予測分析とは

企業は予測分析を利用してこのデータのパターンを見つけ、リスクと機会を特定します。予測分析は、ビッグデータやデータサイエンスと関連付けられることがよくあります。

現在、企業にはログ・ファイルから画像やビデオに至るまでデータが氾濫しています。これらすべてのデータは、組織内の異種のデータ・リポジトリーに存在します。このデータからインサイトを得るために、データサイエンティストは ディープラーニング と機械学習のアルゴリズムを使用してパターンを見つけ、将来のイベントについての予測を行います。こうした統計的手法には、ロジスティック回帰モデルや線形回帰 モデル、 ニューラル・ネットワーク 、デシジョン・ツリーなどがあります。これらのモデリング手法の中には、初期の予測学習を利用して、さらに予測的な洞察を行うものもあります。

予測分析モデルは、履歴データの評価、パターンの発見、傾向の観察を行い、その情報を使用して将来の傾向を予測するように設計されています。一般的な予測分析モデルには、分類、クラスタリング、時系列などのモデルがあります。

分類モデルは、 教師あり 機械学習モデルの分野に分類されます。これらのモデルは、履歴データに基づいてデータを分類し、与えられたデータセット内の関係を記述します。例えば、このモデルは、セグメンテーションの目的で顧客や見込み顧客をグループに分類するために使用できます。あるいは、「はい」と「いいえ」、「真」と「偽」といったバイナリー出力で質問に答えるために使用することもできます。この一般的なユースケースとして挙げられるのは、不正アクセス検知と信用リスクの評価です。分類モデルの種類として、 ロジスティック回帰 、デシジョン・ツリー、ランダム・フォレスト、ニューラル・ネットワーク、ナイーブベイズ（Naïve Bayes）などがあります。

クラスタリング・モデルは 教師なし学習 に分類されます。このモデルでは、類似した属性に基づいてデータをグループ化します。例えば、eコマース・サイトでは、このモデルを使用して、顧客を共通の特徴に基づいて似たようなグループに分類し、グループごとにマーケティング戦略を開発できます。一般的なクラスタリング・アルゴリズムには、k-meansクラスタリング、mean-shiftクラスタリング、Density-based spatial clustering of applications with noise（DBSCAN）、Gaussian Mixture Models（GMM）を用いたExpectation-maximization（EM）クラスタリング、階層クラスタリングなどがあります。

時系列モデルでは、日次、週次、月次など、特定の時間間隔でさまざまなデータ入力を使用します。季節性、傾向、周期的な動作についてデータを評価するために、従属変数を経時的にプロットするのが一般的であり、これは特定の変換やモデル・タイプの必要性を示すこともあります。自己回帰（AR）、移動平均（MA）、ARMA、およびARIMAモデルは、いずれも頻繁に使用される時系列モデルです。一例として、コールセンターは時系列モデルを使用して、1日のさまざまな時間帯に1時間当たり何件の通話を受けるかを予測できます。

予測分析は、さまざまなビジネス上の問題に対して、さまざまな業界に導入できます。以下に、いくつかの業界のユースケースを取り上げて、予測分析が現実世界の状況においてどのように意思決定に役立つかを示します。

• 銀行：金融サービスでは機械学習と定量的ツールを使用して、見込み客や顧客について予測します。 銀行はこの情報に基づいて、債務不履行となる可能性が高い顧客、リスクが高い顧客と低い顧客、リソースやマーケティング予算を投じる対象として最も有望な顧客、詐欺的な性質の支出に関する問いに答えを出すことができます。
• ヘルスケア：ヘルスケアにおける予測分析は、慢性疾患患者のケアを検知して管理したり、敗血症などの特定の感染症を追跡するために使用されます。Geisinger Healthでは、敗血症の診断・治療方法について詳しく知るために、予測分析を使用して健康記録を詳細に調べました。Geisingerは、過去に敗血症と診断された1万人以上の患者の健康記録に基づいて予測モデルを作成しました。このモデルは、生存率の高い患者を正しく予測するという素晴らしい成果をもたらしました。
• 人事（HR）：人事チームは、予測分析と従業員調査指標を使用して、将来の求職者のマッチング、従業員の離職率の低下、従業員エンゲージメントの向上を実現しています。定量的データと定性的データをこのように組み合わせることで、企業は採用コストを削減し、従業員の満足度を高めることができます。これは、労働市場が不安定な場合に特に役立ちます。
• マーケティングと営業：マーケティング・チームと営業チームは、過去の販売実績を把握するためにビジネス・インテリジェンス・レポートに精通していますが、予測分析により、企業は顧客ライフサイクル全体にわたってより積極的に顧客と関わることができます。例えば、チャーン予測により、営業チームは不満を抱いている顧客をより早く特定し、顧客維持を促進するための会話を開始することができます。マーケティング・チームは、クロスセル戦略に予測データ分析を活用できます。これは通常、ブランドのWebサイト上のレコメンデーション・エンジンを通じて明らかになります。
• サプライチェーン：企業は一般に、予測分析を使用して、製品在庫を管理し、価格戦略を設定します。このタイプの予測分析は、企業が倉庫に過剰在庫を持たずに顧客の需要に応えるのに役立ちます。また、企業は長期にわたる自社製品のコストと利益を評価することもできます。特定の製品の一部の輸入コストが高くなった場合、企業は追加コストを顧客ベースに転嫁するか転嫁しないかによって、収益への長期的な影響を予測できます。お客様事例の詳細については、 FleetPrideがこのタイプのデータ分析をどのように掘削機やトラクター・トレーラーの部品在庫に関する意思決定に活用したのかを詳しく読むことができます。同社は過去の出荷注文を分析することで、より正確な計画を立て、需要に基づいて適切な供給しきい値を設定できるようになりました。

過去のパターンに基づいて何が予想されるかを把握している組織は、在庫、労働力、マーケティング・キャンペーン、およびその他の事業面の管理においてビジネス上の利点を得ることができます。

• セキュリティー：現代の組織はすべて、データの安全性を確保することに関心を持つ必要があります。オートメーションと予測分析を組み合わせることで、セキュリティーが向上します。エンドユーザーの不審かつ異常な行動に関連する特定のパターンにより、特定のセキュリティー手順がトリガーされる可能性があります。
• リスクの軽減：データのセキュリティーを維持することに加えて、ほとんどの企業はリスク・プロファイルの軽減に取り組んでいます。例えば、信用枠を拡大する企業は、データ分析を使用して、顧客が平均よりも高い債務不履行のリスクを抱えているかどうかについてより詳細に把握できます。また、自社の保険の補償範囲が適切かどうかをより詳細に理解するために、予測分析を使用する企業もあります。
• 運用効率：ワークフローの効率化は、利益率の向上につながります。例えば、配送に使用する車両が道端で故障する前に、いつメンテナンスが必要になるかを把握することは、車両をレッカー移動させたり、配送を完了させるために別の従業員を投入したりする追加コストをかけずに、時間どおりに配送が行われることを意味します。
• 意思決定の向上：事業を運営するには、入念に考慮された決定が必要です。製品ラインの拡張や追加、あるいはその他の成長形態には、内在するリスクと潜在的な結果のバランスが必要です。予測分析は、意思決定プロセスに情報を与え、競争上の優位性を確保するためのインサイトを提供することができます。