スキー板市場における潜在クラスモデルを用いた...

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 32.1 商品の特徴 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32.2 顧客セグメント . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

第 3章予約数及び店頭販売数の予測の流れ 53.1 専門店 Aの年間スケジュール . . . . . . . . . . . . . . . . . . . . . . . . . . 53.2 予約数及び店頭販売数の予測に用いるデータ . . . . . . . . . . . . . . . . . . 73.3 予約数及び店頭販売数の予測の流れ . . . . . . . . . . . . . . . . . . . . . . . 9

第 4章モデル 104.1 プロデジーモデル . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104.2 潜在クラス 2項ロジットモデル . . . . . . . . . . . . . . . . . . . . . . . . . 12

第 5章予約数及び店頭販売数予測モデルの構築 145.1 プロデジー分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145.2 潜在クラス 2項ロジット分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . 175.3 予約数予測モデルの構築 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 355.4 予約数予測モデルの精度比較 . . . . . . . . . . . . . . . . . . . . . . . . . . . 405.5 店頭販売数予測モデルの構築 . . . . . . . . . . . . . . . . . . . . . . . . . . . 405.6 店頭販売数予測モデルの精度比較 . . . . . . . . . . . . . . . . . . . . . . . . 485.7 結論 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

謝辞 55

参考文献 56

i

図目次

3.1 予測に用いるデータの入手の流れ . . . . . . . . . . . . . . . . . . . . . . . . 83.2 本論文における予測の流れ . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

5.1 クラス数と BICの変化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195.2 店頭販売数とクラス 5の予測選択数の散布図 . . . . . . . . . . . . . . . . . 485.3 試乗会アンケート . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 525.4 展示予約会アンケート表面 . . . . . . . . . . . . . . . . . . . . . . . . . . . 535.5 展示予約会アンケート裏面 . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

ii

表目次

5.1 機種全体でのプロデジー分析結果 . . . . . . . . . . . . . . . . . . . . . . . . 145.2 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 . . 155.3 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 . . 165.4 試乗会アンケートの各項目間の相関 . . . . . . . . . . . . . . . . . . . . . . 175.5 分析に用いる説明変数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185.6 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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195.7 クラス 1のときのパラメータ . . . . . . . . . . . . . . . . . . . . . . . . . . . 195.8 クラス 2のときのパラメータ . . . . . . . . . . . . . . . . . . . . . . . . . . . 205.9 クラス 3のときのパラメータ . . . . . . . . . . . . . . . . . . . . . . . . . . . 205.10 クラス 4のときのパラメータ . . . . . . . . . . . . . . . . . . . . . . . . . . . 215.11 クラス 5のときのパラメータ . . . . . . . . . . . . . . . . . . . . . . . . . . . 215.12 各クラスにおける各機種を選択肢集合に含める確率 . . . . . . . . . . . . . . 235.13 各クラスにおける各機種の予測選択数 . . . . . . . . . . . . . . . . . . . . . . 245.14 質問項目「性別」「年齢」に関する集計結果 . . . . . . . . . . . . . . . . . . 255.15 質問項目「職業」「スキーの志向」に関する集計結果 . . . . . . . . . . . . . . 265.16 質問項目「技術レベルの自己評価」に関する集計結果 . . . . . . . . . . . . . 275.17 質問項目「現在使用中のブランド」に関する集計結果 . . . . . . . . . . . . . 285.18 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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295.19 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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305.20 質問項目「デザインが良い」に関する集計結果 . . . . . . . . . . . . . . . . . 315.21 質問項目「目新しさがある」に関する集計結果 . . . . . . . . . . . . . . . . . 325.22 質問項目「価格に手頃感がある」に関する集計結果 . . . . . . . . . . . . . . 335.23 質問項目「ブランドイメージがよい」に関する集計結果 . . . . . . . . . . . . 345.24 各予測モデルの説明変数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365.25 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） 375.26 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） 385.27 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） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

iii

5.28 予約数予測のモデル . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 405.29 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 . . . . . 415.30 店舗販売予測について追加するモデル . . . . . . . . . . . . . . . . . . . . . . 425.31 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） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 435.32 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） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 445.33 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） . . . . . . . . . . . . . . . . . . . . . 455.34 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） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 465.35 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） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 475.36 店頭販売数予測のモデル . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 495.37 各モデルの誤差と最大誤差、平均絶対誤差、平均二乗誤差 . . . . . . . . . . 49

iv

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。SportObermeyer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��

�� • ��

��6��

• ��

• ��

• ��

�� 10�3��

• �� /��

8

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。

m(h)i =

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(4.1)

ni =∑

h

m(h)i : モデル iを選択肢に含んだ人数 (4.2)

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に移行する確率 P̂

(h)i(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。

P̂(h)i(j)

=m

(h)i m

(h)j∑

j m(h)j

，i �= j (4.3)

ここで、P̂(h)i(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) =∑

h

P̂i(j)(h) ，i �= j (4.4)

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/∑

j nj, i �= j）として求めた理論値が Pi(r)［(4.7)式］となる。

P̂i(r) =∑j∈r

Pi(j) ，i �= j (4.6)

Pi(r) =∑j∈r

nj/∑

j

nj ，i �= j (4.7)

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。

zi =P̂i(r) − Pi(r)

(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) =∑i∈r

ni(r) (4.9)

n∗ =∑r∈T

n(r) (4.10)

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 P̂ ∗［(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。

P̂ ∗ = n∗/∑i∈T

ni (4.11)

P ∗ =∑r∈T

(∑i∈r

Pi(r)ni)/∑i∈T

ni (4.12)

z =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。

y(h)i =

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)

K : 説明変数の数 (4.15)

x(h)ik : 個人 hの機種 iに対する説明変数 k(= 1, . . . ,K) (4.16)

X(h)i : 個人 hの機種 iに対する説明変数のベクトル (1×K) (4.17)

π(h)s : 個人 hがクラス s(= 1, 2, · · · , S)に所属する確率 (4.18)

θsk : 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 P

(h)is で表される。

P(h)is =

exp(X(h)i Θs)

1 + exp(X(h)i Θs)

(4.21)

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 π(h)s (= 1/S)を掛けて

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 π̄(h)s を次のように更新する。

π̄(h)s =

(P (h)is y

(h)i + (1 − P

(h)is )(1 − y

(h)i ))π(h)

s∑s(P

(h)is y

(h)i + (1 − P

(h)is )(1 − y

(h)i ))π(h)

s

(4.22)

更新された所属確率 π̄(h)s を基に対数尤度を l(Θ)で表す。

l(Θ) =∑

h

∑s

(π̄(h)s (

∑i

y(h)i logP

(h)is +

∑i

(1 − y(h)i )(1 − logP

(h)is ))) (4.23)

12

[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

y(h)i logP

(h)is +

∑h

∑i

(1 − y(h)i )(1 − logP

(h)is ) (4.24)

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) =∑

h

π̄(h)s (−

∑i

P(h)is {X(h)

i }′ +∑

i

{X(h)i }′y(h)

i ) (4.25)

H(Θs) = −∑

h

∑i

π̄(h)s P

(h)is (1 − P

(h)is ){X(h)

i }′X(h)i (4.26)

Θs(t) = Θs(t−1) − H(Θs(t−1))−1G(Θs(t−1)) (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 =1H

(−2l(Θ) + K log H) (4.28)

13

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

　 P̂ ∗ P ∗ Z値Aggregate Test 0.761 0.495 30.995 ***

***:片側 1%水準で有意

14

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 71 0.895 0.421 8.078 ***CA2 50 0.730 0.425 4.368 ***CA3 66 0.827 0.422 6.664 ***CA4 92 0.743 0.418 6.325 ***CA5 128 0.486 0.411 1.718 *CC1 98 0.864 0.416 8.986 ***CC2 67 0.628 0.422 3.412 ***CC3 52 0.806 0.425 5.566 ***CC4 64 0.440 0.422 0.283CD1 123 0.816 0.412 9.114 ***CD2 80 0.758 0.420 6.125 ***CD3 55 0.573 0.424 2.235 **CE1 58 0.909 0.424 7.490 ***CE2 38 0.749 0.427 4.014 ***CE3 33 0.591 0.428 1.893 *CE4 16 0.467 0.431 0.290CF1 18 0.986 0.430 4.761 ***CF2 17 0.794 0.431 3.027 ***CF3 19 0.605 0.430 1.540CF4 11 0.917 0.432 3.248 ***CF5 14 0.629 0.431 1.492CF6 17 0.465 0.431 0.284CG1 58 0.876 0.424 6.980 ***CG2 35 0.561 0.428 1.595CH1 71 0.858 0.421 7.461 ***CH2 34 0.634 0.428 2.435 **CH3 42 0.737 0.426 4.070 ***CH4 27 0.604 0.429 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 78 0.738 0.556 3.240 ***DA2 158 0.831 0.545 7.210 ***DA3 65 0.881 0.558 5.251 ***DA4 30 0.954 0.563 4.324 ***DA5 14 0.607 0.565 0.321DA6 4 1.000 0.566 1.751 *DB1 66 0.648 0.558 1.471DB2 237 0.784 0.534 7.735 ***DB3 102 0.762 0.553 4.240 ***DB4 122 0.850 0.550 6.661 ***DB5 105 0.831 0.552 5.749 ***DC1 93 0.743 0.554 3.672 ***DC2 124 0.803 0.550 5.667 ***DD1 119 0.651 0.551 2.201 **DD2 72 0.854 0.557 5.066 ***DD3 75 0.886 0.557 5.741 ***DE1 50 0.787 0.560 3.235 ***DE2 48 0.842 0.560 3.938 ***DE3 13 0.862 0.565 2.158 **DF1 32 0.839 0.562 3.156 ***DF2 29 0.882 0.563 3.468 ***DF3 10 0.700 0.565 0.860DF4 4 0.750 0.566 0.743DG1 80 0.739 0.556 3.295 ***DG2 38 0.722 0.562 1.990 **DH1 75 0.711 0.557 2.698 ***DH2 48 0.789 0.560 3.187 ***DH3 9 0.963 0.565 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:%()*

;<=>?@ABCD(EF

GHI

J'KL

#$%&'()*

+,�-.()*

/0123()*

45673()*

89:%()*

;<=>?@ABCD(EF GHI J'KL

��M��N�OPQ�� !�QRS��

��M��N�OPQ�� !�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 x

(h)ik

を（表 5.5)のように設定し（k=1,2,· · · ,10）、y(h)i 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

x(h)ik 変数

x(h)i1 購入意向（評価の平均値）

x(h)i2 ブランドAダミー

x(h)i3 ブランド Bダミー

x(h)i4 ブランドCダミー

x(h)i5 ブランドDダミー

x(h)i6 ブランド Eダミー

x(h)i7 ブランド Fダミー

x(h)i8 ブランドGダミー

x(h)i9 上級機種ダミー

x(h)i10 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

テストデータトレーニングデータ

対数尤度 -5558.831 -3980.990絶対誤差 0.102 0.089平均二乗誤差 0.226 0.253ヒット率 0.937 0.933

表 5.7: クラス 1のときのパラメータ

クラス 1 θ 標準誤差 p値

定数項 -28.252 *** 1.743 0.000購入意向 7.367 *** 0.513 0.000ブランド A 2.064 *** 0.294 0.000ブランド B 1.112 *** 0.296 0.000ブランド C 4.021 *** 0.313 0.000ブランドD 2.274 *** 0.280 0.000ブランド E -3.581 *** 0.522 0.000ブランド F -0.569 0.431 0.187ブランドG 0.843 ** 0.363 0.020上位モデル -3.702 *** 0.203 0.000ロイヤルティ 2.344 *** 0.097 0.000

***:両側 1%水準で有意**:両側 5%水準で有意

19



定数項 -7.436 *** 0.848 0.000購入意向 0.469 ** 0.222 0.035ブランド A 2.214 *** 0.372 0.000ブランド B 3.529 *** 0.360 0.000ブランド C 1.396 *** 0.404 0.001ブランドD 2.000 *** 0.376 0.000ブランド E 1.323 *** 0.404 0.001ブランド F 0.216 0.482 0.655ブランドG 1.920 *** 0.386 0.000上位モデル 0.771 *** 0.194 0.000ロイヤルティ 0.486 *** 0.091 0.000




定数項 -1.484 ** 0.699 0.034購入意向 -0.470 ** 0.206 0.023ブランド A 0.023 0.125 0.855ブランド B -0.748 *** 0.132 0.000ブランド C -0.675 *** 0.157 0.000ブランドD 0.073 0.127 0.567ブランド E -0.515 *** 0.147 0.000ブランド F -1.033 *** 0.165 0.000ブランドG 0.289 ** 0.138 0.035上位モデル 0.914 *** 0.109 0.000ロイヤルティ 1.174 *** 0.082 0.000


20



定数項 -11.965 *** 1.084 0.000購入意向 1.404 *** 0.285 0.000ブランド A 0.154 0.204 0.451ブランド B -1.208 *** 0.197 0.000ブランド C 0.417 * 0.217 0.055ブランドD -0.321 0.227 0.158ブランド E 0.981 *** 0.237 0.000ブランド F 0.226 0.248 0.362ブランドG -0.326 0.262 0.214上位モデル 3.030 *** 0.266 0.000ロイヤルティ 3.977 *** 0.110 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



定数項 -26.476 *** 1.381 0.000購入意向 6.291 *** 0.392 0.000ブランド A 1.244 *** 0.194 0.000ブランド B -0.198 0.156 0.206ブランド C 2.277 *** 0.199 0.000ブランドD 1.030 *** 0.178 0.000ブランド E -5.121 ** 2.534 0.043ブランド F -2.252 *** 0.765 0.003ブランドG -3.095 *** 0.588 0.000上位モデル 0.803 *** 0.307 0.009ロイヤルティ 1.404 *** 0.090 0.000


21

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

選択確率ブランドモデルクラス１クラス２クラス３クラス４クラス 5

ブランド A DA1 3.66% 6.34% 14.16% 13.66% 10.33%DA2 4.5% 6.43% 13.99% 13.99% 12.17%DA3 16.59% 2.72% 7.09% 0.88% 1.13%

ブランド B DB1 0.84% 19.44% 7.52% 4.97% 1.69%DB2 23.2% 23.64% 5.98% 8.79% 30.17%DB3 1.51% 20.04% 7.26% 5.46% 2.78%DB4 4.59% 21.28% 6.78% 6.52% 7.18%DB5 10.24% 22.31% 6.41% 7.48% 14.43%

ブランドC DC1 10.52% 2.7% 6.85% 9.66% 16.37%DC2 11.07% 2.71% 6.83% 9.73% 17.12%

ブランドD DD1 8.41% 5.25% 12.05% 7% 16.61%DD2 3.06% 4.89% 12.84% 6.05% 7.09%DD3 21.48% 2.15% 6.12% 0.35% 1.2%

ブランド E DE1 0% 2.22% 7.86% 7.75% 0%DE2 0% 2.01% 8.65% 6.4% 0%DE3 1.55% 1.29% 2.71% 1.33% 0.03%

ブランド F DF1 0.18% 0.84% 4.14% 5.03% 0.32%DF2 0.01% 0.69% 5% 3.31% 0.02%DF3 1.76% 0.36% 1.86% 0.31% 0.04%

ブランドG DG1 0.91% 4.49% 13.32% 3.11% 0.17%DG2 2.75% 4.81% 12.5% 3.66% 0.46%

ブランド H DH1 1.75% 0.75% 9.47% 4.76% 12.02%DH2 0.04% 0.59% 11.82% 2.76% 0.49%DH3 1.78% 0.28% 5.06% 0.19% 0.27%

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 8 14 30 52 25DA2 9 14 30 53 29DA3 35 6 15 3 3

ブランド B DB1 2 42 16 19 4DB2 49 51 13 33 73DB3 3 43 16 21 7DB4 10 46 15 25 17DB5 22 48 14 28 35

ブランドC DC1 22 6 15 36 39DC2 23 6 15 37 41

ブランドD DD1 18 11 26 26 40DD2 6 11 27 23 17DD3 45 5 13 1 3

ブランド E DE1 0 5 17 29 0DE2 0 4 19 24 0DE3 3 3 6 5 0

ブランド F DF1 0 2 9 19 1DF2 0 1 11 12 0DF3 4 1 4 1 0

ブランドG DG1 2 10 29 12 0DG2 6 10 27 14 1

ブランド H DH1 4 2 20 18 29DH2 0 1 25 10 1DH3 4 1 11 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

全体回答者性別無回答者回答者年齢無回答者男女 10代 20代 30代 40代 50代以上

全体 5753 5711 4189 1522 42 5725 465 1228 2294 1191 547 2873.3% 26.7% 8.1% 21.4% 40.1% 20.8% 9.6%

クラス１ 210 209 135 74 1 207 7 43 93 38 26 364.6% 35.4% 3.4% 20.8% 44.9% 18.4% 12.6%

クラス２ 216 213 151 62 3 214 12 58 96 36 12 270.9% 29.1% 5.6% 27.1% 44.9% 16.8% 5.6%

クラス３ 214 214 164 50 0 214 10 44 102 40 18 076.6% 23.4% 4.7% 20.6% 47.7% 18.7% 8.4%

クラス４ 377 376 300 76 1 376 9 76 173 83 35 179.8% 20.2% 2.4% 20.2% 46.0% 22.1% 9.3%

クラス５ 241 240 203 37 1 240 7 45 118 59 11 184.6% 15.4% 2.9% 18.8% 49.2% 24.6% 4.6%

25

表 5.15: 質問項目「職業」「スキーの志向」に関する集計結果

全体回答者職業無回答者回答者志向無回答者社会人学生その他基礎競技基礎＆競技その他

全体 5753 5692 4337 815 540 61 5680 3156 879 978 667 7376.2% 14.3% 9.5% 55.6% 15.5% 17.2% 11.7%

クラス１ 210 202 171 14 17 8 208 161 6 32 9 284.7% 6.9% 8.4% 77.4% 2.9% 15.4% 4.3%

クラス２ 216 212 173 29 10 4 215 159 14 30 12 181.6% 13.7% 4.7% 74.0% 6.5% 14.0% 5.6%

クラス３ 214 213 174 28 11 1 211 155 9 35 12 381.7% 13.1% 5.2% 73.5% 4.3% 16.6% 5.7%

クラス４ 377 375 316 33 26 2 374 274 11 76 13 384.3% 8.8% 6.9% 73.3% 2.9% 20.3% 3.5%

クラス５ 241 237 206 23 8 4 241 179 7 44 11 086.9% 9.7% 3.4% 74.3% 2.9% 18.3% 4.6%

26

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無回答者エキスパート上級中級初級

全体 5753 5507 731 2550 1761 465 24613.3% 46.3% 32.0% 8.4%

クラス１ 210 200 23 108 63 6 1011.5% 54.0% 31.5% 3.0%

クラス２ 216 215 29 111 64 11 113.5% 51.6% 29.8% 5.1%

クラス３ 214 203 19 114 62 8 119.4% 56.2% 30.5% 3.9%

クラス４ 377 364 69 212 76 7 1319.0% 58.2% 20.9% 1.9%

クラス５ 241 234 47 127 51 9 720.1% 54.3% 21.8% 3.8%

27

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

全体回答数現在使用中のブランド（複数回答可）無回答者ブランド 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 ブランド H

全体 5753 4952 1393 813 757 646 472 333 316 222 50728.1% 16.4% 15.3% 13.0% 9.5% 6.7% 6.4% 4.5%

4816 28.9% 16.9% 15.7% 13.4% 9.8% 6.9% 6.6% 4.6%クラス１ 210 204 48 93 10 31 3 11 8 0 10

23.5% 45.6% 4.9% 15.2% 1.5% 5.4% 3.9% 0.0%200 24.0% 46.5% 5.0% 15.5% 1.5% 5.5% 4.0% 0.0%

クラス２ 216 197 51 28 37 33 18 12 9 9 2425.9% 14.2% 18.8% 16.8% 9.1% 6.1% 4.6% 4.6%

192 26.6% 14.6% 19.3% 17.2% 9.4% 6.3% 4.7% 4.7%クラス３ 214 185 40 33 34 23 18 16 12 9 30

21.6% 17.8% 18.4% 12.4% 9.7% 8.6% 6.5% 4.9%184 21.7% 17.9% 18.5% 12.5% 9.8% 8.7% 6.5% 4.9%

クラス４ 377 376 87 106 64 41 26 16 11 25 723.1% 28.2% 17.0% 10.9% 6.9% 4.3% 2.9% 6.6%

370 23.5% 28.6% 17.3% 11.1% 7.0% 4.3% 3.0% 6.8%クラス５ 241 233 72 39 25 30 31 13 14 9 19

30.9% 16.7% 10.7% 12.9% 13.3% 5.6% 6.0% 3.9%222 32.4% 17.6% 11.3% 13.5% 14.0% 5.9% 6.3% 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。

28

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）無回答者試乗情報誌専門店 A 専門店 A 以外プロ友人・知人カタログ ICIHP メーカー HP 個人 HP ポータルその他

全体 5753 13341 2750 2794 1863 1103 681 2135 1164 146 321 91 161 132 14920.6% 20.6% 20.6% 20.6% 20.6% 20.6% 20.6% 20.6% 20.6% 20.6% 20.6% 20.6%

5604 49.1% 49.9% 33.2% 19.7% 12.2% 38.1% 20.8% 2.6% 5.7% 1.6% 2.9% 2.4%

クラス１ 210 529 115 109 69 43 23 83 57 5 11 2 6 6 021.7% 20.6% 13.0% 8.1% 4.3% 15.7% 10.8% 0.9% 2.1% 0.4% 1.1% 1.1%

210 54.8% 51.9% 32.9% 20.5% 11.0% 39.5% 27.1% 2.4% 5.2% 1.0% 2.9% 2.9%

クラス２ 216 558 126 123 71 42 27 89 54 4 6 6 5 5 222.6% 22.0% 12.7% 7.5% 4.8% 15.9% 9.7% 0.7% 1.1% 1.1% 0.9% 0.9%

214 58.9% 57.5% 33.2% 19.6% 12.6% 41.6% 25.2% 1.9% 2.8% 2.8% 2.3% 2.3%

クラス３ 214 594 122 136 79 53 32 84 57 6 10 4 9 2 020.5% 22.9% 13.3% 8.9% 5.4% 14.1% 9.6% 1.0% 1.7% 0.7% 1.5% 0.3%

214 57.0% 63.6% 36.9% 24.8% 15.0% 39.3% 26.6% 2.8% 4.7% 1.9% 4.2% 0.9%

クラス４ 377 920 219 196 114 51 67 133 90 5 21 7 10 7 023.8% 21.3% 12.4% 5.5% 7.3% 14.5% 9.8% 0.5% 2.3% 0.8% 1.1% 0.8%

377 58.1% 52.0% 30.2% 13.5% 17.8% 35.3% 23.9% 1.3% 5.6% 1.9% 2.7% 1.9%

クラス５ 241 634 156 151 87 38 29 91 47 7 10 3 8 7 024.6% 23.8% 13.7% 6.0% 4.6% 14.4% 7.4% 1.1% 1.6% 0.5% 1.3% 1.1%

241 64.7% 62.7% 36.1% 15.8% 12.0% 37.8% 19.5% 2.9% 4.1% 1.2% 3.3% 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。

29

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

全体回答者スキー板の購入に関して他人の推薦に影響を受ける加重平均無回答者非常に思わない思わないどちらとも思う非常に思う

全体 5753 5624 473 618 2032 1715 786 3.31 1298.4% 11.0% 36.1% 30.5% 14.0%

クラス１ 210 209 16 19 68 73 33 3.42 17.7% 9.1% 32.5% 34.9% 15.8%

クラス２ 216 214 13 16 77 81 27 3.43 26.1% 7.5% 36.0% 37.9% 12.6%

クラス３ 214 214 12 27 76 71 28 3.36 05.6% 12.6% 35.5% 33.2% 13.1%

クラス４ 377 375 30 45 155 106 39 3.21 28.0% 12.0% 41.3% 28.3% 10.4%

クラス５ 241 240 20 32 89 70 29 3.23 18.3% 13.3% 37.1% 29.2% 12.1%

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。

30

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加重平均無回答者非常に思わない思わないどちらとも思う非常に思う

全体 5753 870 31 77 348 268 146 3.48 303.6% 8.9% 40.0% 30.8% 16.8%

クラス１ 210 38 0 3 20 10 5 3.45 10.0% 7.9% 52.6% 26.3% 13.2%

クラス２ 216 32 3 3 15 8 3 3.16 19.4% 9.4% 46.9% 25.0% 9.4%

クラス３ 214 36 1 0 17 11 7 3.64 02.8% 0.0% 47.2% 30.6% 19.4%

クラス４ 377 73 3 4 35 24 7 3.38 04.1% 5.5% 47.9% 32.9% 9.6%

クラス５ 241 50 1 9 17 13 10 3.44 12.0% 18.0% 34.0% 26.0% 20.0%

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。

31

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加重平均無回答者非常に思わない思わないどちらとも思う非常に思う

全体 5753 868 14 66 243 345 200 3.75 321.6% 7.6% 28.0% 39.7% 23.0%

クラス１ 210 38 0 2 8 21 7 3.87 10.0% 5.3% 21.1% 55.3% 18.4%

クラス２ 216 32 0 5 11 12 4 3.47 10.0% 15.6% 34.4% 37.5% 12.5%

クラス３ 214 36 1 2 9 16 8 3.78 02.8% 5.6% 25.0% 44.4% 22.2%

クラス４ 377 73 2 2 18 31 20 3.89 02.7% 2.7% 24.7% 42.5% 27.4%

クラス５ 241 50 1 5 4 25 15 3.96 12.0% 10.0% 8.0% 50.0% 30.0%


32

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加重平均無回答者非常に思わない思わないどちらとも思う非常に思う

全体 5753 867 84 184 351 169 79 2.97 339.7% 21.2% 40.5% 19.5% 9.1%

クラス１ 210 38 3 7 12 9 7 3.26 17.9% 18.4% 31.6% 23.7% 18.4%

クラス２ 216 32 7 10 13 1 1 2.34 121.9% 31.3% 40.6% 3.1% 3.1%

クラス３ 214 36 1 6 18 10 1 3.11 02.8% 16.7% 50.0% 27.8% 2.8%

クラス４ 377 73 7 22 33 8 3 2.70 09.6% 30.1% 45.2% 11.0% 4.1%

クラス５ 241 50 3 15 17 10 5 2.98 16.0% 30.0% 34.0% 20.0% 10.0%


33

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加重平均無回答者非常に思わない思わないどちらとも思う非常に思う

全体 5753 868 17 49 274 320 208 3.75 322.0% 5.6% 31.6% 36.9% 24.0%

クラス１ 210 38 0 2 11 13 12 3.92 10.0% 5.3% 28.9% 34.2% 31.6%

クラス２ 216 32 0 3 11 14 4 3.59 10.0% 9.4% 34.4% 43.8% 12.5%

クラス３ 214 36 1 2 15 12 6 3.56 02.8% 5.6% 41.7% 33.3% 16.7%

クラス４ 377 73 2 0 27 24 20 3.82 02.7% 0.0% 37.0% 32.9% 27.4%

クラス５ 241 50 1 3 18 18 10 3.66 12.0% 6.0% 36.0% 36.0% 20.0%

34

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）

モデル１モデル２モデル３モデル４モデル５モデル６θ0 -12.708 -34.308 -103.516 197.812 -1.608696 -20.266

(-0.271) (-0.288) (-0.607) (-1.402) -0.023032 (-0.385)θ1 3.899 ** 25.548 11.873 -15.594 46.717391 * 3.492 **

(-4.269) (-1.628) (-1.483) (-0.601) 2.6077364 (-3.872)R2 0.859 0.469 0.423 0.108 0.108 0.833

モデル７モデル８モデル９モデル 10 モデル 11 モデル 12θ0 -49.980 -28.904 -12.866 -109.694 46.250 -37.022

(-0.814) (-0.521) (-0.268) (-0.720) (0.264) (-0.386)θ1 3.200 ** 3.875 ** 3.624 ** 9.188 7.681 18.068

(-3.680) (3.784) (4.156) (1.718) (0.538) (2.122)R2 0.819 0.827 0.852 0.496 0.088 0.600

モデル 13 モデル 14 モデル 15 モデル 16 モデル 17 モデル 18θ0 -92.400 -90.646 32.838 -52.928 -33.500 -19.926

(-0.409) (-0.636) (0.181) (-0.807) (-0.545) (-0.373)θ1 9.233 9.815 ** 13.384 ** 2.919 ** 3.447 ** 3.270 **

(1.040) (1.716) (0.598) (3.468) (3.450) (3.812)R2 0.265 0.495 0.106 0.800 0.799 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 24θ0 -63.104 -47.340 -28.062 -97.370 -95.580 -17.096

(-0.909) (-0.764) (-0.501) (-0.509) (-0.711) (-0.111)θ1 3.184 ** 3.002 ** 3.607 ** 7.453 7.805 10.757

(3.387) (3.609) (3.736) (1.273) (1.866) (1.088)R2 0.793 0.813 0.823 0.351 0.537 0.283

モデル 25 モデル 26 モデル 27 モデル 28 モデル 29 モデル 30θ0 -100.348 -63.820 -50.376 -32.518 -59.772 -96.868

(-0.542) (-0.867) (-0.766) (-0.529) (-0.861) (-0.581)θ1 8.565 ** 2.890 ** 2.754 ** 3.234 ** 2.990 ** 6.809

(1.336) (3.191) (3.424) (3.437) (3.348) (1.479)R2 0.373 0.772 0.796 0.797 0.789 0.422

モデル 31 モデル 32θ0 -58.582 -100.872

(-0.805) (-0.620)θ1 2.714 * 2.905

(3.168) (1.545)R2 0.770 0.443

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モデル２モデル３モデル４モデル５モデル６

θ0 60.700 *** 92.658 * 121.984 26.046 49.616 *** 35.840(3.932) (2.041) (1.457) (0.585) (4.294) (1.389)

θ1 5.011 *** 2.757 0.207 2.010 ** 2.55 *** 3.411 ***(6.884) (1.004) (0.111) (2.649) (10.149) (4.608)

R2 0.798 0.077 0.001 0.369 0.896 0.639

モデル７モデル８モデル９モデル 10 モデル 11 モデル 12

θ0 -33.110 3.468 49.36 *** 98.820 29.894 32.192 *(-0.621) (0.114) (4.536) (1.378) (0.634) (1.858)

θ1 2.884 *** 1.926 *** 1.777 *** 0.565 1.530 ** 2.158 ***(3.286) (4.830) (10.828) (0.478) (2.398) (7.360)

R2 0.474 0.660 0.907 0.019 0.324 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

θ0 0.574 -21.392 8.746 0.568 6.178 35.768 **(0.009) (-0.708) (0.390) (0.010) (0.176) (2.412)

θ1 1.371 * 2.038 *** 1.454 *** 1.842 ** 1.558 *** 1.592 ***(2.046) (5.637) (6.475) (2.566) (4.055) (8.500)

R2 0.259 0.726 0.777 0.354 0.578 0.858


θ0 -37.452 -9.678 12.006 17.916 -12.692 6.450(-0.774) (-0.436) (0.664) (0.277) (-0.353) (0.243)

θ1 1.544 *** 1.584 *** 1.213 *** 1.038 * 1.621 *** 1.271 ***(3.731) (7.307) (7.989) (1.866) (4.452) (5.496)

R2 0.537 0.817 0.842 0.225 0.623 0.716


θ0 -29.490 -18.342 -8.298 8.490 -24.812 -21.000(-0.848) (-0.362) (-0.303) (0.391) (-0.909) (-0.547)

θ1 1.264 *** 1.214 *** 1.357 *** 1.094 *** 1.105 *** 1.079 ***(5.077) (3.175) (5.805) (6.719) (6.384) (4.359)

R2 0.682 0.457 0.737 0.790 0.773 0.613

モデル 31 モデル 32θ0 -21.322 -2.340

(-0.687) (-0.071)θ1 0.985 *** 0.868 ***

(5.472) (4.555)R2 0.714 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 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）


θ0 44.736 * -993.126 *** 1117.882 *** -283.308 *** 37.344 -122.118 **(2.625) (-6.622) (6.482) (-6.488) (2.310) (-3.548)

θ1 2.269 *** 12.130 *** -33.618 *** 8.058 *** 1.571 *** 1.938 ***(6.521) (7.460) (-5.788) (9.482) (7.225) (7.483)

R2 0.934 0.949 0.918 0.968 0.946 0.949


θ0 -32.052 -29.608 40.354 * -2151.334 *** -567.018 *** -82.640 *(-1.163) (-1.383) (2.441) (-7.323) (-6.994) (-2.975)

θ1 2.420 *** 1.797 *** 0.928 *** 18.702 *** 4.844 *** 1.403 ***(6.308) (8.040) (6.923) (7.745) (8.566) (7.936)

R2 0.930 0.956 0.941 0.952 0.961 0.955


θ0 -717.200 *** -15.154 -16.364 -196.876 ** -155.958 ** -34.094(-9.074) (-0.676) (-0.852) (-4.413) (-4.666) (-1.425)

θ1 10.500 *** 1.642 *** 1.328 *** 2.049 *** 1.577 *** 0.868 ***(10.677) (7.100) (8.362) (7.385) (8.678) (7.356)

R2 0.974 0.944 0.959 0.948 0.962 0.947


θ0 -93.794 ** 9.976 6.060 -846.900 *** -134.334 ** -114.086 **(-3.242) (0.495) (0.326) (-7.822) (-3.931) (-4.049)

θ1 1.893 *** 0.953 *** 0.839 *** 5.638 *** 1.461 *** 1.204 ***(7.981) (6.847) (7.613) (8.987) (7.879) (8.878)

R2 0.955 0.940 0.951 0.964 0.954 0.963


θ0 -62.622 * -217.982 ** -64.316 -59.396 * -22.168 -159.398 **(-2.582) (-5.425) (-2.309) (-2.383) (-1.014) (-4.836)

θ1 1.380 *** 1.651 *** 0.889 *** 0.788 *** 0.859 *** 1.246 ***(8.329) (8.714) (7.302) (7.985) (7.566) (8.903)

R2 0.959 0.962 0.947 0.955 0.950 0.964

モデル 31 モデル 32θ0 -86.582 * -276.402 ***

(-2.974) (-6.296)θ1 0.808 *** 1.451 ***

(7.696) (9.276)R2 0.952 0.966

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。




39

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

5.5 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

予約数モデル a の予測誤差モデル b の予測誤差モデル c の予測誤差モデル d の予測誤差モデル e の予測誤差予測予約数予測予約数予測予約数予測予約数予測予約数

下級機種 DA3 160 260 -100 278 -118 254 -94 106 54 106 54DD3 414 338 76 306 108 218 196 114 300 100 314DE3 14 10 4 34 -20 144 -130 48 -34 86 -72DF3 16 18 -2 -4 20 -14 30 40 -24 56 -40DH3 42 18 24 34 8 44 -2 48 -6 66 -24

上級機種 DA1 124 166 -42 230 -106 220 -96 192 -68 180 -56DA2 236 184 52 244 -8 226 10 200 36 184 52DC1 300 266 34 212 88 200 100 178 122 166 134DC2 268 276 -8 218 50 202 66 184 84 168 100DD1 236 256 -20 216 20 216 20 182 54 178 58DD2 94 132 -38 144 -50 182 -88 134 -40 156 -62DE1 62 50 12 80 -18 68 -6 92 -30 84 -22DE2 70 50 20 72 -2 50 20 88 -18 72 -2DF1 46 52 -6 40 6 50 -4 66 -20 72 -26DF2 46 50 -4 28 18 28 18 60 -14 60 -14DG1 70 56 14 82 -12 92 -22 94 -24 98 -28DG2 34 74 -40 92 -58 108 -74 102 -68 110 -76DH1 172 166 6 120 52 124 48 120 52 120 52DH2 74 52 22 54 20 66 8 76 -2 82 -8

ブランド B DB1 16 18 -2 48 -32 26 -10 134 -118 154 -138の機種 DB2 260 248 12 266 -6 248 12 306 -46 238 22

DB3 78 60 18 58 20 54 24 142 -64 164 -86DB4 106 122 -16 94 12 116 -10 170 -64 188 -82DB5 154 164 -10 150 4 170 -16 214 -60 208 -54最大誤差 100 118 196 300 314平均絶対誤差 24 36 46 58 66平均二乗誤差 1152 2492 4465 6859 8214

41

表 5.30: 店舗販売予測について追加するモデル

モデル独立変数

モデル 33 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R20.641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）


θ0 33.812 -34.924 -152.354 340.438 46.218 18.790(0.628) (-0.218) (-0.615) (1.434) (0.498) (0.313)

θ1 6.577 *** 48.144 21.712 -15.281 81.065 ** 5.944 ***(6.265) (2.277) (1.868) (-0.350) (3.404) (5.790)

R2 0.929 0.633 0.538 0.039 0.794 0.918


θ0 -32.598 2.878 33.114 -168.188 71.750 -28.948(-0.456) (0.047) (0.597) (-0.809) (0.269) (-0.237)

θ1 5.461 ** 6.626 *** 6.125 *** 16.976 18.653 32.842 *(5.396) (5.830) (6.091) (2.328) (0.859) (3.032)

R2 0.907 0.919 0.925 0.644 0.197 0.754


θ0 -177.200 -122.774 42.884 -39.796 -7.234 19.082(-0.543) (-0.605) (0.157) (-0.526) (-0.104) (0.313)

θ1 18.767 17.677 31.988 5.016 ** 5.941 ** 5.573 **(1.463) (2.170) (0.950) (5.160) (5.260) (5.688)

R2 0.416 0.611 0.231 0.899 0.902 0.915


θ0 -58.866 -28.368 4.056 -174.218 -136.658 -24.848(-0.747) (-0.390) (0.065) (-0.653) (-0.753) (-0.114)

θ1 5.498 ** 5.129 ** 6.173 *** 14.718 14.231 * 21.915(5.157) (5.247) (5.743) (1.804) (2.519) (1.556)

R2 0.899 0.902 0.917 0.520 0.679 0.447


θ0 -170.092 -62.192 -35.566 -5.654 -53.202 -160.242(-0.653) (-0.739) (-0.464) (-0.081) (-0.670) (-0.703)

θ1 16.541 5.021 ** 4.736 ** 5.577 ** 5.165 ** 13.055(1.836) (4.846) (5.055) (5.240) (5.050) (2.075)

R2 0.529 0.887 0.895 0.902 0.895 0.589

モデル 31 モデル 32 モデル 33θ0 -53.132 -166.810 66.932

(-0.634) (-0.761) (2.036)θ1 4.716 ** 5.556 1.596 ***

(4.780) (2.194) (9.691)R2 0.884 0.616 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。




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）


θ0 118.050 *** 133.968 ** 140.194 103.892 * 116.97 *** 89.560 **(4.952) (2.766) (1.557) (1.884) (4.307) (2.804)

θ1 4.690 *** 3.590 1.015 1.531 2.095 *** 3.380 ***(4.172) (1.226) (0.508) (1.630) (3.548) (3.688)

R2 0.592 0.111 0.021 0.181 0.512 0.531


θ0 10.478 76.380 113.852 *** 124.592 1.024 1.062(0.177) (1.738) (4.445) (1.628) (49.788) (49.571)

θ1 3.047 *** 1.623 ** 1.523 *** 1.042 1.776 3.201(3.119) (2.811) (3.944) (0.827) (1.275) (1.850)

R2 0.448 0.397 0.565 0.054 1.680 3.530


θ0 70.214 49.928 85.908 ** 41.382 74.322 99.992 ***(0.904) (1.099) (2.186) (0.696) (1.607) (3.542)

θ1 1.195 1.791 *** 1.164 ** 2.013 1.367 ** 1.402 ***(1.547) (3.293) (2.962) (2.587) (2.694) (3.932)

R2 0.166 0.475 0.422 0.358 0.377 0.563


θ0 32.096 57.736 84.838 ** 79.008 53.126 80.954 *(0.523) (1.539) (2.414) (1.083) (1.113) (1.958)

θ1 1.391 ** 1.420 *** 1.009 *** 0.962 1.474 *** 1.050 **(2.650) (3.874) (3.418) (1.532) (3.049) (2.909)

R2 0.369 0.556 0.493 0.164 0.437 0.413


θ0 49.200 44.832 56.054 79.672 49.682 52.840(0.953) (0.736) (1.402) (2.153) (1.113) (1.006)

θ1 1.060 ** 1.130 ** 1.245 *** 0.930 0.952 *** 0.930 **(2.868) (2.459) (3.646) (3.353) (3.362) (2.744)

R2 0.407 0.335 0.526 0.484 0.485 0.385

モデル 31 モデル 32 モデル 33θ0 49.518 61.464 72.156 **

(1.079) (1.395) (2.341)θ1 0.868 *** 0.797 *** 0.853 ***

(3.263) (3.146) (4.383)R2 0.470 0.452 0.615






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）


θ0 90.304 258.472 * 396.376 * 256.966 -201.386 50.522(1.455) (2.409) (2.456) (1.709) (-1.436) (0.472)

θ1 5.382 * -0.989 -3.427 -0.216 6.538 ** 4.171(2.741) (-0.183) (-1.000) (-0.112) (3.208) (1.887)

R2 0.653 0.008 0.200 0.003 0.720 0.471


θ0 -54.194 113.708 -53.388 332.922 * 259.500 -269.246(-0.211) (0.674) (-0.549) (2.258) (1.800) (-1.302)

θ1 4.025 1.248 3.077 ** -1.459 -0.202 5.979 *(1.164) (0.784) (3.145) (-0.657) (-0.136) (2.494)

R2 0.253 0.133 0.712 0.097 0.005 0.609


θ0 313.916 -277.120 5.730 118.170 148.832 -112.760(1.789) (-0.595) (0.021) (0.530) (0.888) (-0.940)

θ1 -0.611 4.585 1.661 1.350 0.770 3.121 **(-0.432) (1.116) (0.869) (0.564) (0.573) (3.028)

R2 0.045 0.238 0.159 0.074 0.076 0.696


θ0 178.208 -292.686 -89.154 300.968 62.006 95.262(0.804) (-1.495) (-0.453) (1.843) (0.173) (0.378)

θ1 0.426 3.785 * 1.946 -0.438 1.370 0.915(0.290) (2.756) (1.709) (-0.384) (0.503) (0.589)

R2 0.021 0.655 0.422 0.036 0.060 0.080


θ0 160.792 203.484 -178.980 -27.736 -50.754 200.192(0.505) (1.008) (-0.741) (-0.132) (-0.180) (0.735)

θ1 0.429 0.227 2.647 1.435 1.357 0.199(0.255) (0.192) (1.758) (1.306) (1.047) (0.152)

R2 0.016 0.009 0.436 0.299 0.215 0.006

モデル 31 モデル 32 モデル 33θ0 30.016 41.632 -102.124

(0.115) (0.154) (-1.423)θ1 0.909 0.863 1.541 ***

(0.824) (0.747) (4.946)R2 0.145 0.123 0.859






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）


θ0 118.544 *** 91.032 * 27.306 52.210 117.93 *** 99.560 **(3.774) (2.128) (0.376) (0.686) (5.232) (2.599)

θ1 6.345 4.520 2.767 2.477 4.564 ** 2.841(1.245) (1.433) (1.657) (1.238) (2.447) (1.423)

R2 0.205 0.255 0.314 0.203 0.499 0.252


θ0 40.804 20.662 113.07 *** 39.410 13.980 91.874 **(0.647) (0.292) (4.610) (0.622) (0.198) (3.243)

θ1 2.246 3.060 3.257 * 1.949 2.712 3.055 **(1.710) (1.799) (2.269) (1.723) (1.901) (2.482)

R2 0.328 0.350 0.462 0.331 0.376 0.507


θ0 -118.846 22.600 32.778 50.780 16.320 96.590 **(-1.531) (0.494) (0.684) (0.880) (0.258) (3.289)

θ1 3.382 ** 2.568 ** 2.650 ** 1.621 2.476 * 2.265 *(3.426) (2.835) (2.487) (1.711) (2.099) (2.211)

R2 0.662 0.573 0.508 0.328 0.423 0.449


θ0 -85.362 39.800 31.886 -61.326 35.158 21.992(-1.202) (0.897) (0.715) (-0.845) (0.760) (0.475)

θ1 2.818 ** 2.039 ** 2.460 ** 2.303 ** 1.852 ** 2.295 **(3.284) (2.553) (2.713) (2.881) (2.537) (2.815)

R2 0.642 0.521 0.551 0.580 0.517 0.569


θ0 -69.230 -36.766 47.784 30.470 -43.278 -37.384(-1.472) (-0.541) (1.067) (0.687) (-0.896) (-0.735)

θ1 2.569 *** 1.945 ** 1.537 * 1.996 ** 2.159 *** 1.921 ***(4.661) (2.726) (2.349) (2.761) (4.012) (3.691)

R2 0.784 0.553 0.479 0.560 0.728 0.694

モデル 31 モデル 32 モデル 33θ0 -22.066 51.230 -55.200

(-0.436) (1.155) (-0.886)θ1 1.687 ** 0.940 * 3.160 **

(3.411) (2.297) (3.275)R2 0.660 0.468 0.641






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）


θ0 38.432 -1120.918 ** 1236.118 ** -328.846 ** 30.08 -154.586 *(1.707) (-3.804) (4.076) (-3.428) (1.329) (-3.038)

θ1 2.650 *** 13.593 ** -37.382 ** 9.096 ** 1.829 *** 2.248 ***(5.765) (4.254) (-3.660) (4.872) (6.010) (5.873)

R2 0.917 0.858 0.817 0.888 0.923 0.920


θ0 -51.862 -47.052 33.474 -2429.334 ** -646.870 ** -108.612 *(-1.488) (-1.427) (1.483) (-4.216) (-3.815) (-2.565)

θ1 2.835 *** 2.083 *** 1.083 *** 21.044 ** 5.453 ** 1.627 ***(5.845) (6.051) (5.913) (4.444) (4.610) (6.036)

R2 0.919 0.924 0.921 0.868 0.876 0.924


θ0 -822.832 ** -31.404 -31.642 -242.242 ** -192.124 ** -52.816(-4.514) (-1.032) (-1.047) (-3.797) (-3.422) (-1.538)

θ1 11.905 ** 1.917 *** 1.539 *** 2.384 *** 1.820 *** 1.009 ***(5.249) (6.105) (6.159) (6.007) (5.964) (5.958)

R2 0.902 0.926 0.927 0.923 0.922 0.922


θ0 -122.000 * -2.112 -6.050 -964.022 ** -169.064 ** -143.988 *(-2.823) (-0.078) (-0.223) (-4.178) (-3.324) (-3.033)

θ1 2.199 *** 1.112 *** 0.975 *** 6.358 ** 1.697 *** 1.390 ***(6.206) (5.960) (6.049) (4.756) (6.148) (6.085)

R2 0.928 0.922 0.924 0.883 0.926 0.925


θ0 -85.578 -264.382 ** -88.198 -81.624 -39.030 -196.746 **(-2.293) (-3.992) (-2.241) (-2.139) (-1.239) (-3.597)

θ1 1.601 *** 1.909 *** 1.035 *** 0.914 *** 0.999 *** 1.441 ***(6.281) (6.112) (6.014) (6.044) (6.110) (6.203)

R2 0.929 0.926 0.923 0.924 0.926 0.928

モデル 31 モデル 32 モデル 33θ0 -113.416 * -320.044 ** -12.620

(-2.616) (-3.313) (-0.678)θ1 0.938 *** 1.634 ** 1.158 ***

(5.998) (4.748) (9.180)R2 0.923 0.883 0.966






47

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

最大誤差 112 190 208 122 106 182平均絶対誤差 46 49 56 38 37 46平均二乗誤差 3224 4612 6340 2568 2064 4232

モデル g モデル h モデル i モデル j モデル k最大誤差 260 70 524 530 162平均絶対誤差 63 32 99 107 62平均二乗誤差 8072 1392 20284 21528 5952

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.�� 3.�� 5.��

��

��

��

�� !"#

$�%&'#

Q1

Q2

Q3

Q4

Q5

Q6

Q7

Q8

��

� � � � ��

� � � � ��

� � � � ��

� � � � ��

� � � � ��

� � � � ��

� � � � ��

� � � � �� (�� )*+,-� ./�0�1#

��

52

図 5.4: 展示予約会アンケート表面

��

��

��

��

��!"#�$%�� &'� � ()� � &'*()� � ��

��

��)+,-.�/012�� 345678� � �9� � :9� � ;9��

�<�=>?@ABCD547E�

� F7G7��

�H�547EIJKLMKN�OP QRST� ��

�U�547E�VWXYT��

�Z�[\547E]VWA^�T� ��

��547E]VW_DàbcdeDfghIABiàj@ABCDk�]�

l�mnopqmrdst]udvrdwxyCz{|}~��

�� !"#$%�!"�

&�'()*�)+$%�!"� � ,��-./0�)+$%�!"�

1�02�� 3 $%�!"� � 4�56786$%�!"�

9�: ; $%�;<2=!"� � >��'()*� ?@$%�!"�

A�: ; ?@$%�!"� � � BC�D6 ?@$%�!"�

BBE� �� '(F <GHIJ$%�!"KL MNO� P?QRRSTU�

BV��W� � � � � � � � � � � � � � � � � � � � � � � � � � � � � � � X�

�

�

��T547E�VWa�AB ��a��]��D� �

� 1.�� 3.�� 5.��

��

�

��YZ�[\]^_�`�]â�b��$c� W� de� 7� eef� X�

�

��

�� !"� ��

�

��\R�AÊa�_D12]!�p�wxyCz��

��L��K��C� �

� 1.�� 3.�� 5.��

��

�

��547��7a��Ay��D

��

�

��2��d�D� �

��

�

��<��K �F7��C� �

��

�

�

��

�

�

�

�� A ��

!"#��$%�&'(�)*+�,-./��'0/123��45

6078*9�:;<�)= >?�@��ABC�DEFGHI560J86(

� KL�BCMN!OP��5�QR(ST)"#�AUVWX*'(�

YZ��['\6]^(�)

53

図 5.5: 展示予約会アンケート裏面

��

��

��

��

��

��

��

!"#��$%&��

�'(��))*+��

�!��',��

*#��-$./0.��

��1��

�$.�%$�2��3

��

��

�0��

��4��

��

��

!"#��$%&��

�'(��))*+��

��

��*#�

�/0.��

�1��$.�%$�2

��3

��**�5�/��1��6##��4

��7/�0$8/ ��3�

�'�!�9�$ /�*#6:��/

��

!"#��$%&

�'(��))*#��

��

�

(��;0.��

��3��/

��**�5�/��1��+##��4

�0��7/�0$8/ ,)1�<��

�'�!�9�$ /�*#6:�!$�.

��)�'"##��$

!"#��$%&

� , : *+3��

��3��/

�� '3 ��:��

��

��

��

�� /�0 ��."0.��

� , : *#3��1��

!�'4,�1')

�*+

�� '��/2�*#�+:

!$�.��)�'

�##��$��/�� /�0 ��.

=0.��1��: 4,�1')��>

��/2�*#�6:

!$�.�� /�0 ��.

�0.��1��

��

��/2��6:

!$�.

��/2�>�6:

!$�.

��/�2�*#!$�.��.

��/�2�>!$�.

�� !�"#$%&'

��(��)*+,-�.�/�0+,�1�2��34567�89�:!�'

��

��

��

��

��

��

54

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 MarketStructures, 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 Eval-uation 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 Uncertaintythrough 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 Busi-ness Review,March-Aplil, pp.105-116, 1997.

[7] Philip H.Franses, and Richard Paap, Quantitative Models in Marketing Research, Cam-bridge University Press, 2001.

[8] Ramya Neelamegham,and Dipak Jain,Consumer Choice Process for ExperienceGoods: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 Mar-kets with Indirect Network Externalities:An Application to Digital Television, Market-ing Science, Vol18, No.3, pp.396-416, 1999.

[11] Wedel Michel, and Wagner A. Kamakura, Market Segmentation: Conceptual andMethodological Foundations, Kluwer Academic Publishers,1998.

56

スキー板市場における 潜在クラスモデルを用いた...

Documents

スキー板市場における潜在クラスモデルを用いた...