業務分析・データ利活用

要点と定義

データ利活用では、課題に合わせてデータを集め、整え、分析し、結果を伝えて意思決定に役立てます。業務システムのデータを分析して業績評価や経営判断を支援する活用は、BIの例です。

データ分析では、目的やデータの性質に応じて手法を選びます。データマイニングは、蓄積データを分析して、検索だけでは見つけにくい規則や相関などを発見することです。

クラスタ分析は、データ間の類似度などを基に、似たデータをグループ化する方法です。あらかじめ正解グループを与えず、データのまとまりを探す使い方があります。距離の尺度や標準化の有無によって、結果が変わることがあります。

パレート図は、項目別の件数を多い順に並べた棒グラフで、累積比率を折れ線で表す場合もあります。件数の上位項目を把握し、改善の優先順位を検討する手掛かりになります。

過去の出題で扱った補足として、偽陽性率は、実際には陰性のデータのうち、誤って陽性と判定したデータの割合です。分母は全データ数ではなく、実際の陰性データ数です。

適用条件と例

まず分析課題を定め、必要なデータと収集方法を選びます。収集後は、欠損値や外れ値の扱い、データの結合や標準化など、分析に必要な前処理を検討します。たとえば、店舗別の需要を比べるなら、店舗を特定できない記録がどれだけあるかを確認し、処理方法が結果に与える影響を調べます。

分析目的が経営判断の支援ならBI、蓄積データから未知の規則性を探すならデータマイニング、似た対象のまとまりを探すならクラスタ分析が候補です。件数の多い項目を把握したい場合はパレート図を使えます。たとえば問い合わせ記録で、件数の上位を知りたいのか、似た内容のグループを見つけたいのかを先に決めます。

統計的な結果は、対象データや収集方法を踏まえて解釈します。偽陽性率を計算する例では、実際の陰性データが40件、そのうち3件を誤って陽性と判定したなら、3÷40＝0.075で7.5％です。図表は伝えたい内容に合わせて選び、軸や表示方法が判断を誤らせないかも確認します。

誤りやすい点

データの収集、保存、集計、分析、パターン発見は異なる段階です。データを蓄積しただけでは、データマイニングを行ったことにはなりません。目的に合う前処理を行い、結果が妥当かを確かめてから活用します。

クラスタ分析で見つけるまとまりと、既存の正解ラベルを基に新しいデータの所属先を判定する分類は区別します。クラスタの結果は、類似度の定義やデータの尺度にも左右されます。

パレート図は件数の順位を示す図であり、それだけで原因を確定するものではありません。偽陽性率も、全データに対する誤判定率や、陽性と予測したデータ中の誤りの割合とは異なります。指標の定義と分母を確認してから解釈します。