予測分析

予測分析には、データマイニング、予測モデリング、機械学習など、さまざまな統計手法が含まれており、現在の事実と過去の事実を分析して、将来の出来事や未知の出来事を予測します。^[1]

ビジネスにおいて、予測モデルは、履歴データや取引データに見られるパターンを利用してリスクと機会を特定します。モデルは多くの要因の関係性を捉え、特定の条件セットに関連するリスクや可能性を評価し、候補となる取引の意思決定を導きます。^[2]

これらの技術的アプローチの特徴的な機能的効果は、予測分析によって、マーケティング、信用リスク評価、不正検出、製造、医療、法執行を含む政府業務など、多数の個人に関係する組織プロセスを決定、通知、または影響を与えるために、各個人 (顧客、従業員、医療患者、製品 SKU、車両、コンポーネント、マシン、またはその他の組織単位) の予測スコア (確率) が提供されることです。

予測分析は、大量のデータ内の関係性とパターンを明らかにし、行動やイベントを予測するために使用できる一連のビジネスインテリジェンス（BI）テクノロジーです。他のBIテクノロジーとは異なり、予測分析は将来を見据えており、過去のイベントを使用して未来を予測します。^[3]予測分析の統計手法には、データモデリング、機械学習、AI、ディープラーニングアルゴリズム、データマイニングが含まれます。多くの場合、関心のある未知のイベントは将来のものですが、予測分析は過去、現在、未来を問わず、あらゆる種類の未知のものに適用できます。たとえば、犯罪が行われた後に容疑者を特定したり、クレジットカード詐欺が発生したときに特定したりできます。^[4]予測分析の核心は、説明変数と過去の出来事から予測された変数の関係を捕捉し、それらを利用して未知の結果を予測することにあります。ただし、結果の精度と使いやすさは、データ分析のレベルと仮定の質に大きく依存することに注意することが重要です。^[1]

予測分析は、より詳細な粒度レベルで予測すること、つまり、個々の組織要素ごとに予測スコア（確率）を生成することと定義されることが多い。これは、予測とは区別される。たとえば、「予測分析 - 経験（データ）から学習して個人の将来の行動を予測し、より良い意思決定を促進する技術」。^{[5]将来の産業システムでは、予測分析の価値は、潜在的な問題を予測して防止し、故障をほぼゼロに抑え、さらに、意思決定の最適化のために}処方分析に統合されることとなる。^[6]

予測分析を実行するために使用されるアプローチと手法は、大まかに回帰手法と機械学習手法に分類できます。

機械学習とは、知能を必要とする人間の行動を機械が学習し模倣する能力と定義できます。これは人工知能、アルゴリズム、モデルを通じて実現されます。^[7]

ARIMA モデルは時系列モデルの一般的な例です。これらのモデルは自己回帰を使用します。つまり、モデルは回帰ソフトウェアに適合し、機械学習を使用して回帰分析と平滑化の大部分を実行します。ARIMA モデルには全体的な傾向がなく、代わりに平均の周りに一定の振幅を持つ変動があり、統計的に類似した時間パターンが得られることが知られています。これにより、変数が分析され、データがフィルタリングされ、将来の値をよりよく理解して予測できるようになります。^{[8] [9]}

ARIMA法の一例は指数平滑法モデルです。指数平滑法では、新しいデータ セットと古いデータ セットの重要性の違いを考慮します。新しいデータ セットの方が将来の値を予測する上でより正確で価値があるからです。これを実現するために、指数を使用して、計算において新しいデータ セットに古いデータ セットよりも大きな重みを与えます。^[10]

時系列モデルは、過去の値を使用してデータを理解し、予測するために時系列を利用する機械学習のサブセットです。時系列とは、ビジネスアプリケーションにおける年や四半期など、等間隔の期間にわたる変数の値のシーケンスです。^[11]これを実現するには、データを平滑化するか、データのランダムな分散を除去してデータの傾向を明らかにする必要があります。これを実現するには複数の方法があります。

単一移動平均法では、過去のデータのより小さな番号のセットを使用して、単一の平均を取ることに関連する誤差を減らし、データセット全体の平均を取るよりも正確な平均を作成します。^[12]

中心移動平均法は、中央値データセットの平均を取ることで、単一移動平均法で見つかったデータを利用します。しかし、中央値データセットは偶数データセットで計算するのが難しいため、この方法は偶数データセットよりも奇数データセットでよりうまく機能します。^[13]

予測モデリングは、将来の行動を予測するために使用される統計的手法です。予測モデルを使用して、特定のサンプル内の特定のユニットと、そのユニットの1つ以上の特徴との関係を分析します。これらのモデルの目的は、別のサンプル内のユニットが同じパターンを示す可能性を評価することです。予測モデルソリューションは、データマイニングテクノロジーの一種と考えることができます。モデルは、過去のデータと現在のデータの両方を分析し、将来の潜在的な結果を予測するためのモデルを生成することができます。^[14]

使用される方法論に関係なく、予測モデルを作成するプロセスには、一般的に同じ手順が含まれます。まず、プロジェクトの目的と望ましい結果を決定し、それらを予測分析の目的とタスクに変換する必要があります。次に、ソースデータを分析して、最も適切なデータとモデル構築アプローチを決定します（モデルの有用性は、モデルの構築に使用される適切なデータと同じくらいしか役に立ちません）。モデルを作成するために、データを選択して変換します。モデルを作成してテストし、モデルが有効であり、プロジェクトの目標と指標を満たすことができるかどうかを評価します。モデルの結果を適切なビジネスプロセスに適用します（データ内のパターンを特定しても、必ずしもビジネスがそれを活用または活用する方法を理解するわけではありません）。その後、モデルを管理および維持して、標準化とパフォーマンスの向上を図ります（新しいコンプライアンス規制を満たすために、モデル管理の需要が高まります）。^[3]

一般的に、回帰分析では、構造データと独立変数の過去の値、独立変数と従属変数の関係を使用して予測を立てます。^[8]

線形回帰では、従属変数の以前の値を Y 軸にプロットし、分析対象の独立変数を X 軸にプロットしてプロットを作成します。次に、統計プログラムによって、独立変数と従属変数の関係を表す回帰線を作成します。この回帰線は、独立変数のみに基づいて従属変数の値を予測するために使用できます。回帰線では、プログラムは、回帰の誤差項の追加を含む直線の傾き切片方程式も表示します。誤差項の値が高いほど、回帰モデルの精度が低くなります。誤差項の値を減らすために、他の独立変数をモデルに導入し、これらの独立変数に対して同様の分析を実行します。^{[8] [15]}

監査の重要な側面に分析レビューがあります。分析レビューでは、調査対象の報告された口座残高の妥当性が判断されます。監査人は、自己回帰和分移動平均（ARIMA）法と一般回帰分析法^{[8] 、具体的には分析レビューのための統計的手法（STAR）法[16]}を使用して、監査対象の残高の条件付き期待値と呼ばれる予測を形成する予測モデリングを通じてこのプロセスを実行します。

分析レビューのためのARIMA法では、過去の監査済み残高の時系列分析を使用して条件付き期待値を作成します。これらの条件付き期待値は、監査済み口座で報告された実際の残高と比較され、報告された残高が期待値にどれだけ近いかが判断されます。報告された残高が期待値に近い場合、口座はそれ以上監査されません。報告された残高が期待値と大きく異なる場合、重大な会計エラーの可能性が高いため、追加の監査が行われます。^[16]

回帰分析法も同様の方法で展開されますが、使用される回帰モデルでは独立変数が 1 つだけ利用可能であると想定されます。監査対象の口座残高に寄与する独立変数の重要性は、過去の口座残高と現在の構造データを使用して決定されます。^[8]重要性とは、独立変数と従属変数の関係における重要性です。^[17]この場合、従属変数は口座残高です。これにより、最も重要な独立変数が条件付き期待値を作成するために使用され、ARIMA 法と同様に、条件付き期待値は報告された口座残高と比較され、2 つの残高の近さに基づいて決定が行われます。^[8]

STAR法は回帰分析を使用して機能し、2つの方法に分かれます。1つ目はSTAR月次残高アプローチで、条件付き期待値と回帰分析はどちらも監査対象の1か月に結び付けられています。もう1つの方法はSTAR年次残高アプローチで、条件付き期待値と回帰分析を監査対象の1年間に基づいて大規模に行います。監査対象の期間が異なることを除けば、両方の方法は同じように機能し、予想残高と報告残高を比較して、さらに調査する口座を決定します。^[16]

技術の進歩により、ますます多くのデータがデジタルで作成され、保存される世界へと移行するにつれ、企業はこの機会を利用し、この情報を活用して利益を生み出す方法を模索しています。予測分析は、資産管理会社、保険会社、通信会社、その他多くの企業を含む幅広いビジネスに使用でき、多くのメリットをもたらすことができます。IDC Analyze the Future が実施した調査で、ダン・ヴァセットとヘンリー・D・モリスは、資産管理会社が予測分析を使用して、より優れたマーケティング キャンペーンを展開した方法を説明しています。彼らは、マス マーケティング アプローチから顧客中心のアプローチに移行し、各顧客に同じオファーを送信するのではなく、顧客に基づいて各オファーをパーソナライズしました。予測分析は、潜在的な顧客がパーソナライズされたオファーを受け入れる可能性を予測するために使用されました。マーケティング キャンペーンと予測分析により、会社の受け入れ率は急上昇し、パーソナライズされたオファーを受け入れる人の数は 3 倍になりました。^[18]

予測分析における技術の進歩は、企業にとってその価値を高めています。技術の進歩の 1 つは、より強力なコンピューターです。これにより、予測分析は大規模なデータセットの予測をはるかに高速に作成できるようになりました。コンピューティング能力の向上により、データとアプリケーションも増加し、予測分析で使用する入力の範囲が広がります。もう 1 つの技術の進歩には、よりユーザーフレンドリーなインターフェイスが含まれます。これにより、ソフトウェアとアプリケーションを効果的に使用するための参入障壁が低くなり、従業員に必要なトレーニングが軽減されます。これらの進歩により、予測分析を採用する企業が増え、従業員の効率と有効性、および利益にメリットがもたらされています。^[19]

ARIMA単変量および多変量モデルは、キャッシュフローに寄与する特定の要因の過去の値に基づく方程式と計算を使用して、企業の将来のキャッシュフローを予測するために使用できます。時系列分析を使用して、これらの要因の値を分析し、外挿して、企業の将来のキャッシュフローを予測できます。単変量モデルの場合、キャッシュフローの過去の値のみが予測に使用される要因です。一方、多変量モデルでは、減価償却前の営業利益など、発生データに関連する複数の要因が使用されます。^[20]

キャッシュフロー予測に使用される別のモデルは 1998 年に開発され、Dechow、Kothari、Watts モデル、または DKW (1998) として知られています。DKW (1998) は、複数の変数とキャッシュフローの関係を決定するために回帰分析を使用します。この方法により、モデルはキャッシュフローの変化と未払金が特に現在の利益を通じて負の相関関係にあることを発見し、この関係を使用して次の期間のキャッシュフローを予測します。DKW (1998) モデルは、未払金とキャッシュフローと買掛金および売掛金、在庫との関係を通じてこの関係を導き出します。^[21]

一部の児童福祉機関は、予測分析を使用して高リスクのケースをフラグ付けし始めています。^[22]たとえば、フロリダ州ヒルズボロ郡では、児童福祉機関が予測モデリングツールを使用することで、対象集団における虐待関連の子供の死亡を防止しました。^[23]

司法判断の結果を予測することはAIプログラムによって可能であり、これらのプログラムはこの業界の専門家のための補助ツールとして使用することができます。^{[24] [25]}

多くの場合、分析の焦点は消費者ではなく、製品、ポートフォリオ、企業、業界、さらには経済です。たとえば、小売業者は在庫管理の目的で店舗レベルの需要を予測することに興味があるかもしれません。または、連邦準備制度理事会は来年の失業率を予測することに興味があるかもしれません。これらのタイプの問題は、時系列技術を使用した予測分析によって対処できます（以下を参照）。また、元の時系列を特徴ベクトル空間に変換する機械学習アプローチによって対処することもできます。この空間では、学習アルゴリズムが予測力のあるパターンを見つけます。^{[26] [27]}

多くの企業は、さまざまなサービスによるリスクの露出を考慮し、リスクをカバーするために必要なコストを決定する必要があります。予測分析は、病気、債務不履行、破産などの可能性を予測することで、これらの量を引き受けるのに役立ちます。予測分析は、アプリケーションレベルのデータを使用して顧客の将来のリスク行動を予測することで、顧客獲得のプロセスを合理化できます。信用スコアの形の予測分析により、特に住宅ローン市場でローンの承認にかかる時間が短縮されました。適切な予測分析は適切な価格決定につながり、将来の債務不履行リスクを軽減するのに役立ちます。予測分析は、モラルハザードを軽減し、事故の発生を防ぐために使用できます。^[28]

• 保険数理学
• ヘルスケアにおける人工知能
• 分析手順（財務監査）
• ビッグデータ
• 計算社会学
• 統計史を活用した犯罪削減
• 意思決定管理
• 疾病監視
• 学習分析
• オッズアルゴリズム
• パターン認識
• 予測推論
• 予測的な警察活動
• ソーシャルメディア分析