予測分析とは何ですか?

アナリストは、記述的分析、診断的分析、予測分析、処方的分析の 4 種類のデータ分析を使用します。

• 記述的分析では、履歴データ分析によって過去に何が起こったかを特定します。
• 診断的分析は、履歴データを使用して、過去にある事象が起こった理由を説明します。
• 予測分析は、過去のデータパターンと現在のデータパターンに基づいて将来の傾向を予測します。
• 処方的分析は、将来の行動と決定を規定し、企業が意思決定を最適化できるようにします。

予測分析と記述的分析

記述的分析は、データエンジニアが過去の出来事で何が起こったのかを知ることを可能にするデータサイエンスです。記述的分析は過去のデータを探索し、表やグラフなどのわかりやすい統計モデルで提示します。例えば、企業は数年にわたって、記述的分析を用いて季節ごとの売上傾向を調査してきました。 

記述的分析は、データマイニング手法を通じて明らかにされた事実的な出来事とパターンに基づいています。しかし、予測分析のように将来の出来事を予測するわけではありません。

予測分析と処方的分析

予測分析は過去の出来事に基づいて何が起こるのかを予測しますが、処方的分析はさらに、結果に影響を及ぼす意思決定を推奨します。例えば、予測モデルは、近づきつつあるホリデーシーズンに配送チームが対応できないことを示唆します。それを見た工場管理者は、最適な配送スケジュールの設定、宅配便サービスの利用、人員シフトの調整を行うために、処方的分析を用います。 

多くの組織は、予測分析を積極的に使用して、リアルタイムおよび将来の成果に実現に活用しています。ここでは、予測分析の例をいくつかご紹介します。

金融

銀行業に携わる人々やファンドマネージャーは、金融機関の収益性に影響を及ぼす可能性のある、非常に重要な意思決定を行います。予測分析は、過去の取引データに基づくビジネスインテリジェンスを提供することで、これらの人々が自信をもって意思決定を行えるようにします。例:

• ローンマネージャーは、高度な分析ソフトウェアを使用して、申請者へのローンを承認する前に信用リスクを予測します。 
• 銀行のセキュリティチームは、予測分析ソフトウェアを使用して、不正行為を示唆する異常な取引データを特定します。
• 保険会社は、予測モデリングを使用して、不正な保険金請求を特定できます。 

小売業

小売企業は、予測分析を使用して、地域および現地の顧客の需要を予測し、在庫を地域および現地の配送ステーションに事前配送して、配送時間を短縮します。リードスコアリングモデルを使用してリードコンバージョン率を改善したり、予測的なレコメンデーションを使用して、顧客プロファイルに基づいてアップセルおよびクロスセルの機会を増やしたりしている企業もあります。ここで、予測分析はより効果的なマーケティング戦略を決定します。企業は、将来の需要と売上を予測するためにも、予測分析を使用しています。

製造

製造業者は予測分析を使用して、サプライチェーン全体で、生産性やコスト効率を高め、品質を改善します。例えば、調達マネージャーは予測分析を使用して材料価格を予測し、可能な限り低い価格で材料を確保します。一方、物流部門では予測分析を実施し、最適な配送ルートを計画して、輸送費を削減しています。

また、製造業も予測機械学習を用いて、潜在的な機器の故障を特定しています。技術者は生産スケジュールへの影響を最小限に抑えながら、計画的な修理を実施できます。製造業者は、予測データ分析を使用して生産ラインの機器をモニタリングし、スループットを最適化し、異常を検出し、機器の欠陥を明らかにします。製造会社は予測分析を使用して、機械をモニタリングし、状態を明らかにし、保守要件を予測します。

医療

ヘルスケア業界は、マクロレベルとミクロレベルの両方で予測分析の恩恵を享受しています。例えば、医療エキスパートは予測モデリングを用いて、ワクチンの開発や使用可能性などの変化する変数に基づいて、世界的な疾病の推移を予測しています。また、医師はヘルスケア予測分析を用いて患者の症状をモニタリングし、将来発生する可能性のある合併症を予測しています。医療関連企業は、患者モニタリング機器で予測分析を使用して、患者の状態のリアルタイムの変化を検出すると同時に、患者モニタリング装置の効果を低下させる偽のアラームを排除しています。

多くの機械学習アプリケーションと同様に、予測分析は常に新しいデータを使用して予測を更新する動的なプロセスです。これは、この手法が、データクレンジング、モデルのトレーニング、デプロイ、フィードバック、再トレーニング、再デプロイというパイプラインと、ほぼリアルタイムでデータを取り込む能力を活用することを意味します。データサイエンティストは、次の予測分析手法を用います。

決定木

決定木は、一連の「はい」か「いいえ」の質問に回答することでソフトウェアが予測を行うことを可能にする機械学習モデルです。その名のとおり、この手法はノードとブランチで木の形を模倣します。各ノードには、次のノードに進む前に回答しなければならない、問題に固有の特徴が含まれています。各ノードは 2 つのリーフに分岐し、次のノードにつながります。

決定木は、定性的データと定量的データの両方を予測できます。例えば、決定木予測モデルを使用して、顕著な症状に基づいて不動産価格や患者の健康状態を予測できます。決定木は理解しやすいですが、多様な新しいデータを分析するには柔軟性に欠けます。  

回帰分析

回帰は、新しいデータを既知のデータセットに分類し、または相関させることで予測を行うためにデータサイエンティストが使用する統計的アプローチです。線形回帰は、2 次元チャート上で独立変数と従属値の関係をモデル化します。例えば、HR マネージャーは線形回帰を用いて、経験年数に基づいて候補者の給与を予測します。 

一方、ロジスティック回帰は、確率に基づいて変数を 2 つ以上のカテゴリに分類します。例えば、IT チームはロジスティック回帰を用いて、E メールが迷惑メールでないかどうかを検出および予測します。このモデルは、設定されたしきい値を超える数の望ましくない特性が見つかった場合、その E メールを疑わしい E メールとして分類します。 

時系列分析

時系列分析は、時間的順序を重要視して、時間が経過する中で収集または記録されたデータポイントを分析するために用いられる予測分析手法です。そのため、株価の変動、エネルギー消費、サプライチェーン管理における需要計画などの予測アプリケーションで特に有用です。

時系列分析における主要な手法は、自己回帰和分移動平均 (ARIMA) です。これは、過去の値と誤差を考慮して時間依存の関係をモデル化し、将来の傾向を予測します。長・短期記憶 (LSTM) などのより高度な手法は、長期間にわたって記憶を維持し、深層学習を活用して時系列データにおける長期的な依存関係を捉えます。

深層学習ニューラルネットワーク

深層学習は、モデルが複雑で高次元のデータを処理し、従来の手法では見逃される可能性のある複雑な関係を明らかにすることを可能にすることで、予測分析に革命をもたらしました。ニューラルネットワークは、画像、動画、音声録音などの複雑なデータで予測を行う際に特に効果的です。深層学習モデルは、ヘルスケアやサイバーセキュリティなどの複雑な業界全体で予測能力を強化します。