Insight for Retail ブログ

VMD改善の進め方｜入店率・立ち寄り率・買上率から考える売場改善のポイント

VMD（ビジュアル・マーチャンダイジング）の基本である、

VP（ビジュアル・プレゼンテーション）：店外向けアピール
PP（ポイント・オブ・プレゼンテーション）：店内誘導
IP（アイテム・プレゼンテーション）：商品陳列

の考え方は、多くの小売現場で浸透しています。

しかし、いざ現場でVMDを改善しようとするとき、スタッフの「感覚」や「経験則」に頼った運用になりがちです。

近年では、AIカメラなどを導入して店舗データを自動取得する企業も増えました。

しかし、ここで新たな壁にぶつかるケースが少なくありません。それは、「数字は出たが、売場の何を変えればいいのか＝具体的なアクションが分からない」という問題です。

POSデータだけを見ていても、「売上が下がった」「客単価が低下している」という「結果」は分かりますが、「なぜそうなったのか」という要因（プロセス）までは把握できません。

その結果、具体的な改善策が思い浮かばず、的外れな施策や、これまでと同じような施策を繰り返してしまうケースも生じています。日々の店舗運営に追われ、本来注力すべき売上向上のための本質的な改善に、もっと時間を割きたいと感じている方も多いのではないでしょうか。

本記事では、AIカメラによる店舗データの自動取得と、データから導き出される具体的な改善アクションの特定という2つのアプローチを通じて、店舗データに基づいたロジカルな売場改善を実践するための活用術をご紹介します。

本記事の前編にあたる下記の記事もぜひご覧ください。

Download

資料ダウンロード

3分でわかる！ABEJA Insight for Retail。

AIカメラで店舗が変わる理由と、具体的な改善ステップを公開中。

資料請求

VMD改善における「データはあるが活用できない」問題の真因
【KPI別】店舗データから導くVMD改善の具体策とアクション
1. クロス分析で改善ポイントを整理する — 立ち寄り率 × 対象商品の買上率
属性データを重ね、VMDとターゲットのズレを検出する
データを活用してVMDや店舗レイアウトの改善に取り組んだ事例の解説
1. 事例1：原因をデータで切り分け、現場が自走する組織へ（ANA FESTA 様）
2. 事例2：改善施策を目的に応じたKPIで評価し利益創出（チュチュアンナ様）
VMD改善を「単発」で終わらせない！成果を出すPDCAの回し方
1. 「再現条件」を言語化し、成功施策を横展開する
2. 高品質なデータを維持するための運用保守体制
よくあるご質問（FAQ）
まとめ：総括と今後の店舗データ活用の展望

VMD改善における「データはあるが活用できない」問題の真因

【本章のポイント】

POSデータだけでは、顧客がどこで離脱したかのプロセスが分からない
VMD改善の第一歩は、いきなり売場を変えるのではなくデータに基づいて原因を客観的に切り分けること
顧客の行動プロセスを「ファネル（漏斗）」で可視化し、離脱ポイントを特定する

結論から言うと、VMD改善を成功させるための第一歩は、いきなり売場を変えることではなく、

データに基づいて「原因を切り分ける」ことにあります。

POSデータから得られる「売上」や「購入件数」「客単価」はあくまで最終的な結果に過ぎません。実店舗のVMD検証においても、ECサイトと同様に、顧客が購入に至るまでのプロセスを段階ごとに捉えることが重要です。

具体的には、「店前通行量 → 来客人数 → 特定エリアへの立ち寄り → 購入件数」という各段階の数値を把握し、どこにボトルネックがあるのかを確認します。これにより、どのVMD施策を見直すべきかを、より具体的に判断できるようになります。

上記を把握するための手段の1つがAIカメラの活用であり、以下のデータを継続的に取得・可視化できます。

店前通行量・入店率: 店舗の前をどれくらいの人が歩いているか（集客ポテンシャル）、およびそのうち何％が店内に足を踏み入れたか（店舗・入口の魅力度）
来客人数・買上率: 店舗に入った人数の総数と、来客した人のうち、購入に至った割合（購入件数 ÷ 来客人数）を指します。
立ち寄り分析: 来客した顧客が、どの売場や商品に興味を示して立ち止まったか（関心度・検討度）
来客属性: 来店者の映像をAIが解析し、性別や年代などを推定したデータ

このように購買ファネルを分解することで、POSデータだけでは分からなかった「人がそもそも来ない/自社のターゲットが来ていない（集客課題）」のか、それとも「来ているが買われていない（商品・接客課題）」のかを明確に切り分けることができます。

課題が発生しているフェーズ（離脱ポイント）が特定できれば、そこを起点として的確なVMD施策を打つことが可能になります。

【KPI別】店舗データから導くVMD改善の具体策とアクション

ファネルの分析からボトルネックとなっているKPIが特定できたら、次はその数字を基に「なぜそうなっているのか」という仮説を立て、具体的なVMD変更へと落とし込みます。

同じ「数値が悪い」という結果でも、発生している条件によって確認すべきポイントや改善施策は異なります。

1. 入店率が低い場合（VPの改善）

店前通行量は十分にあるにもかかわらず入店につながっていない場合、VP（ビジュアル・プレゼンテーション）を見直す必要があります。下記のような仮説を立て、店舗前面のディスプレイが通行者の入店を促す要因になっているかを検証する際に活用します。

入口の視認性が低い: マネキンの訴求力が弱い、または入口POPが目立っていない可能性があるため、入口演出を見直します。
特定の時間帯・イベント時のみ低い: 時間帯ごとの客層に合わせたPOPの見直しや、新製品発売・イベントと連動した店頭演出への切り替えを行います。
特定の店舗のみ低い: 店舗間の入口レイアウトや動線の違いを比較し、入りやすい店舗の成功レイアウトを参考に改善します。

2. 立ち寄り率が低い場合（PPの改善）

来客はしているものの、特定の商品や売場エリアに顧客が足を止めていない状態です。

立ち寄り分析により、設定したエリアでの滞留人数や滞在時間を日次・曜日別・時間帯別・売場別に比較します。

特定の商品までたどり着いていない: 店内レイアウトがうまく機能していない可能性があるため、什器位置や売場レイアウトの変更を行います。
他の売場への送客不足: 関連商品のクロス陳列や、店内奥へ誘導するための効果的なサイン・POPを設置します。

3. 立ち寄り率は高いが買上率が低い場合（IP・接客の改善）

店舗の来客人数と、POSデータから把握できる購入件数を組み合わせることで、来客した人のうち購入に至った割合である「買上率」を算出できます。

たとえば、来客人数は多いものの買上率が低い場合、IP（アイテム・プレゼンテーション）をはじめ、商品構成や接客などが購入につながっているかを確認する際の指標となります。商品の価格や品ぞろえ、サイズ・カラー展開などに課題があるほか、接客のタイミングを逃している可能性も考えられます。さらに、特定エリアへの立ち寄り数と対象商品の購入件数を比較することで、棚単位・エリア単位での購買状況を把握し、陳列や商品構成の改善にも活用できます。

このように、店舗全体の買上率と、特定の棚やエリアにおける立ち寄り・購買状況を併せて確認することで、VMDのどの要素を見直すべきか、より具体的な仮説を立てられるようになります。

商品は見ているが購入されない: 立ち寄り状況と対象商品の買上率を確認し、商品構成や価格、POP・陳列方法などを見直します。
サイズ・カラーが欠品している: POSデータや在庫情報を確認し、サイズ・カラー展開や在庫構成を見直します。
試着・接客が足りていない: 時間帯別の立ち寄り状況や買上率と、スタッフ配置・接客状況を照らし合わせ、配置や声かけを見直します。
レジ待ちが長い（離脱）: 売場への立ち寄りから試着・接客・購入までの状況を確認し、売場やオペレーションを見直します。

クロス分析で改善ポイントを整理する — 立ち寄り率 × 対象商品の買上率

VMD改善における分析方法の一つが、「立ち寄り率」と「対象商品の買上率」を組み合わせたクロス分析です。

立ち寄り率は「来客した顧客のうち、その売場に立ち寄った割合」を、

対象商品の買上率は「その売場に立ち寄った顧客のうち、対象商品の購入に至った割合」を示します。

この2つの指標を組み合わせることで、売場への誘導に課題があるのか、立ち寄った後の購買につながる要素に改善余地があるのかなど、優先的に確認すべきポイントを整理できます。

立ち寄り率 ＝特定エリアへの立ち寄り人数 ÷ 来客人数
対象商品の買上率 ＝対象商品の購入件数 ÷ 対象エリアへの立ち寄り人数

象限	状態の意味	考えられる主な原因	優先すべき打ち手
①立ち寄り率低 /対象商品の買上率高	たどり着いた人はよく買う。しかし、そもそも人が来ていない	動線・売場への誘導に課題がある可能性	棚位置・什器位置の変更、主動線への移設、店内奥へ誘導するサイン・POP設置
②立ち寄り率高 /対象商品の買上率低	集客はできているが購入につながっていない	商品構成・訴求・接客などに課題がある可能性	価格表示・比較POPの改善、品揃え・サイズ／カラー展開の見直し、接客タイミングの改善
③立ち寄り率低 /対象商品の買上率低	複合不振。最優先で改善すべき領域	売場への誘導・購買要因の双方	まず動線を直して立ち寄り母数を確保し、その後に商品力を検証する（同時に変えない）
④立ち寄り率高 /対象商品の買上率高	理想状態。モデルケース	—	現状維持。何が効いているかを言語化し、他店舗・他売場へ横展開する

この分析で重要な点

象限③立ち寄り率低/対象商品の買上率低、の複合不振の場合、動線と商品力を同時に変えてはいけません。

同時に変えると、効果が出ても出なくても原因が特定できず、次の施策に知見が残りません。

まずは立ち寄り率を上げて母数を確保し、立ち寄り率が改善した状態で買上率を再測定してから商品側を検証する。この順序を守ることが、改善を「一回きり」で終わらせないための条件です。

属性データを重ね、VMDとターゲットのズレを検出する

入店率・立ち寄り率・買上率という「量」の指標に、来店者の年代・性別といった「質」の情報を重ねると、VMD改善の解像度は一段上がります。比較するのは次の3層です。

状態	意味	打ち手の方向
狙う層が来店していない（ターゲット属性 ≠ 来店客層）	VP・店頭演出・販促がターゲットに届いていない	集客・販促・店頭訴求の見直し。マネキンの年代設定やPOPのコピーを、狙う層に合わせて変更する
来店しているが購入がない（来店客層 ≠ 購入属性）	店頭演出は機能しているが、店内の商品・価格・サイズ展開が合っていない	商品構成・価格帯・サイズ展開・接客の見直し。VMDではなくMD側の課題である可能性が高い
狙わない層が購入している（想定外の購入属性）	想定していなかった顧客層に支持されている	その層に向けた売場・品揃えを実験的に設置し、立ち寄り率で有効性を検証する

たとえば「45歳以上は来店しているのに購入が少ない」というデータが出た場合、

VP（店頭演出）は機能しており、課題は店内側にあると切り分けられます。この場合は店頭のマネキンをいくら変えても改善にはつながりません。

逆に、狙う層がそもそも来店していないのであれば、店内の陳列をいくら整えても数字は動きません。属性データは、VMDのどの階層（VP／PP／IP）に手を入れるべきかを決める判断材料になります。

3つ目の「狙わない層が購入している」は、見落とされがちですが、感覚では気づきにくい価値のあるシグナルです。

前編で紹介したICI石井スポーツ様の事例は、まさにこのパターンでした。秋口に若い世代の来店が増える傾向をデータで把握し、「アウトドアウェアをタウンユースする層」という仮説を立ててタウンユースコーナーを実験設置。立ち寄り率を計測した結果、新規顧客の獲得に有効な売場であることが数値で裏づけられました。

属性データは、既存ターゲットの検証だけでなく、新しいターゲット仮説の発見装置としても機能します。

データを活用してVMDや店舗レイアウトの改善に取り組んだ事例の解説

VMD改善にAIカメラとデータ分析を取り入れ、属人化の解消と売上向上を実現した成功事例を紹介します。

事例1：原因をデータで切り分け、現場が自走する組織へ（ANA FESTA 様）

従来は「経験と勘」に頼る店舗運営が中心でしたが、店前通行量、来客人数、買上率を可視化しました。
POSデータだけでは把握できなかった「人が来ないのか」「来ているが買われないのか」を客観的に切り分けられるようになり、本部と店舗間で同じ基準に基づく議論が可能になりました。
商品構成の変更など、MDの効果を客観的に検証し、改善施策の優先順位を決定できるようになりました。
結果として、現場スタッフが数値をもとに課題を捉え、自ら改善施策を考え実行するデータドリブンなサイクルが組織に定着しています。

ANA FESTA様の事例記事はこちらからご覧いただけます。

事例2：改善施策を目的に応じたKPIで評価し利益創出（チュチュアンナ様）

売上は天候や季節要因、販促などの外部環境の影響を受けやすいため、施策そのものの純粋な成果を評価できないという課題がありました。
そこで、店内施策の成果を継続的に評価する指標として「買上率」を採用しました。買上率をKPIとして設定したことで、改善施策の成果を客観的に評価できるようになり、効果が確認できた施策を他250店舗へ展開する明確な投資基準を確立しました。
結果として買上率が1.2ポイント改善し、全社換算で約4億円規模の利益創出に貢献しています。

チュチュアンナ様の事例記事はこちらからご覧いただけます。

上記の事例からの学びは多数ありますが、大切なのは「改善施策の成果は、売上ではなく目的に応じたKPIで評価する」「本部と現場で共通の指標/判断基準を持つ」という原則です。

評価指標を売上という大きな粒度で据えている限り、どれだけ良い施策を打っても「効いたかどうか分からない」まま終わり、投資判断ができません。

VMD改善においても、VPの検証には入店率、PPの検証には立ち寄り率、IPの検証には買上率と、施策の目的に対応するKPIを事前に決めておくことが前提条件となり、成功時に自信をもって横展開の投資判断が行えるようになります。

VMD改善を「単発」で終わらせない！成果を出すPDCAの回し方

VMDを変更して満足するのではなく、客観的に検証と改善を繰り返す組織的な仕組みを作ることが最も重要です。データドリブンな店舗運営を導入するメリットは主に3つあります。

1. データに基づく判断ができる（分析の壁を越える）

数値を見ても、どこに課題があるかがわからないという「分析の壁」を越えるため、入店率や買上率といった指標をダッシュボードで可視化します。直感的に現状を把握できるダッシュボードをご用意しているほか、カスタマーサクセスチームが操作方法やデータの見方、活用の進め方を丁寧に支援します。

2. 施策の立案ができる（施策の壁を越える）

課題はわかったが何をすればいいかわからないという「施策の壁」を越えるため、データに基づいたロジカルな示唆を導き出します。AIとの「対話（壁打ち）」を活用することで、過去の成功事例やデータに基づいた具体的なアクションプランを検討し、的確なVMD変更に落とし込めます。

3. 継続的な振り返りと検証ができる（成果の壁を越える）

どの施策が何になぜ効いたかがわからないという「成果の壁」を越えるため、単純な売上の前後比較ではなく、未実施店舗との比較や、曜日・時間帯などの条件を揃えた比較を行います。MDの効果を客観的に検証し、成功したVMDを「勝ちパターン」として横展開します。

「再現条件」を言語化し、成功施策を横展開する

効果が確認できた施策を他店舗へ広げる段階で、多くの企業が「A店では効いたのにB店では効かなかった」という壁に当たります。

原因は施策の質ではなく、効果が出る条件が言語化されていないことにあります。

再現条件として定義すべき要素は、主に下記の6点です。

店舗形態（路面店／館内店／アウトレットなど）
立地（駅ビル／郊外SC／繁華街など）
客層（主要年代・性別構成）
店舗規模（売場面積・什器数）
商品構成（取扱カテゴリ・価格帯）
時期・実施方法（シーズン・実施期間・オペレーション条件）

店舗の立地やメイン客層によって、同じVMDでも反応は大きく異なります。

駅ビル、郊外SC、アウトレットでは、来店する顧客のモチベーションも滞在時間も変わります。

「A店で効いた」ではなく「郊外SC・40代中心・売場30坪以上の店舗で、秋冬シーズンに効いた」まで言語化できて初めて、横展開の対象店舗をリストアップできます。

また、先行して効果検証を行う複数店舗を”ラボ店”として定め、横展開の型を探求する方法も有効です。

フェーズ	やること	判断すること
Phase 1 ラボ店を選定する	店別のボトルネック表をもとに、条件の異なる2〜3店舗を選定	どの象限の課題を検証対象にするか／検証期間中の投資額
Phase 2 改善施策を検証する	ラボ店で高速に施策を回し、4つの比較軸で評価	継続／修正／中止／別店舗で再検証
Phase 3 成功施策を全店へ展開する	効果検証済みの打ち手を、再現条件に合致する店舗群へ展開	展開範囲と、全店展開の判断基準

高品質なデータを維持するための運用保守体制

VMD改善を継続的かつ正確に行うためには、データの取得が安定していることが大前提となります。ABEJA Insight for Retailでは、システム監視・有人監視・リモート保守を組み合わせることで、

以下の工夫によりデータ取得精度の高さと安定性を実現しています。

システムと有人によるハイブリッド監視体制: 異常検知システムでの日次監視によりデバイス状態を継続監視し、異常の可能性を自動検知します。その後、担当者が内容を確認し誤検知を防止する体制を整えています。
迅速な一次対応: 障害発生時にはメール、電話、ダッシュボード等で速やかに通知し、リモート復旧を優先した迅速な当日中の一次対応を行います。
高い精度を実現するための工夫: 機材の選定、機材の設置箇所、システム上での測定範囲の調整、設置後の真値チェック（実測目視データとの比較検証）によって高い精度を実現しています。

よくあるご質問（FAQ）

Q1.複数の施策を同時に実施することは可能でしょうか？

A1. 効果検証の観点では推奨できません。特に立ち寄り率と買上率の両方が低い「複合不振」の売場では、動線と商品力を同時に変えると、効果が出ても出なくても原因を特定できず、知見が残りません。まず動線を改善して立ち寄り母数を確保し、その状態で買上率を再測定してから商品側を検証する、という順序を推奨します。

Q2.効果検証のために、全店で一斉に施策を実施すべきでしょうか？

A2. 逆効果になる可能性があります。全店一斉導入では比較対象となる未実施店舗が存在しなくなり、店舗条件や複数施策の影響が混在するため、施策とKPIの関係を切り分けられません。成功条件が曖昧なまま投資範囲だけが広がるリスクもあります。条件の異なる2〜3店舗（ラボ店）で検証し、再現条件を言語化してから展開範囲を決める方法を推奨します。

Q3.取得したデータを現場スタッフが活用しきれるか不安です。

A3. 直感的に現状を把握できるダッシュボードをご用意しているほか、カスタマーサクセスチームが操作方法やデータの見方、活用の進め方を支援します。導入後は、お客様の課題やデータ活用状況に応じて、週次・月次など定例会議の頻度を柔軟に設定し、データの見方や課題整理、改善施策の検討などを継続的に支援します。あわせて、AIを壁打ち相手として活用することで、分析の深掘りや施策検討を効率的に進められます。