Loading article…
予測分析は、データマイニング、予測モデリング、機械学習など、さまざまな統計的手法を包含しており、現在および過去の事実を分析して、将来の出来事や未知の出来事について予測を行います。[ 1 ]
ビジネスにおいて、予測モデルは、過去の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、多くの要因間の関係性を捉え、特定の条件に関連するリスクや可能性を評価し、候補となる取引に関する意思決定を導きます。[ 2 ]
これらの技術的手法の決定的な機能的効果は、予測分析によって各個人（顧客、従業員、医療患者、製品SKU、車両、部品、機械、その他の組織単位）に対して予測スコア（確率）を提供し、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、情報提供、または影響を与えることである。
2022年以降、この分野は生成AIと大規模言語モデル（LLM）の統合により大きく進化し、純粋な数値予測から、予測と自動コンテンツ生成およびエージェントワークフローを組み合わせた「予測型GenAI」へと移行しました。[ 3 ]
予測分析は、大量のデータ内の関係性や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ビジネスインテリジェンス（BI）技術の集合体です。他のBI技術とは異なり、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。[ 4 ]
予測分析の統計的手法には、データモデリング、機械学習、人工知能、深層学習アルゴリズム、データマイニングが含まれます。多くの場合、関心のある未知の事象は未来のものですが、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事象に適用できます。たとえば、犯罪が発生し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それを検知したりすることができます。[ 5 ]
予測分析の中核は、過去の出来事から説明変数と予測変数の間の関係を捉え、それを利用して未知の結果を予測することにあります。結果の精度と有用性は、データ分析のレベルと仮定の質に大きく依存します。[ 1 ]
従来、予測分析は識別モデル、つまりデータを分類したり値を予測したりするアルゴリズム（例：「この顧客は解約するだろうか？」）に重点を置いていた。2023年以降、生成型AIの登場により、この分野の能力は拡大した。
予測分析のための最新のテクノロジースタック（しばしば「モダンデータスタック」と呼ばれる）は、オンプレミスサーバーからクラウドネイティブなリアルタイムアーキテクチャへと移行している。
予測分析を行うために用いられるアプローチと手法は、大きく回帰分析手法と機械学習手法に分類できる。
機械学習とは、知能を必要とする人間の行動を学習し、模倣する機械の能力と定義できます。これは、人工知能、アルゴリズム、モデルによって実現されます。[ 11 ]
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するため、機械学習を使用して回帰分析と平滑化の大部分を実行する回帰ソフトウェアでモデルを適合させることができます。ARIMAモデルは全体的な傾向がなく、代わりに一定の振幅を持つ平均値の周りの変動があり、統計的に類似した時間パターンをもたらします。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て、将来の値をよりよく理解して予測することができます。[ 12 ] [ 13 ]
ARIMA法の一例として、指数平滑化モデルがあります。指数平滑化では、より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ため、古いデータセットと新しいデータセットの重要性の違いを考慮します。これを実現するために、指数を使用して、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計算に与えます。[ 14 ]
時系列モデルは、過去の値を使用してデータを理解および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の等間隔の期間にわたる変数の値のシーケンスです。[ 15 ]これを実現するには、データの傾向を明らかにするために、データを平滑化するか、データのランダムな変動を除去する必要があります。これを実現する方法は複数あります。
単一移動平均法は、過去のデータのより小さなセットを使用することで、単一の平均を取ることに伴う誤差を減らし、データセット全体の平均を取るよりも正確な平均を得る。[ 16 ]
中心移動平均法は、中央値を持つデータセットの平均を取ることで、単一移動平均法で得られたデータを利用する。しかし、偶数個のデータセットでは中央値を持つデータセットを計算するのが難しいため、この方法は偶数個のデータセットよりも奇数個のデータセットでより効果的に機能する。[ 17 ]
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ユニットの 1 つ以上の特徴との間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、データマイニング技術の一種と考えることができます。モデルは、過去および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できます。[ 18 ]
使用する手法に関わらず、一般的に、予測モデルを作成するプロセスは同じ手順で行われます。まず、プロジェクトの目的と望ましい成果を決定し、こ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、構築に使用される適用可能なデータによって決まります）。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たからといって、企業がそれをどのように活用したり、利益につなげたりできるとは限りません）。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に対応するために、モデル管理の需要が高まります）。[ 19 ]
一般的に、回帰分析は、構造データと独立変数の過去の値、および独立変数と従属変数との関係を使用して予測を形成します。[ 12 ]
線形回帰では、従属変数の過去の値を Y 軸に、分析対象の独立変数を X 軸にプロットしたグラフが作成されます。次に、独立変数と従属変数の関係を表す回帰直線が統計プログラムによって作成され、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。回帰直線とともに、プログラムは回帰の誤差項を追加した直線の傾き切片方程式も表示します。誤差項の値が大きいほど、回帰モデルの精度は低くなります。誤差項の値を減らすために、他の独立変数がモデルに導入され、これらの独立変数に対して同様の分析が実行されます。[ 12 ] [ 20 ]
監査の重要な側面には、分析的レビューが含まれます。分析的レビューでは、調査対象の報告された勘定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) 法および一般回帰分析法[ 12 ] 、特に分析的レビューのための統計的手法 (STAR) 法[ 21 ]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によってこのプロセスを実行します。
ARIMA分析レビュー法では、過去の監査済み残高の時系列分析を用いて条件付き期待値を作成します。次に、これらの条件付き期待値を監査対象勘定に報告された実際の残高と比較し、報告された残高が期待値にどれだけ近いかを判断します。報告された残高が期待値に近い場合は、その勘定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は、重大な会計上の誤りの可能性が高いため、追加の監査が実施されます。[ 21 ]
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は独立変数が 1 つだけ利用可能であることを前提としています。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。[ 12 ]重要性とは、従属変数との関係における独立変数の重要性です。[ 22 ]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を使用して条件付き期待値を作成し、ARIMA 法と同様に、条件付き期待値を報告された口座残高と比較し、2 つの残高の近さに基づいて決定を下します。[ 12 ]
STAR法は回帰分析を用いて運用され、2つの方法に分類されます。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か月に関連付けられています。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は監査対象の1年に基づいて行われるため、より大規模に実施されます。監査対象期間の違いを除けば、どちらの方法も期待残高と報告残高を比較して、さらに調査するアカウントを決定するという点で同じように機能します。[ 21 ]
ますます多くのデータがデジタルで生成および保存される技術進歩の世界へと移行するにつれ、企業はこの機会を活用し、この情報を使って利益を生み出す方法を模索しています。予測分析は、資産運用会社、保険会社、通信会社、その他多くの企業を含む幅広い企業に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、資産運用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開発した方法を説明しています。彼らはマスマーケティングのアプローチから顧客中心のアプローチに移行し、すべての顧客に同じオファーを送るのではなく、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のおかげで、同社の承諾率は急上昇し、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。[ 23 ]
予測分析の技術進歩により、企業にとっての価値が高まっています。技術進歩の一つは、より高性能なコンピュータであり、これにより予測分析は大規模なデータセットに対してより高速に予測を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伴い、データとアプリケーションも増加し、予測分析に使用できる入力の範囲が広がりました。もう一つの技術進歩は、よりユーザーフレンドリーなインターフェースであり、参入障壁が低くなり、従業員がソフトウェアやアプリケーションを効果的に使用するために必要なトレーニングも少なくて済みます。これらの進歩により、より多くの企業が予測分析を採用し、従業員の効率と効果、そして利益の面でメリットを享受しています。[ 24 ]
ARIMA単変量モデルと多変量モデルは、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いて方程式と計算を行い、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。時系列分析を使用すると、これらの要因の値を分析して外挿し、企業の将来のキャッシュフローを予測できます。単変量モデルでは、キャッシュフローの過去の値が予測に使用される唯一の要因です。一方、多変量モデルでは、減価償却前の営業利益などの発生主義データに関連する複数の要因を使用します。[ 25 ]
キャッシュフローの予測に使用される別のモデルは、1998 年に開発され、Dechow、Kothari、および Watts モデル、または DKW (1998) モデル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発生主義会計が、特に当期収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、発生主義会計とキャッシュフローが買掛金と売掛金、および在庫と関係することによってこの関係を導き出します。[ 26 ]
児童福祉機関の中には、高リスクのケースを特定するために予測分析の使用を開始したところもある。[ 27 ]例えば、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児童死亡を防ぐことができた。[ 28 ]
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行うことができます。これらのプログラムは、この業界の専門家にとって支援ツールとして使用できます。[ 29 ] [ 30 ]
分析の焦点は、多くの場合、消費者ではなく、製品、ポートフォリオ、企業、業界、あるいは経済です。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関心があるかもしれません。または、連邦準備制度理事会は、翌年の失業率を予測することに関心があるかもしれません。これらの種類の問題は、時系列技術を使用した予測分析によって対処できます（下記参照）。また、元の時系列を特徴ベクトル空間に変換し、学習アルゴリズムが予測力のあるパターンを見つけ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。[ 31 ] [ 32 ]
多くの企業は、さまざまなサービスに伴うリスクへの露出を考慮し、その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、倒産などの可能性を予測することで、これらのコストの引受に役立ちます。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、顧客獲得プロセスを効率化できます。信用スコアの形での予測分析は、特に住宅ローン市場において、融資承認にかかる時間を短縮しました。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。[ 33 ]
{{cite web}}: CS1 maint: 複数の名前: 著者リスト (リンク)