データ分析の手法と活用

要点と定義

データ分析では、知りたいことに応じて手法や図表を選びます。大量のデータから未知の傾向や状況を予測するには、統計的な手法に加えて機械学習も利用できます。分析対象は表形式の数値に限らず、画像・動画・音声や、機器の稼働記録なども含み得ます。データを使う際は、分析の目的や扱い方を踏まえて判断します。

データサイエンティストは、統計や機械学習などを使ってデータを分析し、業務やビジネスに活用できる知見を得る役割を担います。

ABC分析は、売上高や使用量などの重要度で対象を順位付けし、A・B・Cのグループに分けて重点管理する方法です。例えば商品を売上高順に並べ、グループごとに管理の優先度を考えます。

主成分分析は、多数の変数が持つ情報をできるだけ保ちながら、少数の指標に集約する方法です。説明に使うパラメータを絞りたい場合に適します。

散布図は、二つの数量を軸に取り、データを点で表して両者の関係を調べる図です。バブルチャートは、横軸と縦軸に二つの値を置き、円の大きさで第三の値も表します。

パレート図は、項目を件数や頻度の大きい順に棒グラフで並べ、累積値を折れ線で重ねた図です。優先して対処すべき項目を探すときに使います。

フェルミ推定は、正確に求めるのが難しい数量を、把握している情報と論理的な仮定から概算する方法です。回帰分析は、変数間の関係を式で表し、既知の値から別の値を推定する方法です。

名寄せは、氏名や住所などの手掛かりで同一の個人・法人のデータを識別し、顧客単位などでまとめる手続です。

適用条件と例

全体に占める割合が異なるグループの時間短縮を計算するときは、各グループの短縮率をその構成比で重み付けします。例えば、導入前の作業時間の80%を占める作業が30%短縮され、残り20%が変わらないなら、全体の短縮率は80%×30%＋20%×0%＝24%です。単純に30%と20%を平均しません。

売上高のような重要度で対象を分類したいならABC分析、複数の変数を少数の指標にまとめたいなら主成分分析を検討します。二つの数値の関係には散布図、三つの数値の比較にはバブルチャートが向きます。頻度順に並べて累積割合も見たい場合はパレート図を選びます。

正確な数値を直接集めにくい場合は、例えば「地域の店舗数×一店舗あたりの一日平均販売数」のように分解してフェルミ推定できます。気温と販売量の関係を一次式で近似できるなら、予測気温を式に代入して販売量を推定できます。