Power BI を使用した e コマース分析: 収益、コンバージョン、顧客生涯価値

すべてのクリック、スクロール、放棄されたカートはデータ ポイントです。 e コマースは、ほとんどの業界が 1 か月に生成するよりも多くの行動データを 1 時間あたり生成します。そして、そのデータを意思決定に変える企業は、そのデータに溺れる企業よりも早く成長します。

Power BI は、Shopify、WooCommerce、Magento、Google Analytics からの生データ ストリームを統合分析環境に変換します。そこでは、マーケティング チームがどのキャンペーンが収益性の高い顧客を生み出しているかを確認し、運用チームがどこでフルフィルメントが失敗しているかを確認し、経営陣はあらゆる意思決定が純利益にどのように波及するかを確認できます。このガイドでは、接続アーキテクチャから成長を促進する特定のメトリックやダッシュボードに至るまで、Power BI の完全な e コマース分析スタックについて説明します。

重要なポイント

• Power BI は、ストアフロント、広告プラットフォーム、電子メール、フルフィルメント データを 1 つの収益ビューに統合します
• Power BI を使用したコンバージョン ファネル分析により、買い物客がどこで離脱するかを明らかにし、収益機会を定量化します
• 顧客生涯価値 (CLV) モデリングにより、高価値の獲得チャネルと低価値の獲得チャネルを分離
• コホート分析は、獲得期間全体で顧客維持率がどのように変化するかを示します
• 製品パフォーマンス分析により、どの SKU がマージンを促進するのか、どの SKU がボリュームのみを促進するのかを特定します
• Power BI のマーケティング アトリビューション モデルは、マルチタッチのカスタマー ジャーニー全体で収益クレジットを割り当てます
• 在庫と需要の予測により、ピーク時の在庫切れを防止します
• 配送とフルフィルメントの分析により、配達遅延と返品率が削減されます

---

Power BI の e コマース データ アーキテクチャ

ダッシュボードを構築する前に、データ アーキテクチャの質問に答える必要があります。データはどこに存在し、どのように Power BI に取り込まれるのかということです。

一般的な e コマース スタックには 8 ～ 12 個のデータ ソースがあります。

• ストアフロント プラットフォーム: Shopify、WooCommerce、Magento、BigCommerce
• 広告プラットフォーム: Google 広告、メタ広告、TikTok 広告、Amazon 広告
• アナリティクス: Google アナリティクス 4、セグメント、ミックスパネル
• 電子メール マーケティング: Klaviyo、Mailchimp、Omnisend
• CRM: HubSpot、Salesforce、Klaviyo (デュアルパーパス)
• フルフィルメント: ShipStation、ShipBob、FedEx、UPS API
• リターン: ループリターン、リターンロジック
• 財務: QuickBooks、Xero、NetSuite

Power BI を 12 個の API に直接接続すると脆弱性が生じ、API を 1 つ変更するとダッシュボードが破損します。より優れたアーキテクチャでは、専用のデータ パイプライン (Fivetran、Airbyte、またはカスタム ETL) を使用して、すべてのソース データをデータ ウェアハウス (BigQuery、Snowflake、または Azure Synapse) に配置し、Power BI がクエリする前にデータ ウェアハウスで統合されます。

このアーキテクチャは、Power BI レポートがクリーンな変換されたデータに対して実行されることを意味します。 Power BI のセマンティック モデルは、ビジネス ロジック (収益の計算方法、帰属の割り当て方法) を 1 か所で定義し、すべてのレポートとダッシュボードの一貫性を確保します。

---

収益分析: 財団

収益分析は、ほとんどの e コマース Power BI 実装の開始点です。目標は、「今日はいくら稼いだのか、それはどこから来たのか、昨日、先週、昨年と比べてどうなのか」に答えるダッシュボードです。

商品総価値 (GMV) と 純収益 は、最初の重要な違いです。 GMV には、行われたすべての注文が含まれます。純収益から返品、返金、キャンセルされた注文が差し引かれます。多くの e コマース分析ツールでは、GMV のほうが大きな数字であるため、GMV が表示されますが、実際に銀行口座に反映されるのは純収益です。

Net Revenue =
SUM(Orders[GrossRevenue]) -
SUM(Returns[RefundAmount]) -
SUM(Orders[Discounts]) -
SUM(Orders[ShippingRevenue]) -- if excludin shipping from product revenue

チャネル別の収益は、オーガニック検索、有料検索、有料ソーシャル、電子メール、ダイレクト、アフィリエイト、マーケットプレイスなどの獲得ソースごとに純収益を内訳しています。このビューにより、マーケティング チームはトラフィックだけでなく、どのチャネルが実際に収益を上げているかがわかります。

製品カテゴリ別の収益は、どのカテゴリが成長しているのか、どのカテゴリが減少しているのか、そしてどのカテゴリが数量に対する利益率を押し上げているのかを明らかにします。収益の 30% を生み出しているにもかかわらず、粗利益の 10% しかないこのカテゴリーは、薄い利益のために不釣り合いな運営リソースを消費しています。

---

コンバージョンファネル分析

コンバージョン ファネルは、e コマース分析が最も実用的な洞察を生成する場所です。最初の訪問から購入完了までの各ステップにはコンバージョン率があり、各ステップでの損失のウォーターフォールは定量化された収益機会を表します。

標準的な e コマース ファネル ステージ:

1. セッション → 商品ページビュー（エンゲージメント率）
2. 商品ページ閲覧数→カートに追加（商品ページ変換）
3. カートに追加 → チェックアウト開始 (カート放棄)
4. チェックアウト開始 → 購入完了（チェックアウト放棄）

Power BI ファネル チャートには、各段階のボリュームとドロップオフ率が表示されます。最大のパーセンテージの低下は、最大の機会を特定します。カートに追加した買い物客の 70% がチェックアウトを放棄し、月間注文量が 10,000 件である場合、放棄されたカートの 20% を回収するだけでも、毎月数千件の追加注文に相当します。

ファネルをセグメント化すると、どのユーザー セグメントが異なるコンバージョンを示したかが明らかになります。新規顧客とリピーター、モバイルとデスクトップ、トラフィック ソース別、製品カテゴリ別では、コンバージョン率が大きく異なることがよくあります。有料ソーシャルからの新しいモバイル訪問者のコンバージョン率は 0.8% になる可能性があります。電子メールから戻ってきたデスクトップ訪問者は 12% でコンバージョンする可能性があります。マーケティングとUXへの影響は深刻です。

チェックアウト ステップ分析 では、チェックアウトの放棄を具体的に掘り下げます。最も多くの買い物客を失うチェックアウト ステップはどれですか?一般的な調査結果: 送料の発覚 (顧客が時間を費やした後に初めて送料が表示される)、アカウント作成の要件、支払いフォームの長さ、モバイル チェックアウトの UX の悪さ。それぞれの発見は特定のテストに変換されます。

Funnel Conversion Rate =
DIVIDE(
    CALCULATE(COUNTROWS(Sessions), Sessions[HitCheckoutComplete] = TRUE()),
    COUNTROWS(Sessions),
    0
)

Cart Abandonment Rate =
1 - DIVIDE(
    CALCULATE(COUNTROWS(Sessions), Sessions[HitCheckoutComplete] = TRUE()),
    CALCULATE(COUNTROWS(Sessions), Sessions[HitCartAdd] = TRUE()),
    0
)

---

顧客生涯価値モデリング

顧客生涯価値 (CLV) は、e コマースの持続的な成長にとって最も重要な指標です。これは、次の 12 か月、24 か月、または 36 か月で新規顧客の実際の価値はいくらになるのかという質問に答えます。

CLV はあらゆるマーケティング上の意思決定を変えます。 Instagram を通じて獲得した顧客のコンバージョン率は平均初回注文額 65 ドルですが、12 か月の CLV は 95 ドルである一方、電子メールで紹介された顧客のコンバージョン率は平均初回注文額 80 ドルで、12 か月の CLV は 310 ドルであることがわかっていれば、マーケティング予算をどこに投資するのが適切であるかは明らかです。

過去の CLV 計算 は、顧客コホートからの実際の収益を長期にわたって平均したものです。

CLV (12M Historical) =
AVERAGEX(
    FILTER(Customers, Customers[FirstPurchaseDate] <= DATE(2025, 3, 19)),
    CALCULATE(
        SUM(Orders[NetRevenue]),
        DATESINPERIOD(Orders[OrderDate], Customers[FirstPurchaseDate], 12, MONTH)
    )
)

予測 CLV は、購入頻度、平均注文額、顧客の寿命を使用して将来の価値を予測します。 BG/NBD モデル (ベータ幾何学/負の二項分布) は、非契約電子商取引 CLV の学術標準です。実際には、ほとんどの Power BI 実装では、平均注文額 × 購入頻度 × 予想される顧客寿命という単純化されたバージョンが使用されます。

取得チャネル別の CLV は、最も実用的なビューです。各獲得チャネルを示す表を作成します: 初回コンバージョン率、平均初回注文金額、90 日間のリピート購入率、12 か月の CLV、顧客獲得コスト。 CLV を CAC で割ると、獲得チャネル効率の基本的な尺度である LTV:CAC 比が求められます。

上の表は、電子メールの価値が有料ソーシャルよりも劇的に高いことを示しています。これは、電子メール リストの構築への投資を促進する共通の発見です。

---

コホート分析

コホート分析では、同じ期間に初めて購入した顧客のグループを追跡し、彼らの行動が時間の経過とともにどのように変化するかを示します。これは、最近獲得した顧客の行動が以前の期間に獲得した顧客よりも優れているのか、悪いのか、あるいは同様であるのかという質問に答えます。

維持コホート テーブル は標準的な視覚化です。行は獲得コホート (最初の購入月)、列は期間 (月 1、月 2、... 月 12) で、セルはその期間に購入したコホートの割合を示します。健全な e コマース ビジネスでは、維持率が安定しており、曲線はゼロに下がるのではなく平坦になります。

収益コホート は、これを拡張して、顧客が戻ってきたかどうかだけでなく、どれくらいの費用を費やしたかを示します。一部のコホートは返品率が高いものの、注文額が減少しています。返品率は低いものの、バスケットのサイズが増加するものもあります。どちらのダイナミクスも、ビジネスの健全性に対して異なる影響を及ぼします。

コホートの規模と獲得コストの追跡により、コホートの獲得に費用がかかったのか、それとも安かったのかという 3 番目の側面が追加されます。平均 CAC が 50 ドルで 3 か月目の維持率が 35% である 500 人の顧客のコホートは、CAC が 80 ドルで 3 か月目の維持率が 20% の 2,000 人の顧客のコホートよりも価値があります。

Power BI では、DAX の DATEDIFF 計算を使用してコホート分析が構築されます。

Cohort Month =
DATEDIFF(
    RELATED(Customers[FirstPurchaseDate]),
    Orders[OrderDate],
    MONTH
)

---

マーケティング アトリビューション

マーケティング アトリビューション (コンバージョンに影響を与えたマーケティング タッチポイントにコンバージョンの功績を割り当てること) は、e コマース分析で最も議論の多いトピックの 1 つです。すべてのチャネルが同じコンバージョンに対するクレジットを主張します。実際には、ほとんどの購入には複数のタッチポイントが関係します。

ラストクリック アトリビューション では、購入前の最後のタッチポイントに 100% のクレジットが割り当てられます。シンプルですが、コンバージョンにつながるクリックを直接発生させることなく、顧客にブランドを紹介する認知度チャネル (ソーシャル、ディスプレイ、ビデオ) を組織的に過小評価しています。

ファーストクリック アトリビューション では、最初のタッチポイントに 100% のクレジットが与えられます。獲得チャネルを過大評価し、顧客を呼び戻す維持/育成タッチポイントを過小評価します。

線形アトリビューション では、カスタマー ジャーニーのすべてのタッチポイントにクレジットが均等に分割されます。すべてのインタラクションを同等に重要なものとして扱いますが、正確であることはほとんどありません。

データドリブン アトリビューション は、機械学習を使用して、コンバージョン確率に対する各タッチポイントの増分影響に基づいてクレジットを割り当てます。これは Google 広告と GA4 で利用でき、Power BI はこれらのアトリビューション結果を他のマーケティング データと一緒にインポートできます。

アトリビューション分析における Power BI の価値は、(ソース システムで行われる) アトリビューション モデルの計算ではなく、複数のアトリビューション モデルを並べて表示して、マーケティング担当者が使用するモデルに応じて予算配分の決定がどのように変化するかを確認できることにあります。

---

製品パフォーマンス分析

すべての製品が同じというわけではありません。収益を促進するもの、利益を促進するもの、顧客獲得を促進するもの、リピート購入を促進するものがあります。どの製品がどの機能を果たすかを理解することで、マーチャンダイジング、購入、価格設定をより適切に決定できるようになります。

収益対利益のマトリックス は、X 軸に収益、Y 軸に粗利益率をとった散布図上に各製品 (またはカテゴリ) をプロットします。右上の製品 (高収益、高利益率) がスターです。左下の製品 (低収益、低利益率) は製造中止の候補です。左上の製品 (利益率が高く、収益が低い) には、より適切なマーチャンダイジングが必要です。右下の製品 (収益が高く、利益率が低い) は、トラフィックを増加させている可能性がありますが、利益をもたらしていない可能性があります。

製品親和性分析 により、頻繁に一緒に購入される製品が特定されます。 DSLR カメラを購入する顧客は、メモリ カード、カメラ バッグ、クリーニング キットを購入する可能性があります。これらの推奨事項を目立つようにまとめて表示します。 Power BI のマトリックス視覚化では、上位 SKU 全体の共起率が表示されます。

製品別の返品率 は、返品率が異常に高い製品を特定します。カテゴリ平均の返品率が 12% であるのに比べて 35% の靴は、サイズの問題、写真の問題、または製品を偽る説明があることを示しています。返品率の低下はそれぞれ純利益に直接影響します。

製品別の在庫速度 は、各 SKU がどれくらい早く売れているかを示します。動きの速い SKU には信頼性の高い補充が必要です。動きが遅いものは維持コストを蓄積します。ベロシティとマージン率の組み合わせにより、真に価値のある SKU、つまり迅速かつ利益を上げて販売できる SKU が特定されます。

---

フルフィルメントとオペレーションの分析

注文処理のパフォーマンスは、顧客満足度、返品率、リピート購入率に直接影響します。配達の遅延や注文の破損により、返金、否定的なレビュー、顧客の喪失が発生します。 Power BI のフルフィルメント ダッシュボードは、配送業者のデータを実用的な運用インテリジェンスに変換します。

配送業者、配送地域、サービス レベル別の納期厳守率**が主要な指標です。 UPS が 94% の納期遵守率を示しているのに、同等のゾーンと価格帯では USPS が 87% を示している場合、それらのゾーンで UPS を優先するというルーティングの決定は、顧客サービスへの問い合わせと返品コストの削減という形で報われます。

フルフィルメント時間分布は、注文から出荷確認までの時間を追跡します。即日または翌日の履行という目標は、ほとんどの企業で達成可能です。在庫切れ、ピッキングエラー、倉庫の容量の問題など、3 ～ 5 日の履行時間の異常値については調査が必要です。

返品分析 は、製品およびチャネルごとに返品量、返品理由、返品コストを追跡します。チャネル固有の返品率は、特定のトラフィック ソースからの顧客が製品に対して組織的に間違った期待を持っていることを明らかにし、ターゲティングや説明に問題があることを示唆していることがよくあります。

---

よくある質問

Power BI は Shopify に直接接続しますか?

はい。 Power BI には、注文、顧客、製品、在庫レベル、割引データをインポートする認定された Shopify コネクタがあります。大容量ストアやより頻繁な更新要件の場合は、データ ウェアハウス経由で接続する (Fivetran または Airbyte を使用して Shopify を BigQuery または Snowflake に同期し、その後 Power BI をウェアハウスに同期する) と、パフォーマンスと信頼性が向上します。 ECOSIRE の e コマース分析の実装では、通常、スケーラビリティのためにウェアハウス アプローチが使用されます。

Power BI で顧客生涯価値を計算するにはどうすればよいですか?

過去の CLV では、顧客コホートに対して AVERAGEX を使用し、定義された期間にわたる実際の収益を合計します。予測 CLV では、CLV = (平均注文金額 × 購入頻度 × 粗利益率 %) / チャーン レートという式を使用します。より高度なアプローチでは、Python または R で計算され、テーブルとして Power BI にインポートされる統計モデル (BG/NBD、パレート/NBD) が使用されます。適切なアプローチは、データ量と分析の洗練度によって異なります。

Power BI は、Google 広告、メタ広告、メールにわたるマルチチャネル アトリビューションを追跡できますか?

Power BI は、各プラットフォームからアトリビューション データをインポートして並べて表示できますが、マルチタッチ アトリビューション モデルをネイティブに計算することはできません。 Google Analytics 4 は、Power BI で表示できるデータドリブン アトリビューションを提供します。真のマルチタッチ アトリビューションの場合、専用のアトリビューション プラットフォーム (Northbeam、Triple Whale、Rockerbox) がモデルを計算し、Power BI がその出力を収益とコストのデータとともにインポートして視覚化します。

Power BI でコホート維持分析を構築するにはどうすればよいですか?

コホート分析には、最初の購入日を含む顧客テーブル、すべての注文を含む注文テーブル、および日付テーブルが必要です。 DAX で、コホート月 (最初の購入日と各注文日の間の DATEDIFF) を計算し、行としてコホート (月別)、列としてコホート月 (0、1、2... 12) を含むマトリックス ビジュアライゼーションを構築します。セルの値は、その月に購入したコホート メンバーの数またはパーセンテージです。これは、SQL ウィンドウ関数を使用してデータ ウェアハウスに構築することもできます。

最初に優先すべき e コマース指標は何ですか?

チャネルおよび製品別の収益 (「何が起こっているのか」) から始め、次にコンバージョンファネル分析 (「なぜ」) を追加し、その後、顧客のセグメンテーションと CLV (「誰」) を構築します。ほとんどのチームは、最初の 2 つのステージで価値の 80% を獲得しており、基本的な指標が確実に機能するようになった場合にのみ、CLV/コホート分析が必要になります。チームが毎週実際に下す意思決定に関連する指標を優先します。

Power BI は、数百万の注文がある e コマース データをどのように処理しますか?

Power BI のインポート モードは、数千万行を効率的に処理するメモリ内の列指向ストアにデータを読み込みます。本当に大規模なデータセット (1 億行以上) の場合、増分更新では更新サイクルごとに新しいレコードと変更されたレコードのみがロードされ、すべてを再ロードすることなくモデルを最新の状態に保ちます。 DirectQuery モードは、データ ウェアハウスをライブでクエリしますが、適切に最適化されたウェアハウスが必要です。年間収益が 5 億ドル未満のほとんどの e コマース ビジネスは、増分更新を伴うインポート モードで快適に動作します。

---

次のステップ

Power BI を使用した e コマース分析は、データ アーキテクチャ、セマンティック モデル、ダッシュボードが断片的に組み立てられるのではなく、システムとして一緒に設計されるときに最大限の可能性を発揮します。最大限の価値を得る企業は、マーケティング、運営、財務、マーチャンダイジングのすべてのチームが同じデータに基づいて作業する、単一の信頼できる情報源を構築します。

ECOSIRE の Power BI サービス には、Shopify、WooCommerce、および主要な広告プラットフォーム用の事前構築されたコネクタを備えた e コマース分析の実装が含まれています。 Shopify で運営されている企業の場合、Shopify サービス はプラットフォームの運用と分析統合の両方をカバーします。

現在の分析スタックと、Power BI が最も効果を発揮できる場所については、お問い合わせください。