業務分析・データ利活用

要点と定義

業務分析・データ利活用では、目的に合う分析手法を選び、結果を適切に解釈して意思決定や課題解決に用いる。QC七つ道具のパレート図は項目を大きさ順に示して主要な問題を把握する図であり、新QC七つ道具の連関図は複雑な要因間の関係を整理する図である。二クラス分類のROC曲線は、しきい値に応じた真陽性率と偽陽性率の関係を示す。デシジョンツリーは意思決定と不確実な事象を分岐で表し、期待値などを用いた判断に役立てる。アソシエーション分析はデータ中の関連ルールを抽出する手法である。

適用条件と例

不具合などの項目別件数を多い順に並べ、累積比率と合わせて主要項目を把握するにはパレート図を用いる。要因が複雑に絡む問題では、要因間の因果関係を整理する連関図が適する。ROC曲線は判定しきい値を変えたときの真陽性率と偽陽性率の関係を表し、偽陽性率は実際に陰性のデータのうち陽性と判定された割合である。デシジョンツリーでは、意思決定の分岐と偶然に生じる事象の分岐を整理し、各分岐の確率・利益・費用から期待値を比較する。個人データの利活用例では、契約などに基づきデータを預かり、本人の指示または指定条件に従って他の事業者へ提供する仕組みがある。基盤モデルを独自データで追加学習し、特定の業務やサービスに合わせることはファインチューニングに当たる。購買データなどから同時に起きやすい事象のルールを抽出し、支持度・信頼度・リフト値で評価するのはアソシエーション分析である。

項目ごとの発生件数を比較し、件数の多い項目を順位付けして主要な要因を把握する図法がパレート図である。累積比率も併せて示せるため、優先して扱う項目を見いだすのに使う。

ROC曲線は、二クラス分類の判定しきい値を変化させたときの真陽性率と偽陽性率の関係を表す。しきい値による分類結果の変化を評価するための曲線である。

個人データの利活用において、契約などに基づいて個人からデータを預かり、本人の指示または指定条件に従って他の事業者へ提供する仕組みがある。これは個人の意思を反映したデータ提供の形として理解できる。

デシジョンツリーでは、意思決定の選択肢と確率的に生じる事象を分岐として表す。各結果の利益から費用を考慮し、発生確率を用いて期待値を求めれば、複数の施策を比較して判断できる。

基盤モデルに独自のデータを用いて追加学習を行い、特定の業務やサービスに適するよう調整する方法をファインチューニングという。モデルの追加学習による調整である。