予測分析とは?
予測分析は、将来のイベント、行動、結果に関して予測を行う、高度な分析の一分野です。
予測分析とは?概要と定義
予測分析は、将来のイベント、行動、結果に関して予測を行う高度な分析の一分野であり、データ分析の一環として位置付けられます。機械学習アルゴリズムや高度な予測モデリングなどの統計技術を活用して、最新のデータや履歴データを詳細に分析し、現時点では見過ごされがちなリスクや機会を明らかにし、今後顕在化する可能性のある事態を評価します。
予測分析を利用すれば、少し先の未来や同業他社の動向について、ある程度正確に調査・予測することが可能です。この機能は以前から重要視されてきましたが、近年では企業が取引やサプライチェーン(SCM)における破壊的な変化、需要の急増や急落、新たなリスクや課題など、未知の領域を乗り越えるために、かつてないほど重要性を増しています。そのため、予測分析は世界中の組織にとって最優先の課題となっています。
予測分析は、将来のイベント、行動、結果に関して予測を行う、高度な分析の一分野です。機械学習アルゴリズムや高度な予測モデリングなどの統計技術を活用して最新データと履歴データを分析し、今見過ごされているような事態が今後顕在化する可能性を評価します。
予測分析はほとんどの業種に適用可能で、以下のように多数の用途があります。
従業員の離職や顧客離れの回避
支払い不履行の可能性が極めて高い顧客の特定
データに基づく販売予測支援
最適な価格設定
機械のメンテナンスや交換が必要となるタイミングの追跡
急速な変化と市場の変動が絶え間なく続く世界で意思決定者が舵を取れるようにするには、実用的で正確な予測が不可欠です。コロナ発生以前もそうでしたが、今や複数のシナリオを用意して、方向転換/予測/計画する能力は、かつてないほど重要になっています。
予測分析は、コロナ対策にも活かされてきました。医療機関では予測モデルを使用して、リスクの測定、症状の経過予測、医療機器と個人用保護具 (PPE) のサプライチェーン管理を行います。また、研究者は、感染者数/死亡者数の削減を目標に、モデルを使用してウイルスの拡がりのマッピング、症例数の予測、接触追跡を行っています。
予測分析と処方的分析
正確でタイムリーな予測を生成する予測モデルを構築し、デプロイできたら、多くの企業が考える次の論理ステップは、処方的アナリティクスです。
予測分析は次に起こりそうな事象を判断するのに役立ちますが、処方的分析では、それに対して何をすべきか、さまざまな対策を実行した場合にどうすればより良い結果が得られるかを示すことができます。このタイプの高度なアナリティクスは、予測分析を基盤にしながら膨大な数のさまざまな要因を考慮に入れて、アクションや意思の最適な方向性を処方します。
処方的分析はよく、「ビジネスアナリティクスの最終フェーズ」と呼ばれます。また、最も複雑で比較的新しいテクノロジーでもあり、現在、Gartner 社の 2020 年版アナリティクスとビジネスインテリジェンスのハイプサイクルのピークに位置付けられています。
現在の予測分析
Allied Market Research 社の調査によると、世界の予測分析市場は、年平均成長率 (CAGR) 21.9% で伸び続け、2027 年までに 354 億 5000 万米ドルに達すると予測されています。予測分析は、大量データの生成、コンピューター処理能力の飛躍的向上、よりインタラクティブで使いやすいソフトウェアという条件が整った現代になって本領を発揮するようになりました。
企業は膨大なデータを収集するだけでなく、従来の構造化データから、モノのインターネット (IoT)、テキスト、ビデオ、ダークデータなどの非構造化データまで、さまざまな種類のデータを収集します。予測分析によって、さまざまなソースからデータを組み合わせてビッグデータを分析できるため、予測の精度を高め、より深く強力な洞察を示すことができます。クラウドは、これらすべての異なるデータソースを接続するための鍵となります。また、クラウドベースの DWH(データウェアハウス)やデータレイクにデータを保存すると、オンプレミスで保存するよりも費用対効果が高まり、拡張性も増します。
また、最新の予測分析は、機械学習、ディープラーニング、ニューラルネットワークなどの人工知能 (AI) テクノロジーによって「拡張」されています。これらの拡張アナリティクスにより、大量のデータを迅速に分析し、人間が見落としがちな洞察を明らかにし、将来起こり得る事象をより詳細かつ正確に予測することができます。また、予測モデルの構築やテストなど、予測分析プロセスにおける複雑な手順も自動化されます。さらに、AI の一種である自然言語処理 (NLP) により、ユーザーは対話型言語で質問して回答を得ることができ、回答の解釈や理解がこれまで以上に容易になります。
従来、予測分析を支えるツールと技術は非常に高度かつ非常に複雑であるため、効率的に使用できるのはデータサイエンティストや専門のアナリストに限られてきました。しかし、拡張アナリティクスにより、ビジネスユーザーが最小限のトレーニングを受ければ、IT 部門の助けを借りることなく、正確な予測を立て、将来を見据えたスマートな意思決定を行うことができるようになりました。これは、競争の激しい市場では無視できない優位性をもたらします。
予測分析の例
予測分析は、金融サービスから航空宇宙まで、ほぼすべての業種に適用可能で、有益です。予測モデルは、在庫の予測、リソースの管理、チケットの価格設定、設備保全の管理、信用リスクモデルの開発などに使用されます。これにより、企業はリスクの削減や業務の最適化を図り、収益を増やすことができます。
人事分野の予測分析
人事領域は、大量の従業員データを追跡・管理する分野であり、その分析には人事 AI の活用が不可欠です。予測分析では、このデータをAI技術で深く解析し、文化的にマッチする従業員候補の特定や、退職リスクの高い従業員の予測(下図参照)、スキルギャップを埋めるためのスキル向上施策の判断、新規採用の必要性の判断、さらには従業員の生産性がビジネス成果にどう貢献しているかの評価が可能になります。こうした人事 AI の力を活用することで、人事部門は単独の管理業務に留まらず、組織全体のビジネス成果に直結する戦略的な役割を果たすことができます。
人事部門では、予測分析を利用して離職率を予測できます。
医療分野の予測分析
現在、医療機関は、リソースを最大限活用するという大きなプレッシャーにさらされていますが、予測分析を利用すれば対応が可能です。予測分析によって、医療関係者は、財務や業務に関して優れた意思決定を行い、在庫レベルと要員配置レベルを最適化し、サプライチェーン管理を効率化して、さらには医療機器の保全ニーズを予測できるようになります。また、患者の容体悪化の兆候を早期に検出し、再入院リスクのある患者を特定し、患者の診断/治療の精度を高めるなど、予測分析は臨床の成果向上にも役立ちます。
小売の予測分析
小売企業は、オンラインでは Cookie によるオンライン活動の追跡、現実では顧客が店舗内を移動するルートのモニタリングなどを通じて、双方の世界で大量の顧客情報を収集します。その他の追跡情報には、販売時点の顧客の連絡先、ソーシャルメディアでの活動、購入内容、特定の品目の購入や店舗訪問の頻度などがあります。小売企業が予測分析を使用すれば、在庫の最適化や収益予測から、行動分析、買い物客のターゲティング、不正検出にいたるまで、あらゆる業務にデータを活用できます。
マーケティングの予測分析
いつでもどこでも顧客が欲しいものをオンラインで注文できる世界では、予測分析によって生成されるモデルは、マーケティング担当者にとって対象者を絞り込んでキャンペーンの効果を高めるためにきわめて重要です。マーケティングの予測分析により、データ主導の顧客/対象層セグメント化、新規顧客獲得、リードスコアリング、コンテンツと広告の提案、高度なパーソナライゼーションが実現します。マーケティング担当者は顧客データを使用して、プロモーション/広告キャンペーン/顧客が好みそうな他の製品の提案を適切なタイミングで顧客に提供し、カスタマーエクスペリエンスと顧客維持率を向上させることができます。
サプライチェーンの予測分析
俊敏でレジリエンス(回復力)を備えたサプライチェーンを運営し、混乱を回避するには、予測分析が不可欠になりました。さまざまなソースから集めた大量のデータセットの分析を通じて、正確な需給予測の生成、最適な在庫レベルの決定、優れたロジスティクスと指定納期納入の実現、設備保全の問題の予測、想定外の状況の検出と調整などに対応します。
予測分析を使用する企業
Motor Oil Group は、ギリシャおよび地中海東岸地域で原油精製と石油製品の販売を手掛ける業界リーダーです。同社は、予測分析機能とセンサーデータを活用して設備の健全性を継続的に監視し、故障の可能性がある日を事前に予測しています。その効果、履歴データの根本原因分析により、異常が発生する 120 ~ 20 時間前に、その内容を 77% を超える精度で提示できるようになりました。
Ottogi Corporation は、韓国最大の食品飲料企業の一つで、カレー粉、インスタント麺、その他多くの製品で世界的に名を知られたブランドです。同社のビジネスには予測分析による需要予測が不可欠です。販売、マーケティング、製造、財務部門が市場シェアやビジネスに対する深い洞察を考慮して戦略的意思決定を行う上で、需要予測は重要な判断材料になります。
予測分析プロセスの基本ステップ
予測分析プロセスには、目標の定義、大量データの収集とクリーニング、高度な予測アルゴリズムと手法を使用した予測モデルの構築が含まれます。複雑なこのプロセスは自動化されつつあり、新しい AI テクノロジーのおかげで平均的なビジネスユーザーがアクセスしやすくなっていますが、特定の段階の支援や特定のモデルの構築に IT 部門を必要とする場合もまだあります。
予測分析プロセスの基本ステップは以下のとおりです。
予測分析プロセスのステップ
- プロジェクトの目的を定義する。どのような成果を期待し、どのような問題を解決しようとしていますか?最初のステップでは、プロジェクトの目的、成果物、範囲、必要なデータを定義します。
- データを収集する。必要とするすべてのデータを 1 カ所に集めます。トランザクションシステムやセンサー、コールセンターのログにいたるまで、多様なソースからさまざまなタイプの最新データと履歴データを集めると、より詳細な結果を得ることができます。
- データのクリーニングと準備を行う。データのクリーニング、準備、統合を行って、分析に使用できるようにします。異常値を削除して不足する情報を特定することにより、予測データセットの品質を改善します。
- モデルを構築してテストする。予測モデルを構築し、データセットで学習させ、予測モデルが正確であることをテストします。エラーのないモデルを生成するには、何度も反復することが必要になる場合もあります。
- モデルをデプロイする。予測モデルをデプロイし、新しいデータを適用します。結果とレポートを取得し、さらにアウトプットに基づいて自動的に意思決定が行われるようにします。
- モデルをモニタリングして改良する。モデルを定期的にモニタリングしてそのパフォーマンスを確認し、期待どおりの結果が得られるようにします。必要に応じてモデルを改良し、最適化します。