予測分析

銀行・金融

大量のデータと資金を取り扱う金融業界では、かなり以前から、不正の検知と削減、信用リスクの測定、クロスセス／アップセルの機会の最大化、価値が高い顧客の維持といった幅広い目的のために、予測分析を活用してきました。例えばCommonwealth Bankではアナリティクスを活用することで、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予測した上でトランザクションの実行を承認／拒否しています。

小売

今では悪名高いエピソードとして知られている「おむつを買う男性はビールも買う」という調査結果が1990年代前半に示されて以降、多くの小売企業がマーチャンダイジング計画や価格最適化のために、あるいは、販促活動の実効性を分析したり、消費者への訴求効果が最も高いオファーを判断したりするために、予測分析を利用しています。Staples社では、消費者行動を分析してカスタマー・インサイト（顧客に対する洞察）を得ることにより、顧客の全体像を把握し、137%というROIを実現しました。

石油・ガス、公益事業（電力・水道など）

エネルギー業界では、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削減、総合的なパフォーマンスの改善など、幅広い用途で予測分析を積極的に活用しています。例えば、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るSalt River Project社では、マシンセンサーから収集されるデータを分析することにより、発電用タービンの保守が必要になる時期を予測しています。

官公庁・公共機関

コンピューター技術の発展の歴史において、行政機関は常にキープレイヤーとなってきました。例えば米国の国勢調査局は、人口増減動向を数十年のスパンで把握するために、データを分析し続けています。そして今日では他の業界と同様、多くの行政機関が、行政サービスとその効果の改善、不正の検知と防止、あるいは、消費者行動の理解の向上といった目的のために、予測分析を活用しています。また、サイバーセキュリティ対策を強化するために予測分析を活用する行政機関も増えつつあります。

健康保険

健康保険業界では、不正請求の検知と阻止に加え、慢性疾患のリスクが高い患者の特定や、最も効果的な介入方法の把握に向けた取り組みが進められています。米国の薬剤給付管理大手の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。

製造

製造企業では、品質の低下や生産上の欠陥につながる要因を特定することや、部品／サービスリソース／流通を最適化することが非常に重要です。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、10～15%のワランティ・コスト（保証対応コスト）削減が実現しましたが、これは製造業界における同様の取り組みの一例にすぎません。

回帰（線形またはロジスティック）は、統計解析で最も広く利用されている手法の1つです。回帰分析では変数間の関係を推定します。回帰分析は「正規分布に従うと想定される連続データ」に適用することを意図した手法であり、大規模なデータセットに埋もれている重要なパターンを発見することができます。特定の要因（例：価格）が商品の売れ行きに及ぼす影響の大きさを判断する場合などに多く利用されています。回帰分析で予測対象となる数値は、応答変数またはY変数と呼ばれます。線形回帰では、1つの独立変数を用いて、Y変数の結果を説明または予測、あるいは説明および予測します。重回帰の場合は、2つ以上の独立変数を用いて結果を予測します。ロジスティック回帰では、離散変数である未知の変数値を、他の変数の既知の値に基づいて予測します。応答変数はカテゴリー変数です。つまり、想定しうる値は、限定数の値のうちのいずれかのみとなります。二項ロジスティック回帰の場合、応答変数は0または1など、2つの値のいずれか一方のみを取ります。多重ロジスティック回帰の場合、応答変数は複数のレベル（例：低／中／高、1／2／3）を取ることができます。

決定木（デシジョンツリー）は、入力変数のカテゴリーに基づきデータをサブセットに分割する分類モデルです。これは人間の意思決定経路を理解するために役立ちます。決定木は樹木に似た形状を取り、個々のブランチ（枝）が代替選択肢のいずれを選択するかを表現し、個々のリーフ（葉）が分類すなわち意思決定を表現します。このモデルはデータを調べ、個々の分岐ポイントにおいて、最も大きな相違を示す論理グループ群にデータを分割するような1個の変数を発見しようとします。決定木が広く利用されているのは、理解と解釈が容易だからです。また、欠損値をうまく扱うことができ、準備処理の一環としての変数選択にも役立ちます。そのため、欠損値が多い場合や、迅速かつ容易に解釈できる答えを得たい場合は、決定木から開始するのが得策です。

ニューラル・ネットワークは、極めて複雑な関係をモデル化することができる高度な手法です。これが広く利用されている理由は、パワフルさと柔軟さです。このパワーが効果を発揮するのは、データ内の非線形の関係を処理する場合であり、より大量のデータを扱うようになった今日では、こうした処理がますます一般的になりつつあります。ニューラル・ネットワークはしばしば、回帰や決定木などのシンプルな手法で得られた知見を確認する目的で使われます。ニューラル・ネットワークは、パターン認識や、パラメータを視覚的に「モデル化」する何らかのAI（人工知能）プロセスに基づいて分析処理を行います。入力を出力に関連付ける既知の数式が存在しない場合や、事象の説明よりも予測精度の方が重要される場合、あるいは、大量の学習（トレーニング）データが利用できる場合などには、ニューラル・ネットワークが効果を発揮します。人工ニューラル・ネットワークは元々、人間の脳の神経生理機能を模倣することに挑んだ研究者たちによって開発されたものです。