Θs )
(4.21)
(h)
1 + exp(Xi Θs )
(h)
ここで、個人 h のクラス s への所属確率は選択確率に初期の所属確率 πs (= 1/S) を掛けて
(h)
求められた確率を s に関して足し合わせたもので割り、所属確率 π̄s を次のように更新する。
(h) (h)
(h)
(h)
(h)
(P y + (1 − Pis )(1 − yi ))πs
π̄s(h) = is (h)i (h)
(h)
(h)
(h)
s (Pis yi + (1 − Pis )(1 − yi ))πs
(h)
更新された所属確率 π̄s
l(Θ) =
を基に対数尤度を l(Θ) で表す。
(h)
(h)
(h)
(h)
(π̄s(h) (
yi logPis +
(1 − yi )(1 − logPis )))
h
s
(4.22)
i
i
12
(4.23)
[M ステップ]
クラス s（=1,2,· · · ,S）毎に 2 項ロジットモデル [7] を用いて対数尤度 l(Θs ) が最も大きくな
るように（最尤法）パラメータ Θs を推定する。
l(Θs ) =
h
i
(h)
(h)
yi logPis +
(h)
(h)
(1 − yi )(1 − logPis )
h
(4.24)
i
このとき、Θs は Newton-Raphson 法によって、l(Θs ) をパラメータ（θsk ）それぞれに関し
て 1 次微分して求められる K × 1 の行列 G(Θs )(4.25) 式と 2 次微分して求められる K × K の
行列 H(Θs )(4.26) 式から (4.27) 式のように更新される。ここで、t は更新の回数を表し、Θs(0)
は初期値を示す。
G(Θs ) =
π̄s(h) (−
h
H(Θs ) = −
h
i
Pis {Xi } +
(h)
i
(h) (h)
π̄s Pis (1
(h)
−
{Xi } yi )
(h)
i
(h)
(h)
(h)
Pis ){Xi } Xi
Θs(t) = Θs(t−1) − H(Θs(t−1) )−1 G(Θs(t−1) )
(h)
(4.25)
(4.26)
(4.27)
これによって各クラス毎のパラメータが推定される。ここで、推定されたパラメータを基
に E ステップへ戻り、もう一度所属確率を更新する。E ステップと M ステップを繰り返し、
(4.23) 式における対数尤度の更新が十分に小さくなったときに更新はストップする。ここで、
BIC（Bayesian Information Criterion）を (4.28) 式のように計算し、BIC が最も小さくなる
ときのクラス数 S を分析に用いるモデルに決定する。
BIC =
1
(−2l(Θ) + K log H)
H
13
(4.28)
第 5 章 予約数及び店頭販売数予測モデルの構築
5.1
プロデジー分析
専門店 A へのインタビューで得られた「競技モデルとデモモデルが近年差別化されてきて
いる。競技なのかデモなのか目的によって選ぶ板が変わる。」という情報を展示予約会でのア
ンケートから得られた選択肢集合の情報を用いてプロデジー分析を行う事で確認する。ここで
はアンケート回答者の中でも選択肢として考えている機種を複数選択した 1254 人に対して、
（4.1）式に基づいて個人 h を h=1,2,· · · ,1254、機種 i を i=1,2,· · · ,56 とし、サブマーケットを
競技モデル（r=1）とデモモデル（r=2）とした時に個人の選択はそれぞれのサブマーケット
内で行なわれているのか分析を行う。
（4.9）式から（4.13）式に基づいて機種全体でのプロデジー分析を行ったところ、
（表 5.1）
のような結果が得られた。このとき、Z 値は 30.995 となり、危険率 1%に対する棄却限界値
（片側検定）である 2．58 よりも大きい値を示している。つまり、サブマーケットが存在しな
いという帰無仮説は棄却され、それぞれの機種はその機種が所属するサブカテゴリー内で選
択されているという仮定が妥当であるといえる。加えて、（4.3）式から（4.8）式に基づいて
競技モデルのサブマーケットに属する機種及びデモモデルのサブマーケットに属する機種そ
れぞれに関してプロデジー分析を行った結果は（表 5.2）、（表 5.3）に示す。また、専門店 A
では競技モデルの販売に関してはほぼ展示予約会での予約で終了するため、本研究における
需要構造の分析に関してはデモモデルのみを扱っていく。
表 5.1: 機種全体でのプロデジー分析結果
Aggregate Test
P̂ ∗
0.761
***:片側 1%水準で有意
14
P∗
0.495
Z値
30.995
***
表 5.2: 競技モデルのサブマーケット（r=1）に属する機種のプロデジー分析結果
機種名
選択数（ni ）
P̂i (r)
Pi (r)
Z値
CA1
CA2
CA3
CA4
CA5
CC1
CC2
CC3
CC4
CD1
CD2
CD3
CE1
CE2
CE3
CE4
CF1
CF2
CF3
CF4
CF5
CF6
CG1
CG2
CH1
CH2
CH3
CH4
71
50
66
92
128
98
67
52
64
123
80
55
58
38
33
16
18
17
19
11
14
17
58
35
71
34
42
27
0.895
0.730
0.827
0.743
0.486
0.864
0.628
0.806
0.440
0.816
0.758
0.573
0.909
0.749
0.591
0.467
0.986
0.794
0.605
0.917
0.629
0.465
0.876
0.561
0.858
0.634
0.737
0.604
0.421
0.425
0.422
0.418
0.411
0.416
0.422
0.425
0.422
0.412
0.420
0.424
0.424
0.427
0.428
0.431
0.430
0.431
0.430
0.432
0.431
0.431
0.424
0.428
0.421
0.428
0.426
0.429
8.078
4.368
6.664
6.325
1.718
8.986
3.412
5.566
0.283
9.114
6.125
2.235
7.490
4.014
1.893
0.290
4.761
3.027
1.540
3.248
1.492
0.284
6.980
1.595
7.461
2.435
4.070
1.838
*** :片側 1%水準で有意
** :片側 5%水準で有意
* :片側 10%水準で有意
15
***
***
***
***
*
***
***
***
***
***
**
***
***
*
***
***
***
***
***
**
***
*
表 5.3: デモモデルのサブマーケット（r=2）に属する機種のプロデジー分析結果
機種名
選択数（ni ）
P̂i (r)
Pi (r)
Z値
DA1
DA2
DA3
DA4
DA5
DA6
DB1
DB2
DB3
DB4
DB5
DC1
DC2
DD1
DD2
DD3
DE1
DE2
DE3
DF1
DF2
DF3
DF4
DG1
DG2
DH1
DH2
DH3
78
158
65
30
14
4
66
237
102
122
105
93
124
119
72
75
50
48
13
32
29
10
4
80
38
75
48
9
0.738
0.831
0.881
0.954
0.607
1.000
0.648
0.784
0.762
0.850
0.831
0.743
0.803
0.651
0.854
0.886
0.787
0.842
0.862
0.839
0.882
0.700
0.750
0.739
0.722
0.711
0.789
0.963
0.556
0.545
0.558
0.563
0.565
0.566
0.558
0.534
0.553
0.550
0.552
0.554
0.550
0.551
0.557
0.557
0.560
0.560
0.565
0.562
0.563
0.565
0.566
0.556
0.562
0.557
0.560
0.565
3.240
7.210
5.251
4.324
0.321
1.751
1.471
7.735
4.240
6.661
5.749
3.672
5.667
2.201
5.066
5.741
3.235
3.938
2.158
3.156
3.468
0.860
0.743
3.295
1.990
2.698
3.187
2.406
*** :片側 1%水準で有意
** :片側 5%水準で有意
* :片側 10%水準で有意
16
***
***
***
***
*
***
***
***
***
***
***
**
***
***
***
***
**
***
***
***
**
***
***
**
5.2
潜在クラス 2 項ロジット分析
プロデジー分析の結果から、競技モデルとデモモデルのサブカテゴリーが存在することが分
かった。そこで、デモモデルの選択肢集合の構造について潜在クラス二項ロジットモデルを用
いて分析を行う。このとき、下位デモモデルに相当すると考えられる「DA5」
「DA6」
「DF4」
については選択数や予約数が少ない、あるいは選択肢として他の機種がほとんど考慮されな
いといった特徴から、展示予約会にやってくる顧客層の購買にはあまり影響を与えないと考
えられる。そこで展示予約会アンケートに記載したデモモデル 28 機種の内、この 3 機種と試
乗会アンケートからデータが得られなかった「DA4」を除いた 24 機種の選択構造について分
析を行う。
ここではデモモデルのカテゴリーに属する 24 機種を 1 つ以上選択した 1797 人のデータを
用いる。そのうちの 70%に相当する 1258 人をランダムサンプリングしテストデータとして、
モデルを構築する。残りの 539 人をトレーニングデータとして用い、クロスバリデーション
を行う。
試乗会アンケートのデータを説明変数として導入するにあたり、今回分析を行う 24 機種に
対する各アンケート項目間の相関をみると（表 5.4）のようになった。
表 5.4: 試乗会アンケートの各項目間の相関
#$%&'()*
+,-.()*
/0123()*
45673()*
89:%()*
;<=>?@AB
CD(EF
GHI
J'KL
!
"
!
"
!
"
!
"
!
"
!
"
!
"
!
"
#$%&
+,/012
4567
89:%
;<=>?@A
'()*
.()*
3()*
3()*
()*
BCD(EF
GHI
J'KL
MNOPQ !QRS
MNOPQ !QRS
この結果から各項目間での相関が強く、購入意向については全ての変数と相関が高く、他
の全ての変数を代表する値として妥当であると考えられるため、今回は購入意向のみを説明
変数として導入する。よって、説明変数として、試乗会でのアンケートから得られる購入意
向、及びブランド A からブランド N までのブランドダミー変数（ただし、ブランド N に関し
17
ては変数は全て 0）、上級機種のダミー変数、ロイヤルティ（現在使用中のブランドの機種に
は 1、使用していないブランドの機種には 0 が与えられる。個人によって異なる。）の 11 変
(h)
数を用いる。このとき、個人 h を h=1,2,· · · ,1258、機種 i を i=1,2,· · · ,24 とし、説明変数 xik
(h)
を（表 5.5) のように設定し（k=1,2,· · · ,10）、yi を被説明変数として 4.2 節の流れに従って
モデルを構築した。上級機種のダミー変数を導入する理由として顧客はある程度自分の技術
レベルを把握した上で、自分のレベルに見合った機種を購入することが考えられるためであ
る。ロイヤルティ以外の各変数に関しては第一次需要予測前に知りうる情報となっており、ロ
イヤルティに関してもこれまでのマーケットシェアから導くことができる。
表 5.5: 分析に用いる説明変数
(h)
xik
(h)
xi1
(h)
xi2
(h)
xi3
(h)
xi4
(h)
xi5
(h)
xi6
(h)
xi7
(h)
xi8
(h)
xi9
(h)
xi10
変数
購入意向（評価の平均値）
ブランド A ダミー
ブランド B ダミー
ブランド C ダミー
ブランド D ダミー
ブランド E ダミー
ブランド F ダミー
ブランド G ダミー
上級機種ダミー
ロイヤルティ
クラス数選択に関しては、クラス数を順次増やしていき、BIC が最も小さい値をとるとき
のモデルを採用する。BIC は（4.28）式に従って算出した。各クラス数の際の BIC の変化は
図 5.1 のようになった。ここで、最も BIC が小さくなったのはクラス数が 5 のときである。
よって、クラス数 5 のモデルを採用する。
クラス数を 5 としたときにテストデータによって構築したモデルとそのモデルにトレーニ
ングデータを当てはめた場合の対数尤度、絶対誤差、平均二乗誤差、ヒット率を（表 5.6）に
示す。このとき、トレーニングデータによるクロスバリデーションの結果は元のモデルとそ
う変わらない当てはまりのよさを示している。また、各クラスのパラメータ推定値（θ ）およ
び標準誤差、p 値は表 5.7 から表 5.11 のようになった。
また、各クラスにおける各機種を選択肢集合に含める確率を（表 5.12）に示す。さらに、個
人 h は個人 h の各クラスへの所属確率のうち最も確率の高いクラスに所属するとして、各ク
ラスに所属する人数を算出すると、クラス 1 に所属する人数は 210 人、クラス 2 に所属する
人数は 216 人、クラス 3 に所属する人数は 214 人、クラス 4 に所属する人数は 377 人、クラ
ス 5 に所属する人数は 241 人となった。各クラスの所属人数を各クラスにおける選択肢集合
18
図 5.1: クラス数と BIC の変化
表 5.6: 潜在クラス分析の対数尤度、絶対誤差、平均二乗誤差、ヒット率とクロスバリデーショ
ンの結果
対数尤度
絶対誤差
平均二乗誤差
ヒット率
テストデータ
トレーニングデータ
-5558.831
0.102
0.226
0.937
-3980.990
0.089
0.253
0.933
表 5.7: クラス 1 のときのパラメータ
クラス 1
定数項
購入意向
ブランド A
ブランド B
ブランド C
ブランド D
ブランド E
ブランド F
ブランド G
上位モデル
ロイヤルティ
θ
-28.252
7.367
2.064
1.112
4.021
2.274
-3.581
-0.569
0.843
-3.702
2.344
***:両側 1%水準で有意
**:両側 5%水準で有意
19
***
***
***
***
***
***
***
**
***
***
標準誤差
p値
1.743
0.513
0.294
0.296
0.313
0.280
0.522
0.431
0.363
0.203
0.097
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.187
0.020
0.000
0.000
表 5.8: クラス 2 のときのパラメータ
クラス 2
定数項
購入意向
ブランド A
ブランド B
ブランド C
ブランド D
ブランド E
ブランド F
ブランド G
上位モデル
ロイヤルティ
θ
-7.436
0.469
2.214
3.529
1.396
2.000
1.323
0.216
1.920
0.771
0.486
***
**
***
***
***
***
***
***
***
***
標準誤差
p値
0.848
0.222
0.372
0.360
0.404
0.376
0.404
0.482
0.386
0.194
0.091
0.000
0.035
0.000
0.000
0.001
0.000
0.001
0.655
0.000
0.000
0.000
***:両側 1%水準で有意
**:両側 5%水準で有意
表 5.9: クラス 3 のときのパラメータ
クラス 3
定数項
購入意向
ブランド A
ブランド B
ブランド C
ブランド D
ブランド E
ブランド F
ブランド G
上位モデル
ロイヤルティ
θ
-1.484
-0.470
0.023
-0.748
-0.675
0.073
-0.515
-1.033
0.289
0.914
1.174
**
**
***
***
***
***
**
***
***
***:両側 1%水準で有意
**:両側 5%水準で有意
20
標準誤差
p値
0.699
0.206
0.125
0.132
0.157
0.127
0.147
0.165
0.138
0.109
0.082
0.034
0.023
0.855
0.000
0.000
0.567
0.000
0.000
0.035
0.000
0.000
表 5.10: クラス 4 のときのパラメータ
クラス 4
定数項
購入意向
ブランド A
ブランド B
ブランド C
ブランド D
ブランド E
ブランド F
ブランド G
上位モデル
ロイヤルティ
θ
-11.965
1.404
0.154
-1.208
0.417
-0.321
0.981
0.226
-0.326
3.030
3.977
***
***
***
*
***
***
***
標準誤差
p値
1.084
0.285
0.204
0.197
0.217
0.227
0.237
0.248
0.262
0.266
0.110
0.000
0.000
0.451
0.000
0.055
0.158
0.000
0.362
0.214
0.000
0.000
***:両側 1%水準で有意
**:両側 5%水準で有意
*:両側 10%水準で有意
表 5.11: クラス 5 のときのパラメータ
クラス 5
定数項
購入意向
ブランド A
ブランド B
ブランド C
ブランド D
ブランド E
ブランド F
ブランド G
上位モデル
ロイヤルティ
θ
-26.476
6.291
1.244
-0.198
2.277
1.030
-5.121
-2.252
-3.095
0.803
1.404
***:両側 1%水準で有意
**:両側 5%水準で有意
21
***
***
***
***
***
**
***
***
***
***
標準誤差
p値
1.381
0.392
0.194
0.156
0.199
0.178
2.534
0.765
0.588
0.307
0.090
0.000
0.000
0.000
0.206
0.000
0.000
0.043
0.003
0.000
0.009
0.000
に含める確率に掛けることで各クラスにおける各機種の予測選択数を（表 5.13）のように求
めることができる。ここで、各パラメータ（表 5.7〜表 5.11）と各機種の選択確率（表 5.12）、
予測選択数（表 5.13) からそれぞれのクラスの特徴は次のように定義することができる。
[クラス 1 ] 購入意向との関係があり、下級機種を好むクラス
[クラス 2 ] 購入意向との関係があまりなく、ブランド B を好むクラス
[クラス 3 ] 購入意向との関係がなく、ロイヤルティとの関係があるクラス
[クラス 4 ] 購入意向との関係が多少あり、ロイヤルティとの関係があり、上級機種を好むク
ラス
[クラス 5 ] 購入意向との関係があり、上級機種を好むクラス
このとき、主な質問項目について所属するクラス毎に展示会予約会でのアンケート結果を
集計すると表 5.14 から 5.23 のようになった。ここで、板の選択に特徴が見られるクラス 1 と
クラス 5 についてアンケート結果から得られる特徴について述べる。
クラス 1
女子の比率が 64.6%、50 代の比率が 12.6%（表 5.14）と他のクラスと比較して高い。こ
れは、扱いやすく筋力をあまり必要としない下級機種を好むクラスであるためと考え
られる。また、このクラスに所属し、板を実際に予約した人の中で予約機種にテクノロ
ジーに目新しさがあると回答した人の割合が 73.7%を占めており（表 5.21）、新しい機
種、今年のトレンドの機種に惹かれるクラスであると考えられる。加えて、板を実際に
予約した人の中の予約機種のブランドイメージについてブランドイメージがよい、非常
によいと回答した人が 65.8%を占めており（表 5.23）、ブランドイメージも選択及び予
約に影響を与えていると考えられる。
クラス 5
男子の比率が 84.6%、30 代から 40 代の比率が 73.8%（表 5.14）と他のクラスと比較し
て高い。また、技術レベルの自己評価についてエキスパートあるいは上級と回答した
ものが 75.4%を占めている（表 5.16）。スキー板を購入する際に信頼できる情報源とし
て実際に利用するものとして、試乗会を選択した人が 64.7%、情報誌と回答した人が
62.7%と他のクラスと比較しても高い確率でこの 2 つを選択している（表 5.18）。また、
このクラスに所属し、板を実際に予約した人の中で予約機種にテクノロジーに目新しさ
があると回答した人の割合が 80%を占めており（表 5.21）、クラス 1 と同様に新しい機
種、今年のトレンドの機種に惹かれるクラスであると考えられる。これらのことから、
このクラスは、スキー板の選択に関して試乗会を情報源として重んじ、実際の試乗経験
などから板の選択及び予約を行っているクラスであると考えられる。さらに上級者及び
エキスパートが多く所属しているクラスであるためこのクラスの情報がその後の購買に
大きな影響を与える可能性を持ったクラスであると考えられる。
22
表 5.12: 各クラスにおける各機種を選択肢集合に含める確率
選択確率
クラス１
クラス２
クラス３
クラス４
クラス 5
DA1
DA2
DA3
3.66%
4.5%
16.59%
6.34%
6.43%
2.72%
14.16%
13.99%
7.09%
13.66%
13.99%
0.88%
10.33%
12.17%
1.13%
ブランド B
DB1
DB2
DB3
DB4
DB5
0.84%
23.2%
1.51%
4.59%
10.24%
19.44%
23.64%
20.04%
21.28%
22.31%
7.52%
5.98%
7.26%
6.78%
6.41%
4.97%
8.79%
5.46%
6.52%
7.48%
1.69%
30.17%
2.78%
7.18%
14.43%
ブランド C
DC1
DC2
10.52%
11.07%
2.7%
2.71%
6.85%
6.83%
9.66%
9.73%
16.37%
17.12%
ブランド D
DD1
DD2
DD3
8.41%
3.06%
21.48%
5.25%
4.89%
2.15%
12.05%
12.84%
6.12%
7%
6.05%
0.35%
16.61%
7.09%
1.2%
ブランド E
DE1
DE2
DE3
0%
0%
1.55%
2.22%
2.01%
1.29%
7.86%
8.65%
2.71%
7.75%
6.4%
1.33%
0%
0%
0.03%
ブランド F
DF1
DF2
DF3
0.18%
0.01%
1.76%
0.84%
0.69%
0.36%
4.14%
5%
1.86%
5.03%
3.31%
0.31%
0.32%
0.02%
0.04%
ブランド G
DG1
DG2
0.91%
2.75%
4.49%
4.81%
13.32%
12.5%
3.11%
3.66%
0.17%
0.46%
ブランド H
DH1
DH2
DH3
1.75%
0.04%
1.78%
0.75%
0.59%
0.28%
9.47%
11.82%
5.06%
4.76%
2.76%
0.19%
12.02%
0.49%
0.27%
ブランド
モデル
ブランド A
ここで、DA1 のクラス 1 における予測選択確率 3.66%の意味はクラス 1 に所属する個人 h が
同機種を選択肢集合に含める確率である。選択肢に関して複数回答を許しているため列を足
しあげても 100%にはならない。
23
表 5.13: 各クラスにおける各機種の予測選択数
予測選択数
ブランド
機種
クラス１
クラス２
クラス３
クラス４
クラス 5
ブランド A
DA1
DA2
DA3
8
9
35
14
14
6
30
30
15
52
53
3
25
29
3
ブランド B
DB1
DB2
DB3
DB4
DB5
2
49
3
10
22
42
51
43
46
48
16
13
16
15
14
19
33
21
25
28
4
73
7
17
35
ブランド C
DC1
DC2
22
23
6
6
15
15
36
37
39
41
ブランド D
DD1
DD2
DD3
18
6
45
11
11
5
26
27
13
26
23
1
40
17
3
ブランド E
DE1
DE2
DE3
0
0
3
5
4
3
17
19
6
29
24
5
0
0
0
ブランド F
DF1
DF2
DF3
0
0
4
2
1
1
9
11
4
19
12
1
1
0
0
ブランド G
DG1
DG2
2
6
10
10
29
27
12
14
0
1
ブランド H
DH1
DH2
DH3
4
0
4
2
1
1
20
25
11
18
10
1
29
1
1
合計
274
342
420
502
367
24
表 5.14: 質問項目「性別」「年齢」に関する集計結果
全体
回答者
性別
男
無回答者
女
回答者
年齢
10 代
無回答者
20 代
30 代
40 代
50 代以上
25
全体
5753
5711
4189
73.3%
1522
26.7%
42
5725
465
8.1%
1228
21.4%
2294
40.1%
1191
20.8%
547
9.6%
28
クラス１
210
209
135
64.6%
74
35.4%
1
207
7
3.4%
43
20.8%
93
44.9%
38
18.4%
26
12.6%
3
クラス２
216
213
151
70.9%
62
29.1%
3
214
12
5.6%
58
27.1%
96
44.9%
36
16.8%
12
5.6%
2
クラス３
214
214
164
76.6%
50
23.4%
0
214
10
4.7%
44
20.6%
102
47.7%
40
18.7%
18
8.4%
0
クラス４
377
376
300
79.8%
76
20.2%
1
376
9
2.4%
76
20.2%
173
46.0%
83
22.1%
35
9.3%
1
クラス５
241
240
203
84.6%
37
15.4%
1
240
7
2.9%
45
18.8%
118
49.2%
59
24.6%
11
4.6%
1
表 5.15: 質問項目「職業」「スキーの志向」に関する集計結果
全体
回答者
職業
社会人
無回答者
学生
その他
回答者
志向
基礎
無回答者
競技
基礎＆競技
その他
26
全体
5753
5692
4337
76.2%
815
14.3%
540
9.5%
61
5680
3156
55.6%
879
15.5%
978
17.2%
667
11.7%
73
クラス１
210
202
171
84.7%
14
6.9%
17
8.4%
8
208
161
77.4%
6
2.9%
32
15.4%
9
4.3%
2
クラス２
216
212
173
81.6%
29
13.7%
10
4.7%
4
215
159
74.0%
14
6.5%
30
14.0%
12
5.6%
1
クラス３
214
213
174
81.7%
28
13.1%
11
5.2%
1
211
155
73.5%
9
4.3%
35
16.6%
12
5.7%
3
クラス４
377
375
316
84.3%
33
8.8%
26
6.9%
2
374
274
73.3%
11
2.9%
76
20.3%
13
3.5%
3
クラス５
241
237
206
86.9%
23
9.7%
8
3.4%
4
241
179
74.3%
7
2.9%
44
18.3%
11
4.6%
0
表 5.16: 質問項目「技術レベルの自己評価」に関する集計結果
全体
回答者
技術レベルの自己評価
エキスパート
上級
無回答者
中級
初級
27
全体
5753
5507
731
13.3%
2550
46.3%
1761
32.0%
465
8.4%
246
クラス１
210
200
23
11.5%
108
54.0%
63
31.5%
6
3.0%
10
クラス２
216
215
29
13.5%
111
51.6%
64
29.8%
11
5.1%
1
クラス３
214
203
19
9.4%
114
56.2%
62
30.5%
8
3.9%
11
クラス４
377
364
69
19.0%
212
58.2%
76
20.9%
7
1.9%
13
クラス５
241
234
47
20.1%
127
54.3%
51
21.8%
9
3.8%
7
表 5.17: 質問項目「現在使用中のブランド」に関する集計結果
全体
回答数
5753
4952
クラス１
210
4816
204
クラス２
216
200
197
クラス３
214
192
185
クラス４
377
184
376
241
370
233
全体
28
クラス５
222
現在使用中のブランド（複数回答可）
ブランド A ブランド B ブランド C ブランド D
1393
813
757
646
28.1%
16.4%
15.3%
13.0%
28.9%
16.9%
15.7%
13.4%
48
93
10
31
23.5%
45.6%
4.9%
15.2%
24.0%
46.5%
5.0%
15.5%
51
25.9%
26.6%
40
21.6%
21.7%
87
23.1%
23.5%
72
30.9%
32.4%
28
14.2%
14.6%
33
17.8%
17.9%
106
28.2%
28.6%
39
16.7%
17.6%
37
18.8%
19.3%
34
18.4%
18.5%
64
17.0%
17.3%
25
10.7%
11.3%
33
16.8%
17.2%
23
12.4%
12.5%
41
10.9%
11.1%
30
12.9%
13.5%
無回答者
ブランド E
472
9.5%
9.8%
3
1.5%
1.5%
ブランド F
333
6.7%
6.9%
11
5.4%
5.5%
ブランド G
316
6.4%
6.6%
8
3.9%
4.0%
ブランド H
222
4.5%
4.6%
0
0.0%
0.0%
18
9.1%
9.4%
18
9.7%
9.8%
26
6.9%
7.0%
31
13.3%
14.0%
12
6.1%
6.3%
16
8.6%
8.7%
16
4.3%
4.3%
13
5.6%
5.9%
9
4.6%
4.7%
12
6.5%
6.5%
11
2.9%
3.0%
14
6.0%
6.3%
9
4.6%
4.7%
9
4.9%
4.9%
25
6.6%
6.8%
9
3.9%
4.1%
ここで、回答者の列の上の数値は回答数を、下の数値は回答者数を示す。また、上側のパーセント表記は回答数中の選択割合を
示し、下側のパーセント表記は回答者中の選択割合を示す。
507
10
24
30
7
19
表 5.18: 質問項目「スキー板を購入する際に信頼できる情報源として利用するもの」に関する集計結果
全体
回答数
試乗
5753
13341
クラス１
210
5604
529
クラス２
216
210
558
クラス３
214
214
594
クラス４
377
214
920
クラス５
241
377
634
29
全体
241
スキー板を購入する際に信頼できる情報源として実際に利用するもの（複数回答可）
情報誌
専門店 A
専門店 A 以外
プロ
友人・知人
カタログ
ICIHP
2750
20.6%
49.1%
115
21.7%
54.8%
126
22.6%
58.9%
122
20.5%
57.0%
219
23.8%
58.1%
156
24.6%
64.7%
2794
20.6%
49.9%
109
20.6%
51.9%
123
22.0%
57.5%
136
22.9%
63.6%
196
21.3%
52.0%
151
23.8%
62.7%
1863
20.6%
33.2%
69
13.0%
32.9%
71
12.7%
33.2%
79
13.3%
36.9%
114
12.4%
30.2%
87
13.7%
36.1%
1103
20.6%
19.7%
43
8.1%
20.5%
42
7.5%
19.6%
53
8.9%
24.8%
51
5.5%
13.5%
38
6.0%
15.8%
681
20.6%
12.2%
23
4.3%
11.0%
27
4.8%
12.6%
32
5.4%
15.0%
67
7.3%
17.8%
29
4.6%
12.0%
2135
20.6%
38.1%
83
15.7%
39.5%
89
15.9%
41.6%
84
14.1%
39.3%
133
14.5%
35.3%
91
14.4%
37.8%
1164
20.6%
20.8%
57
10.8%
27.1%
54
9.7%
25.2%
57
9.6%
26.6%
90
9.8%
23.9%
47
7.4%
19.5%
146
20.6%
2.6%
5
0.9%
2.4%
4
0.7%
1.9%
6
1.0%
2.8%
5
0.5%
1.3%
7
1.1%
2.9%
無回答者
メーカー HP
個人 HP
ポータル
その他
321
20.6%
5.7%
11
2.1%
5.2%
6
1.1%
2.8%
10
1.7%
4.7%
21
2.3%
5.6%
10
1.6%
4.1%
91
20.6%
1.6%
2
0.4%
1.0%
6
1.1%
2.8%
4
0.7%
1.9%
7
0.8%
1.9%
3
0.5%
1.2%
161
20.6%
2.9%
6
1.1%
2.9%
5
0.9%
2.3%
9
1.5%
4.2%
10
1.1%
2.7%
8
1.3%
3.3%
132
20.6%
2.4%
6
1.1%
2.9%
5
0.9%
2.3%
2
0.3%
0.9%
7
0.8%
1.9%
7
1.1%
2.9%
ここで、回答者の列の上の数値は回答数を、下の数値は回答者数を示す。また、上側のパーセント表記は回答数中の選択割合を示し、下側のパーセント表記は回答者中の選択
割合を示す。項目の「専門店 A 以外」は専門店 A 以外のショップからの情報、「プロ」はプロスキーヤーからの情報、「ポータル」はポータルサイトからの情報を意味する。
149
0
2
0
0
0
表 5.19: 質問項目「スキー板の購入に関して他人の推薦に影響を受ける」に関する集計結果
回答者
全体
5753
5624
473
8.4%
618
11.0%
2032
36.1%
1715
30.5%
クラス１
210
209
16
7.7%
19
9.1%
68
32.5%
クラス２
216
214
13
6.1%
16
7.5%
クラス３
214
214
12
5.6%
クラス４
377
375
クラス５
241
240
30
全体
スキー板の購入に関して他人の推薦に影響を受ける
非常に思わない 思わない どちらとも
思う
非常に思う
加重平均
無回答者
786
14.0%
3.31
129
73
34.9%
33
15.8%
3.42
1
77
36.0%
81
37.9%
27
12.6%
3.43
2
27
12.6%
76
35.5%
71
33.2%
28
13.1%
3.36
0
30
8.0%
45
12.0%
155
41.3%
106
28.3%
39
10.4%
3.21
2
20
8.3%
32
13.3%
89
37.1%
70
29.2%
29
12.1%
3.23
1
加重平均とは非常に思わないを 1、思わないを 2、どちらともを 3、思うを 4、非常に思うを 5 としてそれぞれの回答数に掛けて
平均を取ったもの。
表 5.20: 質問項目「デザインが良い」に関する集計結果
全体
回答者
デザインが良い
非常に思わない
思わない
どちらとも
思う
非常に思う
加重平均
無回答者
5753
870
31
3.6%
77
8.9%
348
40.0%
268
30.8%
146
16.8%
3.48
30
クラス１
210
38
0
0.0%
3
7.9%
20
52.6%
10
26.3%
5
13.2%
3.45
1
クラス２
216
32
3
9.4%
3
9.4%
15
46.9%
8
25.0%
3
9.4%
3.16
1
クラス３
214
36
1
2.8%
0
0.0%
17
47.2%
11
30.6%
7
19.4%
3.64
0
クラス４
377
73
3
4.1%
4
5.5%
35
47.9%
24
32.9%
7
9.6%
3.38
0
クラス５
241
50
1
2.0%
9
18.0%
17
34.0%
13
26.0%
10
20.0%
3.44
1
31
全体
展示会で予約を行った人のみが回答した自分が予約した機種への評価となっている。
加重平均とは非常に思わないを 1、思わないを 2、どちらともを 3、思うを 4、非常に思うを 5 としてそれぞれの回答数に掛けて
平均を取ったもの。
表 5.21: 質問項目「目新しさがある」に関する集計結果
全体
回答者
目新しさがある
非常に思わない
思わない
どちらとも
思う
非常に思う
加重平均
無回答者
5753
868
14
1.6%
66
7.6%
243
28.0%
345
39.7%
200
23.0%
3.75
32
クラス１
210
38
0
0.0%
2
5.3%
8
21.1%
21
55.3%
7
18.4%
3.87
1
クラス２
216
32
0
0.0%
5
15.6%
11
34.4%
12
37.5%
4
12.5%
3.47
1
クラス３
214
36
1
2.8%
2
5.6%
9
25.0%
16
44.4%
8
22.2%
3.78
0
クラス４
377
73
2
2.7%
2
2.7%
18
24.7%
31
42.5%
20
27.4%
3.89
0
クラス５
241
50
1
2.0%
5
10.0%
4
8.0%
25
50.0%
15
30.0%
3.96
1
32
全体
展示会で予約を行った人のみが回答した自分が予約した機種への評価となっている。
加重平均とは非常に思わないを 1、思わないを 2、どちらともを 3、思うを 4、非常に思うを 5 としてそれぞれの回答数に掛けて
平均を取ったもの。
表 5.22: 質問項目「価格に手頃感がある」に関する集計結果
全体
回答者
価格に手頃感がある
非常に思わない 思わない
どちらとも
思う
非常に思う
加重平均
無回答者
5753
867
84
9.7%
184
21.2%
351
40.5%
169
19.5%
79
9.1%
2.97
33
クラス１
210
38
3
7.9%
7
18.4%
12
31.6%
9
23.7%
7
18.4%
3.26
1
クラス２
216
32
7
21.9%
10
31.3%
13
40.6%
1
3.1%
1
3.1%
2.34
1
クラス３
214
36
1
2.8%
6
16.7%
18
50.0%
10
27.8%
1
2.8%
3.11
0
クラス４
377
73
7
9.6%
22
30.1%
33
45.2%
8
11.0%
3
4.1%
2.70
0
クラス５
241
50
3
6.0%
15
30.0%
17
34.0%
10
20.0%
5
10.0%
2.98
1
33
全体
展示会で予約を行った人のみが回答した自分が予約した機種への評価となっている。
加重平均とは非常に思わないを 1、思わないを 2、どちらともを 3、思うを 4、非常に思うを 5 としてそれぞれの回答数に掛けて
平均を取ったもの。
表 5.23: 質問項目「ブランドイメージがよい」に関する集計結果
全体
回答者
ブランドイメージがよい
非常に思わない 思わない
どちらとも
思う
非常に思う
加重平均
無回答者
34
全体
5753
868
17
2.0%
49
5.6%
274
31.6%
320
36.9%
208
24.0%
3.75
32
クラス１
210
38
0
0.0%
2
5.3%
11
28.9%
13
34.2%
12
31.6%
3.92
1
クラス２
216
32
0
0.0%
3
9.4%
11
34.4%
14
43.8%
4
12.5%
3.59
1
クラス３
214
36
1
2.8%
2
5.6%
15
41.7%
12
33.3%
6
16.7%
3.56
0
クラス４
377
73
2
2.7%
0
0.0%
27
37.0%
24
32.9%
20
27.4%
3.82
0
クラス５
241
50
1
2.0%
3
6.0%
18
36.0%
18
36.0%
10
20.0%
3.66
1
5.3
予約数予測モデルの構築
潜在クラス 2 項ロジット分析の結果から、クラス 1 とクラス 5 において試乗会のアンケー
ト結果から得られる購入意向に対して強い関係性がみられる事が分かった。試乗会での購入
意向がその後の購買行動に関係しているとすれば（試乗会アンケート回答者と展示予約会ア
ンケート回答者は対応していない）、これらのクラスの予測選択数をモデルに組み込むことで
予約数の予測精度を向上させることができると考えられる。そこで、本節ではクラス 1 及び
クラス 5 の予測選択数あるいは各クラス間での予測選択数の組み合わせを回帰分析の説明変
数とすることで、2 項ロジットによる予測選択数や全クラスを合計した予測選択数を説明変数
とした場合よりも精度のよい予約数予測モデルを構築することができないか考察する。この
とき、説明変数はモデル毎に（表 5.24）のように設定した。
ここで、クラス 1 は下級機種を好み、クラス 5 は上級機種を好むという特徴があるため、下
級機種と上級機種とに分類して回帰分析を行っていく。また、ブランド B の機種については
専門店 A よりも販売力の強い競合他社が存在し、選択数は多くとも予約数はそれ程伸びない
という恒常的な特徴があるため、ブランド B の機種は別にモデルを構築する。よって、下級
機種と上級機種及びブランド B の機種という 3 つの場合に分けて回帰分析を行っていく。
まず、下級機種について回帰分析を行ってみたところ、
（表 5.25）のような結果が得られた。
下級機種の予約数の予測においてはモデル 1（クラス 1 の予測選択数を用いたモデル）のとき
に決定係数 R2 が 0.859 と最もよい値を示し、モデル 31（全クラスの予測選択数の合計を用
いたモデル）の決定係数 R2 である 0.770 やモデル 32（2 項ロジット分析による予測選択数を
用いたモデル）の決定係数 R2 である 0.443 よりもよい結果が得られた。この結果から、下級
機種の予約数予測については潜在クラス分析によって分類されたクラス 1 の予測選択数を予
測に用いることで予測精度を向上させることができることが分かった。
次に、上級機種について回帰分析を行ってみたところ、
（表 5.26）のような結果が得られた。
上級機種の予約数の予測においてはモデル 9（クラス 1 とクラス 5 の予測選択数の合計を用い
たモデル）のときに決定係数 R2 が 0.907 と最もよい値を示した。ただし、モデル 5（クラス
5 の予測選択数を用いたモデル）においても決定係数 R2 は 0.896 と高く、モデル 31 の決定係
数 R2 である 0.714 やモデル 32（2 項ロジット分析による予測選択数を用いたモデル）の決定
係数 R2 である 0.634 よりもよい結果が得られている。この結果から、上級機種の予約数予測
については潜在クラス分析によって分類されたクラス 5 の予測選択数を予測に用いることで
予測精度を向上させることができ、さらにクラス 1 とクラス 5 の予測選択数の合計を予測に
用いることで最も予測精度を向上させることができることが分かった。
さらに、ブランド B のモデルに関して、それぞれの場合について回帰分析を行ってみると、
（表 5.27）のような結果が得られた。ブランド B の機種に関してはモデル 13（クラス 3 とク
ラス 4 の予測選択数の合計を用いたモデル）において決定係数 R2 が 0.974 と最もよい値を示
した。
35
表 5.24: 各予測モデルの説明変数
予測モデル
説明変数（θ1 ）
モデル１
クラス 1 の予測選択数
モデル２
クラス 2 の予測選択数
モデル３
クラス 3 の予測選択数
モデル４
クラス 4 の予測選択数
モデル５
クラス 5 の予測選択数
モデル６
クラス 1 とクラス 2 の予測選択数の合計
モデル７
クラス 1 とクラス 3 の予測選択数の合計
モデル８
クラス 1 とクラス 4 の予測選択数の合計
モデル９
クラス 1 とクラス 5 の予測選択数の合計
モデル１０
クラス 2 とクラス 3 の予測選択数の合計
モデル１１
クラス 2 とクラス 4 の予測選択数の合計
モデル１２
クラス 2 とクラス 5 の予測選択数の合計
モデル１３
クラス 3 とクラス 4 の予測選択数の合計
モデル１４
クラス 3 とクラス 5 の予測選択数の合計
モデル１５
クラス 4 とクラス 5 の予測選択数の合計
モデル１６
クラス 1 とクラス 2 とクラス 3 の予測選択数の合計
モデル１７
クラス 1 とクラス 2 とクラス 4 の予測選択数の合計
モデル１８
クラス 1 とクラス 2 とクラス 5 の予測選択数の合計
モデル１９
クラス 1 とクラス 3 とクラス 4 の予測選択数の合計
モデル２０
クラス 1 とクラス 3 とクラス 5 の予測選択数の合計
モデル２１
クラス 1 とクラス 4 とクラス 5 の予測選択数の合計
モデル２２
クラス 2 とクラス 3 とクラス 4 の予測選択数の合計
モデル２３
クラス 2 とクラス 3 とクラス 5 の予測選択数の合計
モデル２４
クラス 2 とクラス 4 とクラス 5 の予測選択数の合計
モデル２５
クラス 3 とクラス 4 とクラス 5 の予測選択数の合計
モデル２６
クラス 1 とクラス 2 とクラス 3 とクラス 4 の予測選択数の合計
モデル２７
クラス 1 とクラス 2 とクラス 3 とクラス 5 の予測選択数の合計
モデル２８
クラス 1 とクラス 2 とクラス 4 とクラス 5 の予測選択数の合計
モデル２９
クラス 1 とクラス 3 とクラス 4 とクラス 5 の予測選択数の合計
モデル３０
クラス 2 とクラス 3 とクラス 4 とクラス 5 の予測選択数の合計
モデル３１
全クラスの予測選択数の合計
モデル３２
2 項ロジット分析による予測選択数
36
表 5.25: 予約数を被説明変数としたときの各モデルにおける回帰分析結果（下級機種）
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
モデル１
-12.708
(-0.271)
3.899
(-4.269)
0.859
モデル２
-34.308
(-0.288)
25.548
(-1.628)
0.469
モデル３
-103.516
(-0.607)
11.873
(-1.483)
0.423
モデル４
197.812
(-1.402)
-15.594
(-0.601)
0.108
モデル５
-1.608696
-0.023032
46.717391
2.6077364
0.108
モデル７
モデル８
モデル９
モデル 10
モデル 11
モデル 12
-49.980
(-0.814)
3.200
(-3.680)
0.819
-28.904
(-0.521)
3.875
(3.784)
0.827
-12.866
(-0.268)
3.624
(4.156)
0.852
-109.694
(-0.720)
9.188
(1.718)
0.496
46.250
(0.264)
7.681
(0.538)
0.088
-37.022
(-0.386)
18.068
(2.122)
0.600
**
**
**
**
*
モデル６
-20.266
(-0.385)
3.492
(-3.872)
0.833
モデル 13
モデル 14
モデル 15
モデル 16
モデル 17
モデル 18
-92.400
(-0.409)
9.233
(1.040)
0.265
-90.646
(-0.636)
9.815
(1.716)
0.495
32.838
(0.181)
13.384
(0.598)
0.106
-52.928
(-0.807)
2.919
(3.468)
0.800
-33.500
(-0.545)
3.447
(3.450)
0.799
-19.926
(-0.373)
3.270
(3.812)
0.829
モデル 19
モデル 20
モデル 21
モデル 22
モデル 23
モデル 24
-63.104
(-0.909)
3.184
(3.387)
0.793
-47.340
(-0.764)
3.002
(3.609)
0.813
-28.062
(-0.501)
3.607
(3.736)
0.823
-97.370
(-0.509)
7.453
(1.273)
0.351
-95.580
(-0.711)
7.805
(1.866)
0.537
-17.096
(-0.111)
10.757
(1.088)
0.283
モデル 28
-32.518
(-0.529)
3.234
(3.437)
モデル 29
-59.772
(-0.861)
2.990
(3.348)
モデル 30
-96.868
(-0.581)
6.809
(1.479)
モデル 25
-100.348
(-0.542)
8.565
(1.336)
**
**
モデル 26
-63.820
(-0.867)
2.890
(3.191)
0.373
0.772
モデル 31
-58.582
(-0.805)
2.714
(3.168)
0.770
モデル 32
-100.872
(-0.620)
2.905
(1.545)
0.443
*
**
**
**
モデル 27
-50.376
(-0.766)
2.754
(3.424)
0.796
**
**
**
0.797
**
**
0.789
**
**
0.422
θ0 は定数項を表し、θ1 は（表 5.24）に示した各モデルの説明変数に対するパラメータを表す。（）内
の数値は t 値を表す。
**:両側 5%水準で有意
*:両側 10%水準で有意
37
**
**
表 5.26: 予約数を被説明変数としたときの各モデルにおける回帰分析結果（上級機種）
モデル１
θ0
θ1
R2
60.700
(3.932)
5.011
(6.884)
0.798
モデル２
***
***
モデル７
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
-33.110
(-0.621)
2.884
(3.286)
0.474
92.658
(2.041)
2.757
(1.004)
0.077
モデル３
*
モデル８
***
3.468
(0.114)
1.926
(4.830)
0.660
モデル４
121.984
(1.457)
0.207
(0.111)
0.001
26.046
(0.585)
2.010
(2.649)
0.369
モデル９
***
49.36
(4.536)
1.777
(10.828)
0.907
***
***
モデル５
**
49.616
(4.294)
2.55
(10.149)
0.896
モデル６
***
***
35.840
(1.389)
3.411
(4.608)
0.639
モデル 10
モデル 11
モデル 12
98.820
(1.378)
0.565
(0.478)
0.019
29.894
(0.634)
1.530
(2.398)
0.324
32.192
(1.858)
2.158
(7.360)
0.819
**
モデル 13
モデル 14
モデル 15
モデル 16
モデル 17
モデル 18
0.574
(0.009)
1.371
(2.046)
0.259
-21.392
(-0.708)
2.038
(5.637)
0.726
8.746
(0.390)
1.454
(6.475)
0.777
0.568
(0.010)
1.842
(2.566)
0.354
6.178
(0.176)
1.558
(4.055)
0.578
35.768
(2.412)
1.592
(8.500)
0.858
*
***
***
**
***
モデル 19
モデル 20
モデル 21
モデル 22
モデル 23
モデル 24
-37.452
(-0.774)
1.544
(3.731)
0.537
-9.678
(-0.436)
1.584
(7.307)
0.817
12.006
(0.664)
1.213
(7.989)
0.842
17.916
(0.277)
1.038
(1.866)
0.225
-12.692
(-0.353)
1.621
(4.452)
0.623
6.450
(0.243)
1.271
(5.496)
0.716
***
***
***
*
***
モデル 25
モデル 26
モデル 27
モデル 28
モデル 29
モデル 30
-29.490
(-0.848)
1.264
(5.077)
0.682
-18.342
(-0.362)
1.214
(3.175)
0.457
-8.298
(-0.303)
1.357
(5.805)
0.737
8.490
(0.391)
1.094
(6.719)
0.790
-24.812
(-0.909)
1.105
(6.384)
0.773
-21.000
(-0.547)
1.079
(4.359)
0.613
モデル 31
-21.322
(-0.687)
0.985
(5.472)
0.714
***
***
モデル 32
-2.340
(-0.071)
0.868
(4.555)
0.634
***
***
***
***
***
θ0 は定数項を表し、θ1 は（表 5.24）に示した各モデルの説明変数に対するパラメータを表す。（）内の数値は t
値を表す。
***:両側 1%水準で有意
**:両側 5%水準で有意
*:両側 10%水準で有意
38
***
*
***
**
***
***
***
表 5.27: 予約数を被説明変数としたときの各モデルにおける回帰分析結果（ブランド B の
機種）
モデル１
θ0
θ1
R2
44.736
(2.625)
2.269
(6.521)
0.934
モデル２
*
***
モデル７
θ0
θ1
R2
-32.052
(-1.163)
2.420
(6.308)
0.930
θ1
R2
-717.200
(-9.074)
10.500
(10.677)
0.974
***
***
***
モデル 19
θ0
θ1
R2
-93.794
(-3.242)
1.893
(7.981)
0.955
**
***
モデル 25
θ0
θ1
R2
θ0
θ1
R2
-62.622
(-2.582)
1.380
(8.329)
0.959
モデル 31
-86.582
(-2.974)
0.808
(7.696)
0.952
***
***
モデル８
モデル 13
θ0
-993.126
(-6.622)
12.130
(7.460)
0.949
モデル３
-29.608
(-1.383)
1.797
(8.040)
0.956
***
*
***
***
***
***
40.354
(2.441)
0.928
(6.923)
0.941
-283.308
(-6.488)
8.058
(9.482)
0.968
*
***
-2151.334
(-7.323)
18.702
(7.745)
0.952
モデル 14
モデル 15
モデル 16
-15.154
(-0.676)
1.642
(7.100)
0.944
-16.364
(-0.852)
1.328
(8.362)
0.959
-196.876
(-4.413)
2.049
(7.385)
0.948
***
***
モデル 20
モデル 21
モデル 22
9.976
(0.495)
0.953
(6.847)
0.940
6.060
(0.326)
0.839
(7.613)
0.951
-846.900
(-7.822)
5.638
(8.987)
0.964
***
-217.982
(-5.425)
1.651
(8.714)
0.962
モデル 32
-276.402
(-6.296)
1.451
(9.276)
0.966
**
***
モデル５
***
***
モデル 10
モデル９
モデル 26
*
1117.882
(6.482)
-33.618
(-5.788)
0.918
モデル４
***
モデル 27
モデル 28
-64.316
(-2.309)
0.889
(7.302)
0.947
-59.396
(-2.383)
0.788
(7.985)
0.955
***
37.344
(2.310)
1.571
(7.225)
0.946
モデル６
***
モデル 11
***
***
-567.018
(-6.994)
4.844
(8.566)
0.961
***
-155.958
(-4.666)
1.577
(8.678)
0.962
***
***
*
***
-134.334
(-3.931)
1.461
(7.879)
0.954
-82.640
(-2.975)
1.403
(7.936)
0.955
**
***
-34.094
(-1.425)
0.868
(7.356)
0.947
***
-114.086
(-4.049)
1.204
(8.878)
0.963
モデル 29
モデル 30
-22.168
(-1.014)
0.859
(7.566)
0.950
-159.398
(-4.836)
1.246
(8.903)
0.964
***
***
θ0 は定数項を表し、θ1 は（表 5.24）に示した各モデルの説明変数に対するパラメータを表す。（）内の数値は t
***:両側 1%水準で有意
**:両側 5%水準で有意
*:両側 10%水準で有意
39
*
***
***
モデル 24
**
***
値を表す。
***
モデル 18
モデル 23
***
**
モデル 12
***
モデル 17
**
-122.118
(-3.548)
1.938
(7.483)
0.949
**
***
**
***
5.4
予約数予測モデルの精度比較
前節の結果から、下級機種と上級機種、ブランド B の機種に分け、クラス毎の予測選択数
を組み合わせて回帰分析を行うことで予測精度が向上することが分かった。本節では全体で回
帰分析を行った場合と下級機種と上級機種、ブランド B の機種に分けて回帰分析を行った場
合とでどの程度予測誤差が変化するのか考察する。ここで、（表 5.28）のようにモデル化し、
それぞれを比較していく。
このとき、各モデルの機種毎の誤差と最大誤差、平均絶対誤差、平均二乗誤差は（表 5.29）
のようになった。ただし、（表 5.29）に表記されている数値は基の数値が分からないように
データの性質を変えない程度に変換してある。
（表 5.29）から分かるようにモデル a の結果が
最大誤差、平均絶対誤差、平均二乗誤差の全てにおいて最も小さくなり、最も精度がよいモ
デルであるといえる。この結果から、下級機種についてはクラス 1 の予測選択数を、上級機
種についてはクラス 1 とクラス 5 の予測選択数の合計を、ブランド B の機種についてはクラ
ス 3 とクラス 4 の予測選択数の合計をそれぞれ説明変数として回帰分析を行うことで、最も
精度のよい予約数予測を行うことができるということが分かった。
表 5.28: 予約数予測のモデル
モデル
5.5
モデルの説明
モデル a
下級機種、上級機種、ブランド B の機種に分類し、
それぞれモデル 1、モデル 9、モデル 13 を用いて予測値を求める
モデル b
下級機種、上級機種、ブランド B の機種に分類し、
それぞれモデル 31 を用いて予測値を求める
モデル c
下級機種、上級機種、ブランド B の機種に分類し、
それぞれモデル 32 を用いて予測値を求める
モデル d
機種を分類せずにモデル 31 を用いて予測値を求める
モデル e
機種を分類せずにモデル 32 を用いて予測値を求める
店頭販売数予測モデルの構築
本節では 5.3 節と同様にして、店頭における販売数の予測モデルについて考察する。ただ
し、店頭販売数は予約数を含まない。ここで、店頭販売数を予測するにあたっては予約数の
情報を手に入れてから予測することができるため、5.3 節で用いたモデルに予約数を説明変数
とするモデルを加えて分析を行うことで、第１次発注時点での予測精度と比較する（表 5.24、
表 5.30 参照）。
ここでも 5.3 節と同様に下級機種と上級機種、ブランド B の機種の３つの場合に分けて予
測を行っていく。
40
表 5.29: 各モデルの機種毎の誤差と最大誤差、平均絶対誤差、平均二乗誤差
予約数
下級機種
上級機種
41
ブランド B
の機種
DA3
160
DD3
414
DE3
14
DF3
16
DH3
42
DA1
124
DA2
236
DC1
300
DC2
268
DD1
236
DD2
94
DE1
62
DE2
70
DF1
46
DF2
46
DG1
70
DG2
34
DH1
172
DH2
74
DB1
16
DB2
260
DB3
78
DB4
106
DB5
154
最大誤差
平均絶対誤差
平均二乗誤差
モデル a の
予測予約数
260
338
10
18
18
166
184
266
276
256
132
50
50
52
50
56
74
166
52
18
248
60
122
164
100
24
1152
予測誤差
-100
76
4
-2
24
-42
52
34
-8
-20
-38
12
20
-6
-4
14
-40
6
22
-2
12
18
-16
-10
モデル b の
予測予約数
278
306
34
-4
34
230
244
212
218
216
144
80
72
40
28
82
92
120
54
48
266
58
94
150
118
36
2492
予測誤差
-118
108
-20
20
8
-106
-8
88
50
20
-50
-18
-2
6
18
-12
-58
52
20
-32
-6
20
12
4
モデル c の
予測予約数
254
218
144
-14
44
220
226
200
202
216
182
68
50
50
28
92
108
124
66
26
248
54
116
170
196
46
4465
予測誤差
-94
196
-130
30
-2
-96
10
100
66
20
-88
-6
20
-4
18
-22
-74
48
8
-10
12
24
-10
-16
モデル d の
予測予約数
106
114
48
40
48
192
200
178
184
182
134
92
88
66
60
94
102
120
76
134
306
142
170
214
300
58
6859
予測誤差
54
300
-34
-24
-6
-68
36
122
84
54
-40
-30
-18
-20
-14
-24
-68
52
-2
-118
-46
-64
-64
-60
モデル e の
予測予約数
106
100
86
56
66
180
184
166
168
178
156
84
72
72
60
98
110
120
82
154
238
164
188
208
314
66
8214
予測誤差
54
314
-72
-40
-24
-56
52
134
100
58
-62
-22
-2
-26
-14
-28
-76
52
-8
-138
22
-86
-82
-54
表 5.30: 店舗販売予測について追加するモデル
モデル
モデル 33
独立変数
実際の予約数
まず、下級機種について回帰分析を行ってみたところ、
（表 5.31）のような結果が得られた。
下級機種の店頭販売の予測においてはモデル 33（実際の予約数を用いたモデル）が決定係数
R2 が 0.969 と最もよい値となった。これは、専門店 A では予約数を基にして店頭販売数の予
測を行い、第 2 次発注を行っているので、予約数を説明変数としたモデルの当てはまりがよ
くなるのは当然のことであると考えられる。このとき、モデル 1 の決定係数 R2 は 0.929 と二
番目によい値をとり、モデル 33 と比較しても十分な予測精度を持っていると考えられる。こ
のことから、下級機種に関してはモデル 1 を用いて店頭販売数を予測することで、第 1 次発
注時点で第二次発注時点の予測と精度的に遜色のない予測を行えることが分かった。
次に、上級機種について回帰分析を行ってみたところ、
（表 5.32）のような結果が得られた。
上級機種の予約数の予測においてもモデル 33 の決定係数 R2 が 0.615 と最もよい値を示した。
また、モデル 1 の決定係数 R2 が 0.592 と二番目に良く、上級機種を好むクラス 5 の予測選択
数を用いたモデル 5 は決定係数 R2 が 0.512 という結果になった。ここで、上級機種をより好
むクラス 5 の予測選択数を用いたモデル 5 の方がクラス 1 の予測選択数を用いたモデル 1 よ
りも予測精度がよいと考えるのが妥当であるため、モデル 1 の方がモデル 5 よりも予測精度
がよい理由を探るためにクラス 5 の予測選択数と店頭販売数の散布図を描いてみる（図 5.2 参
照）。ここで、クラス 5 の予測選択数が 20 以下となっている機種に対してばらつきが見られ、
予測選択数が 20 以上の機種に限定すると線形性が見られる。このことから、クラス 5 の予測
選択数が 20 よりも小さいものに対してはクラス 5 の予測選択数はあまり意味を持たず、購入
意向の値が大きい機種に対しての予測に用いることで精度が向上するのではないかと考えら
れる。そこで、クラス 5 の予測選択数が 20 以上となった機種に限定して回帰分析を行ったと
ころ、
（表 5.33）のような結果が得られた。このとき、モデル 33 の決定係数 R2 が 0.859 と最
もよい値を示した。また、モデル 5 の決定係数 R2 が 0.720 と二番目によい結果となった。こ
のことから、クラス 5 の予測選択数が 20 以上の上位機種に対してクラス 5 の予測選択数を用
いることで予測精度が向上するといえる。
また、クラス 5 の予測選択数が 20 よりも小さくなるその他の上位機種に対して回帰分析を
行ったところ、
（表 5.34）のような結果となった。ここではモデル 25（クラス 3 とクラス 4 と
クラス 5 の予測選択数の合計を用いたモデル）の決定係数 R2 が 0.784 と最も良く、モデル 33
の決定係数 R2 0.641 を上回る結果となった。
さらに、ブランド B の機種について回帰分析を行ったところ、（表 5.35）のような結果と
なった。ここではモデル 33 の決定係数 R2 が 0.966 と最も良く、モデル 25 の決定係数 R2 が
0.929 と二番目によい結果となった。このことからブランド B の機種に関してはクラス 3、4、
5 の予測選択数の合計を説明変数に用いることで予約数を説明変数として用いた場合に近い
予測精度を得ることができた。
42
表 5.31: 店頭販売数を被説明変数としたときの各モデルにおける回帰分析結果（下級機種）
モデル１
θ0
θ1
R2
33.812
(0.628)
6.577
(6.265)
0.929
モデル２
***
モデル７
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
-32.598
(-0.456)
5.461
(5.396)
0.907
モデル３
-34.924
(-0.218)
48.144
(2.277)
0.633
モデル８
**
2.878
(0.047)
6.626
(5.830)
0.919
モデル４
-152.354
(-0.615)
21.712
(1.868)
0.538
モデル９
***
33.114
(0.597)
6.125
(6.091)
0.925
***
モデル５
モデル６
340.438
(1.434)
-15.281
(-0.350)
0.039
46.218
(0.498)
81.065
(3.404)
0.794
モデル 10
モデル 11
モデル 12
-168.188
(-0.809)
16.976
(2.328)
0.644
71.750
(0.269)
18.653
(0.859)
0.197
-28.948
(-0.237)
32.842
(3.032)
0.754
**
18.790
(0.313)
5.944
(5.790)
0.918
モデル 13
モデル 14
モデル 15
モデル 16
モデル 17
モデル 18
-177.200
(-0.543)
18.767
(1.463)
0.416
-122.774
(-0.605)
17.677
(2.170)
0.611
42.884
(0.157)
31.988
(0.950)
0.231
-39.796
(-0.526)
5.016
(5.160)
0.899
-7.234
(-0.104)
5.941
(5.260)
0.902
19.082
(0.313)
5.573
(5.688)
0.915
モデル 19
モデル 20
モデル 21
モデル 22
モデル 23
モデル 24
-58.866
(-0.747)
5.498
(5.157)
0.899
-28.368
(-0.390)
5.129
(5.247)
0.902
4.056
(0.065)
6.173
(5.743)
0.917
-174.218
(-0.653)
14.718
(1.804)
0.520
-136.658
(-0.753)
14.231
(2.519)
0.679
-24.848
(-0.114)
21.915
(1.556)
0.447
**
**
***
**
**
*
モデル 25
モデル 26
モデル 27
モデル 28
モデル 29
モデル 30
-170.092
(-0.653)
16.541
(1.836)
0.529
-62.192
(-0.739)
5.021
(4.846)
0.887
-35.566
(-0.464)
4.736
(5.055)
0.895
-5.654
(-0.081)
5.577
(5.240)
0.902
-53.202
(-0.670)
5.165
(5.050)
0.895
-160.242
(-0.703)
13.055
(2.075)
0.589
モデル 31
-53.132
(-0.634)
4.716
(4.780)
0.884
モデル 32
-166.810
(-0.761)
5.556
(2.194)
0.616
**
**
モデル 33
66.932
(2.036)
1.596
(9.691)
0.969
**
**
**
***
θ0 は定数項を表し、θ1 は（表 5.24、表 5.30）に示した各モデルの説明変数に対するパラメータを表す。（）内の
数値は t 値を表す。
***:両側 1%水準で有意
**:両側 5%水準で有意
*:両側 10%水準で有意
43
***
*
**
表 5.32: 店頭販売数を被説明変数としたときの各モデルにおける回帰分析結果（上級機種）
モデル１
θ0
θ1
R2
118.050
(4.952)
4.690
(4.172)
0.592
モデル２
***
***
モデル７
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
10.478
(0.177)
3.047
(3.119)
0.448
133.968
(2.766)
3.590
(1.226)
0.111
モデル３
**
モデル８
***
76.380
(1.738)
1.623
(2.811)
0.397
103.892
(1.884)
1.531
(1.630)
0.181
モデル９
**
113.852
(4.445)
1.523
(3.944)
0.565
モデル 13
モデル 14
モデル 15
70.214
(0.904)
1.195
(1.547)
0.166
49.928
(1.099)
1.791
(3.293)
0.475
85.908
(2.186)
1.164
(2.962)
0.422
モデル 19
モデル 20
モデル 21
32.096
(0.523)
1.391
(2.650)
0.369
57.736
(1.539)
1.420
(3.874)
0.556
84.838
(2.414)
1.009
(3.418)
0.493
**
モデル４
140.194
(1.557)
1.015
(0.508)
0.021
***
***
***
***
**
**
**
***
モデル５
*
116.97
(4.307)
2.095
(3.548)
0.512
モデル６
***
***
89.560
(2.804)
3.380
(3.688)
0.531
モデル 10
モデル 11
モデル 12
124.592
(1.628)
1.042
(0.827)
0.054
1.024
(49.788)
1.776
(1.275)
1.680
1.062
(49.571)
3.201
(1.850)
3.530
モデル 16
モデル 17
モデル 18
41.382
(0.696)
2.013
(2.587)
0.358
74.322
(1.607)
1.367
(2.694)
0.377
99.992
(3.542)
1.402
(3.932)
0.563
モデル 22
モデル 23
モデル 24
79.008
(1.083)
0.962
(1.532)
0.164
53.126
(1.113)
1.474
(3.049)
0.437
80.954
(1.958)
1.050
(2.909)
0.413
**
***
モデル 25
モデル 26
モデル 27
モデル 28
モデル 29
モデル 30
49.200
(0.953)
1.060
(2.868)
0.407
44.832
(0.736)
1.130
(2.459)
0.335
56.054
(1.402)
1.245
(3.646)
0.526
79.672
(2.153)
0.930
(3.353)
0.484
49.682
(1.113)
0.952
(3.362)
0.485
52.840
(1.006)
0.930
(2.744)
0.385
モデル 31
49.518
(1.079)
0.868
(3.263)
0.470
**
***
モデル 32
61.464
(1.395)
0.797
(3.146)
0.452
**
***
モデル 33
72.156
(2.341)
0.853
(4.383)
0.615
***
***
**
***
θ0 は定数項を表し、θ1 は（表 5.24、表 5.30）に示した各モデルの説明変数に対するパラメータを表す。（）内の
数値は t 値を表す。
***:両側 1%水準で有意
**:両側 5%水準で有意
*:両側 10%水準で有意
44
**
***
***
***
*
**
**
表 5.33: 店頭販売数を被説明変数としたときの各モデルにおける回帰分析結果（上級機種：
クラス 5 の予測選択数が 20 以上）
モデル１
θ0
θ1
R2
90.304
(1.455)
5.382
(2.741)
0.653
モデル２
*
モデル７
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
258.472
(2.409)
-0.989
(-0.183)
0.008
モデル３
*
396.376
(2.456)
-3.427
(-1.000)
0.200
モデル４
*
モデル５
256.966
(1.709)
-0.216
(-0.112)
0.003
-201.386
(-1.436)
6.538
(3.208)
0.720
**
50.522
(0.472)
4.171
(1.887)
0.471
モデル 11
モデル 12
259.500
(1.800)
-0.202
(-0.136)
0.005
-269.246
(-1.302)
5.979
(2.494)
0.609
モデル 16
モデル 17
モデル 18
5.730
(0.021)
1.661
(0.869)
0.159
118.170
(0.530)
1.350
(0.564)
0.074
148.832
(0.888)
0.770
(0.573)
0.076
-112.760
(-0.940)
3.121
(3.028)
0.696
モデル 20
モデル 21
モデル 22
モデル 23
モデル 24
-292.686
(-1.495)
3.785
(2.756)
0.655
-89.154
(-0.453)
1.946
(1.709)
0.422
300.968
(1.843)
-0.438
(-0.384)
0.036
62.006
(0.173)
1.370
(0.503)
0.060
95.262
(0.378)
0.915
(0.589)
0.080
モデル 26
モデル 27
モデル 28
モデル 29
モデル 30
203.484
(1.008)
0.227
(0.192)
0.009
-178.980
(-0.741)
2.647
(1.758)
0.436
-27.736
(-0.132)
1.435
(1.306)
0.299
-50.754
(-0.180)
1.357
(1.047)
0.215
200.192
(0.735)
0.199
(0.152)
0.006
モデル 32
41.632
(0.154)
0.863
(0.747)
0.123
モデル 33
-102.124
(-1.423)
1.541
(4.946)
0.859
モデル８
モデル 10
モデル６
モデル９
-54.194
(-0.211)
4.025
(1.164)
0.253
113.708
(0.674)
1.248
(0.784)
0.133
-53.388
(-0.549)
3.077
(3.145)
0.712
モデル 13
モデル 14
モデル 15
313.916
(1.789)
-0.611
(-0.432)
0.045
-277.120
(-0.595)
4.585
(1.116)
0.238
モデル 19
178.208
(0.804)
0.426
(0.290)
0.021
モデル 25
160.792
(0.505)
0.429
(0.255)
0.016
モデル 31
30.016
(0.115)
0.909
(0.824)
0.145
*
**
332.922
(2.258)
-1.459
(-0.657)
0.097
*
*
**
***
θ0 は定数項を表し、θ1 は（表 5.24、表 5.30）に示した各モデルの説明変数に対するパラメータを表す。（）内の
数値は t 値を表す。
***:両側 1%水準で有意
**:両側 5%水準で有意
*:両側 10%水準で有意
45
表 5.34: 店頭販売数を被説明変数としたときの各モデルにおける回帰分析結果（上級機種：
その他）
モデル１
θ0
θ1
R2
118.544
(3.774)
6.345
(1.245)
0.205
モデル２
***
モデル７
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
91.032
(2.128)
4.520
(1.433)
0.255
モデル３
*
モデル８
モデル４
27.306
(0.376)
2.767
(1.657)
0.314
モデル９
モデル６
52.210
(0.686)
2.477
(1.238)
0.203
117.93
(5.232)
4.564
(2.447)
0.499
***
モデル 10
モデル 11
モデル 12
39.410
(0.622)
1.949
(1.723)
0.331
13.980
(0.198)
2.712
(1.901)
0.376
91.874
(3.243)
3.055
(2.482)
0.507
**
99.560
(2.599)
2.841
(1.423)
0.252
40.804
(0.647)
2.246
(1.710)
0.328
20.662
(0.292)
3.060
(1.799)
0.350
113.07
(4.610)
3.257
(2.269)
0.462
モデル 13
モデル 14
モデル 15
モデル 16
モデル 17
モデル 18
-118.846
(-1.531)
3.382
(3.426)
0.662
22.600
(0.494)
2.568
(2.835)
0.573
32.778
(0.684)
2.650
(2.487)
0.508
50.780
(0.880)
1.621
(1.711)
0.328
16.320
(0.258)
2.476
(2.099)
0.423
96.590
(3.289)
2.265
(2.211)
0.449
**
**
***
モデル５
*
**
*
モデル 19
モデル 20
モデル 21
モデル 22
モデル 23
モデル 24
-85.362
(-1.202)
2.818
(3.284)
0.642
39.800
(0.897)
2.039
(2.553)
0.521
31.886
(0.715)
2.460
(2.713)
0.551
-61.326
(-0.845)
2.303
(2.881)
0.580
35.158
(0.760)
1.852
(2.537)
0.517
21.992
(0.475)
2.295
(2.815)
0.569
**
**
**
**
**
モデル 25
モデル 26
モデル 27
モデル 28
モデル 29
モデル 30
-69.230
(-1.472)
2.569
(4.661)
0.784
-36.766
(-0.541)
1.945
(2.726)
0.553
47.784
(1.067)
1.537
(2.349)
0.479
30.470
(0.687)
1.996
(2.761)
0.560
-43.278
(-0.896)
2.159
(4.012)
0.728
-37.384
(-0.735)
1.921
(3.691)
0.694
モデル 31
-22.066
(-0.436)
1.687
(3.411)
0.660
***
**
モデル 32
51.230
(1.155)
0.940
(2.297)
0.468
**
*
モデル 33
-55.200
(-0.886)
3.160
(3.275)
0.641
*
**
***
**
θ0 は定数項を表し、θ1 は（表 5.24、表 5.30）に示した各モデルの説明変数に対するパラメータを表す。（）内の
数値は t 値を表す。
***:両側 1%水準で有意
**:両側 5%水準で有意
*:両側 10%水準で有意
46
**
**
**
**
*
**
***
表 5.35: 店頭販売数を被説明変数としたときの各モデルにおける回帰分析結果（ブランド B
の機種）
モデル１
θ0
θ1
R2
38.432
(1.707)
2.650
(5.765)
0.917
モデル２
***
モデル７
θ0
θ1
R2
-51.862
(-1.488)
2.835
(5.845)
0.919
θ1
R2
-822.832
(-4.514)
11.905
(5.249)
0.902
***
**
**
モデル 19
θ0
θ1
R2
θ0
θ1
R2
θ0
θ1
R2
-122.000
(-2.823)
2.199
(6.206)
0.928
*
***
-47.052
(-1.427)
2.083
(6.051)
0.924
**
***
33.474
(1.483)
1.083
(5.913)
0.921
***
-2429.334
(-4.216)
21.044
(4.444)
0.868
-31.642
(-1.047)
1.539
(6.159)
0.927
-242.242
(-3.797)
2.384
(6.007)
0.923
***
***
モデル 20
モデル 21
モデル 22
-2.112
(-0.078)
1.112
(5.960)
0.922
-6.050
(-0.223)
0.975
(6.049)
0.924
-964.022
(-4.178)
6.358
(4.756)
0.883
モデル 32
-320.044
(-3.313)
1.634
(4.748)
0.883
***
**
***
**
**
モデル５
**
**
モデル 10
モデル９
-31.404
(-1.032)
1.917
(6.105)
0.926
-264.382
(-3.992)
1.909
(6.112)
0.926
***
**
-328.846
(-3.428)
9.096
(4.872)
0.888
モデル 16
モデル 26
*
**
モデル 15
-85.578
(-2.293)
1.601
(6.281)
0.929
***
1236.118
(4.076)
-37.382
(-3.660)
0.817
モデル４
モデル 14
モデル 25
モデル 31
-113.416
(-2.616)
0.938
(5.998)
0.923
**
モデル８
モデル 13
θ0
-1120.918
(-3.804)
13.593
(4.254)
0.858
モデル３
***
30.08
(1.329)
1.829
(6.010)
0.923
モデル６
***
モデル 11
**
**
-646.870
(-3.815)
5.453
(4.610)
0.876
***
-192.124
(-3.422)
1.820
(5.964)
0.922
**
**
-169.064
(-3.324)
1.697
(6.148)
0.926
-108.612
(-2.565)
1.627
(6.036)
0.924
**
***
-52.816
(-1.538)
1.009
(5.958)
0.922
***
-143.988
(-3.033)
1.390
(6.085)
0.925
モデル 28
モデル 29
モデル 30
-88.198
(-2.241)
1.035
(6.014)
0.923
-81.624
(-2.139)
0.914
(6.044)
0.924
-39.030
(-1.239)
0.999
(6.110)
0.926
-196.746
(-3.597)
1.441
(6.203)
0.928
モデル 33
-12.620
(-0.678)
1.158
(9.180)
0.966
***
***
***
θ0 は定数項を表し、θ1 は（表 5.24、表 5.30）に示した各モデルの説明変数に対するパラメータを表す。（）内の
数値は t 値を表す。
***:両側 1%水準で有意
**:両側 5%水準で有意
*:両側 10%水準で有意
47
*
***
***
モデル 24
**
モデル 27
***
***
モデル 18
モデル 23
**
*
モデル 12
**
モデル 17
**
-154.586
(-3.038)
2.248
(5.873)
0.920
*
***
**
***
図 5.2: 店頭販売数とクラス 5 の予測選択数の散布図
5.6
店頭販売数予測モデルの精度比較
前節の結果から、下級機種と上級機種、ブランド B の機種に分けてクラス毎の予測選択数
を組み合わせて回帰分析を行う、あるいは下級機種と上級機種（クラス 5 の予測選択数が 20
以上）と上級機種（その他）、ブランド B の機種に分けてクラス毎の予測選択数を組み合わせ
て回帰分析を行うことでそれぞれの場合についての予測精度が向上することが分かった。本
節では全体で回帰分析を行った場合と機種を分類して回帰分析を行った場合とでどの程度予
測誤差が変化するのか考察する。ここで、
（表 5.36）のようにモデル化し、それぞれを比較し
ていく。
このとき、各モデルの機種毎の誤差と最大誤差、平均絶対誤差、平均二乗誤差は（表 5.37）
のようになった。この結果からモデル h で最大誤差、平均絶対誤差、平均二乗誤差の全てに
おいて最小となり、最も精度がよいモデルであるといえる。モデル h は実際の予約数を用い
ているため、これは当然のことであると考えられる。ここで、モデル e の結果が最大誤差、平
均絶対誤差、平均二乗誤差の全てにおいてモデル h の次に小さい値となった。このことから、
第一次発注時の店頭販売数の予測にはモデル e を用い、第二次発注時の予測にはモデル h を
用いることで最も精度の高い予測が行えることが分かった。
48
表 5.36: 店頭販売数予測のモデル
モデル
モデルの説明
モデル a
下級機種、上級機種、ブランド B の機種に分類し、
それぞれモデル 1、モデル 1、モデル 25 を用いて予測値を求める
モデル b
下級機種、上級機種、ブランド B の機種に分類し、
それぞれモデル 31 を用いて予測値を求める
モデル c
下級機種、上級機種、ブランド B の機種に分類し、
それぞれモデル 32 を用いて予測値を求める
モデル d
下級機種、上級機種、ブランド B の機種に分類し、
それぞれモデル 33 を用いて予測値を求める
モデル e
下級機種、上級機種（クラス 5 の予測選択数 20 以上）、
上級機種（その他）、ブランド B の機種に分類し、
それぞれモデル 1、モデル 5、モデル 25、モデル 25 を用いて予測値を求める
モデル f
下級機種、上級機種（クラス 5 の予測選択数 20 以上）、
上級機種（その他）、ブランド B の機種に分類し、
それぞれモデル 31 を用いて予測値を求める
モデル g
下級機種、上級機種（クラス 5 の予測選択数 20 以上）、
上級機種（その他）、ブランド B の機種に分類し、
それぞれモデル 32 を用いて予測値を求める
モデル h
下級機種、上級機種（クラス 5 の予測選択数 20 以上）、
上級機種（その他）、ブランド B の機種に分類し、
それぞれモデル 33 を用いて予測値を求める
モデル i
機種を分類せずにモデル 31 を用いて求めた予測値
モデル j
機種を分類せずにモデル 32 を用いて求めた予測値
モデル k
機種を分類せずにモデル 33 を用いて求めた予測値
表 5.37: 各モデルの誤差と最大誤差、平均絶対誤差、平均二乗誤差
モデル a
モデル b
モデル c
モデル d
モデル e
モデル f
平均二乗誤差
112
46
3224
190
49
4612
208
56
6340
122
38
2568
106
37
2064
182
46
4232
最大誤差
平均絶対誤差
平均二乗誤差
モデル g
260
63
8072
モデル h
70
32
1392
モデル i
524
99
20284
モデル j
530
107
21528
モデル k
162
62
5952
最大誤差
平均絶対誤差
49
5.7
結論
本論文の成果として、潜在クラス分析によって分類されたクラスの予測選択数の組み合わ
せを展示予約会での予約数予測、店頭での販売数予測に用いることで予測精度を高めること
ができることを明らかとした。予約数の予測に関しては、まず、下級機種について購入意向と
関係があり、下級機種を好むクラスであるクラス 1 の予測選択数を予測の説明変数に用いるこ
とで予測精度が最も良くなった。次に上級機種について購入意向と関係があるクラス 1 とク
ラス 5 の予測選択数の合計を予測の説明変数として用いることで予測精度が最も良くなった。
このことから、下級機種と上級機種の予約数に関しては購入意向が重要であることが明らか
となった。さらにブランド B の機種についてロイヤルティと関係があるクラス 3 とクラス 4
の予測選択数の合計を説明変数に予測の説明変数に用いることで予測精度が最も良くなった。
このことから、ブランド B の機種の予約についてはロイヤルティが重要であることが明らか
となった。また、店頭販売数の予測に関しては、まず、下級機種については予約数予測時と
同様にクラス 1 の予測選択数を予測の説明変数に用いることで実際の予約数を説明変数とし
た場合に近い精度の予測を行うことができた。このことから、店頭販売に関してもやはり購
入意向が重要であることが明らかとなった。次に、上級機種のうちクラス 5 の予測選択数が
20 以上となる機種についてクラス 5 の予測選択数を予測の説明変数として用いることで予約
数に次ぐ精度の予測を行うことができることが明らかとなった。さらに、上級機種のうちク
ラス 5 の予測選択数が 20 よりも小さくなる機種およびブランド B の機種についてクラス 3、
4、5 の予測選択数の合計を予測の説明変数に用いることで予約数に用いることで予約数を説
明変数としたときに次ぐ精度の予測を行うことができた。クラス 3、4 はロイヤルティとの関
係があるクラスであり、クラス 5 は購入意向との関係があるクラスであるため、ロイヤルティ
と購入意向が重要であることが明らかとなった。
本論文によって店頭販売数を予測するにあたって、実際の予約数を説明変数としたときに
近い精度の予測を潜在クラス分析の結果を用いることで行えることが明らかとなった。この
ことから、本論文のモデルに従って予測を行うことで第一次発注時点で予約数及び店頭販売
数を的確に予測することができ、追加発注が難しい機種（輸入量が少なく販売量が多くなり
そうな機種）の確保を行い、売り逃しを防ぐことができる。また、追加発注や発注キャンセ
ルによる手間を抑えることができる。さらに、当該シーズンの人気機種を把握することで展
示予約会における的確な販売戦略の立案を促し、店員も自分の勧める商品に自信を持って販
売することができるようになる。これによってより市場の需要を反映した予約結果を得るこ
とができ、第二次発注時点における需要予測についてもより精度が向上すると考えられる。
また、試乗会での購入意向が強く影響するクラスの予測選択数を用いると予測精度が向上
することから、試乗会での評価が機種の購入に影響を与えていると考えられる。試乗会の情
報は試乗したものしか知りえない情報であるのに、その後の購買に影響を与えているという
ことはこの情報が口コミによって一般に広まっているとも考えられる。スキーという趣味的
な要素の強い製品の市場においては独自のコミュニティーが形成されており、口コミ情報が
需要予測を行うにあたっての重要な要因となることが考えられる。今後、スキー市場の需要
予測を行うにあたってはこのような口コミ情報をモデルに取り込んでいくことで精度の高い
50
需要予測が行えると考えられる。さらに、本論文では単年の予測について考慮したが、複数
年に渡って今回構築したモデルのクロスバリデーションと予測誤差の解析を行うことで、今
回の予測で最も予測精度を高めることができたモデルが複数年の予測に耐えうるものなのか、
あるいは予測精度は多少落ちるが複数年での予測に有効なモデルが存在するのかといった分
析を行うことができる。これによって、より実社会に適応したモデルを構築することが可能
であると考えられる。
51
図 5.3: 試乗会アンケート
!" ! # $%&'('
) *+ ) NO.
(NO.)
(NO.)
1.
52
Q1 Q2 Q3 Q4 Q5 )*+,-
Q6 (
./01#
Q7 !" #
Q8 $%&' #
3.
5.
図 5.4: 展示予約会アンケート表面
A !"#$%&'()*+ ,-./'0 /12345
6078*9:;<)= >?@ABCDEFGHI560J86(
KLBCMN!OP5QR(ST)"#AUVWX*'(
YZ['\6]^()
!"#$%
&' () &'*() )+,-./012 345678 9 :9 ;9 <=>?@ABCD547E
53
H547EIJKLMKNOP QRST U547EVWXYT
Z[\547E]VWA^T 1.
547E]VW_D`abcdeDfghIABi`aj@ABCDk]
lmnopqmrdst]udvrdwxyCz{|}~
!"#$%!"
&'()*)+$%!"
,-./0)+$%!"
102 3 $%!"
456786$%!"
9: ; $%;<2=!"
> '()* ?@ $%!"
A: ; ?@ $%!" BCD6 ?@ $%!"
BBE '(F <GHIJ$%!"KL MNO P?QRRSTU
BVW X
3.
5.
YZ[\]^_`]^ab$c W de 7 eef X
!" \RA^Ea_D12]!pwxyCz
LKC
1.
F7G7 T547EVWaAB a ]D
3.
5.
5477aAyD
2dD
<K F7C
図 5.5: 展示予約会アンケート裏面
!"#$%&'
()*+,-./0+,123456789:!'
** 5/1
6##4
5/1
**
+##4
0
4
7/0$8/ 3
'!
07/0$8/ ,)1< '!
'3
:
'
54
!"# '( !
$%& ))*+ ',
!"# '( $%& ))*+ 9 $ /*# !"# '( 6: /
$%& ))*#
9 $ /*# )' !"# , : *+3 6:!$ .
"##$
$%&
/0 .
, : *#3 1
"0.
!'
/2*#+: )' /0 .
1:
!$ . ##$ / =0.
/2*#6:
/0 .
1
!$ .
0.
/26:
!$ .
/2>6:
!$ .
/2*#
!$ ..
/2>
!$ .
*#
*#
-$./0. 1 3
$.%$ 2
/ 0. 1
3
$.%$ 2
( ;0.
3 /
3 /
4,1')
*+
4,1')>
謝辞
本研究を進めるにあたり、多大なるご指導を頂きました松尾博文教授に厚く御礼申し上げ
ます。そして、本研究で用いたモデルに関してご指導いただいた水野誠先生に厚く御礼申し
上げます。 お忙しい中、今回の研究に協力してくださった前崎正一様、橋本俊造様、小泉
則男様にこの場を借りて厚く御礼申し上げます。データを頂き、こちらの質問に対して親切
な対応をしてくださったこと大変感謝しております。
55
参考文献
[1] Glen L.Urban,Philip L. Jhonson,and John R. Hauser, Testing Competitive Market
Structures, Marketing Science, Vol3, No.2, pp.83-112, 1984.
[2] Jehoshua Eliashberg,Jedid-Jah Jonker,Mohanbir S.Sawhney,and Berend Wierenga,
MOVEMOD:An Implementable Decision-Support System for Prerelease Market Evaluation of Motion Pictures, Marketing Science, Vol19, No.3, pp.226-243, 2000.
[3] Marshall L. Fisher, Janice H. Hammond, Walter R. Obermeter, and Ananth Raman,
In an Uncertain World, Harverd Business Review,May-June, pp.83-93, 1994.
[4] Marshall L. Fisher, and Ananth Raman, Reducing the Cost of Demand Uncertainty
through Accurate Response to Early Sales, Operations Research, 1996.
[5] Marshall L. Fisher, and Ananth Raman, Supply Chain Management at World Co.,Ltd.,
Harverd Business Shool, November 19, pp.1-21, 2001.
[6] Marshall L. Fisher, What is the Right Supply Chain for Your Prodact?, Harverd Business Review,March-Aplil, pp.105-116, 1997.
[7] Philip H.Franses, and Richard Paap, Quantitative Models in Marketing Research, Cambridge University Press, 2001.
[8] Ramya Neelamegham,and Dipak Jain,Consumer Choice Process for Experience
Goods:An Econometric Model and Analysis Journal of Marketing Reseach, Vol
, pp.373-386, 1999.
[9] Randolph E.Bucklin,and Sunil Gupta,Brand choice,Purchase Incidence,and segmen,
tation:An Integrated Modeling Approach Journal of Marketing Reseach, Vol
pp.201-215, 1992.
[10] Sachin Gupta,Dipak C.Jain,and Mohanbir S.Sawhney,Modeling the Evolution of Markets with Indirect Network Externalities:An Application to Digital Television, Marketing Science, Vol18, No.3, pp.396-416, 1999.
[11] Wedel Michel, and Wagner A. Kamakura, Market Segmentation: Conceptual and
Methodological Foundations, Kluwer Academic Publishers,1998.
56
© Copyright 2024 Paperzz
