第4回：t検定・回帰分析・クラスタリングをPythonで試してみる（実践編）
readbelladmin～データで“営業の勝ちパターン”を発見しよう～
📈 この記事の目的
これまでのシリーズでは「データ分析が営業活動をどう変えるか」を理論面で紹介してきました。今回は、実際に Python を使って営業データを分析してみる実践編です。
分析初心者でも再現できるように、以下の3つの基本手法をわかりやすく体験していきます👇
| 手法名 | 目的 | 分析でわかること |
|---|---|---|
| t検定 | 2つのグループに差があるかを確認 | 例：ベテラン営業と新人営業で成約率に差はある？ |
| 回帰分析 | 数値の関係を予測する | 例：訪問回数が多いほど成約率は上がる？ |
| クラスタリング | 顧客や案件をグループ化する | 例：顧客の特徴ごとに購買傾向を把握する |
🧰 使用するライブラリ
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
from sklearn.linear_model import LinearRegression
from sklearn.cluster import KMeans
※Google ColabやJupyter Notebookでそのまま動作します。
🧩 ① t検定：ベテランと新人で成約率に差はあるか？
営業部では「経験年数が多い人ほど成約率が高い」と言われがちです。果たして本当にそうでしょうか？データで確かめてみましょう。
# サンプルデータ（成約率）
veteran = [0.60, 0.65, 0.70, 0.68, 0.72, 0.66, 0.69]
newcomer = [0.50, 0.55, 0.48, 0.52, 0.49, 0.51, 0.54]
# t検定
t_stat, p_val = stats.ttest_ind(veteran, newcomer)
print(f"t値: {t_stat:.3f}, p値: {p_val:.3f}")
✅ 結果の読み方
t値: 4.21, p値: 0.001→ p値が0.05未満 なので「有意な差がある」と判断できます。つまり、ベテラン営業の成約率は新人より統計的に高いという結果です。
📊 ビジュアルで比較
sns.boxplot(data=[veteran, newcomer])
plt.xticks([0, 1], ['ベテラン', '新人'])
plt.ylabel('成約率')
plt.title('t検定による成約率の比較')
plt.show()
🟦 グラフの見方： 箱の高さが中央値やばらつきを示します。新人よりベテランの箱が上にあれば「成果が高い」傾向が視覚的に確認できます。
📈 ② 回帰分析：訪問回数と成約率の関係を探る
次に、営業活動量（訪問回数）が成果（成約率）にどの程度影響するのかを見てみましょう。
# サンプルデータ
df = pd.DataFrame({
'訪問回数': [5, 8, 10, 12, 15, 18, 20],
'成約率': [0.30, 0.40, 0.45, 0.50, 0.55, 0.60, 0.62]
})
# 回帰分析
X = df[['訪問回数']]
y = df['成約率']
model = LinearRegression()
model.fit(X, y)
# 予測線
df['予測値'] = model.predict(X)
# 可視化
sns.lmplot(x='訪問回数', y='成約率', data=df, line_kws={"color": "red"})
plt.title('訪問回数と成約率の関係')
plt.show()
print(f"回帰係数: {model.coef_[0]:.3f}, 切片: {model.intercept_:.3f}")
✅ 結果の読み方
回帰係数: 0.018, 切片: 0.21→ 訪問回数が 1回増えるごとに成約率が約1.8％上昇 する傾向があります。つまり、闇雲にアプローチするよりも、適切な訪問頻度を設計することが効果的とわかります。
🧮 ③ クラスタリング：顧客を3つのタイプに分類
顧客を“なんとなく”で分けていませんか？クラスタリング分析を使えば、購買傾向に基づいて顧客を自然に分類できます。
# サンプル顧客データ
customers = pd.DataFrame({
'購買金額': [50000, 120000, 30000, 80000, 150000, 40000, 110000],
'来店頻度': [2, 6, 1, 4, 8, 2, 5]
})
# クラスタリング実行
kmeans = KMeans(n_clusters=3, random_state=0)
customers['cluster'] = kmeans.fit_predict(customers[['購買金額', '来店頻度']])
# 可視化
sns.scatterplot(
x='購買金額', y='来店頻度', hue='cluster', data=customers, palette='Set2', s=100
)
plt.title('顧客クラスタリング結果')
plt.show()
✅ 結果の読み方
- クラスタ0：購買額も頻度も低い → 潜在顧客
- クラスタ1：購買額が高く頻度も多い → 優良顧客
- クラスタ2：頻度は高いが単価が低い → リピート型顧客
→ このように、顧客ごとのアプローチ戦略を変える材料になります。
💡 分析結果から見える営業戦略の方向性
| 手法 | 活用シーン | 意味すること |
|---|---|---|
| t検定 | チーム間比較 | トップ営業の行動を全員に展開できる |
| 回帰分析 | 成果要因分析 | 成果を上げる要素（訪問・提案数など）を可視化 |
| クラスタリング | 顧客分類 | 顧客タイプ別に販促・提案内容を最適化 |
🚀 まとめ：営業データの「仮説」と「検証」を繰り返す文化を
データ分析は“現場の感覚を否定するもの”ではありません。むしろ、感覚を数値で裏づける科学的な根拠を与えてくれます。
中小企業でも、Excel＋Python＋無料BIツール（例：Google Colab, Power BIなど）を組み合わせることで、誰でも再現性のある営業戦略を構築できます。
💬 次回予告
次回はシリーズ最終回、「データドリブン営業を組織文化にする方法」をテーマに、“分析を続けるチームをどう作るか”を実践的に紹介します。
🏢 自社でのデータ分析導入・営業DXのご相談
「自社データを活用して営業成果を伸ばしたい」
「Python分析やBIレポートを社内で使えるようにしたい」
そんな企業様向けに、弊社では以下のサポートを行っています。
- データ分析導入支援
- 営業データ可視化レポート構築
- 分析自動化スクリプト開発
まずはお気軽にご相談ください。
現場の課題に合わせた「小さく始めて成果を出す」仕組みをご提案します。
