卒業研究論文
コーヒーショップにおける売り上げデータの分析と最適な仕入れ戦略の構築
12D8101024E 佐々木菜摘
中央大学理工学部情報工学科 田口研究室
2016 年 3 月
あらまし
アルバイト先の駅併設コーヒーショップでは日々売り上げが変動しており、来客が少ない と食材などのロスが増えてしまい、赤字に繋がることがある。さらに、売れる商品・売れ ない商品の変動も大きいため、どのような条件がそろったときにどの商品の売れ行きが伸 びるかを推定することができれば、ロスの金額を減らすことができる。その結果同じ売り 上げでもロスを減らして、高い利益を出すことが可能になるはずである。実際、現在の廃 棄食材は全体の ％程度もある。本研究では、気象データを用いて日々の売り上げを予測 し、買い合わせの分析をすることによってある商品が売れるときに共に売れやすい商品を 予測し、向上を図る。また、ロスを最低限に抑え品切れを起こさない最適な製造個数を予 測する。まずメニューをカテゴリー分けし、各カテゴリーと気象条件の相関関係を回帰分 析によって求める。次にアソシエーション分析を用いてレシートデータから買い合わせの 傾向を求める。これらによって得られた、各カテゴリーと気象条件の相関関係・買い合わ せの傾向を用いてカテゴリーごとの販売個数を予測し、最適な仕入れ戦略を構築する。
キーワード：コーヒーショップ、回帰分析、アソシエーション分析、売り上げ
i
目次
第1章 はじめに ... 1
第2章 使用データ ... 2
2.1 コーヒーショップの概要 ... 2
2.2 売り上げデータの概要 ... 2
2.3 気象データの概要... 4
第3章 回帰分析 ... 6
3.1 回帰分析とは ... 6
3.2 Excelを用いた回帰分析 ... 7
第4章 データマイニング ... 12
4.1 データマイニングとは ... 12
4.2 アソシエーション分析 ... 12
4.3 相関ルール ... 13
第5章 気象データに注目した購買行動分析 ... 14
5.1 メニューの各カテゴリーと平均気温の関係 ... 14
5.2 様々な気象条件と売り上げの関係 ... 27
第6章 購買データの分析 ... 39
6.1 買い合わせデータの集計 ... 39
6.2 ドリンクメニューとフードメニューの買い合わせの傾向 ... 41
第7章 最適な仕入れ戦略の構築 ... 44
7.1 各カテゴリーの販売個数予測 ... 44
7.2 仕入れ戦略の構築... 47
第8章 おわりに ... 50
8.1 まとめ ... 50
8.2 今後の課題 ... 50
謝辞 ... 51
参考文献 ... 52
1
第 1 章 はじめに
アルバイト先の駅併設コーヒーショップでは日々売り上げが変動しており、来客が少ない と食材などのロスが増えてしまい、赤字に繋がることがある。さらに、売れる商品・売れ ない商品の変動も大きいため、どのような条件がそろったときにどの商品の売れ行きが伸 びるかを推定することができれば、ロスの金額を減らすことができる。その結果同じ売り 上げでもロスを減らして、高い利益を出すことが可能になるはずである。本研究では、気 象データを用いて日々の売り上げを予測し、買い合わせの分析をすることによってある商 品が売れるときに共に売れやすい商品を予測し、向上を図る。また、ロスを最低限に抑え 品切れを起こさない最適な製造個数を予測する。
2
第 2 章
使用データ
2.1 コーヒーショップの概要
本研究では、東京都内の丸ノ内線本郷三丁目駅の改札口に隣接する某コーヒーショップ から提供していただいた売り上げデータを用いる。
1. 場所 丸ノ内線本郷三丁目駅 改札横 2. 営業時間 平日7時～22時
土日祝日8時～21時
3. 席数 89席(1F…禁煙18席、2F…禁煙62席 喫煙9席) 4. レジ 1つ（決済方法は現金・交通系電子マネー）
このコーヒーショップは全国約350店舗を有するチェーン店である。過去 1 年内に新し くオープンした店舗ではパスタも導入しているが、本研究で対象とする本郷三丁目の店舗 では、ドリンク・パン・サンドイッチ・デザート・お菓子のみの販売であり、デザート以 外の全商品がテイクアウト可能である。
2.2 売り上げデータの概要
某コーヒーショップの売り上げデータは以下の通りである。
1. 対象期間 2015年9月1日(火)から2015年9月30日(水)の
30日間
2. 一日平均来客数 平日 660.26人
休日 357人
3. 一日平均売上金額 平日 233,172.95円
休日 145,584.18円
4. 客単価 平日 353円、休日 407.8円
5. データの内容
・購入日時
・購入商品
・合計金額
・決済方法
本研究では、購入日時、購入商品のデータを使用する。また、ドリンク商品の サイズ(S、M、L)、ドリンク・パン・デザート・サンドイッチ・お菓子の種類は考 慮しない。メニューを表2.1に示す。
3
表2.1 提供メニュー
ドリンク
ホット
ホットコーヒー(ブレンド、アメリカン)、カフェラテ、
紅茶(ミルク、レモン、ストレート)、ロイヤルミルクティー、
ゆず茶、抹茶ラテ、プレミアムココア、ベトナムコーヒー、
イタリアンカプチーノ
コールド
アイスコーヒー、アイスカフェラテ、アイスティー (ミルク、レモン、ストレート)、アイスプレミアムココア、
アイスロイヤルミルクティー、アイスゆず茶、
ミックスジュース、スムージー(いちごバナナ、
ベルギーチョコ、みかん、もも、ぶどう)、
アイスベトナムコーヒー、野菜ジュース、
アイス抹茶ラテ、オレンジジュース
フード
パン
菓子パン
終日 チョコクロワッサン 3 種、
バターデニッシュ モーニング フレンチトースト
ランチ なし
ランチ後 アーモンドシュガーパイ
惣菜パン
終日 じゃがバターデニッシュ
モーニング
ホットサンドハムチーズ、
ウインナーコロネ、
たまごサラダ＆ハム(バンズ)
ランチ
ホットサンドハムチーズ、
やみつきドック、カレーパン 2 種、
メンチカツバーガー
ランチ後 やみつきドック、カレーパン 2 種
サンドイッチ ２種サンド A・B・C・D・E ３種サンド A
デザート 和風パフェ 3 種、デニブラン 5 種、
ミルクフラッペ 4 種、パフェ 5 種 お菓子 ビスケット 4 種
4
・各セット内容
モーニングセット…全てのパンとサンドイッチが対象 ＋140円でコーヒー、
＋210円で紅茶・カフェラテ・ジュース のSサイズがつけられる
ランチセット…表2.1 惣菜パンのランチに含まれるパン5種
または各種サンドイッチといずれかのチョコクロワッサン にコーヒー・紅茶・カフェラテ・野菜ジュース・
オレンジジュースのSサイズをつけるとセット価格になる ランチセットの例）
ホットサンド＋チョコクロワッサン＋対象ドリンク＝500円 カレーパン＋チョコクロワッサン＋対象ドリンク＝500円 やみつきドック＋チョコクロワッサン＋対象ドリンク＝550円 2種サンドイッチ＋チョコクロワッサン＋対象ドリンク＝550円 メンチカツバーガー＋チョコクロワッサン＋対象ドリンク＝621円 3種サンドイッチ＋チョコクロワッサン＋対象ドリンク＝621円
モーニングセット、ランチセットいずれも＋54円ごとにドリンクを サイズアップできる
2.3 気象データの概要
本研究では、気象庁ホームページに掲載されている過去の気象データから2015年9月東 京の日ごとの気温、降水量、湿度の値を使用する。
使用したデータを表2.2にまとめる。
表2.2 2015年9月の平均気温
日付 1 2 3 4 5 6 7 8 9 10 11 12 13 14
曜日 火 水 木 金 土 日 月 火 水 木 金 土 日 月
平均気温 23.7 26.9 25.7 24.7 25.4 23.8 23 20 22.4 21.8 23.9 24.7 24.4 22.9 前日比 1.6 3.2 -1.2 -1 0.7 -1.6 -0.8 -3 2.4 -0.6 2.1 0.8 -0.3 -1.5
15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
火 水 木 金 土 日 月 火 水 木 金 土 日 月 火 水
22.3 21.1 17.9 20.6 24.1 23.3 22.7 23 22.4 20.4 17.7 20.5 21.4 23.3 22.7 20.9 -0.6 -1.2 -3.2 2.7 3.5 -0.8 -0.6 0.3 -0.6 -2 -2.7 2.8 0.9 1.9 -0.6 -1.8
5
前日比の値は前日と当日の気温の差であり、マイナスがついている値は気温が下がって いることを示し、符号がついていないものは気温が上がっていることを示す。
9/1の前日比の値には、同じ気象庁のデータから8/31の気温が22.1℃であったことを用いて いる。
6
第 3 章 回帰分析
3.1 回帰分析とは
回帰分析とは、ある変数yをほかのn個の変数x1,x2,…,xnによって説明する関係式 y = f ( x1 , x2 ,…, xn )
あるいはこれだけでは説明できない項ε(残差項)を含めた y = f ( x1 , x2 ,…, xn ) +ε
を特定する方法論で、特に f ( x1 , x2 ,…, xn ) = b + a1x1 + … + anxn で表される場合に限定した ものを線形回帰という。
説明される変数yを説明する変数がx１つだけの場合に単回帰と呼ばれ、複数の場合、重回 帰と呼ばれる。ここでは簡単のために単回帰の場合について説明するが、重回帰への拡張 は容易である。
線形回帰の単回帰はy = b + axという関係式を仮定して、すでに得られているl組のxと yのデータ ( x1 , y1 ) , ( x2 , y2 ) ,…, ( xl, yl ) から切片bと傾きaを特定するというものである。
y = b + ax という関係はあくまでも仮定であり、この関係が正しい場合でも得られている
データがl個の有限な手がかりしかないことから、特定されたb , aが真の値( b* , a* )からず れてしまうことはほとんど確実である。その意味で、パラメーターをできるだけ誤差を少 なくして特定する試みを推定といい、特定された値( b* , a* )は推定値と呼ばれる。
パラメーターの推定は、適当な目的関数を設定したうえで最適化によって決定される。
最もよく使われる基準が最小二乗法(OLS)である。単回帰モデルに対するOLSは
min𝑏,𝑎 {∑(𝑏 + 𝑎𝑥𝑖− 𝑦𝑖)2
l
𝑖=1
: 𝑎, 𝑏 ∈ 𝑅} (5.1)
という制約なしの最小化問題の解( b* , a* )を用いて、線形関数 y = 𝑏∗+ 𝑎∗𝑥 を推定する。
(5.1)の目的関数は、各データ𝑥𝑖に対する関数値 b + a𝑥𝑖と実際の値𝑦𝑖の差(残差)
𝜀𝑖∶= 𝑦𝑖− (𝑏 + 𝑎𝑥) を2乗したもの(つまり、𝜀𝑖2)を、すべてのデータについて和をとったも の、つまり ∑l𝑖=1𝜀𝑖2 である。これは1つの直線に対して、データと縦方向(y方向)の差を一 辺とする正方形の面積であるため、(5.1)はこのような面積の合計値が一番小さくなるような 直線を見つける問題である。
なお推定する線形関数 y = b + ax としてはxが変数でb , aはパラメーターであるが、回 帰分析では関数形を特定するのが目的であるため、最小化問題(5.1)ではパラメーターb , a が決定変数となり(𝑥𝑖, 𝑦𝑖)はデータとして与えられている。
7
3.2 Excel を用いた回帰分析
最小化問題は凸な2次関数の制約なし最小化問題となるため、Excelソルバーでも非線形 計画(NLP)用の｢GRG｣アルゴリズムを用いて停留点を見つけることができれば最適解にな る。しかし、この問題は解析的に解けることが知られていて、ソルバーを用いるまでもな い。Excelでは｢データ分析｣アドインの｢回帰分析｣を用いることで簡単に計算できるばかり ではなく、推定値に関する様々な統計的な情報をまとめて得ることができる。
データが表3.1のようにセル範囲A1:B26に与えられているとする。列Aには最高気温(℃)、
列Bにはアイスコーヒーの注文数(個)、行1にはデータXとYの名前である｢最高気温(℃)｣
｢アイスコーヒー注文数(個)｣が入っている。
表3.1 回帰分析データ例
｢回帰分析｣ダイアログボックスに以下のようにデータ範囲を入力し、必要に応じてチェッ クを入れる。
8
・｢入力Y範囲｣としてセル範囲B1:B26を指定
・｢入力X範囲｣としてセル範囲A1:A26を指定
・指定した範囲にデータの名前を含むため、｢ラベル｣にチェックを入れる。
⇒指定した範囲の一番上の行をデータの名前を表すラベルとし、分析対象のデータに含 まない。
・｢出力オプション｣では分析結果を出力する場所を選択することができる。
ここではセルE2を出力先の先頭に指定する。
・｢残差｣の4項目および｢正規確率｣の1項目をチェックしておくと、追加的な情報が 得られる。
図3.2 回帰分析ダイアログボックス
OKをクリックすると分析結果が出力される。(図3.3)
9
表3.3 分析結果例
セルF18:F19をみると、切片の係数bが30.21020179、最高気温ｘの係数aが11.7657084
と出力されているため、y = b + ax に代入して y = 30.21020179 + 11.7657084 という関係 式が推定されたことになる。
セルF6重決定係数は 𝑦𝑖 , 𝑖 = 1 , … , 𝑙 のバラツキ(分散)のうちモデルの部分
𝑏∗+ 𝑎∗𝑥𝑖 , i = 1 , … , l のバラツキでどれくらい説明できているかを0以上1以下の数値で示 していて、1に近いほど回帰直線の当てはまりがよいことを表す。数学的な性質として推定 に使用するパラメーター(bやa)の数が多いほど、この値は大きくなってしまうことから、
パラメーターの数が増えるほど小さい値になるよう補正をかけたものがセルF7｢補正𝑅2｣
(自由度調整済み決定係数)である。今回は0.85を超えているので、かなり当てはまりのいい
結果といえる。
セルI18:I19｢P-値｣は(モデルが正規性の過程を満たしていることを前提として)、推定パラ
メーター(bやa)が0である場合に、推定された値(𝑏∗や𝑎∗)をとる確率を表している。したが って、P-値がものすごく低い場合には、該当の推定値が0でないとみなす。(逆にP-値が大 きい場合には、0でない推定値が得られても0の可能性も十分あるということになり、該当 の変数xがyを説明しているといえないことになる。)
P-値が0.05以下であればおおよそ合格であるが、図3.3の例でセルI18:I19を見ると切片項
bのP-値が約0.24と、推定値𝑏∗が0であることを95％以上の確率で棄却できないことから、
10 有意な結果とはいえないことがわかる。
｢回帰分析｣ダイアログボックスで｢観測値グラフの作成｣をチェックしておくと、図3.4の ように、xとyのデータの散布図と、最小二乗法によって得られた回帰直線上の点が描画さ れる。
図3.4 観測値グラフ
また、｢回帰分析｣ダイアボックスで｢残差グラフの作成｣や｢正規確率グラフの作成｣にチェ ックを入れておくと、xデータに対する残差(図3.5)やyデータの分布と正規分布との分位点
比較(図3.6)が出力される。
11
図3.5 残差グラフ
図3.6 正規確率グラフ
12
第 4 章
データマイニング
4.1 データマイニングとは
データマイニングとは、統計的手法を用いて企業に蓄積される顧客データや従業員デー タの中から各情報の相関や法則性といった情報を探し出すための分析手法である。
例えば顧客データを利用すれば購買履歴から商品の併売傾向を探しだすことができる。過 去の購買履歴から「おむつを買ったお客さんはビールも良く買う」といったような情報が 発見されると、これによりおむつとビールをならべておけば売り上げ増加が見込めるとい った行動を起こすことが可能となる。従業員データを利用すれば研修等の育成履歴から退 職者を再雇用する際に求める人材のみを見つけることができる。得られるデータの精度は データマイニングを行う者のスキルに依存する。しかし、良い情報を探し出すことができ れば、施策に無駄な情報を省いたり、潜在的なニーズを掘り起こすことが可能になる。
・データマイニングの手順
① データを解析可能な形に整える
データマイニングで使用するデータの多くは、解析することを目的に集められたもので はないため、解析を始める前にデータを整理する必要がある。ここでいう｢整理｣とは、
値の入っていないデータの補完、例外的なケースの除外、 単位が揃っていないデータ の単位揃える、などの作業を指す。
② 解析を行ってルールやパターンを見つける
③ 得られたルールやパターンを有効に活用する
4.2 アソシエーション分析
アソシエーション分析とは
アソシエーション分析とは、アソシエーションルールと呼ばれる事象間のつながりの強 さに関する規則を知識として発見する分析である。ある事象が発生した時に、別な事象が 発生する事後確率が高いような事象の組み合わせを求める。
例えばスーパーマーケットのデータなどに対しては、どの商品が同時に購入されている か、どの商品の組み合わせが頻繁に現れるか、というルール(前提と結論)を抽出することが できる。この分析の結果、乳製品とパンが同時購入される頻度が高いことがわかれば、こ のスーパーのパン売り場に乳製品を置くことや、パンの購入者に対して乳製品を割り引く ようなキャンペーンを実行すれば、パンと乳製品の売り上げが上昇することが期待できる。
13
アソシエーション分析の中で、POSや購買データの分析を行う手法をマーケットバスケ ット分析とよぶ。マーケットバスケット分析で使うデータは買い物かごの中のデータ、つ まりレシートのデータが基本であり、図4.1のようにExcelの表にまとめることができる。
表4.1 レシートデータ
4.3 相関ルール
相関ルールとは、商品の組み合わせに頻出する何らかの関連、あるいは規則のことを指す。
相関ルールの評価指標
データベースの中から相関ルールを検出する際、評価指標が必要となる。多く用いら れている指標として支持度（support）、信頼度（confidence）、リフト(lift)がある。
信頼度…仮にルールの前提が起きたと仮定したときに、結論が起きる確率 この数値が高いほど、ルールの前提と結論の結びつきが高い
サポート…ルールの前提と結論が同時に起きる確率、つまり｢ルールそのものが起きる 確率｣。重要なルールは、信頼度だけでなくサポートもそれなりに大きいこ とが求められる。
リフト…前提または結論のどちらかのデータの中での出現回数が非常に多い場合に前 提と結論の間の結びつきの強さを見ることができる。
𝐿𝑖𝑓𝑡(𝐴 → 𝐵) =𝑃(𝐵|𝐴)
𝑃(𝐵)
例) Lift(アイスコーヒー→惣菜パン)
=アイスコーヒーを買ったときに惣菜パンを購入する確率 惣菜パンを購入する確率
リフトは、前提が存在することで結論が起こる確率がどれだけ大きくなるのかの 比を表しており、リフトが 1 の場合は、全く前提の存在が効いていないことにな る。リフトが 1 より大きければ大きいほど、その効果は大きくなる。一方、リフ ト値が 1 より小さい場合には、前提が結論を疎外していることがわかる。
ト マ ト
な す
き ゅ う り
キ ャ ベ ツ
レ タ ス
じ ゃ が い も
人 参
ご ぼ う
ネ ギ
カ ボ チ ャ
ト マ ト
な す
き ゅ う り
キ ャ ベ ツ
レ タ ス
じ ゃ が い も
人 参
ご ぼ う
ネ ギ
カ ボ チ ャ
1 ○ ○ ○ ○ ○ 1 1 1 2 1 1
2 ○ ○ ○ ○ ○ 2 1 2 1 4 2
3 ○ ○ ○ ○ 3 3 1 3 2
4 ○ ○ ○ ○ ○ 4 2 2 1 2 1
5 ○ ○ ○ ○ ○ ○ ○ 5 1 2 1 2 2 1 2
14
第 5 章
気象データに注目した購買行動分析
5.1 メニューの各カテゴリーと平均気温の関係
表 2.1 に示したメニューを、次のように分類する。
・コールドドリンク
・ホットドリンク
・パン
・サンドイッチ
・デザート
各カテゴリーについて、対象期間の 2015 年 9 月 1 日から 30 日までの平均気温との関係を 調べる。ただし、対象の店舗が所在する本郷三丁目駅周辺には会社や学校が多く平日と休 日の売り上げに大きな差があることから、ここでは平日に限定して分析を行う。
表 5.1 カテゴリー別販売個数と平均気温
表 5.1 では、1 段目に日付、2 段目に曜日、3 段目に平均気温、4 段目から最下段に各カテ ゴリーの一日ごとの販売個数の集計を示している。
この表をグラフに表したものが図 5.2 である。
日付 1 2 3 4 7 8 9 10 11 14 15 16 17 18 24 25 28 29 30
曜日 火 水 木 金 月 火 水 木 金 月 火 水 木 金 木 金 月 火 水
平均気温 23.7 26.9 25.7 24.7 23 20 22.4 21.8 23.9 22.9 22.3 21.1 17.9 20.6 20.4 17.7 23.3 22.7 20.9 コールドドリンク 537 586 607 607 420 403 470 433 594 485 495 416 344 466 437 378 536 446 495 ホットドリンク 369 297 284 238 399 564 508 470 283 387 319 404 618 409 394 539 338 345 367 パン 425 447 416 405 475 513 560 518 450 480 462 452 516 484 429 479 437 424 412
サンドイッチ 36 46 57 43 58 63 60 57 56 68 49 56 66 52 56 64 55 50 52
デザート 60 50 53 61 37 40 48 69 61 56 63 56 40 49 73 37 57 55 48
15
図 5.2 販売個数と平均気温の関係
図 5.2 で、左縦軸には販売個数の目盛りをとってあり、各カテゴリーの販売個数は色別に 棒グラフで示している。右縦軸には気温の目盛りをとってあり、平均気温の推移を折れ線 グラフで示している。横軸には対象期間のなかで平日に絞った日付をとっている。
次に、表 5.1 からホットドリンクとコールドドリンクの合計を出し、ドリンク全体の販売 個数の中でのホットドリンクの割合と平均気温の関係を表 5.3、図 5.4 に示す。
表 5.3 ホットドリンクの割合
0 5 10 15 20 25 30
1 2 3 4 7 8 9 10 11 14 15 16 17 18 24 25 28 29 30 0
100 200 300 400 500 600 700
販売個数(個)
日付
気温(℃)
コールドドリンク ホットドリンク パン サンドイッチ デザート 平均気温
日付 1 2 3 4 7 8 9 10 11 14 15 16 17 18 24 25 28 29 30
曜日 火 水 木 金 月 火 水 木 金 月 火 水 木 金 木 金 月 火 水
平均気温 23.7 26.9 25.7 24.7 23 20 22.4 21.8 23.9 22.9 22.3 21.1 17.9 20.6 20.4 17.7 23.3 22.7 20.9 ホットドリンク 369 297 284 238 399 564 508 470 283 387 319 404 618 409 394 539 338 345 367 ドリンク総計 906 883 891 845 819 967 978 903 877 872 814 820 962 875 831 917 874 791 862 ホット/総計 0.41 0.34 0.32 0.28 0.49 0.58 0.52 0.52 0.32 0.44 0.39 0.49 0.64 0.47 0.47 0.59 0.39 0.44 0.43
16
図 5.4 ホットドリンクの割合と平均気温の関係
図 5.4 で、縦軸はドリンク販売個数の中でのホットドリンクの割合、横軸は平均気温を表 しており、それぞれの気温におけるホットドリンクの割合を点で表している。これらを見 ると、気温が低い方がホットドリンクの割合が高くなることがわかる。また、ドリンク全 体の販売個数の中でのホットドリンクの割合と平均気温の関係は y = −0.0356x + 1.2402 という一次方程式に近似できる。
次に、各カテゴリーについて、説明される変数を販売個数、説明する変数を平均気温とし て単回帰分析を行う。
表 5.5 に、コールドドリンクと平均気温で回帰分析を行った結果を示す。
y = -0.0356x + 1.2402
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
17 18 19 20 21 22 23 24 25 26 27 28
ホット/総計
平均気温
ホット/総計 線形(予測値: ホット/総計)
17
表 5.5 コールドドリンクと平均気温の単回帰分析
概要
回帰統計 重相関 R 0.8721372 重決定 R2 0.7606233 補正 R2 0.7465423 標準誤差 39.591698
観測数 19
分散分析表
自由度 変動 分散 観測された
分散比 有意 F
回帰 1 84673 84673 54.017763 1.1E-06
残差 17 26647.5 1567.5
合計 18 111321
係数 標準誤差 t P-値 下限 95% 上限 95%下限 95.0%上限 95.0%
切片 -161.7011 88.0306 -1.8369 0.0837761 -347.43 24.0272 -347.43 24.0272 平均気温 28.98156 3.94324 7.34968 1.135E-06 20.662 37.3011 20.662 37.3011
残差出力
観測値
コールドドリンク予測値:残差
1 525.16191 11.8381
2 617.9029 -31.903
3 583.12503 23.875
4 554.14347 52.8565
5 504.87482 -84.875
6 417.93014 -14.93
7 487.48588 -17.486
8 470.09695 -37.097
9 530.95822 63.0418
10 501.97666 -16.977
11 484.58773 10.4123
12 449.80985 -33.81
13 357.06886 -13.069
14 435.31908 30.6809
15 429.52276 7.47724
16 351.27255 26.7274
17 513.56929 22.4307
18 496.18035 -50.18
19 444.01354 50.9865
18
表 5.5 で決定係数𝑅2が 0.76 となっていることから、コールドドリンクの販売個数と平均気 温には相関関係があるといえる。
観測値のグラフは図5.6のようになり、縦軸はコールドドリンクの販売個数、横軸は平均気 温を示している。それぞれの気温におけるコールドドリンクの販売個数は
y = 28.982x − 161.7 という式に近似できる。
図 5.6 観測値グラフ(コールドドリンク)
次にホットドリンクについて回帰分析を行うと、表 5.7 のようになる。
y = 28.982x - 161.7
0 100 200 300 400 500 600 700
17 18 19 20 21 22 23 24 25 26 27 28
コールドドリンク
平均気温
コールドドリンク 線形(予測値: コールドドリンク)
19
表 5.7 ホットドリンクと平均気温の回帰分析
概要
回帰統計 重相関 R 0.81127 重決定 R2 0.65815 補正 R2 0.63804 標準誤差 61.7857
観測数 19
分散分析表
自由度 変動 分散 観測された
分散比 有意 F
回帰 1 124945.6 124946 32.729926 2.5E-05 残差 17 64897.03 3817.47
合計 18 189842.6
係数 標準誤差 t P-値 下限 95% 上限 95%下限 95.0%上限 95.0%
切片 1178.17 137.3781 8.57609 1.398E-07 888.325 1468.01 888.325 1468.01 平均気温 -35.205 6.153714 -5.721 2.498E-05 -48.189 -22.222 -48.189 -22.222
残差出力
観測値
ホットドリンク予測値:残差
1 343.798 25.20182
2 231.141 65.85923
3 273.387 10.6127
4 308.593 -70.5927
5 368.442 30.55801
6 474.058 89.94168
7 389.565 118.4347
8 410.689 59.31148
9 336.757 -53.7571
10 371.963 15.03747
11 393.086 -74.0858
12 435.332 -31.3323
13 547.99 70.01025
14 452.935 -43.9351
15 459.976 -65.9761
16 555.031 -16.0308
17 357.88 -19.8804
18 379.004 -34.0036
19 442.373 -75.3734
20
表 5.7 を見ると、決定係数𝑅2は 0.66 と 1 に近い数値がでているため、ホットドリンクの販 売個数と平均気温にも大きな相関関係があるといえる。
また、観測値グラフは図 5.8 のようになり、表 5.7 の係数を使って y = −35.205x + 1178.2 という近似直線に近似できることがわかる。
図 5.8 観測値グラフ(ホットドリンク)
図 5.8 で、縦軸はホットドリンクの販売個数、横軸は平均気温を表す。
ここで、コールドドリンク・ホットドリンクの販売個数が、平均気温を説明変数xとして、
それぞれ y = 28.982x − 161.7、 y = −35.205x + 1178.2 と表すことができ、またドリンク 全体の販売数の中でのホットドリンクの割合が平均気温を説明変数xとして
y = −0.0356x + 1.2402 と表されることについてこれらの結果がどの程度正確なものであ るかを確かめる。
ドリンク全体の中でのホットドリンクの割合が、平均気温を説明変数 x として
−0.0356x + 1.2402 と表されるとき、コールドドリンクの割合は全体の割合 1 からホットド リンクの割合を引いたものであるため、 1 − (−0.0356x + 1.2402) であり、これを整理して 0.0356x − 0.2402 となる。
表 5.1 から 8 日のデータを見ると、平均気温 20℃、コールドドリンクの販売個数は 403 個、
ホットドリンクの販売個数は 564 個である。
コールドドリンクについての近似式に x = 20 を代入すると
28.982 ∗ 20 − 161.7 = 417.94 であり、ホットドリンクについての近似式に x = 20 を代入 y = -35.205x + 1178.2
0 100 200 300 400 500 600 700
17 18 19 20 21 22 23 24 25 26 27 28
ホットドリンク
平均気温
ホットドリンク 線形(予測値: ホットドリンク)
21
すると −35.205 ∗ 20 + 1178.2 = 474.1 となる。また、ホットドリンクの割合を表す近似式 に x = 20 を代入すると、 −0.0356 ∗ 20 + 1.2402 = 0.5282 となる。
コールドドリンク及びホットドリンクの計算結果からドリンク全体の中でのホットドリン クの割合を計算すると 0.58 となり、これはホットドリンクの割合を表す近似式を利用して 計算した結果 0.5282 に近い値になっている。
次に、パンの販売数を平均気温で説明する回帰分析を行う。
22
表 5.9 パンと平均気温の回帰分析
概要
回帰統計 重相関 R 0.4411 重決定 R2 0.1946 補正 R2 0.1472 標準誤差 39.169
観測数 19
分散分析表
自由度 変動 分散 観測された
分散比 有意 F
回帰 1 6300 6300 4.1062657 0.05871 残差 17 26082.1 1534.24
合計 18 32382.1
係数 標準誤差 t P-値 下限 95% 上限 95%下限 95.0%上限 95.0%
切片 637.86 87.0916 7.32396 1.188E-06 454.108 821.603 454.108 821.603 平均気温 -7.905 3.90118 -2.0264 0.0587097 -16.136 0.32545 -16.136 0.32545
残差出力
観測値 予測値:
パン 残差
1 450.5 -25.499
2 425.2 21.7976
3 434.69 -18.689
4 442.59 -37.594
5 456.03 18.9669
6 479.75 33.2509
7 460.78 99.2237
8 465.52 52.4805
9 448.92 1.08165
10 456.82 23.1763
11 461.57 0.43314
12 471.05 -19.053
13 496.35 19.6497
14 475.01 8.99408
15 476.59 -47.587
16 497.93 -18.931
17 453.66 -16.662
18 458.4 -34.405
19 472.63 -60.634
23
表 5.9 では決定係数𝑅2は 0.1946 とかなり 0 に近い数値がでているため、パンの販売個数と 平均気温はほとんど相関関係がないといえる。
これは、観測値グラフを見ると近似直線がほぼ横ばいであることからもわかる。また、1 日 平均 450 個という数が比較的安定していることがわかる。(図 5.10)
図 5.10 観測値グラフ(パン)
図 5.10 で、縦軸はパンの販売個数、横軸は平均気温を表す。
続いて、サンドイッチとデザートついても平均気温を説明変数とし回帰分析を行う。
y = -7.9053x + 637.86
0 100 200 300 400 500 600
17 18 19 20 21 22 23 24 25 26 27 28
パン
平均気温
パン 線形(予測値: パン)
24
表 5.11 サンドイッチと平均気温の回帰分析
概要
回帰統計 重相関 R 0.53893 重決定 R2 0.290446 補正 R2 0.248707 標準誤差 6.912914
観測数 19
分散分析表
自由度 変動 分散 観測された
分散比 有意 F
回帰 1 332.545 332.545 6.9586997 0.01727 残差 17 812.402 47.7884
合計 18 1144.95
係数 標準誤差 t P-値 下限 95% 上限 95%下限 95.0% 上限 95.0%
切片 95.27757 15.3706 6.19869 9.719E-06 62.8485 127.707 62.8485 127.707 平均気温 -1.81625 0.68851 -2.6379 0.017268 -3.2689 -0.3636 -3.2689 -0.3636
残差出力
観測値
サンドイッチ予測値:残差
1 52.23256 -16.233
2 46.42057 -0.4206
3 48.60007 8.39993
4 50.41631 -7.4163
5 53.50393 4.49607
6 58.95267 4.04733
7 54.59368 5.40632
8 55.68343 1.31657
9 51.86931 4.13069
10 53.68556 14.3144
11 54.7753 -5.7753
12 56.9548 -0.9548
13 62.76678 3.23322
14 57.86292 -5.8629
15 58.22617 -2.2262
16 63.13003 0.86997
17 52.95906 2.04094
18 54.0488 -4.0488
19 57.31805 -5.318
25
表 5.12 デザートと平均気温の回帰分析
概要
回帰統計 重相関 R 0.33954 重決定 R2 0.11529 補正 R2 0.06324 標準誤差 9.92839
観測数 19
分散分析表
自由度 変動 分散 観測された
分散比 有意 F
回帰 1 218.364 218.364 2.2152545 0.15497 残差 17 1675.74 98.573
合計 18 1894.11
係数 標準誤差 t P-値 下限 95%上限 95%下限 95.0% 上限 95.0%
切片 20.6347 22.0754 0.93474 0.3630112 -25.94 67.2097 -25.94 67.2097 平均気温 1.47177 0.98885 1.48837 0.1549681 -0.6145 3.55805 -0.6145 3.55805
残差出力
観測値 予測値:
デザート 残差
1 55.5157 4.4843
2 60.2254 -10.225
3 58.4592 -5.4592
4 56.9875 4.01253
5 54.4855 -17.485
6 50.0701 -10.07
7 53.6024 -5.6024
8 52.7193 16.2807
9 55.8101 5.18995
10 54.3383 1.66172
11 53.4552 9.54478
12 51.6891 4.3109
13 46.9794 -6.9794
14 50.9532 -1.9532
15 50.6589 22.3411
16 46.6851 -9.6851
17 54.927 2.07301
18 54.0439 0.95607
19 51.3947 -3.3947
26
表 5.11、表 5.12 を見ると、それぞれ決定係数𝑅2が 0.290446 および 0.11529 であることか ら、サンドイッチとデザートに関しても平均気温との相関関係はほとんどないといえる。
それぞれの結果の観測値グラフは以下の通りである。
図 5.13 観測値グラフ(サンドイッチ)
図 5.14 観測値グラフ(デザート)
y = -1.8162x + 95.278
0 10 20 30 40 50 60 70 80
17 18 19 20 21 22 23 24 25 26 27 28
サンドイッチ
平均気温
サンドイッチ 線形(予測値: サンドイッチ)
y = 1.4718x + 20.635
0 10 20 30 40 50 60 70 80
17 18 19 20 21 22 23 24 25 26 27 28
デザート
平均気温
デザート 線形(予測値: デザート)
27
以上の結果から、それぞれのカテゴリーごとの販売個数について説明変数に平均気温を とると、パン・サンドイッチ・デザートは平均気温との相関関係がないために説明するこ とができず、コールドドリンクおよびホットドリンクに関しては平均気温との相関関係が かなり強いため、近似式で各温度における販売個数を推定することができた。
コールドドリンクおよびホットドリンクの販売個数を平均気温で説明する近似式は以下の 通りである。
・コードドリンク y = 28.982x − 161.7
・ホットドリンク y = −35.205x + 1178.2
5.2 様々な気象条件と売り上げの関係
5.1 メニューの各カテゴリーと平均気温の関係の結果、パン・サンドイッチ・デザートに 関しては平均気温とは特に相関関係がないことが分かったため、他の気象条件についても 相関関係がないか検証する。
表 5.15 各カテゴリー別販売個数と気象条件
表 5.15 は、表 5.1 に気象庁のホームページから最高気温・平均湿度・降水量の値を引用し 追加したものである。
5.1 では説明変数を平均気温として回帰分析を行い、コールドドリンクとホットドリンクに ついての近似式を導いたが、説明変数を最高気温として再度回帰分析を行った。(表 16、表 18)
日付 1 2 3 4 7 8 9 10 11 14 15 16 17 18 24 25 28 29 30
曜日 火 水 木 金 月 火 水 木 金 月 火 水 木 金 木 金 月 火 水
天気 曇 晴 曇 雨 晴 雨 雨 曇 晴 晴 晴 曇 雨 曇 曇 雨 晴 曇 晴
平均気温 23.7 26.9 25.7 24.7 23 20 22.4 21.8 23.9 22.9 22.3 21.1 17.9 20.6 20.4 17.7 23.3 22.7 20.9 気温前日比 1.6 3.2 -1.2 -1 -0.8 -3 2.4 -0.6 2.1 -1.5 -0.6 -1.2 -3.2 2.7 -2 -2.7 1.9 -0.6 -1.8 最高気温 26.5 31.5 30.4 30.1 26.1 21 25.3 23.5 29.3 27.3 27.5 25.2 18.9 23.9 23 19.5 27.8 26.6 25.8
平均湿度 96 82 78 88 98 100 99 99 79 69 66 74 98 96 83 98 73 43 43
降水量 12 5.5 1.5 14 19 65.5 156.5 50 0 0 0 4 74.5 5.5 1 43 0 0 0
コールドドリンク 537 586 607 607 420 403 470 433 594 485 495 416 344 466 437 378 536 446 495 ホットドリンク 369 297 284 238 399 564 508 470 283 387 319 404 618 409 394 539 338 345 367 パン 425 447 416 405 475 513 560 518 450 480 462 452 516 484 429 479 437 424 412
サンドイッチ 36 46 57 43 58 63 60 57 56 68 49 56 66 52 56 64 55 50 52
デザート 60 50 53 61 37 40 48 69 61 56 63 56 40 49 73 37 57 55 48
28
表 5.16 コールドドリンクと最高気温の回帰分析
表 5.16 で、決定係数𝑅2を見ると 0.8267 と、平均気温で回帰分析を行ったときに比べより 1 に近い値になっているため、より当てはまりのいい結果であるといえる。
観測値グラフは図 5.17 となり、近似式は y = 20.344x − 41.95 である。
図 5.17 観測値グラフ(コールドドリンク②)
概要
回帰統計 重相関 R 0.909271 重決定 R2 0.826775 補正 R2 0.816585 標準誤差 33.67976
観測数 19
分散分析表
自由度 変動 分散 観測された分散比 有意 F
回帰 1 92036.98 92036.98 81.13801 7E-08 残差 17 19283.55 1134.326
合計 18 111320.5
係数 標準誤差 t P-値 下限 95% 上限 95% 下限 95.0%上限 95.0%
切片 -41.95 58.6607 -0.71513 0.484235 -165.713 81.81324 -165.713 81.81324 最高気温 20.34352 2.258468 9.007664 7E-08 15.57857 25.10847 15.57857 25.10847
y = 20.344x - 41.95
0 100 200 300 400 500 600 700
18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
コールドドリンク
最高気温
コールドドリンク 線形(予測値: コールドドリンク)
29
表 5.18 ホットドリンクと最高気温の回帰分析
表 5.18 で決定係数𝑅2を見ると、0.842 とホットドリンクに関しても平均気温で回帰分析を 行ったときに比べより 1 に近い値となっている。したがってホットドリンクに関してもよ り当てはまりのいい結果といえる。
観測値グラフは図 5.19 となり、近似式は y = −26.811x + 1086.7 である。
図 5.19 観測値グラフ(ホットドリンク②)
概要
回帰統計 重相関 R 0.91763 重決定 R2 0.842045 補正 R2 0.832754 標準誤差 41.99902
観測数 19
分散分析表
自由度 変動 分散 観測された分散比 有意 F
回帰 1 159856 159856 90.62557 3.17E-08 残差 17 29986.6 1763.918
合計 18 189842.6
係数 標準誤差 t P-値 下限 95% 上限 95% 下限 95.0%上限 95.0%
切片 1086.728 73.15052 14.85605 3.61E-11 932.394 1241.062 932.394 1241.062 最高気温 -26.8108 2.816333 -9.51975 3.17E-08 -32.7527 -20.8688 -32.7527 -20.8688
y = -26.811x + 1086.7
0 100 200 300 400 500 600 700
18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
ホットドリンク
最高気温
ホットドリンク 線形(予測値: ホットドリンク)
30
また、パン・サンドイッチ・デザートに関しては、平均気温との相関関係が見られなかっ たことから、最高気温との相関関係もないとしてここでは省略するが、実際に回帰分析を 行うと決定係数𝑅2はそれぞれ 0.314520307、0.29303206、0.142752143 といずれも 0 に近い 値であったため、最高気温とも相関関係がないことは証明できている。
次に、説明変数を平均湿度として回帰分析を行った。各カテゴリーにおける決定係数𝑅2の 値は以下の通りである。
・コールドドリンク 0.060508045
・ホットドリンク 0.254322043
・パン 0.346054735
・サンドイッチ 0.033957869
・デザート 0.062543515
これらを見ると、どれも 0 に近い値となっている。したがって、平均湿度は販売個数に相 関関係がないということがわかった。
続いて説明変数を降水量として回帰分析を行った。各カテゴリーにおける決定係数𝑅2の値 は以下の通りである。
・コールドドリンク 0.159666949
・ホットドリンク 0.489266401
・パン 0.671751371
・サンドイッチ 0.152616278
・デザート 0.138841132
これらを見ると、コールドドリンク、ホットドリンク、サンドイッチ、デザートに関して は特に降水量との相関関係は見られなかったが、パンに関しては 0.67 と相関関係が見られ ることがわかる。パンについての回帰分析から得られた観測値グラフは図 5.20 の通りであ り、近似式は y = 0.8704x + 441.61 である。
31
図 5.20 観測値グラフ(パンと降水量)
以上の結果、最高気温はコールドドリンクとホットドリンクの販売個数に大きな影響があ ることがわかった。これは、単位時間における来客数が最も多い昼の時間帯が最高気温と なるため、平均気温よりも最高気温の方が相関が大きかったということだと考えられる それぞれの近似式はコールドドリンクのとき y = 20.344x − 41.95、ホットドリンクのとき y = −26.811x + 1086.7である。しかしどのカテゴリーに関しても平均湿度との相関はなく、
降水量との相関はパンに関してのみ見られた。
ここで、何を購入したかには着目せず一日の総客数と各気象条件の相関を確かめる。ただ し、ここで言う客数はレシート数であり複数客の支払いをまとめてひとりが行う場合がし ばしばある。後の販売予測の際にレシート数、実客数、販売個数の換算値が必要となる。
ここでは、レシート数に対するドリンク数の割合を用いることにする。この値は 1.32 と安 定している。
表 5.21 は被説明変数を客数、説明変数を最高気温として回帰分析を行った結果であり、図 5.22 はその結果から得られた観測値グラフである。
y = 0.8704x + 441.61
0 100 200 300 400 500 600 700
0 50 100 150 200
パン
降水量
パン 線形(予測値: パン)
32
表 5.21 客数と最高気温の回帰分析
概要
回帰統計 重相関 R 0.3626 重決定 R2 0.1315 補正 R2 0.0804 標準誤差 30.611
観測数 19
分散分析表
自由度 変動 分散 観測された
分散比 有意 F
回帰 1 2411.635 2411.635 2.5736143 0.12707 残差 17 15930.05 937.0617
合計 18 18341.68
係数 標準誤差 t P-値 下限 95% 上限 95% 下限 95% 上限 95%
切片 745.05 53.31659 13.97409 9.477E-11 632.563 857.539 632.563 857.539 最高気温 -3.293 2.052717 -1.60425 0.1270747 -7.6239 1.03779 -7.6239 1.03779
残差出力
観測値 予測値:
客数 残差
1 657.78 14.21531
2 641.32 33.68065
3 644.94 11.05828
4 645.93 -2.92964
5 659.1 -38.1019
6 675.9 30.10343
7 661.74 64.26363
8 667.66 20.3361
9 648.56 14.4359
10 655.15 11.84976
11 654.49 -23.4916
12 662.07 -36.0657
13 682.81 28.18799
14 666.35 -11.3467
15 669.31 -42.3104
16 680.84 -8.83617
17 653.5 -8.5037
18 657.46 -49.4554
19 660.09 -7.08984
33
図 5.22 観測値グラフ(客数と最高気温)
表 5.21 を見ると、決定係数𝑅2が 0.1315 であることから最高気温と客数には特に相関関係 はないことがわかる。
次に、表 5.15 から降水量が 0 ではない日を 1、0 であった日を 0 として 0 と 1 を使って客 数について散布図を作成する。(図 5.23)
図 5.23 雨の有無と客数 600
620 640 660 680 700 720 740
17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33
客数
最高気温 客数
600 620 640 660 680 700 720 740
0 1
客数
0⇒雨以外、1⇒雨
34
図 5.23 を見ると、雨が降っていない日・降った日共に客数に特徴は見られなかったが、そ れぞれ平均来客数を計算すると、雨が降った日は降らなかった日より平均 30 人ほど多かっ たことがわかる。次に、気象庁のホームページから 1 日ごとのデータを参照し、雨が降っ ていた時間を 1 時間ごとに合計した。表 5.24 は雨の有無・雨が降った時間・降水量・客数 をまとめたものである。
表 5.24 雨と客数の関係
表 5.24 から被説明変数を客数、雨が降った時間を説明変数として回帰分析を行う。
雨 雨が降った
時間 降水量 客数
1 4 12 672
1 3 5.5 675
1 1 1.5 656
1 1 14 643
1 7 19 621
1 15 65.5 706
1 14 156.5 726
1 11 50 688
0 0 0 663
0 0 0 667
0 0 0 631
0 0 4 626
1 15 74.5 711
1 5 5.5 655
1 2 1 627
1 15 43 672
0 0 0 645
0 0 0 608
0 0 0 653
35
表 5.25 客数と雨が降った時間の回帰分析 概要
回帰統計 重相関 R 0.743385 重決定 R2 0.552622 補正 R2 0.526305 標準誤差 21.97013
観測数 19
分散分析表
自由度 変動 分散 観測された
分散比 有意 F 回帰 1 10136.01 10136.01 20.999148 0.000265 残差 17 8205.674 482.6867
合計 18 18341.68
係数 標準誤差 t P-値 下限 95% 上限 95% 下限 95.0%上限 95.0%
切片 640.8111 6.589658 97.24496 8.692E-25 626.9081 654.714 626.9081 654.714 雨が降った時間3.974086 0.867234 4.582483 0.0002648 2.144381 5.80379 2.144381 5.80379
残差出力
観測値 予測値:
客数 残差
1 656.7074 15.2926 2 652.7333 22.26669 3 644.7851 11.21486 4 644.7851 -1.78514 5 668.6297 -47.6297 6 700.4223 5.577661 7 696.4483 29.55175 8 684.526 3.474004 9 640.8111 22.18895 10 640.8111 26.18895 11 640.8111 -9.81105 12 640.8111 -14.8111 13 700.4223 10.57766 14 660.6815 -5.68148 15 648.7592 -21.7592 16 700.4223 -28.4223 17 640.8111 4.188945 18 640.8111 -32.8111 19 640.8111 12.18895
36
表 5.25 で決定係数𝑅2を見ると 0.55 であり、0.5 を超えているためこれは相関があると言え る。この結果から得られた観測値グラフが図 5.26 である。
図 5.26 観測値グラフ(客数と雨が降った時間)
次に表 5.24 から説明変数を降水量に変えて客数について回帰分析を行う。
y = 3.9741x + 640.81
600 620 640 660 680 700 720 740
0 2 4 6 8 10 12 14 16
客数
雨が降った時間 客数 予測値: 客数
37
表 5.27 客数と降水量の回帰分析
概要
回帰統計 重相関 R 0.78369 重決定 R2 0.61416 補正 R2 0.59147 標準誤差 20.4031
観測数 19
分散分析表
自由度 変動 分散 観測された
分散比 有意 F
回帰 1 11264.8 11264.79 27.060073 7.2E-05 残差 17 7076.9 416.2881
合計 18 18341.7
係数 標準誤差 t P-値 下限 95%上限 95%下限 95%上限 95%
切片 645.362 5.4878 117.5993 3.451E-26 633.783 656.94 633.783 656.94 降水量 0.62639 0.12042 5.20193 7.198E-05 0.37234 0.88045 0.37234 0.88045
残差出力
観測値 予測値:
客数 残差
1 652.878 19.1217
2 648.807 26.1933
3 646.301 9.69883
4 654.131 -11.131
5 657.263 -36.263
6 686.39 19.6096
7 743.392 -17.392
8 676.681 11.3187
9 645.362 17.6384
10 645.362 21.6384
11 645.362 -14.362
12 647.867 -21.867
13 692.028 18.9721
14 648.807 6.19326
15 645.988 -18.988
16 672.297 -0.2965
17 645.362 -0.3616
18 645.362 -37.362
19 645.362 7.63842
38
表 5.27 で決定係数𝑅2を見ると、0.61 とこれまでの客数での回帰分析の中で最も高い数値が 出た。下の図 5.28 はこの結果から得られた観測値グラフである。決定係数の値と図 5.28 から、客数と降水量には相関関係があることがわかる。このときの近似式は、
y = 0.6264x + 645.36 である。
図 5.28 観測値グラフ(客数と降水量)
以上の結果から、一日の中でこのコーヒーショップを利用する客数は最高気温とは特に相 関関係はないが、雨が降った時間と一日の降水量には相関関係があり、雨が降っている時 間が長く降水量が多い方が客数は多くなることがわかった。
ここまでの分析で、雨が降ると総来客数は増えるがドリンクの販売個数は増減がなく、パ ンの販売個数は増加することがわかった。これにより、対象の店舗が駅の改札横にあり改 札を出て傘をささずに入店できるため、雨が降っているときは帰り道の途中で買い物をす るのを避け、改札横のこのコーヒーショップでパンのみを買って帰る顧客が多いというこ とが考えられる。また、1 日のドリンクの販売個数は合計 900 個ほどであるが、１日の総来 客数は通常 650 人程度であり雨の日は 700 人程度に増えていることから、雨の日は一人で 来店する顧客が多いことも考えられる。
y = 0.6264x + 645.36
600 620 640 660 680 700 720 740
0 20 40 60 80 100 120 140 160
客数
降水量
客数 予測値: 客数
