高い塔に登って見渡せば、遠くまで見渡せます。低い椅子の上から見渡せば、遠くまで見渡せません。低い椅子の上から下を見れば、足元（この場合、椅子の足元）は見えます。高い塔に登って下を見れば、その足元はよく見えません。高い塔に登って前を見れば、だいぶ先まで見えるだけでなく、後ろを振り向けば、だいぶ後ろまで見えます。将来予測も同じです。今回は「視座の高低と将来予測」というお話しをします。
【目次】 1.未来は過去の延長線に過ぎない 2.賢者は歴史に学ぶ 3.予測モデルも歴史に学ぶ 4.人と予測モデルのコラボレーション
【この連載の前回：データ分析講座（その260)予測モデルの構築活用は現場がキーになるへのリンク】
1.未来は過去の延長線に過ぎない
当然ですが、未来は過去の延長線上にあります。延長線といっても、全く同じことが淡々と行われる、といっているわけではありません。過去の積み重ねと時代のうねりが「今」を形作り「未来」へとつながっています。
厳密には、人間は「今」しか生きることはできませんし「今」以外は人間の意識の中にある過去と未来という概念でしかありません。その概念を見る上で、視座の高低は大きな要因になっていると思います。
2.賢者は歴史に学ぶ
ドイツ帝国の初代宰相を務めた鉄血宰相ビスマルクの言葉に「愚者は経験に学び、賢者は歴史に学ぶ」というものがあります。英語版では「Fools say they learn from experience. I prefer to learn from the experience of others.」となっているので「愚者は経験に学ぶと言われている。私は他人の経験から学ぶのを好む。」となるでしょう。
その学びの中に、過去の客観性の高いデータ（定性的な事例含む）から学ぶ、ということも含まれていることでしょう。もちろん、経験からしか学べないこともありますが、その成功打率を上げるには、過去の客観性の高いデータ（定性的な事例含む）から学ぶことは、非常に有用です。
3.予測モデルも歴史に学ぶ
高い塔に登って後ろを振り向いたときにそれが歴史（客観性の高いデータ）であれば、前を見たときにそれなりに有用な将来予測をすることができる、ということです。過去の客観性の高いデータの期間が長いほど、先を予測できる可能性が高まります。
例えば、過去1ヶ月間のデータがないのに、1年先を予測することは非常に難度が高いのです。10年間のデータがあれば、1年先を予測することはできることでしょう。その過去データが改ざんされていない客観性の高くきれいなデータであれば、なおさらです。
使えないデータほど、いい加減で汚いデータです。将来を見通すには、過去の見通しをよくすることが重要です。
4.人と予測モデルのコラボレーション
予測モデルに、予測行為そのものを丸投げしてもいいですが、人とコラボしたほうが、より高精度な何かを掴むことができます。なぜならば、この世のあらゆることがデータ化されているわけではないからです。データ化されていない事象...
をモデルに組み込めない予測モデルには、そういう意味で限界があるからです。
・・・・・・・・・・・・・・・
データ化されていない事象を考慮するには、人間の力が必要です。そう考えると、ある程度の期間の長さのある客観性の高い過去データが必要なだけでなく、それを扱う人の視座の高さと、歴史から学ぶ姿勢が必要になることでしょう。
◆【特集】 連載記事紹介 連載記事のタイトルをまとめて紹介、各タイトルから詳細解説に直リンク！！
◆データ分析講座の注目記事紹介
（その1）
（その2）
（その3）
（その4）
（その5）
（その6）
（その7）
（その8）
（その9）
（その10）
（その11）
（その12）
（その13）
（その14）
（その15）
（その16）
（その17）
（その18）
（その19）
（その20）
（その21）
（その22）
（その23）
（その24）
（その25）
（その26）
（その27）
（その28）
（その29）
（その30）
（その31）
（その32）
（その33）
（その34）
（その35）
（その36）
（その37）
（その38）
（その39）
（その40）
（その41）
（その42）
（その43）
（その44）
（その45）
（その46）
（その47）
（その48）
（その49）
（その50）
（その51）
（その52）
（その53）
（その54）
（その55）
（その56）
（その57）
（その58）
（その59）
（その60）
（その61）
（その62）
（その63）
（その64）
（その65）
（その66）
（その67）
（その68）
（その69）
（その70）
（その71）
（その72）
（その73）
（その74）
（その75）
（その76）
（その77）
（その78）
（その79）
（その80）
（その80）
（その81）
（その82）
（その83）
（その84）
（その85）
（その86）
（その87）
（その88）
（その89）
（その90）
（その91）
（その92）
（その93）
（その94）
（その95）
（その96）
（その97）
（その98）
（その99）
（その100）
（その101）
（その102）
（その103）
（その104）
（その105）
（その106）
（その107）
（その108）
（その109）
（その110）
（その111）
（その112）
（その113）
（その114）
（その115）
（その116）
（その117）
（その118）
（その119）
（その120）
（その121）
（その122）
（その123）
（その124）
（その125）
（その126）
（その127）
（その128）
（その129）
（その130）
（その131）
（その132）
（その133）
（その134）
（その135）
（その136）
（その137）
（その138）
（その139）
（その140）
（その141）
（その142）
（その143）
（その144）
（その145）
（その146）
（その147）
（その148）
（その149）
（その150）
（その151）
（その152）
（その153）
（その154）
（その155）
（その156）
（その157）
（その158）
（その159）
（その160）
（その161）
（その162）
（その163）
（その164）
（その165）
（その166）
（その167）
（その168）
（その169）
（その170）
（その171）
（その172）
（その173）
（その174）
（その175）
（その176）
（その177）
（その178）
（その179）
（その180）
（その181）
（その182）
（その183）
（その184）
（その185）
（その186）
（その187）
（その188）
（その189）
（その190）
（その191）
（その192）
（その193）
（その194）
（その195）
（その196）
（その197）
（その198）
（その199）
（その200）
（その201）
（その202）
（その203）
（その204）
（その205）
（その206）
（その207）
（その208）
（その209）
（その210）
（その211）
（その212）
（その213）
（その214）
（その215）
（その216）
（その217）
（その218）
（その219）
（その220）
（その221）
（その222）
（その223）
（その224）
（その225）
（その226）
（その227）
（その228）
（その229）
（その230）
（その231）
（その232）
（その233）
（その234）
（その235）
（その236）
（その237）
（その238）
（その239）
（その240）
（その241）
（その242）
（その243）
（その244）
（その245）
（その246）
（その247）
（その248）
（その249）
（その250）
（その251）
（その252）
（その253）
（その254）
（その255）
（その256）
（その257）
（その258）
（その259）
（その260）
（その261）
（その262）
（その263）
（その264）
（その265）
（その266）
（その267）
（その268）
（その269）
（その270）
（その271）
（その272）
（その273）
（その274）
（その275）
（その276）
（その277）
（その278）
（その279）
（その280）
（その281）
（その282）
（その283）
（その284）
（その285）
（その286）
（その287）
（その288）
（その289）
（その290）
（その291）
（その292）
（その293）
（その294）
（その295）
（その296）
（その297）
（その298）
（その299）
