| 顧客番号 | 年齢 | 年収 | 車利用年数 | 成約 |
| 1101 | 30 | 420 | 3 | 0 |
| 1102 | 48 | 1000 | 4 | 1 |
| 1103 | 52 | 480 | 1 | 0 |
| 1104 | 43 | 1030 | 4 | 1 |
| 1105 | 41 | 880 | 2 | 0 |
| 1106 | 43 | 600 | 3 | 1 |
ある自動車販売会社の過去の顧客データがあるとする。（当然数字は適当です。）
成約の可否を成立を1、不成立を0とする。このデータを基にエクセルで回帰分析
をかけると顧客心理を数式化できるんです。出来上がった数式に新規顧客の
年齢、年収、車の利用年数等を代入するとこのお客さんが契約しようとしている
お客さんか否かの可能性が出るのです。
例えば、見込み顧客を大量に集めた際に営業マンのリソースやクロージングに
かける追加広告費などの予算が限定されている際にはこの手法で見込み客に
優先順位をつけ、契約可能性の高い顧客へ優先的にリソースを割り当てる
ことで、理論上は少ない予算でも成約率を高める事が可能になります。
他にも多数のデータを追加して実際に計算してみると、車の利用年数だけが
計算上、ほかの年齢や年収などに比べて予測に不適合な数字ということが
わかりました。これは回帰分析の計算結果のP-値という数字を見ることでわかります。
このP-値がこの値が0.05もしくは0.01より小さな値であればその変数（ここでいう
年収などの数字）を採用となります。
結果として、自動車の保有年数が大幅に大きな値を出していたので除外をして
計算しその結果は、
成約率＝-0.02344542888×年齢＋0.00148999×年収-1.4232455213
という数式になりました。この数式に見込み客の変数を代入してより1に近い
数字を出した顧客ほど契約率が高いといえます。
実際にはキレイな数字が出ることはあまりないのですが、思考錯誤していき
応用していく中で色々な意思決定に使える考えであるとはいえます。
