売上予測に必要なデータとは？ 店舗開発で押さえるべきデータ一覧 売上予測はデータで決まる

モデルよりもデータが重要な理由

店舗開発における売上予測の目的は、単に数値を当てることではなく、投資判断における「確信」を得ることにあります。

高精度な予測モデルを構築するためには、アルゴリズムの選定以上に、「売上がなぜ変動するのか」を説明できるデータを適切に収集・加工することが重要です。

例えば、ある店舗の売上が好調な理由が、「近隣に大型マンションが建設されたため」なのか、「競合店が撤退したため」なのか、あるいは「店長の接客力が高いため」なのかによって、意味合いは大きく異なります。

これらの要因をデータとして分解し、AIや統計モデルに正しく学習させなければ、新規出店の売上を予測することはできません。 予測精度が上がらない主な原因は、モデルの問題よりも、「需要を適切に表現できるデータが不足している」点にあるケースが多いのです。

必須データ（内部データ）

まず整理すべきは、自社が保有する「内部データ」です。これらは予測モデルにおける「目的変数（予測対象）」および、店舗ごとの特性を表す「説明変数」として重要な役割を果たします。

売上・客数・客単価

予測の基盤となるのは、既存店の実績データです。

● POSデータ：日次・時間帯別の売上、客数、客単価
● カテゴリー別売上：飲食店であればランチ・ディナー別、小売店であれば主要カテゴリー別の売上構成
● トレンド情報：開業からの経過月数や直近の売上推移

特に重要なのが「時間帯別データ」です。例えばオフィス街の店舗では、日次合計だけでは昼間に集中する需要を把握できず、適切な店舗規模の判断を誤る可能性があります。

店舗属性（面積・業態など）

同じ立地条件でも、店舗の仕様によって売上は大きく変わります。これらを「店舗属性データ」として整理します。

● 物理的特性：売場面積、間口の広さ、看板の視認性、駐車場台数
● 運営特性：営業時間、定休日、デリバリー対応の有無、イートイン席数
● 周辺環境（定性）：道路の入りやすさ、信号の有無など

これらは単なる数値として扱うだけでなく、「席あたり売上」などの効率指標に変換することで、モデル精度の向上につながる場合があります。

外部データ（商圏データ／ GEO DATA）

自社データだけでは、「なぜその立地で売れるのか」という外部要因を説明できません。そこで、GIS（地理情報システム）を活用し、外部データ（GEO DATA）を統合することが重要になります。

夜間人口・昼間人口・商業人口など

商圏のポテンシャルを把握する基本データです。

夜間人口：居住者数、年齢構成、世帯構成
昼間人口：通勤・通学による滞在者数（オフィス街・学生街で重要）
商業人口：いわゆる買い物人口
将来推計人口：5〜10年後の成長性や衰退リスクの把握

競合店舗情報

売上は商圏内の需要の取り合いによって決まります。競合を考慮しない予測は、過大評価になりやすい傾向があります。

● 競合の位置・規模：店舗数、距離、売場面積
● ハフモデル：距離と店舗規模から来店確率（吸引力）を算出

ハフモデルを活用することで、単なる人口ではなく、より実態に近い需要を捉えることができます。

人流データ

近年、予測精度を大きく向上させているのが、人流データです。

● 動態分析：通行量や駅利用者数の変化
● 属性分析：来訪者の居住地や勤務地
● 鮮度：リアルタイムに近いデータ更新

人流データを組み込むことで、従来の統計データのみの場合と比べ、予測精度が大きく改善されるケースも多くあります。

データの組み合わせ方

収集した内部・外部データは、「店舗ID」をキーにして統合し、1つのデータセットとして整理することで分析可能になります。

多変量分析の考え方

売上（y）を複数の要因（x₁, x₂, …）で説明する構造を構築します。

y = ax₁ + bx₂ + cx₃ + … + 定数
例えばコンビニの売上を予測する場合、「周辺人口」「競合数」「立地条件」「人流」などを組み合わせ、それぞれの影響度を算出します。

【関連コラム】多変量解析とは？

ビジネスで使える分析手法をわかりやすく解説

GISとの連携

これらのデータを手作業で収集・加工するのは現実的ではありません。
MarketAnalyzer® 5やTHE NOVELのようなGISを活用すれば、任意の地点を指定するだけで、必要な商圏データを一括取得し、分析に適した形式に加工することが可能になります。

よくある課題と対策

データ活用の現場では、「不完全なデータ」を前提に進める必要があります。

データが揃わない

「既存店データが分散している」「競合情報が不明」といった状況は珍しくありません。

対策としては、すべてのデータを最初から揃えようとせず、「店舗ID・住所・売上」の最低限の項目から始め、段階的にデータを拡張していく方法が有効です。 不足データは推計や現地調査で補完します。

精度が出ない理由

データが揃っていても精度が出ない場合、以下の要因が考えられます。

● データが古い（市場変化を反映できていない）
● サンプルが偏っている（異なる業態・立地を混在させている）
● 外れ値を処理していない（一時的な売上増減が影響）

店舗特性ごとに分類（クラスター化）し、適切なデータセットで分析することが重要です。

まとめ

売上予測の精度は、「どのモデルを使うか」よりも「どのデータを使うか」に大きく依存します。

● 内部データで店舗の実力を把握する
● 外部データで立地のポテンシャルを測定する
● GISでこれらを統合し、相関の高い要因を特定する

「経験や勘」に依存した出店判断から脱却する第一歩は、自社にとっての「売上を左右するデータ一覧」を整理することです。

■ 次に読むべき記事
データをフル活用し、高精度な予測を実現する手法として注目されているのがAIです。
→「 売上予測×AIで出店判断はどう変わる？ 店舗開発の精度を高める最新手法」を読む

■ 関連記事
・売上予測における回帰分析の使い方
・売上予測はエクセルでどこまでできる？

---

監修者プロフィール

市川 史祥

技研商事インターナショナル株式会社
執行役員CMO　シニアコンサルタント　市川 史祥

一般社団法人LBMA Japan 理事
ロケーションプライバシーコンサルタント
流通経済大学客員講師／共栄大学客員講師
統計士／医療経営士／介護福祉経営士
Google AI Essentials／Google Prompt Essentials

1972年東京生まれ。早稲田大学政治経済学部卒業。不動産業、出版社を経て2002年より技研商事インターナショナルに所属。 小売・飲食・メーカー・サービス業などのクライアントへGIS（地図情報システム）の運用支援・エリアマーケティング支援を行っている。わかりやすいセミナーが定評。年間講演実績90回以上。

電話によるお問い合わせ先：03-5362-3955（受付時間／9：30～18：00 ※土日祝祭日を除く）
Webによるお問い合わせ先：https://www.giken.co.jp/contact/