CRM

バスケット分析でECの併売データをクロスセル施策に変える方法とExcelでのやり方とは?

バスケット分析でECの併売データをクロスセル施策に変える方法とExcelでのやり方とは?

バスケット分析は、ECの受注データから一緒に買われやすい商品の組み合わせ(併売ルール)を見つけ、カートでの関連商品の提案、カゴ落ちメールのレコメンド、「Aは買ったがBは買っていない顧客」への配信に変えて、客単価を上げるための分析です。ただ、分析と施策の実行が別々のツールに分かれていると、見つけた組み合わせが施策に変わらず、いつもの一斉配信に戻りがちです。
この記事では、支持度・信頼度・リフト値の見方とExcelでの手順を手短に押さえたうえで、分析結果をECのどの施策に変え、誰に・いつ届けるかまでを解説します。

この記事でわかること
✓ バスケット分析の仕組みと、支持度・信頼度・リフト値の見方
✓ ECの受注データをExcelで分析する3ステップと、その限界
✓ 分析結果をカート・カゴ落ちメール・購入後の配信に変える方法
✓ 分析で陥りがちな失敗を避ける3つの注意点

バスケット分析とは?ECの売上にどうつながる?


バスケット分析とは、顧客が一度の買い物(バスケット)で、どのような商品の組み合わせを購入しているかを分析するデータマイニング手法の一つです。
「Aが起きるとBも起きやすい」という関連性を見つけるアソシエーション分析を、購買データに当てはめたものがバスケット分析です。
この分析により、「商品Aを買う人は、商品Bも一緒に買う傾向がある」といった商品の併売ルールを発見し、ECサイトのレコメンドやカートでの提案、メール配信に活かすことで、客単価の向上を目的とします。
顧客の購買データに基づき、隠れたニーズを掘り起こすための重要な意味を持つ分析手法です。

バスケット分析の目的は?ECの「ついで買い」の法則をどう見つける?

バスケット分析の主な目的は、顧客の購買データから「ついで買い」や「併売」される商品の組み合わせ、すなわち法則性を見つけ出すことにあります。
例えば、ECサイトのカートページで、カートに入っている商品と一緒に使う小物を案内するのは、注文直前の「ついで買い」を狙った施策です。
このように、データに基づいて顧客が意識的・無意識的に行っている購買行動のパターンを明らかにすることで、 より効果的な販売戦略を立て、クロスセルを促進して売上を最大化します。

「おむつとビール」の事例は、ECの分析に何を教えてくれる?

バスケット分析の具体例として最も有名なのが「おむつとビール」の事例です。
あるスーパーマーケットの購買データを分析したところ、金曜の夜におむつとビールが一緒に購入されることが多いという意外な法則性が発見されました。
これは、週末に備えて紙おむつを買いに来た父親が、自分のためにビールも一緒に購入していくという消費行動が背景にあると推測されました。

この事例は、一見無関係に見える商品同士の間に隠された顧客ニーズを発見することの重要性を示すものとして語り継がれています。
ECでは、こうした組み合わせを 受注データから見つけ、顧客ごとのレコメンドや配信に変えられる点が店舗と異なります。

支持度(Support)は、どのくらい一緒に買われているかをどう表す?

支持度(Support)とは、全ての購買トランザクション(注文)の中で、特定の商品Aと商品Bが同時に購入された割合を示す指標です。
計算式は「(AとBを同時に含む取引数)÷(全取引数)」で表されます。
全注文を大きな四角、商品Aを含む注文と商品Bを含む注文をそれぞれ円にしたベン図で描くと、2つの円が重なる部分が全体に占める割合が支持度にあたります。
この指標の値が高いほど、その商品の組み合わせが全体的によく購入されていることを意味し、多くの顧客に当てはまる一般的な購買パターンであると判断できます。

支持度は、 施策を打つべき組み合わせかどうかを判断する最初のフィルターとして機能します。

信頼度は、商品Aを買った顧客がBも買う確率をどう表す?

信頼度とは、商品Aを購入した顧客が、同じ買い物で商品Bも購入した確率を示す指標です。
計算式は「(AとBを同時に含む取引数)÷(Aを含む取引数)」となります。
ベン図でいえば、商品Aの円のうち、商品Bの円と重なる部分が占める割合です。
例えば、化粧水を購入した顧客のうち、何割が乳液も購入したかを示します。

この指標は、商品Aの購入が商品Bの購入にどれだけ影響を与えるかという、組み合わせの強さを測るために用いられ、レコメンド機能やセット販売の企画において重要な判断材料となります。

期待信頼度は、商品Bが単独で買われる確率をどう表す?

期待信頼度とは、すべての購買データの中で商品Bが単独で購入される確率を示す指標です。
計算式は「(商品Bを含む取引数)÷(全取引数)」で求められます。
この指標は、商品Aと組み合わせて購入されたわけではなく、商品Bが最初から目的として購入される力(自然に売れる力)を把握するために用いられます。

期待信頼度が高い商品は、単独でもよく売れている人気商品であることを意味します。
そのため、特定の組み合わせが本当に意味のあるものかを確認する際、後述するリフト値の計算の基礎として重要な役割を果たします。

リフト値は、AとBを一緒に買う有用性をどう判断する?

リフト値とは、商品Aを購入した人が商品Bも購入する確率(信頼度)が、商品Bが単独で購入される確率(期待信頼度)の何倍にあたるかを示す指標です。計算式は「信頼度÷期待信頼度」で算出されます。

リフト値が1より大きい場合、商品Aを買うと商品Bも買いやすくなるという正の相関関係があると判断できます。1以下の場合は相関関係が弱いことを示します。

リフト値は、誰もが知る定番の組み合わせだけでなく、マーケティング施策に活かせる意外な併売ルールを見つけ出すための重要な評価基準となります。

4つの指標を表にまとめると、次のとおりです。

指標わかること計算式
支持度全注文の中で、商品Aと商品Bが同時に購入された割合(AとBを同時に含む取引数)÷(全取引数)
信頼度商品Aを購入した顧客が、同じ買い物で商品Bも購入した確率(AとBを同時に含む取引数)÷(Aを含む取引数)
期待信頼度すべての購買データの中で、商品Bが単独で購入される確率(商品Bを含む取引数)÷(全取引数)
リフト値信頼度が期待信頼度の何倍にあたるか信頼度÷期待信頼度

ECの受注データをExcelでバスケット分析するには、どんな手順で進める?


バスケット分析は、専門的な分析ツールがなくても、多くの人が使い慣れているExcel(エクセル)で実践することが可能です。
ECサイトの受注データ(購買履歴)さえあれば、基本的な分析は行えます。
ここでは、初心者でもすぐに取り組めるように、データを整形し、ピボットテーブルで集計し、各指標を計算するという3つのステップに分けて、エクセルでのやり方を解説します。

STEP1:受注データをどう「0」と「1」の表に変換する?

最初のステップは、受注データを分析しやすい形式に整えることです。
まず、1回の注文(トランザクション)を1行とし、各商品を列に設定した表を作成します。
次に、各注文でその商品が購入されていれば「1」、購入されていなければ「0」を入力します。

例えば、「注文番号001」で「化粧水」と「乳液」が購入された場合、化粧水と乳液の列に「1」を、他の商品の列には「0」を記入します。
この0と1のデータ形式に変換することで、後の集計作業が格段にやりやすくなります。

STEP2:ピボットテーブルで組み合わせをどう集計する?

次に、Excelのピボットテーブル機能を活用して、どの商品とどの商品が一緒に購入されたかの回数を集計します。
STEP1で作成した表をデータソースとしてピボットテーブルを作成し、行に取引ID、列に商品名を配置します。
例えば、値のフィールドには各商品の購入有無を示す値を表示させ、条件付き書式などを用いて、特定の商品の組み合わせが同時に購入された取引を識別しやすくします。

これにより、化粧水と乳液が同時に購入された取引の総数を集計することが可能です。

STEP3:支持度・信頼度・リフト値をどう計算して評価する?

最後に、STEP2で集計した数値を用いて、支持度、信頼度、リフト値といった各指標を計算します。
全取引数、各商品が購入された取引数、そして商品の組み合わせが購入された取引数を基に、それぞれの計算式をExcelのセルに入力して値を算出します。
例えば、リフト値が1を大きく超える組み合わせや、信頼度が高い組み合わせなど、注目すべきパターンを見つけ出します。
組み合わせが多いときは、横軸に支持度、縦軸にリフト値をとった散布図のグラフにすると、 「よく買われていて、結びつきも強い」組み合わせが右上に集まり、優先順位を付けやすくなります。

この評価に基づき、レコメンドの設定やクロスセル配信などの具体的な施策を検討します。

Excelのバスケット分析は、どこで限界が来る?


Excelでの分析は手軽ですが、扱うデータ量と、結果を施策に反映するスピードの2点で限界があります。

限界点1:データ量が増えると、Excelでは何が起きる?

一つ目の限界は、手作業による処理能力と時間の問題です。
数万件程度のトランザクションであればExcelでも対応可能ですが、 数十万、数百万件規模の購買データになると、ファイルの動作が極端に遅くなったり、フリーズしたりすることが頻繁に起こります。
扱う商品数が多い場合、計算の組み合わせが爆発的に増加し、分析を実行するだけで膨大な時間を要します。
これにより、迅速なデータ分析と意思決定が困難になります。

限界点2:分析結果をすぐ施策に反映できないのはなぜ?

Excelでのバスケット分析がすぐ施策に反映できないのは、組み合わせを見つけた後に「対象顧客のリスト作成」と「配信やレコメンドの設定」を、別の作業としてやり直す必要があるからです。データの抽出・整形・集計・計算を手作業で回すたびにこの工程が挟まるため、結果が出た頃には顧客の関心が移っていることもあります。
CDP(顧客データ基盤)とは、サイト・購買・店舗などに分散した顧客データを1つに統合して管理する基盤のことです。EC Intelligenceは、取り込んだ購買データを自動で結合し、RFM・購入回数・平均購入金額などをSQL・事前計算・バッチなしで自動計算するCDPの上で、レコメンド・WEB接客・メール配信が同じデータを参照して動きます。AIアシスタント「Mate」で分析した結果から、 ワンクリックで対象顧客を絞り込み、そのままメール作成へ進められるため、「組み合わせは分かったが、配信の準備で止まる」という分断を埋められます。

バスケット分析の結果は、ECのどの施策に変えればいい?

バスケット分析で見つけた組み合わせは、「商品詳細とカートでの関連商品の提案」「カゴ落ちメールへのレコメンド」「片方だけ買った顧客への配信」の3つに変えると、客単価の向上につなげられます。消費者側にも関連する提案を評価する声があり、ECサイトに「自分をわかってくれている」と感じるときとして、 32.0%が「購入商品に直結する関連アイテムの提案」を挙げました(シナブル調べ, n=1,010, 2025年8月実施)。
大切なのは、組み合わせごとに「誰に(どの行動をした顧客に)」「いつ(どのタイミングで)」出すかまで決めることです。シナブルは、どの組み合わせをどんな体験として届けるかという戦略・判断を人が担い、誰に・いつ・どの商品を届けるかの実行をテクノロジーが担う役割分担を基本にしています。以下、場面ごとに見ていきます。

施策誰にいつ何を届けるか
カートでの関連商品の提案カートに商品を入れた顧客カートに入れたタイミングその商品と組み合わせて使う商品
カゴ落ちメールへのレコメンド前日にカートに商品を入れて購入がなかった顧客毎日定時カゴの内容とレコメンド商品
片方だけ買った顧客への配信「Aを購入済み・Bは未購入」の顧客購入から10日後購入商品のレコメンド商品

商品詳細ページのレコメンドには、併売の結果をどう活かす?

ECサイトにおけるバスケット分析の最も一般的な活用事例は、レコメンド機能の精度向上です。
「この商品を買った人はこんな商品も購入しています」といった表示は、まさにバスケット分析のロジックに基づいています。
例えば、特定のカメラを購入した顧客のデータから、特定のメモリーカードやレンズフィルターが同時に購入されやすいことが分かれば、それらをレコメンドとして表示します。

これにより、顧客一人ひとりのニーズに合った商品を提案し、買い合わせ(バスケットサイズ)を促せます。

カートに商品を入れた顧客には、どの組み合わせを提案する?

カートに商品を入れた顧客には、その商品と組み合わせて使う商品を、カートに入れたタイミングで提案するのが基本です。EC Intelligenceを利用するバッグEC(単価5〜7万円)では、特定シリーズのバッグをカートに入れた顧客に、付け替え用のチェーン・チャームを提案するポップアップを出し、 クリック率3.22%・CV率0.36%でした。
買い手側の期待もあります。ファッションアイテムをECで購入した経験がある人に、どのようなECサイトならより購入したいかを聞いたところ、17.9%が「カートに入れた商品の関連商品を教えてくれる」を選びました(シナブル調べ, n=1,007, 2024年10月)。
WEB接客とは、サイト上でポップアップやバナーを出し分け、店舗の接客のように購入を後押しする施策のことです。EC Intelligenceの接客はCDPの顧客データと連動するため、接客ツール単体では難しい「購買履歴×サイト内行動」の条件で表示を出し分けられます。

カゴ落ちメールに併売商品を載せると、何が変わる?

カゴ落ちメールに、カートの中身と一緒に併売されやすい商品を載せると、戻ってきた顧客にほかの商品も一緒に買ってもらうことまで狙えます。カゴ落ちとは、商品をカートに入れたまま購入せずに離脱することです。EC Intelligenceを利用するレディースアパレルのEC事業者では、カゴ落ちメールをセグメントに分けてレコメンドを強化し、 メール経由CVR2倍・売上1.3倍となりました。
ワインの輸入・卸・ECを手がけるフィラディスでは、カート内商品のタイプ(赤・白・ロゼ・スパークリング)や価格帯を起点に、別のワインを提案するカゴ落ちメールを配信しています。詳しくは「フィラディスの導入事例」で紹介しています。
EC Intelligenceでは、前日にカートに商品を入れて購入がなかった顧客に、カゴの内容とレコメンド商品を載せたメールを毎日定時に送る「カゴ落ちレコメンド」を組めます。層ごとの配信の考え方は「脱・バラマキ!100万件超の顧客に「個」を届けるAIパーソナライズ配信術」で詳しく解説しています。

「Aは買ったがBは買っていない顧客」は、どう見つけて配信する?

併売されやすい組み合わせのうち片方しか買っていない顧客は、提案すべき商品がはっきりしている層です。見つけるには、バスケット分析で得た組み合わせを「Aを購入済み・Bは未購入」というセグメント条件に置き換えます。
EC Intelligenceでは、ターゲット抽出で作った顧客グループを分析レポートのフィルターに指定でき、たとえば「ベッドを買ったが枕を買っていない会員」の購入商品や閲覧ページを見て、その層の特徴を調べられます。 SQLは不要で、担当者がGUIで複雑なセグメントも作れます。見つけた層には、購入から10日後に、購入商品のレコメンド商品を毎日定時に送るレコメンドメールでつなげると、分析で見つけた層をそのまま配信の対象にできます。セグメント配信の活用事例については「セグメント配信の成果事例」で詳しく紹介しています。

バスケット分析で失敗しないために、何に注意すべき?


バスケット分析は強力な手法ですが、得られたデータをそのまま鵜呑みにすると、誤った意思決定に繋がる可能性があります。
データが示すのはあくまで「相関関係」であり、その背景にある「因果関係」や顧客の文脈を理解することが不可欠です。

分析を成功に導くためには、データに騙されず、本質的な示唆を見つけ出すための視点が求められます。

注意点1:誰もが知る定番の組み合わせは、どう扱う?

分析を行うと、シャンプーとリンスのように、誰もが知っている自明の組み合わせが高い数値を示すことがよくあります。
これらの結果は分析が間違っていないことを示しますが、 新たなマーケティング施策に繋がる「発見」とは言えません。
重要なのは、こうした当たり前の結果にリソースを割くのではなく、「おむつとビール」のような、これまで気づかなかった意外な組み合わせや、直感に反するデータに注目することです。

注意点2:売れ筋の人気商品だけで分析すると、何が見えなくなる?

売れ筋の商品は、それ自体が多くの顧客に購入されるため、他の様々な商品との組み合わせで支持度や信頼度が高く算出されがちです。
しかし、本当に注目すべきは、 単体ではそれほど売れていなくても、特定の商品と一緒に購入されることで輝きを放つ「隠れた併売商品」です。
分析の際は、全体の売上ランキングだけでなく、あえてニッチなカテゴリや特定の商品群に絞って分析を行うことで、新たな発見に繋がる可能性があります。
売れ筋の商品そのものをランク分けして施策に変える方法は「ABC分析のやり方は?意味や目的・注意すべきポイントも解説」で解説しています。

注意点3:分析結果は、どう仮説検証を繰り返せばいい?

データ分析の結果は、あくまで過去の事実を示すものであり、未来の成功を保証するものではありません。
また、 データは「なぜ」その組み合わせが生まれたのかという理由までは教えてくれません。
例えば「AとBが一緒に買われている」という結果が出たら、「それは〇〇という顧客ニーズがあるからではないか」という仮説を立て、実際にテスト販売や小規模なキャンペーンを実施して効果を検証するサイクルが重要です。

ECでは、仮説の検証にA/Bテストを使うと、どの組み合わせの提案が効くかを数値で判断できます。EC Intelligenceでは全接客コンテンツのA/Bテストと効果の自動計測ができ、 あらかじめ決めた判定日に、効果の高いパターンへ配信比率を自動で切り替えられます。
分析と仮説検証を繰り返すことで、はじめてデータが意味のあるマーケティング施策として機能します。

バスケット分析についてよくある質問は?

バスケット分析における「支持度」と「信頼度」はどのように使い分けるのですか?

支持度は組み合わせの全体的な人気度を、信頼度は「Aを買った人」という特定条件下でのBの購入確率を測る指標です。
施策の影響範囲(どれだけの顧客に響くか)を考える際は支持度を、組み合わせの関連性の強さを評価してレコメンドの精度を高めたい場合は信頼度を重視するなど、目的に応じて使い分けます。

バスケット分析を始めるには、どのようなデータが必要ですか?

最低限必要なのは、1回の注文ごとにどの商品が購入されたかを示すトランザクションデータです。
具体的には、誰が(顧客ID)、いつ、何を(商品ID)、いくつ購入したかが記録された購買履歴データが必要です。
カートシステムやECサイトのデータベースからこれらの情報を抽出することで、分析を開始できます。

バスケット分析の結果、リフト値が低い組み合わせは施策に活かせないのでしょうか?

リフト値が低い組み合わせは、通常、一緒に販売する戦略には適さないとされています。したがって、リフト値が高い組み合わせに焦点を当て、支持度や信頼度も考慮しながら、ビジネス上の意義が大きいものを施策に活用することが重要です。指標は総合的に判断し、施策の目的と照らし合わせてどの組み合わせを活用するかを決定しましょう。

まとめ:バスケット分析を売上につなげるには、何から始めればいい?

バスケット分析は、組み合わせを見つけた時点ではまだ成果になりません。リフト値などで「意外だが意味のある組み合わせ」を選んだら、カートでの関連商品の提案、カゴ落ちメールへのレコメンド、片方だけ買った顧客への配信のどれに変えるかを決め、誰に・いつ届けるかまで設計することが出発点です。
顧客分析や商品分析のなかでバスケット分析をどう位置づけるか、ほかにどの分析から手を付けるべきかは、「ECサイト分析の基本」で全体像を整理しています。



機能に関するご質問やご相談は、以下よりお気軽にお問い合わせください。
記事を書いた人
株式会社シナブル

ECサイト特化のデータ分析&マーケティングシステム「EC Intelligence」を開発。「テクノロジーで商取引を革新し、ショッピング体験をより良くする」というビジョンの元、ECサイト・オムニチャネルの体験がさらに豊かになる情報を発信します。

機能に関するご質問やご相談は、以下よりお気軽にお問い合わせください。