GLOSSARY 用語集

クラスター分析

クラスター分析とは

クラスター分析とは、膨大なデータの中から「似た行動や特徴を持つもの同士」をまとめて、いくつかのグループ（クラスター）に分類する統計手法です。
年齢や性別などの単純な属性ではなく、“実際の行動パターン” や “利用状況の違い” といった複数の要素を組み合わせ、データの中に潜む共通点を見つけ出して整理する、多変量解析の一種です。

クロスロケーションズのように人流データや位置情報ビッグデータを扱う領域では、顧客や来訪者を「行動パターン」で分類する以下のような統計手法で使われます。

商圏やエリアを「人の流れ・属性構成の似たタイプ」に分類する
似た特徴を持つ店舗・施設をまとめ、出店戦略や販売施策のヒントを得る
来訪者や顧客を「行動パターンの近いグループ」に分け、ターゲット像や施策を明確にする

つまりクラスター分析とは、バラバラに見える大量データの中から“意味のある共通性”を見つけ、施策につながる「タイプ分け」を行うための基盤技術といえます。

INDEX

クラスター分析の基本：どうやってグループ分けするのか

クラスター分析では、「どれくらい似ているか（類似度）」を数値化し、その近さに基づいてグルーピングします。代表的な考え方は次の通りです。

距離（類似度）の考え方

似ているデータ同士：距離が小さい（類似度が高い）
似ていないデータ同士：距離が大きい（類似度が低い）

代表的なクラスター分析の手法

階層クラスター分析

似ているもの同士を少しずつまとめていき、階層構造（樹形図）の形でクラスターを作る
クラスター間の関係が視覚的にわかりやすい一方、大規模データには向きにくい

非階層クラスター分析（k-means法など）

あらかじめクラスター数（例：3グループ、5グループなど）を決め、自動的にグループ分けを行う
ビッグデータ・人流データのような大量データを扱うときに用いられることが多い

当社のように、位置情報ビッグデータを扱う場合は、後者の非階層クラスター分析（k-meansなど）をベースにしたアルゴリズムがよく用いられます。

マーケティング・人流データにおけるクラスター分析の使い方

顧客・来訪者のセグメンテーション

顧客や来訪者のデータを、単純な属性（性別・年代など）だけで分けると、それぞれの「行動の違い」が見えにくくなります。
クラスター分析を使うと、例えば次のようなセグメントが見えてきます。

来店頻度は低いが、1回あたりの購入額が高い「まとめ買いクラスター」
平日夕方の立ち寄りが多い「仕事帰りクラスター」
週末の長時間滞在が多い「ファミリー・レジャークラスター」

人流データの場合は、「いつ」「どこから」「どのくらいの頻度で」来ているかといった来訪パターンも組み合わせてクラスタリングすることで、より実態に即したターゲット像を描けます。

人流データでフィールドセールスを進化。量販店向け提案力を高める営業DX

自社商品が“売れる理由”をデータで語る時代へ量販店の営業では「なぜこの商品が、この店舗で売れるのか」を明確に示すことが必要不可欠です。ところが現実には、自社商品用の棚獲得を得るための提案が感覚頼みの提案にとどまり、提案先の担当者に納得を得られないといった以下のような壁にぶつかることはないでしょうか？量販営業でよくある現場の悩み提案が「人間関係やなんとなくの感覚頼み」に頼っているため、説得力に欠けて提案が通りにくい全国一律の営業資料では、各店舗ごとの状況にフィットしない実績データはあっても、“今こ...

商圏・立地タイプの分類

商圏分析の場面では、エリアごとの「人の流れ」や「属性構成」「滞在時間」などをまとめて比較し、次のようなタイプ分けにクラスター分析が使えます。

通勤・通学による昼間人口が多いオフィスタイプ商圏
観光客比率が高く季節変動の大きい観光地タイプ商圏
近隣住民の買い回りに支えられた日常利用タイプ商圏

このような分類ができると、「どのタイプの商圏に、どんな業態が相性がよいか」「既存の成功店舗と似た商圏はどこか」といった出店戦略や販促戦略に役立ちます。

ドラッグストアを対象とした傾向値が類似するもの同士をクラスタリングした図 — 図. ドラッグストアを対象とした傾向値が類似するもの同士をクラスタリング

人流予測・需要予測の前処理として

人流データや販売データを使った需要予測モデルを構築する際には、

「似ている地点同士」
「似ている時間帯同士」

をクラスタリングしておくと、モデル構造がシンプルになり、予測精度の安定化につながることがあります。例えば、「平日昼」「平日夜」「週末昼」「イベント時」などの人流パターンをクラスターとして扱うイメージです。

生成AI×人流データでのクラスター分析の活かし方

クラスター分析と生成AI（LLM）を組み合わせると、次のような使い方が可能になります。

クラスターごとの特徴を、AIが自然言語で要約（「このエリアは平日夜に20〜30代が多く滞在する飲食集積エリアです」など）
「平日夜に若年層が多く集まるエリアを教えて」「インバウンド比率が高いクラスターだけ抽出して」など、プロンプトベースでクラスターを指定
クラスター別の施策案や広告クリエイティブの方向性を、AIがたたき台として提案

クロスロケーションズが提供している「Location AI Platform®（LAP）」の生成AI機能とも親和性が高く、「クラスターごとの人流傾向をAIが読み解き、マップ上でも直感的に把握する」といった使い方もでてくるかもしれません。

クラスター分析を実務で使うときのポイント

１．目的と「どう分けたいか」を先に決める

クラスター分析は、単に「自動でグループ分けしてくれる魔法の箱」ではありません。
次のような問いからスタートすると、結果が実務に活きやすくなります。

何を目的に分けたいのか？（売上増、来店頻度アップ、新規獲得など）
何を基準に分類したいのか？（来訪頻度、滞在時間、居住地との距離、購買単価など）
分けた結果を、どの施策にどう使うのか？

２．使う指標（変数）を絞る

「入れられる変数は全部入れる」ではなく、目的に直結する指標を選ぶことが重要です。

人流データであれば：来訪回数、ユニーク来訪者数、滞在時間帯、滞在時間、推定居住地との距離など
販売データであれば：購買金額、購買頻度、カテゴリ構成、キャンペーン反応率など

不要な指標を入れすぎると、解釈しづらいクラスターが増えてしまい、「分析したものの使えない」結果になりがちですので注意が必要です。

３．クラスター数は「ビジネスで使える数」にする

理論的・統計的な基準だけでクラスター数を決めると、実務では活用しづらくなります。
たとえば…

クラスターが2つ：ざっくりしすぎて施策に落とし込めない
クラスターが10以上：現場で使うには多すぎて管理しきれない

実務では、3〜6クラスター程度を起点に、「現場で運用できるか」という観点で調整していくケースが多くなります。

４．クラスター分析だけで結論を出さない

クラスター分析は「分類のスタート地点」です。

クラスターごとの売上や来訪リフト率
キャンペーン施策への反応
他の分析（相関分析・回帰分析など）

を組み合わせて、「どのクラスターに、何をすれば最も効果が高いか」を検証していくことが重要です。

人流データ×クラスター分析

当社の人流解析エンジン「Location Engine™」では、匿名化されたスマートフォンの位置情報（GPS）から、特定エリアや店舗・施設に訪れた人の次のような指標（特徴量）を推定・生成することができます。

推定居住地・推定勤務地
来訪頻度・来訪曜日・時間帯
滞在時間・滞在パターン
来訪距離、来訪経路の特徴など

これらの来訪者の行動を把握する上で重要となる情報を組み合わせることで、「行動パターンに基づくクラスター」を作りやすくなります。

Location AI Platform®での活用イメージ

LAP / LAP Lite / 人流アナリティクス®などのサービスでは、クラスター分析そのものをユーザーが直接設定するのではなく、以下のような形で「クラスター分析を活用した結果」がダッシュボードとして提供されます。

類似店舗・類似エリアの比較
→ 成功店舗と似た人流パターンを持つ候補地を抽出し、出店戦略に活用
商圏タイプ別の来訪構成
→ 居住地・勤務地・観光地など、エリアタイプごとに来訪者構成を可視化
インバウンドクラスターの把握（インバウンドアナリティクス＋）
→ 国籍別・滞在エリア別・移動パターン別に訪日外国人の行動クラスターを整理

さらに、LAP上の生成AI機能（プロンプト機能・AIサマリー機能）を通じて、人流分析結果を基に特徴や施策の方向性を自然言語で対話しながら掘り下げることが可能です。

✔ クロスロケーションズのサービスとの関係（ひと言）
クラスター分析は、Location Engine™が生成する人流特徴量とLAPの可視化機能、そして生成AI機能をつなぐ「行動タイプ分けの基盤」として活用されています。

よくある質問（FAQ）

Q1. クラスター分析と「セグメンテーション」は何が違うのですか？

A. セグメンテーションは「市場を分ける考え方」、クラスター分析はそのための「統計手法」のひとつです。
セグメンテーションは「市場をどの軸で分けるか」というマーケティング上の設計であり、その実現手段としてクラスター分析や決定木、ルールベースの絞り込みなどが使われます。

Q2. どのくらいのデータ量があればクラスター分析は意味がありますか？

A. サンプル数が少なすぎると、クラスター間の違いが安定しません。
目安としては、クラスター数の数十倍以上の件数があると、傾向が見えやすくなります。
人流データのように母数が大きいデータでは、クラスターごとの違いも統計的に安定しやすくなります。

Q3. ExcelやBIツールでもクラスター分析はできますか？

A. 小規模データであれば可能ですが、人流データのようなビッグデータには専用基盤が必要です。
Excelや一部のBIツールにもクラスター分析機能がありますが、数百万〜数億レコード規模の人流データを扱う場合は難しくなります。
クロスロケーションズでは、Location Engine™とLAPがこの役割を担い、ビッグデータを統計解析・AI解析した結果を、ダッシュボードで直感的に利用できるようにしています。