<< トップページへ

<< 目次へ

最終更新日: 2016.2.20

3.統計手法



統計手法には大別すると2つしかありません。それは「説明するモデル」か「整理するモデル」かです。もし統計手法を問題解決に役立てないのであれば、次の質問を自分自身に問いかけてください「自分の予測したいことが明確か?と。もし予測したいことが明確になっているのであれば「説明するモデル」を用いることができます。一方、予測したいことが明確ではない場合は「整理するモデル」で予測したいことを明確にする必要があるかもしれません。

【補足】 ※難しい話
因子分析は観測変数を目的変数、潜在変数を説明変数とした回帰モデルの集まりといえますので、これは説明するモデルと分類することもできます。主成分分析は潜在変数を目的変数、観測変数を説明変数とした回帰モデルなので、これも説明するモデルの括りにいれることもできます。しかし、手法の意味上の位置づけとしては整理するモデルと考えた方がよさそうです。


3-1 説明するモデル

ここでは「説明するモデル」というのが何なのかを説明します。少しカタイ表現になってしまいますが、ある予測したい事象があったとき、その事象を起こしやすくする要因が何であるかを説明するための統計手法といえます。例えば、自社の顧客にダイレクトメール(DM)を送付したとき、「DM経由で商品を購買した」という事象が起こったとします。私たちはこの「DM経由で商品を購買する」という事象を事前に予測したいという事態にしばしま遭遇します。

色々な例をあげてみましょう。

少し補足しておくと、プロポーズの例では、通常「複数の女性にプロポーズするということはまずありえない」ので、どのような条件のもとで「Yes」といってもらえるかどうかが問題の本質です。しかし、ビジネスシーンで扱う多くの問題はこうした個別事例における「Yes/No」を予測することではありません。ビジネスでは「顧客」というのは一つの予測単位になるということを気に留めておいてください。

例えばキャンペーン中に10万円以上買ってくれるかどうかというのは、より正確に表現すると「キャンペーンによって10万円以上購買する顧客は誰か」ということになるのです。ここでいうキャンペーンは全品50%OFFのDM送付のことだとして、わざわざそんなお買い得な特典(会社側にすれば値下げ=損です)をつけてでも顧客の購買単価をあげたいわけですから、10万以上買ってくれそうな顧客を選定してキャンペーン訴求したいはずです。

要するに何が言いたいかというと「予測したい単位が何か」を考えましょう、ということです。

■予測したいこと ■予測したい単位(言い換え)
  • プロポーズをして相手が「Yes」といってくれるかどうかを予測したい
  • 値下げ交渉をして「値引きして買える」かどうをかを予測したい
  • 雨が「振る」かどうかを予測したい
  • キャンペーン中に「10万円以上買ってくれる」かどうかを予測したい
  • 自分のwebサイトに「流入してくれる」かどうかを予測したい
  • 結婚しやすい「人」
  • 値下げに応じやすい「販売店」
  • 雨が降りやすい「日」
  • 10万円以上、購買しやすい「顧客」
  • サイト流入しやすい「ユーザー」

予測したい単位が決まると、最終的に得られる分析結果が決まります。「説明するモデル」で最終的に得たい結果は「予測結果」ですから、例えば「結婚しやすい人ランキング」や「値下げしやすい販売店ランキング」が得られればうれしいはずです。想像してみると奇妙ですが、あるメガネをつけると出会う人の頭の上に吹き出しが見えるようになり、その吹き出しの中に結婚しやすさのスコアが見えるわけです(スコアの高い人は結婚しやすい人を表す)。あるいは販売店の店頭に値下げしやすい度合いを表すスコアが書かれていたら、当然にスコアの高い(値下げしてくれやすい)販売店へ足を運ぶはずです。

つまりこの分析での最終ゴールは「予測したい単にスコアを付与する」ことであり、ビジネス上の最終ゴールは「スコアに応じたアクションをとる」ということになります。スコアの高い人にのみDMを送るといったようにです。


3-2 整理するモデル

続いて「整理するモデル」について説明していきます。これは複雑なものをある基準にしたがって分類していくという統計手法のことです。例えば、日本人を男女で分けるというのも分類ですが、これは最も単純な例です(性別という基準にしたがって分類しました)。これ以外にも「性別」と「年代」という2つの基準で分ければ「20代-男性」といったようなセグメントができたりしますし、さらに「出身大学」という基準を加えれば「20代-男性-帝京大学」のようなセグメントもできていきます。ただし、分類するための基準の数が多くなるほど、そのセグメントの解釈は難しくなります。また、細かくなりすぎて「何も整理されていない」という結果にもよく陥りやすいので注意しましょう。

説明するモデルのところで説明したように、こちらも「予測したい単位」に該当するものを考える必要があります。こちらの場合は予測したい単位ではなく「分類したい単位」というべきかもしれません。前述の例では「日本人」というのが分類の単位といえます。日本人を性別、年代、出身大学という3つの分類基準でわけたということです。

さてこの分類する際に最も重要なことを一つだけ紹介しておきましょう。それは「どのような整理がしたいか」ということです。自宅の本棚に本を整理している自分の姿を想像してみてください。統計学の本、プログラミングの本、ビジネス啓蒙の本といったように「何かしらの概念」に基づいて整理しているはずです(これは「学問」という概念かもしれません)。つまり、たとえ何となくでもどういった整理がしたいかを前提としておかないと、仮に何かしらの「まとまり」ができても、それが整理されたものであるかどうかは分からないということです。もしかしたら、ある人は「学問という概念」ではなく「大きさという概念」で整理していたかもしれませんし、「購入した日付順」で整理していたかもしれません。ただ、こうした概念を前提知識としてもっていない状態で「ただ整理された結果だけ」を見てしまうと、おそらく何の基準で分けられたものか、下手をすると分けられているのかどうかさえ気づくことができないでしょう。

先ほどから文章を読んでいて、あまりしっくりこない(何となく全体的に何かしらの違和感を感じている)人はおおいのではないでしょうか。それは、そもそも「整理するモデル」で解ける問題が、あまりはっきりしたものではないからです。少し大胆な発言ですが「整理してどうするの?」という問いに対しての回答は多くの場合、あまり「ない」のです。だから一般に分析をする際には「必ず説明するモデル」に問題を具体化して適合させるという操作が必要です。その1ステップとして整理するモデルが役立つと考えた方がよいのです。