03-6441-0989
Yuki Ueda 
ディリクレNBDモデルを理解すべき実務上の理由
消費財メーカーのブランドマネージャーは、自社製品がカテゴリー内でどのように選ばれているのかを定量的に把握する必要があります。筆者がFMCG企業で直面した課題も、まさにこの点でした。市場シェアは見えていても、個々の消費者がどのブランドをどれくらいの確率で選ぶのか、リピート購買はどう起きるのかという詳細な選択行動のメカニズムが見えませんでした。
ディリクレNBDモデルは、この消費者のカテゴリー内選択行動を確率分布で記述するモデルです。単なる理論ではなく、実際の購買データから導き出されたパターンを説明し、将来予測にも使える実務的な道具として機能します。このモデルを使うと、ブランドスイッチの発生頻度、ロイヤルティの分布、市場浸透率と購買頻度の関係を数値で把握できます。
従来のマーケティング分析では、顧客を「ロイヤル」「非ロイヤル」という二分法で捉えがちでした。しかし実際の購買行動はもっと複雑で、消費者は複数ブランドを使い分けています。ディリクレNBDモデルは、こうした現実を正確にモデル化します。
ディリクレNBDモデルの定義と基本構造
ディリクレNBDモデルとは、カテゴリー内での消費者のブランド選択確率を、ディリクレ分布とNBD分布を組み合わせて表現した確率モデルです。1984年にGoodhardtらによって提唱されました。
このモデルは2つの要素から成り立っています。まずNBDモデルが、消費者の購買頻度を記述します。NBDは負の二項分布を意味し、個人ごとに購買頻度が異なることを前提としています。次にディリクレ分布が、各消費者がカテゴリー内のブランドをどの確率で選ぶかを記述します。この2つを統合することで、異質な消費者集団における選択行動全体をモデル化できます。
具体的には、ある消費者がシャンプーを月に2回買うとして、その2回でブランドAを選ぶ確率が70%、ブランドBが20%、ブランドCが10%といった個人内の選好分布を想定します。そしてこの選好分布自体が消費者間でばらついている状態をディリクレ分布で表現します。購買頻度のばらつきと選好のばらつきを同時に扱えるのが、このモデルの強みです。
実務では、POSデータやパネルデータからパラメータを推定し、モデルを当てはめます。推定されたパラメータから、各ブランドの浸透率、購買頻度、リピート率、ブランドスイッチ率などを導出できます。
カテゴリー選択におけるディリクレNBDモデルの重要性
このモデルが重要なのは、消費者の選択行動に関する3つの現実を数値化できるからです。
第一に、ブランドロイヤルティの実態を正しく把握できます。多くのマーケターは、自社ブランドの購買者を「ロイヤル顧客」と呼びますが、実際にはほとんどの消費者が複数ブランドを購入しています。ディリクレNBDモデルを使うと、ある顧客が自社ブランドを選ぶ確率が何%で、競合ブランドに流れる確率が何%かを定量的に示せます。これにより、過度に楽観的なロイヤルティ評価を避けられます。
第二に、市場シェアと浸透率・購買頻度の関係を分解できます。シェアが10%のブランドは、購買頻度が高い少数の顧客に支えられているのか、それとも多くの顧客に薄く選ばれているのか。この違いは戦略に直結します。ディリクレNBDモデルは、ダブルジョパディの法則が成り立つかどうかを検証する際にも使われます。
第三に、新製品投入時の予測精度が上がります。既存ブランドの選択確率分布がわかっていれば、新ブランドが市場に入ったときの影響をシミュレーションできます。どのブランドから顧客を奪うのか、自社ブランド間でのカニバリゼーションがどの程度起きるのかを事前に見積もれます。
筆者が関わった飲料カテゴリーのプロジェクトでは、このモデルを使ってブランドポートフォリオ全体の最適化を図りました。個別ブランドの売上だけでなく、カテゴリー全体での顧客獲得効率を評価できたのが、意思決定の質を大きく改善しました。
ディリクレNBDモデル活用でよくある3つの誤解
実務でこのモデルを導入しようとすると、いくつかの誤解に直面します。
最も多いのが「複雑すぎて使えない」という思い込みです。確かに数式は難解に見えますが、実際にはソフトウェアやスプレッドシートで計算できます。重要なのは計算の詳細ではなく、モデルが何を前提としているかを理解することです。前提を理解していれば、結果の解釈を誤らずに済みます。
次に「全てのカテゴリーで使える万能モデル」という誤解です。ディリクレNBDモデルは、購買頻度が比較的高く、消費者が複数ブランドを使い分ける日用品カテゴリーで最も有効です。逆に、耐久財や高関与製品では前提が成立しないため、適用には慎重さが必要です。
もう1つの誤解は「個人レベルの行動予測ができる」というものです。このモデルは集団レベルでの確率分布を扱うため、特定の顧客が次に何を買うかを予測するツールではありません。あくまで集団全体の傾向を把握し、戦略的意思決定を支援するためのモデルです。
ディリクレNBDモデルの正しい実務活用法
実務でこのモデルを活用するには、以下の手順を踏みます。
まずデータの準備です。パネルデータまたはPOSデータから、一定期間内の各消費者の購買履歴を抽出します。ブランド別の購買回数、購買タイミング、購入量などを整理します。データの粒度は週次または月次が一般的です。
次にパラメータの推定を行います。最尤推定法を使い、観測データに最もフィットするディリクレ分布とNBD分布のパラメータを求めます。統計ソフトやRのパッケージを使えば、この作業は自動化できます。推定されたパラメータから、各ブランドの浸透率、平均購買頻度、リピート率を計算します。
推定結果を検証します。モデルから予測された値と実測値を比較し、フィット度を確認します。カイ二乗検定などで統計的な適合度を評価し、モデルが現実を十分に説明しているかを判断します。適合度が低い場合は、カテゴリー定義を見直すか、異なるモデルの使用を検討します。
最後に戦略への応用です。推定されたパラメータを使い、マーケティング施策の効果をシミュレーションします。たとえば、浸透率を5%上げたときの売上増加を試算したり、競合ブランドの価格変更が自社シェアに与える影響を予測したりします。施策の優先順位づけや予算配分の根拠として使えます。
筆者が関わった洗剤カテゴリーのケースでは、ディリクレNBDモデルの結果から、浸透率向上がリピート率改善よりも売上への貢献度が高いことが判明しました。この知見をもとに、広告予算をブランド認知向上に集中配分し、売上を前年比15%増加させました。
ブランドポートフォリオ最適化への応用
複数ブランドを持つメーカーにとって、ディリクレNBDモデルは自社ブランド間のカニバリゼーションを定量化する強力な道具になります。新製品を投入したとき、既存ブランドからどれだけ顧客を奪うのか、競合からどれだけ奪えるのかを事前に見積もれます。
具体的には、既存ブランドのパラメータを固定し、新ブランドのシェアを変数として加えてモデルを再計算します。新ブランドが市場に入ったときの各ブランドの浸透率と購買頻度の変化を予測できます。この情報をもとに、新製品投入のタイミングやポジショニングを調整します。
筆者が支援したスナック菓子メーカーでは、この手法を使って新フレーバー投入の可否を判断しました。モデル予測によれば、新製品の売上の7割が自社の既存製品からの移行であることがわかり、投入を見送る判断をしました。結果的に、既存製品の改良に予算を振り向け、より高い収益性を達成しました。
プロモーション効果測定への応用
ディリクレNBDモデルは、プロモーション施策の効果を分解する際にも有用です。プロモーション後の売上増加が、新規顧客獲得によるものか、既存顧客の購買頻度向上によるものかを区別できます。
プロモーション前後のデータを使ってパラメータを推定し、浸透率と購買頻度の変化を観察します。浸透率が大きく上がっていれば、新規顧客獲得に成功したと判断できます。逆に購買頻度のみが上がっている場合は、既存顧客の前倒し購入が起きた可能性が高く、長期的な売上増加には寄与しない可能性があります。
この区別は戦略的に重要です。新規獲得型のプロモーションと既存活性化型のプロモーションでは、投資対効果の評価軸が異なるからです。筆者が分析したあるキャンペーンでは、一見成功に見えた施策が実は既存顧客の購買タイミングをずらしただけで、長期的な顧客基盤拡大には貢献していないことが判明しました。
ディリクレNBDモデルの実務事例
海外の大手消費財メーカーでは、ディリクレNBDモデルを標準的な分析ツールとして使っています。たとえばユニリーバは、ブランド戦略の策定にこのモデルを組み込んでいます。各国市場でのブランド浸透率と購買頻度を定期的にモニタリングし、投資配分を最適化しています。
日本国内でも、大手飲料メーカーがこのモデルを使ってブランドスイッチパターンを分析しています。特定の季節にどのブランド間でスイッチが起きやすいかを把握し、販促施策のタイミングを調整しています。
筆者が関わったあるプロジェクトでは、化粧品カテゴリーでディリクレNBDモデルを適用しました。高価格帯と低価格帯で消費者の選択確率分布が大きく異なることが明らかになり、セグメント別の戦略を構築する根拠となりました。高価格帯では少数のロイヤル顧客が売上を支えているのに対し、低価格帯では広い顧客層が薄く選択している状態でした。この違いを踏まえ、高価格帯ではCRM強化、低価格帯では認知拡大に予算を振り分けました。
別の事例として、筆者がコンサルティングした食品メーカーでは、競合ブランドの新製品投入に対する防衛策を検討する際にこのモデルを使いました。自社ブランドと競合ブランドの選択確率を分析し、どの顧客セグメントが奪われやすいかを特定しました。その結果、価格感応度の高いセグメントに対して先行してプロモーションを実施し、競合の影響を最小限に抑えることができました。
ディリクレNBDモデルを実務に組み込む際の注意点
このモデルを組織に導入する際には、技術的な理解だけでなく、組織的な準備が必要です。
まず、データインフラの整備が前提となります。パネルデータやPOSデータを定期的に収集し、分析可能な形に加工する仕組みが必要です。データクレンジングの品質が分析結果の信頼性を左右します。
次に、分析結果を意思決定に活かすプロセスを設計します。モデルの出力を誰がどのタイミングで見るのか、どの指標が閾値を超えたら行動を起こすのかを事前に決めておきます。分析結果が報告書に留まり、実際の施策に反映されないケースが多いため、この設計が重要です。
また、モデルの限界を理解した上で使うことが大切です。ディリクレNBDモデルは定常状態を前提としているため、市場環境が急激に変化するときには予測精度が落ちます。新規参入や大規模なカテゴリー変化がある場合は、モデルの前提を見直す必要があります。
筆者の経験では、モデルの結果を経営陣に説明する際に、数式ではなく実務的な示唆を中心に伝えることが成功の鍵でした。「浸透率を3%上げることで売上が年間5億円増える」といった具体的な数字で語ることで、投資判断を引き出せます。
ディリクレNBDモデルの実務価値を最大化するために
ディリクレNBDモデルは、消費者のカテゴリー内選択行動を確率分布で記述し、浸透率・購買頻度・ロイヤルティを定量化する実務的なツールです。単なる理論モデルではなく、実際の購買データから導き出されたパターンを使って将来予測や施策評価を行えます。
このモデルを使うことで、過度に楽観的なロイヤルティ評価を避け、市場シェアの構造を正しく理解できます。新製品投入やプロモーション施策の効果を事前にシミュレーションし、投資対効果を高める判断が可能になります。
ただし、モデルの前提を理解せずに機械的に適用すると、誤った結論に至る危険があります。適用可能なカテゴリーかどうかを見極め、データの品質を確保し、結果を実務に落とし込むプロセスを整備することが成功の条件です。
筆者が強調したいのは、このモデルが完璧な予測装置ではなく、意思決定を支援する道具だということです。モデルの出力を鵜呑みにするのではなく、現場の知見と組み合わせて解釈することで、初めて価値を発揮します。
今後、AI技術の発展により、より複雑な消費者行動モデルが登場するでしょう。しかし、ディリクレNBDモデルが示す基本的な洞察、つまり消費者は複数ブランドを使い分けており、その選択確率は個人ごとに異なるという現実は変わりません。この基本を押さえた上で、新しい手法を組み合わせていくことが、実務での成功につながります。
よくある質問
この記事を書いた人
石崎 健人 | 株式会社バイデンハウス マネージング・ディレクター
リサート所属モデレーター。外資系コンサルティング・ファーム等を経て現職。生活者への鋭い観察眼と洞察力を強みに、生活者インサイトの提供を得意とする。2022年より株式会社バイデンハウス代表取締役。2025年よりインタビュールーム株式会社（リサート）取締役。