データマイニングとは？データマイニングのプロセスと17種類のマイニング手法を徹底解説！

データマイニングとは？

大量の情報をもとに統計学や人工知能などといった方法を使って定量として知識を発見する技術です。

注目されはじめたのは1990年代で、2000年代には多くの企業が取り入れ、そしてサービス化しマーケティングの手段として広く普及しました。

データマイニングは活用すると手作業だと時間のかかっていたビジネス上の課題に対して素早く対応でき、分析することで今後の傾向なども予測しビジネスの成果につながる施策を講じられます。

データマイニングと統計解析の違いは？

①データマイニング

取り扱う情報量が多い。

②統計分析

情報量が集まらない。

上記2点が大きな違いです。

①は知識発見で②は仮説検証であると言われることがありますが、一概にそうとも言い切れません。

またデータマイニングには「知識発見的」「仮説検証的」の2種類あります。

データマイニングの種類

知識発見（探索）

目的変数がなく、得られた情報から有効に使えるルールや法則の似ている点を見つけると言うものです。

特徴は事前に仮説を用意しているということです。

AIを用いて高度な計算をし、小さな特徴なども発見していきます。

そこから人間では分からない相関関係を見つけ新しい分類分けなどを実施。

代表的な手法はアソシエーション分析というマーケットバスケット分析に用いられるものがあります。

仮説検証

事前に仮説を立て、需要や顧客の検証をおこないます。

目的変数があり購買量や顧客の反応を予測、そのために顧客のグループ分けをしたりするものです。

仮説を立てるにあたっては専門の知識を持った担当者が必要ですが、データマイニングツールというものを活用すればある程度は対応できます。

回帰分析、決定木、ニュートラルネットワークなどの多くの手法があることもポイントです。
予測して分析することで、将来の売上高、さらに売れ筋商品まで発見できます。

データマイニングの機能

発生確率の予測

情報を様々なところから集め受注や購入といった特定の事象が発生する確率、要因を明らかにします。

明らかにすることで営業の方は高い見込みのある顧客にアプローチをかけていけます。

データの分類

収集した商品や顧客の情報を、特徴によって分けていきます。

そうすることでグループに最適な施策を打てるようになります。

情報などの分類ではグループごとの訴求ポイントがわかるため、製品の力を入れるべきなのかといったマーケティング戦略の指標を立てられます。

関連性の抽出

収集した大量の情報をもとに、同時に発生する事などの相関関係を探し出して抽出します。

相関性を知ることで今まで気づくことのできなかった事象を知り、顧客を見つけていくことやマーケティング戦略にも大いに役に立ちます。

データマイニングの活用法

金融業

銀行による融資審査、住宅ローン見込み客の推定といった内容から、生命保険では保険解約の防止に活用しています。証券では顧客管理の分析にも活用できます。

今後はセット商品開発の活用や優良顧客の選択、企業倒産の危険性の定量モデルの開発にも運用が見込まれています。

小売業

店舗改装時、ショッピングモール内での新たな事業といった内容に活用されています。

売上という数値のみではなく客の行動の結果を数値的に分析、情報があることで成功と失敗の理由がはっきりして日々の改善につなげていけます。

製造業

現場の見える化、作業効率化ができます。

感覚値でしか把握していなかった内容を数値化して「本当の現状」を把握し、作業の効率化をはかることで、製造ラインの改善につなげていくなどの活用が可能です。

教育

学習者の大量活動情報を活用し、学習する側の「モデリング」、「成績や学習成果の予測」、「行動解析」、「適応的な情報推薦」といった内容に活用できます。

データマイニングのプロセス

①目的を定めた後

その目的に沿った情報を集める。

目的に合った情報を集めることで確実な効果を狙って実行にうつせます。

②収集した情報の加工・整理

情報の中には加工や生理が必要な「ノイズ」と言うものが含まれており、そのままでは活用できません。

その為に情報を加工・整理し、活用できる情報にしていきます。

③分析（パターンの発見、グループ化など）

情報をもとにパターンを発見、グループ化をおこないます。

その為に、クラスタリングやロジスティック回帰分析、マーケット分析といった手法を用います。

④検証・評価

分析結果について、要因の特定を実施します。検証した結果に基づいてルールを作成し、仕組み化をはかります。そうして実際のデータに当てはめて検証・評価可能です。

17種類のデータマイニング手法

データのクリーニングとプレパレーション

集めた情報はクレンジング・整形を実施して、情報を様々な分析に使えるようにすることが必要です。

この作業がなければ企業にとって品質という視点で信頼ができなくなります。

自社の情報を信頼する為には欠かせない内容となります。

パターン追跡

基本的な方法の１つで傾向や定型を特定、監視します。

売上傾向を活用するための土台を作ることで、今後の製品やサービスの開発に役立てられます。

分類

様々な情報があるなか、関連性があるものをカテゴリ分けや分類できます。

企業が個人を識別できる情報を保護、削除するといった場合にその情報を特定するために重要です。

アソシエーション

統計に関する方法です。

特定の情報が他の情報や駆動イベントと関連しているかを教えてくれます。

外れ値の検出

データセット内の異常な情報を特定し、外れ値の発生理由を理解していきます。
未来の発生に備え目標を最大限達成できるようにします。

クラスタリング

情報が似ていることに着目して分けていく方法です。

購買情報を活用して類似性のある行動の顧客をグループ化し、グループごとに異なるマーケティング施策を実施することは非常に役立つと言えます。

ロジスティック回帰分析

「YES」or「NO」をはっきりと定義できる場合、分析する方法としてこちらを用います。DM送付した顧客に対して商品を購入するかどうかの予測などに最適です。

予測

分析を予測するための４つの要素のうちの１つです。

現在、過去の情報から発見されたパターンを使用して未来へと繋げ流ことで、自社の情報内で次に発生する内容を把握できます。

シーケンシャルパターン

イベントの流れを明らかにすることに集中して見る方法です。

シーケンシャルパターンを把握することで、顧客にさらに商品を推奨、売上促進につなげることが可能になります。

決定木

効果的なデータマイニングがおこなえる、予測モデルの一種です。

単純な性質のため、機械学習方法のホワイトボックス型としても知られています。

使用すると、情報の入力が出力にどんな影響を与えるのかがはっきりと理解できることがポイントです。

統計的手法

手順における根本的な考えが統計的な考え方です。

そのため統計的手法は多くの分析の中核となっています。

視覚化

事情に重要な要素です。

人が見えることにすることで、情報に関する知見をもたらすことで分析をしやすくします。

ニューラルネットワーク

AIやディープランニングで多く用いられる機械学習モデルで、その中でも制度の高い１つです。

強力なツールではありますが、複雑で内容が難しいところも一部あるため利用には注意が必要な場合もあります。

データウェアハウス

情報の倉庫と言う意味で、現在使っていない情報も大量に保存しています。

長期記憶プロセス

情報を長期間にわたって分析する機能です。

小さな法則を特定して今後のヒントとして活用できます。

機械学習と人工知能

人工知能を使ったデータ分析ではPythonやRといったプログラミング言語がよく使用されます。

特にPythonはデータ分析には便利なライブラリが豊富にあるので有効な手法の一つが「知識発見」となります。

マーケット・バスケット

小売店の販売情報から同時に購入されることが多い商品を見つける時に使われる手法。

意外な関連性が見えてきたり、関連があると思っていた商品に関連がみられなかったりと商品を明らかにすることで効果的な売場づくりに役立てます。

まとめ

データマイニングは様々な企業にとって非常にメリットと言えます。

今まで重要視されていない情報にも注目できるので、新しい視点からの相関関係を発見できます。

ということは今までになかったところからのアプローチができるので企業の業績を飛躍させる大きな可能性を秘めています。

最後にまとめた３つのポイントです。

1. 今まで感覚だったものが数値化させる為、具体的に物事を見ることが可能である
2. 今まで重要視していない情報に注目できることで新たな発見がある
3. 企業としては消費者に今までなかったところからのアプローチをおこない、業績アップにつながる

SNSシェア

• X
• facebook
• hatebu
• LINE
• pocket

CATEGORY

学習

TAGS

テクノロジー データマイニング