予測分析

概要と重要性

予測分析とは何か?

予測分析とは、データ、統計アルゴリズム、機械学習手法を活用し、将来の結果が生じる可能性を履歴データにもとづいて特定する分析手法です。

その目標は、過去の事象に関する記述統計やレポーティングが扱う範囲を超えており、将来にどのような事象が発生するかの確率を最高の精度で評価することにあります。最終的な結果として期待されているのは、意思決定を合理化し、より適切な行動につながる新しい洞察を導き出すことです。

予測モデリングでは、既知のデータとその結果を用いて、別のデータや新しいデータに秘められた価値を予測するために利用できる予測モデルの開発(または学習)を行います。予測モデルをデータに適用することで得られる結果は、一連の入力変数から推定される有意性にもとづいて算出された、ターゲット変数(例えば収益)の発生確率を表します。この点が、過去の事象の理解に役立つ記述モデルや、重要な関係の理解と事象の発生理由の特定に役立つ診断モデルとの大きな違いです。

このところ、利益や競争優位性を向上させるために予測分析の導入に踏み切る企業や組織が増え続けています。なぜ今こうした動きが起こっているのでしょうか?

  • データの量と種類が増え続けており、データを活用して有意義な情報を生み出す取り組みへの関心が高まっている
  • より高速で低コストのコンピューターと使いやすいソフトウェアが登場している
  • 経済状況の厳しさが増すなか、競合他社との差別化が求められている

対話操作型の使いやすいソフトウェアの普及が進んできたことから、予測分析はもはや、数学者や統計担当者だけが取り組める領域ではなくなっています。今ではビジネス分析担当者や業務部門の専門家も、これらのテクノロジーを活用し始めています。

予測分析の関連資料

 

予測分析で何ができるのか?

TDWI社が2014年に発表したレポートで、予測分析の5大用途が明らかになりました。

  • 傾向や動向の特定
  • 顧客の理解
  • ビジネス・パフォーマンスの改善
  • 戦略的な意思決定の促進
  • 行動の予測

予測分析の最も一般的な用途としては、次のようなものが挙げられます。

不正検知とセキュリティ – 予測分析は、不正行為を未然に防ぐことによって、そうした活動による損失を阻止する取り組みに役立ちます。ビジネスルール、異常検出、リンク分析など複数の検知手法を組み合わせることで、高い精度と予測パフォーマンスを実現することができます。また、今日の世界では、サイバーセキュリティに対する懸念が高まっています。ハイパフォーマンス・アナリティクスによる行動分析を活用し、ネットワーク上の全ての挙動をリアルタイムで調べることにより、職権乱用、ゼロデイ脆弱性、APT(advanced persistent threat:高度かつ持続的な脅威)が疑われるような異常を特定することが可能です。

マーケティング – 既に先進的な企業・組織のほとんどが、顧客の反応や購買状況を把握したり、クロスセルの機会を促進したりする目的で、予測分析を活用しています。予測モデルを使うと、最も収益性の高い顧客を獲得・維持して顧客ベースを成長させ、マーケティング支出の効果を最大限に高めることが可能になります。

オペレーション – 多くの企業が、在庫の予測や工場のリソース管理に予測モデルを活用しています。航空会社は予測分析を利用して、フライト毎に航空券を何枚、いくらで売るべきかを的確に判断しています。ホテルは、客室稼働率を最大化して収益増を図るため、どの日付に何人の宿泊客が訪れるかを予測しようとしています。予測分析を活用すると、企業や組織はより効率的に機能できるようになります。

リスク管理 – 予測分析の最もよく知られている活用例の1つはクレジット・スコアリングです。住宅、自動車、保険などの購買主が債務不履行に陥るリスクを評価する指標として、クレジット・スコアは広く利用されています。クレジット・スコアは、与信評価にかかわるデータ項目を組み込んだ予測モデルに対して購買主のデータを入力することで得られる数値です。リスク管理に関連した用途としては、保険金請求や債権回収もあります。

予測モデルから得られる情報のおかげで、弊社のサービスをご利用いただく全ての患者様やクライアント様の役に立つ、より優れたプログラムを設計することが可能になります。あらゆる人々にメリットをもたらす優れたソリューションへと導いてくれる洞察を求め続ける必要があります。

シャーロン・フレイジー(Sharon Frazee)氏
Express Scripts社、調査担当副社長

さまざまな業種における予測分析の活用事例

どのような業種でも、オペレーションの最適化と収益の拡大に予測分析を活用することができます。ここでは業種別に実例を紹介します。

  • クレジットカード、銀行、金融機関:不正の検知と削減、信用リスクの測定、クロスセス/アップセル機会の最大化、顧客の維持、マーケティング・キャンペーンの最適化。Commonwealth Bankでは、トランザクションの開始から40ミリ秒以内に、不正行為の可能性を高い信頼性で予測した上で実行を承認することができます。
  • 官公庁・公共部門:サービスとパフォーマンスの改善。不正行為、不適切な支払、公費・税金の濫用の検知と防止。犯罪活動とそのパターンの検出。香港特別行政区政府では、膨大な非構造化データを視覚化および分析することで、市民の不満を予期し、その対処に役立てています。
  • 医療機関:新しい治療法、医療検査、医薬品の有効性の予測。安全で効果的な治療の提供を通じたサービスと結果の改善。台北医学大学では、傘下のすべての病院を対象としてパフォーマンスの分析とモニタリングを実践しています。
  • 健康保険団体/会社:不正請求の検知と対処。慢性疾患のリスクが最も高い患者の特定。医療と財務の両面から最も効果的な介入方法の把握。米国における薬剤給付管理会社として最大手に属するExpress Scripts社は、処方箋を守らない患者を特定するためにアナリティクスを活用し、患者1人あたり1,500~9,000ドルのコスト削減を達成しています。
  • 保険会社:保険料率の決定、不正請求の検知、保険金請求処理プロセスの最適化、契約者の維持、収益性の改善、マーケティング・キャンペーンの最適化。FMG(旧Farmers Mutual Group)の損害査定担当者は、ニュージーランドの地方都市近郊を襲った地震の発生から2時間後には現地へ向かう途上にありました。同社は、SAS Analyticsを活用して最も危険な状況にある保険契約者を洗い出し、救出のためにヘリコプターをチャーターしたのです。
  • 製造企業:品質の低下や生産上の欠陥につながる要因の特定。部品、サービスリソース、流通の最適化。Lenovo社では、保証請求の実態に対する理解を深めるために予測分析を活用した結果、保証対応コストが10~15%低減しました。
  • メディア/エンターテインメント企業:集客に影響する属性、傾向、要因、要望を運営施設や運営サイトを横断して特定し、利用客に対する洞察を深化。利用客のスコアリングにより、適切なセグメント化と行動価値を判断。スロットマシン・フロアの日々の実績、ゲーム・フロアの稼働効率、禁煙席と喫煙席の収益比較といった数々の疑問に答えを出すために、以前のFoxwoods Resort Casino社は膨大な時間と費用を投じていましたが、現在では分単位の速さと圧倒的に少ないコストで、必要な答えが得られるようになっています。
  • 公益事業(石油・ガスなど):設備の故障や将来の資源ニーズの予測。安全性と信頼性に関するリスクの軽減。パフォーマンスの改善。Salt River Projectは米国第2位の公営電力会社であり、水道事業者としてもアリゾナ州最大手の一角を占めます。同社では、余剰電力を最良の価格で販売できる最良の時期を知るために、高度な予測モデルを活用しています。
  • 小売企業:プロモーション・イベントやキャンペーンの有効性の評価。消費者にとって最も適切なオファーの予測。在庫を確保すべき商品の種類や地域の判断。ブランド・ロイヤルティを構築する方法の決定。Staples社では、オンラインとオフラインの消費者行動を分析して顧客の全体像を把握し、137%というROIを実現しました。
  • プロスポーツチーム:スポーツ・アナリティクスは、統計学者ネイト・シルバー(Nate Silver)氏によるトーナメント予測サイトのおかげもあり、大きな盛り上がりを見せています。米NBAチームのオーランド・マジックでは、収益の改善とスターティング・メンバーの決定にSASの予測分析を活用しています。

取り組みを始めるには何が必要か?

  • 予測分析の活用を始めるにあたって最初に必要なことは、解決すべき課題を特定することです。過去のデータにもとづき将来について何を知りたいのでしょうか?何を理解し予測したいのでしょうか?また、予測結果を使って何を実現したいのかも検討する必要があります。予測結果から得られる洞察を、どのような意思決定に役立てたいのでしょうか?取るべき行動にはどのような選択肢があるのでしょうか?
  • 次に必要になるのはデータです。今日の世界では、実に多くの場所からデータを収集できます。例えば、トランザクション・システム、センサーが収集するデータ、サードパーティが公開/販売する情報、コールセンターの記録、Webログなどがあります。また、データの世話人(data wrangler)、つまりデータ管理業務の経験があり、分析用データのクレンジングや準備を支援してくれる担当者も必要です。予測モデリングの素材となるデータを準備するためには、データとビジネス課題の両方を理解している人物の協力も欠かせません。予測対象をどのように定義するかによって、結果を解釈するために利用できる方法が大きく変わってくるからです。(データ準備は分析プロセスの中でも最も時間がかかる工程の1つと考えられています。それを前提として取り組むことが重要です)。
  • データの準備が済んだら、予測モデルの構築を開始します。最近では使いやすいソフトウェアが入手しやすくなっているため、以前よりも幅広い人々が分析モデルの構築に取り組むことができます。しかし、それでもやはり、モデルの改良や最も有効性の高いモデルの発見を支援してくれるデータ分析担当者は、何らかの形で確保する必要があるでしょう。また、モデルの現場への展開を手伝ってくれるIT部門の担当者も必要になると思われます。適切なデータにモデルを適用できる業務環境を整えないかぎり、求める結果は得られません。
  • 予測モデリングにはチームによるアプローチが不可欠であり、幅広い人々に参加してもらう必要があります。解決すべきビジネス課題を理解している人物、分析用データの準備方法を把握している人物、モデルの構築や改良を実行できる人物、モデルの構築と展開に必要となる適切なアナリティクス基盤を確保できるIT部門のスタッフなどです。また、分析に関するさまざまな希望を叶えていくためには、スポンサーとして活動してくれる経営幹部クラスの人物の存在も重要です。

アナリティクスと分析ライフサイクルの詳細(英語)


SASがお勧めする予測分析ソリューション

他のインサイトはこちら

Big Data Insights

ビッグデータ

記事、調査、その他の注目トピックなどで、ビッグデータに関する洞察を深めていただけます。

Fraud & Risk Insights

リスク管理と不正防止

調査や関連記事などの多彩なコンテンツで、リスク管理と不正防止に関する最新の洞察を知ることができます。

Analytics Insights

アナリティクス

関連する記事や調査に目を通して、アナリティクスに関する最新の洞察に触れることができます。

Back to Top