
アナリティクスとは、データや統計を体系的に計算分析することです。[ 1 ]これは、データ内の意味のあるパターンを発見、解釈、伝達するために使用され、データサイエンスという包括的な用語にも含まれ、直接関連しています。[ 2 ]アナリティクスには、効果的な意思決定に向けてデータパターンを適用することも含まれ、記録された情報が豊富にある分野で価値を発揮します。アナリティクスは、パフォーマンスを定量化するために、統計、コンピュータプログラミング、オペレーションズリサーチを同時に適用することに依存しています。
組織は、ビジネス データに分析を適用して、ビジネス パフォーマンスを記述、予測、および改善することができます。具体的には、分析の領域には、記述的分析、診断的分析、予測的分析、処方的分析、および認知分析が含まれます。[ 3 ]分析は、マーケティング、管理、財務、オンライン システム、情報セキュリティ、およびソフトウェア サービスなど、さまざまな分野に適用できます。分析には大規模な計算が必要になる場合があるため (ビッグ データを参照)、分析に使用されるアルゴリズムとソフトウェアは、コンピュータ サイエンス、統計、および数学の最新の手法を活用しています。[ 4 ] International Data Corporationによると、ビッグ データとビジネス アナリティクス (BDA) ソリューションへの世界的な支出は、2021 年に 2,157 億ドルに達すると推定されています。[ 5 ] [ 6 ] Gartnerによると、分析プラットフォーム ソフトウェア市場全体は、2020 年に 255 億ドル成長しました。[ 7 ]
データ分析は、ビジネス理解、データ理解、データ準備、モデリングと評価、展開を通じて過去のデータを調査するプロセスに焦点を当てています。[ 8 ]これはデータ分析のサブセットであり、複数のデータ分析プロセスを使用して、過去のデータに基づいてイベントが発生した理由と将来何が起こる可能性があるかに焦点を当てます。[ 9 ]データ分析は、より大きな組織の意思決定を策定するために使用されます。
データ分析は学際的な分野です。データ分析を通じてデータから貴重な知識を得るために、コンピュータスキル、数学、統計、記述的手法、予測モデルが幅広く使用されています。高度な分析という用語の使用が増えており、これは通常、分析の技術的側面を説明するために使用され、特にニューラルネットワーク、決定木、ロジスティック回帰、線形回帰から多重回帰分析、分類などの機械学習技術を使用して予測モデリングを行う新興分野に使用されます。[ 10 ] [ 8 ]また、クラスター分析、主成分分析、セグメンテーションプロファイル分析、関連分析などの教師なし機械学習技術も含まれます。
マーケティング組織は、キャンペーンやイニシアチブの成果を評価するだけでなく、投資や顧客ターゲティングに関する意思決定の指針とするために分析を利用します。人口統計調査、顧客セグメンテーション、コンジョイント分析などの手法により、マーケターは大量の消費者購買データ、調査データ、パネルデータを分析することができます。これにより、消費者の行動をより深く理解し、マーケティング戦略を効果的に伝えることができます。[ 11 ]
マーケティング分析は、ブランドと収益の結果に関する戦略的意思決定を推進するために使用される、定性的データと定量的データ、構造化データと非構造化データの両方で構成されます。このプロセスには、予測モデリング、マーケティング実験、自動化、およびリアルタイムの販売コミュニケーションが含まれます。データにより、企業は予測を行い、パフォーマンス結果を最大化するために戦略の実行を変更することができます。[ 11 ]
ウェブ分析では、セッション化と呼ばれる操作を使用して、マーケターが Web サイト上でのインタラクションに関するセッションレベルの情報を収集できます。Google Analytics は、マーケターがこの目的で使用する人気の無料分析ツールの例です。[ 12 ]これらのインタラクションにより、ウェブ分析情報システムは、参照元、検索キーワード、IP アドレスの特定、 [ 13 ]および訪問者のアクティビティを追跡するために必要な情報を得ることができます。この情報を使用して、マーケターはマーケティング キャンペーン、Web サイトのクリエイティブ コンテンツ、および情報アーキテクチャを改善できます。[ 14 ]
マーケティングで頻繁に用いられる分析手法には、マーケティングミックスモデリング、価格設定およびプロモーション分析、営業力最適化、顧客分析(例:セグメンテーション)などがあります。ウェブ分析やウェブサイトおよびオンラインキャンペーンの最適化は、従来型のマーケティング分析手法と密接に連携して用いられることが多くなっています。デジタルメディアへの注目の高まりに伴い、用語も若干変化しており、デジタル分野やマーケティングミックスモデリングの文脈では、マーケティングミックスモデリングは一般的にアトリビューションモデリングと呼ばれています。
これらのツールと手法は、戦略的なマーケティング上の意思決定(マーケティングにどれだけの費用をかけるか、複数のブランドに予算をどのように配分するか、マーケティングミックスなど)と、最適なメッセージを最適なタイミングで最も費用対効果の高い媒体で、最も有望な顧客に届けるという、より戦術的なキャンペーン支援の両方をサポートします。
人材分析は、行動データを使用して人々の働き方を理解し、企業の管理方法を変えるものです。[ 15 ]文脈、分析の目的、または分析の具体的な焦点に応じて、さまざまな名前で呼ばれることがあります。例としては、ワークフォース分析、HR分析、タレント分析、ピープルインサイト、タレントインサイト、同僚インサイト、人的資本分析、人事情報システム(HRIS)分析などがあります。HR分析は、企業が人的資源を管理するのに役立つ分析の応用です。[ 16 ]
人事分析は、キャリア分析ツールを用いて、変化する労働市場における人的傾向の分析と予測を行うための戦略的なツールとなっています。[ 17 ]その目的は、どの従業員を採用するか、どの従業員に報酬や昇進を与えるか、どのような責任を割り当てるか、といった人事上の問題を識別することです。[ 18 ]例えば、人材分析ツールを用いた従業員の離職という戦略的な現象の調査は、混乱時に重要な分析となる可能性があります。[ 19 ]
人材分析は人事分析とは別の分野であり、ビジネス上の問題への対応に重点を置いているのに対し、人事分析は人事プロセスに関連する指標に重点を置いていると示唆されている。[ 20 ]さらに、人材分析は組織の人事機能を超えて拡大する可能性がある。[ 21 ]しかし、専門家は、多くの人事部門が業務上のタスクに負担がかかっており、長期的な価値が限られている基本的なレポートを作成するのではなく、進化する仕事の世界においてより戦略的で有能なビジネス機能になるために、人材分析と自動化を優先する必要があると指摘している。[ 22 ]一部の専門家は、人事部門の運営方法を変えることが不可欠だと主張している。人事機能は従来、管理業務を中心としていたが、現在では戦略的なビジネスパートナーとして機能するデータ駆動型の人事専門家の新世代とともに進化している。[ 23 ]
人事分析指標の例としては、従業員生涯価値(ELTV)、労働コスト支出率、組合加入率などがあります。昇進の質は、個人の昇進決定を評価するために使用される指標です。[ 24 ]この指標は、従業員が客観的な基準に基づいて適切に昇進したか、それとも偏りがあったかを判断します。[ 25 ] [ 26 ]
ビジネス分析の一般的な応用例の一つにポートフォリオ分析があります。ポートフォリオ分析では、銀行や貸付機関は、価値やリスクが異なる複数の口座を保有しています。口座は、保有者の社会的地位(富裕層、中流階級、貧困層など)、地理的な場所、純資産額、その他多くの要因によって異なる場合があります。貸し手は、各融資について、融資の収益とデフォルトリスクのバランスを取る必要があります。そこで問題となるのは、ポートフォリオ全体をどのように評価するかということです。[ 27 ]
最もリスクの低い融資先は富裕層かもしれないが、富裕層はごく少数しかいない。一方、融資可能な貧困層は多数存在するが、リスクは高い。収益を最大化し、リスクを最小化するバランスを見つける必要がある。分析ソリューションは、時系列分析と他の多くの要素を組み合わせることで、こうした異なる借り手層への融資時期の決定、あるいはポートフォリオ内の損失を補填するための金利設定など、様々な意思決定を可能にする。
銀行業界における予測モデルは、個々の顧客のリスクスコアに確実性をもたらすために開発されています。信用スコアは、個人の延滞行動を予測するために構築され、各申請者の信用度を評価するために広く使用されています。[ 28 ]さらに、リスク分析は科学の世界[ 29 ]や保険業界[ 30 ]でも実施されています。また、オンライン決済ゲートウェイ会社などの金融機関では、取引が正当なものか不正なものかを分析するために広く使用されています。[ 31 ]この目的のために、顧客の取引履歴が使用されます。これは、クレジットカード購入でより一般的に使用されており、顧客の取引量が急増すると、取引が顧客によって開始されたかどうかを確認する電話が顧客にかかってきます。これにより、このような状況による損失を減らすことができます。[ 32 ]
デジタル分析とは、デジタルデータを定義、作成、収集、検証、または変換して、レポート、調査、分析、推奨事項、最適化、予測、および自動化を行う一連のビジネスおよび技術活動です。[ 33 ]これには、キーワード検索を追跡し、そのデータをマーケティング目的で使用するSEO(検索エンジン最適化) [ 34 ]やバナー広告のクリック[ 35 ]も含まれます。ますます多くのブランドやマーケティング会社が、マーケティング投資収益率(MROI)が重要な主要業績評価指標(KPI)であるデジタルマーケティング業務にデジタル分析を利用しています。
セキュリティ分析とは、情報技術(IT)を用いてセキュリティイベントを収集し、最大のセキュリティリスクをもたらすイベントを理解・分析することを指します。[ 36 ] [ 37 ]この分野の製品には、セキュリティ情報およびイベント管理、ユーザー行動分析などがあります。
ソフトウェア分析とは、ソフトウェアがどのように使用され、生産されているかに関する情報を収集するプロセスである。[ 38 ]
商用分析ソフトウェア業界では、大規模で複雑なデータセットの分析という課題を解決することに重点が置かれるようになってきており、多くの場合、そのようなデータは常に変化しています。このようなデータセットは一般的にビッグデータと呼ばれています。[ 39 ]かつてビッグデータがもたらす問題は科学界にのみ見られましたが、今日では、オンラインでトランザクションシステムを運用し、その結果として大量のデータを急速に蓄積する多くの企業にとってビッグデータは問題となっています。[ 40 ] [ 39 ]
非構造化データタイプの分析は、業界で注目を集めているもう 1 つの課題です。非構造化データは、その形式が多岐にわたり、データ変換に多大な労力をかけなければ従来のリレーショナル データベースに格納できないという点で、構造化データとは異なります。[ 41 ]電子メール、ワープロ文書の内容、PDF、地理空間データなどの非構造化データのソースは、企業、政府、大学にとってビジネス インテリジェンスの重要なソースになりつつあります。 [ 42 ] [ 43 ]
これらの課題は、現代の分析情報システムのイノベーションの多くにインスピレーションを与えており、複雑イベント処理[ 44 ]、全文検索と分析、さらにはプレゼンテーションの新しいアイデアなど、比較的新しい機械分析の概念を生み出しています。そのようなイノベーションの1つは、機械分析におけるグリッドライクなアーキテクチャの導入であり、ワークロードを多数のコンピュータに分散し、すべてのコンピュータが完全なデータセットに均等にアクセスできるようにすることで、大規模並列処理の速度を向上させることができます。[ 45 ]
分析は教育、特に学区や政府機関レベルでますます活用されています。しかし、生徒の成績測定の複雑さは、教育者が分析を理解して活用し、生徒の成績のパターンを識別したり、卒業の可能性を予測したり、生徒の成功の可能性を高めたりする際に課題となります。 [ 46 ]例えば、データ活用に積極的な学区を対象とした調査では、教師の48%がデータに基づいて質問をするのが難しく、36%が与えられたデータを理解できず、52%がデータを誤って解釈していました。[ 47 ]これに対処するため、教育者向けの分析ツールの中には、市販のデータ形式(ラベル、補足資料、ヘルプシステムの埋め込み、主要なパッケージ/表示およびコンテンツの決定)に準拠し、表示される分析の教育者の理解と活用を向上させるものもあります。[ 48 ]
一般の人々に対するリスクには、価格差別や統計的差別などのメカニズムを通じて、性別、肌の色、民族的出自、政治的意見などの特性に基づく差別が含まれる。[ 49 ]
{{cite book}}: CS1メンテナンス: 場所の発行元が見つかりません (リンク)氏は、ピープルアナリティクスとHRアナリティクスの重要な違いを指摘している。「ピープルアナリティクスはビジネス上の問題を解決します。HRアナリティクスはHRの問題を解決します」と彼は言う。ピープルアナリティクスは仕事とその社会組織に着目する。HRアナリティクスはHR管理プロセスに関するデータを測定し、統合する。
{{cite book}}: CS1メンテナンス: 場所の発行元が見つかりません (リンク)