予測モデルの構築活用は現場がキーになる データ分析講座(その260)

投稿日

情報マネジメント

 

機械学習の普及により「予測」という視点の活用が拡大しています。そのことで、ビジネスを構造的に理解し、近未来の手がかりを得ることができます。従来の数理統計学的な手法にも「予測」を可能とする手法は色々ありますが、機械学習の発展により使える手法の選択肢が急激に増えました。ただ、予測モデルの構築の流れや、活用の際のポイントなどはそれほど大きくは変わってはいないかと思います。ということで、今回は「予測モデルは構築も活用も『現場』がキーになる」というお話しをします。

 

【目次】
1.予測モデル構築の流れ
2.事象理解
3.不足情報認識
4.現場仮展開
5.モデリングは何度も見直そう!

【この連載の前回:データ分析講座(その259)新規拡大、既存奪い取りの判断指標とはへのリンク】

 

1.予測モデル構築の流れ

次のフローが予測モデル構築の流れです。

 

事象理解

モデリング

不足情報認識

再モデリング

現場仮展開

再々モデリング

現場展開(デプロイ)

ちなみにモデリングには、必要なデータの収集や、加工などの前処理、モデル設計、モデル構築(学習と検証など)を含めています。

 

2.事象理解

事象理解とは、予測モデルの対象とするビジネス活動を構造的に理解するということです。

 

多くの場合、定性的なアプローチ(ヒアリングやロジカルシンキングなど)を取りますが、データが存在するならば、数理統計学的なアプローチも取ります。予測モデルを構築するという視点で考えると、そのビジネス活動を、どの程度モデリングできるのか、そして何がモデリングできないのか、モデリングするときにどのようなデータが必要で、どのようなデータを今現在活用できるのか、を明らかにします。

 

事象理解で最も重要なのが、その予測モデルを活用する現場の人々の動きが、どのように変化するのか、そしてどのようなメリットとデメリットが発生するのかを、明らかにすることです。誰も求めていない予測モデルや、活用方法の分からない予測値は、当然ながら現場活用されません。

 

3.不足情報認識

一度モデリングを実施すると、モデリング上の色々な問題が噴出します。想像していたデータが入手できない、入手しても思ったものと違う、などなど。なぜならば、予測モデルの雛形が出来上がることで、より具体的なイメージを持つことができるからです。

 

そこで初めて、本当に必要なデータが何なのか、現場からどのような予測モデルが求められているのか、予測値を現場へどのタイミングで情報提供し現場はどう動くのか、などを考えるようになります。要は、最初に想像していたものと異なる何かが見えてきます。不足情報を認識するということです。

 

この過程を挟むことは非常に重要で、より現場活用される可能性の高いモデリングを可能にします。

 

4.現場仮展開

よいと思った予測モデルが、実際に現場で使ってみたら、あまり活用されないことは、多々あります。

 

使って初めて分かることを整理し、モデリングに活かすことで、より現場活用される可能性の高いモデリングが実現にします。ちょっとした改善で、あまり活用されない予測モデルが、上手く活用さるようになることもあります。

 

予測結果を現場に提供するタイミングを変えたり、見せ方を変えたり、粒度を荒くしたり細かくしたり、ちょっとしたことです。

 

5.モデリングは何度も見直そう

次のフローが予測モデル構築のざっくりした流れです。

 

事象理解

モデリング

不足情報認識

再モデリング

現場仮展開

再々モデリング

現場展開(デプロイ)

何度もモデリングというキワードが登場しますが、定期的にモデリングし直しましょう。より現場活用される可能性の高い予測モデルを手にする可能性が高まります。

 

一番良くないのは、最初に考えた予測モデルを、強引に構築し現場活用することです。次に良くないのは、改善のためで...

情報マネジメント

 

機械学習の普及により「予測」という視点の活用が拡大しています。そのことで、ビジネスを構造的に理解し、近未来の手がかりを得ることができます。従来の数理統計学的な手法にも「予測」を可能とする手法は色々ありますが、機械学習の発展により使える手法の選択肢が急激に増えました。ただ、予測モデルの構築の流れや、活用の際のポイントなどはそれほど大きくは変わってはいないかと思います。ということで、今回は「予測モデルは構築も活用も『現場』がキーになる」というお話しをします。

 

【目次】
1.予測モデル構築の流れ
2.事象理解
3.不足情報認識
4.現場仮展開
5.モデリングは何度も見直そう!

【この連載の前回:データ分析講座(その259)新規拡大、既存奪い取りの判断指標とはへのリンク】

 

1.予測モデル構築の流れ

次のフローが予測モデル構築の流れです。

 

事象理解

モデリング

不足情報認識

再モデリング

現場仮展開

再々モデリング

現場展開(デプロイ)

ちなみにモデリングには、必要なデータの収集や、加工などの前処理、モデル設計、モデル構築(学習と検証など)を含めています。

 

2.事象理解

事象理解とは、予測モデルの対象とするビジネス活動を構造的に理解するということです。

 

多くの場合、定性的なアプローチ(ヒアリングやロジカルシンキングなど)を取りますが、データが存在するならば、数理統計学的なアプローチも取ります。予測モデルを構築するという視点で考えると、そのビジネス活動を、どの程度モデリングできるのか、そして何がモデリングできないのか、モデリングするときにどのようなデータが必要で、どのようなデータを今現在活用できるのか、を明らかにします。

 

事象理解で最も重要なのが、その予測モデルを活用する現場の人々の動きが、どのように変化するのか、そしてどのようなメリットとデメリットが発生するのかを、明らかにすることです。誰も求めていない予測モデルや、活用方法の分からない予測値は、当然ながら現場活用されません。

 

3.不足情報認識

一度モデリングを実施すると、モデリング上の色々な問題が噴出します。想像していたデータが入手できない、入手しても思ったものと違う、などなど。なぜならば、予測モデルの雛形が出来上がることで、より具体的なイメージを持つことができるからです。

 

そこで初めて、本当に必要なデータが何なのか、現場からどのような予測モデルが求められているのか、予測値を現場へどのタイミングで情報提供し現場はどう動くのか、などを考えるようになります。要は、最初に想像していたものと異なる何かが見えてきます。不足情報を認識するということです。

 

この過程を挟むことは非常に重要で、より現場活用される可能性の高いモデリングを可能にします。

 

4.現場仮展開

よいと思った予測モデルが、実際に現場で使ってみたら、あまり活用されないことは、多々あります。

 

使って初めて分かることを整理し、モデリングに活かすことで、より現場活用される可能性の高いモデリングが実現にします。ちょっとした改善で、あまり活用されない予測モデルが、上手く活用さるようになることもあります。

 

予測結果を現場に提供するタイミングを変えたり、見せ方を変えたり、粒度を荒くしたり細かくしたり、ちょっとしたことです。

 

5.モデリングは何度も見直そう

次のフローが予測モデル構築のざっくりした流れです。

 

事象理解

モデリング

不足情報認識

再モデリング

現場仮展開

再々モデリング

現場展開(デプロイ)

何度もモデリングというキワードが登場しますが、定期的にモデリングし直しましょう。より現場活用される可能性の高い予測モデルを手にする可能性が高まります。

 

一番良くないのは、最初に考えた予測モデルを、強引に構築し現場活用することです。次に良くないのは、改善のためではなく、改悪のための再モデリングや再々モデリングです。

 

改悪のための再モデリングや再々モデリングとは、最初に考えた予測モデルを前提とし、想像していたデータが入手できないためとか、入手しても思ったものと違うからとか、最初に考えた予測モデルを前提としたデータの過不足を理由による再モデリングや再々モデリングです。

 

 

◆【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

 

 

   続きを読むには・・・


この記事の著者

高橋 威知郎

データネクロマンサー/データ分析・活用コンサルタント (埋もれたデータに花を咲かせる、データ分析界の花咲じじい。それほど年齢は重ねてないけど)

データネクロマンサー/データ分析・活用コンサルタント (埋もれたデータに花を咲かせる、データ分析界の花咲じじい。それほど年齢は重ねてないけど)


「情報マネジメント一般」の他のキーワード解説記事

もっと見る
IoT「モノのインターネット化」とは(その2)

 前回のその1に続いて解説します。   2. IoT導入事例と導入の進め方  工場でIoTを活用するには何から始めたらいいでしょうか。今回は、下...

 前回のその1に続いて解説します。   2. IoT導入事例と導入の進め方  工場でIoTを活用するには何から始めたらいいでしょうか。今回は、下...


問題解決フレームワークPPDACとは データ分析講座(その147)

   データを使い、実務的な課題をどのように解決していくのか、というデータ活用上の問題があります。幾つか方法がありますが、最も取り組みやす...

   データを使い、実務的な課題をどのように解決していくのか、というデータ活用上の問題があります。幾つか方法がありますが、最も取り組みやす...


数理統計学的な厳密性との狭間で データ分析講座(その155)

  ◆ データ分析・活用と数理統計学的な厳密性との狭間で  データ分析やデータサイエンス、機械学習などの基礎的なバックボーンとして、数理...

  ◆ データ分析・活用と数理統計学的な厳密性との狭間で  データ分析やデータサイエンス、機械学習などの基礎的なバックボーンとして、数理...


「情報マネジメント一般」の活用事例

もっと見る
‐技術開発の目標について 第2回‐  製品・技術開発力強化策の事例(その16)

 技術開発の目標を解説する以下の項目4点について、前回は、1と2を解説しましたので、今回は、第2回として、3と4を記述します。          1....

 技術開発の目標を解説する以下の項目4点について、前回は、1と2を解説しましたので、今回は、第2回として、3と4を記述します。          1....


システムトラブル、誰に相談したら良いか

 最近は、以下のように情報システム開発にかかわるトラブルに悩まされる企業が急増しています。ところが、トラブルが起きた時に誰に相談したらいいかわからなくて困...

 最近は、以下のように情報システム開発にかかわるトラブルに悩まされる企業が急増しています。ところが、トラブルが起きた時に誰に相談したらいいかわからなくて困...


簡易版DX/IoTから機械学習への移行

  ◆ DX(デジタル・トランスフォーメーション)を使えばコスト削減と納期短縮が可能に  産業界のニュースなどをインターネットで読んでいると...

  ◆ DX(デジタル・トランスフォーメーション)を使えばコスト削減と納期短縮が可能に  産業界のニュースなどをインターネットで読んでいると...