予測分析とは何か？
予測分析では、アルゴリズムと機械学習を用いて、データに基づいて将来の結果を予測することです。 予測モデリングの一種である予測分析は、ビッグデータ分析の一分野であり、特に過去に既に起こったことに基づいて、将来何が起こるかについての洞察を明らかにすることを目的としています。
予測分析は、小売業から医療、その他の分野まで、業界全体に広く応用されています。 例えば医療では、患者の転帰や健康リスクを予測するために、予測分析がますます利用されるようになってきています。 業種を問わず、予測分析は、企業やその他の組織におけるデータサイエンスと機械学習の広範なユースケースの1つです。
企業は予測分析をどのように活用しているのか？
組織は予測分析をどのように利用しているのでしょうか？
組織は予測分析を、直接的と間接的の2つの方法で活用しています。
予測分析の直接的な利用には、データアナリスト、ビジネスアナリスト、データサイエンティストが関与し、大規模なデータセットを調達・管理し、そのデータに対して予測モデルを実装する。 これらの役割は、フルタイムの従業員で構成される場合もあれば、外部のコンサルタントや代理店で構成される場合もある。 このチームには、データベース管理者やソフトウェア・エンジニアが加わることもあります。
予測分析チームは、オープンソースツール、商用ツール（SASなど）、自社開発ツールを使用することができます。 予測モデルには、線形回帰や非線形回帰、ニューラルネットワーク、決定木など、数学的手法と人工知能的手法が組み合わされています。
予測モデルは、組織が過去のデータに基づいて将来の出来事や行動を予測するのに役立ちます。 予測イベントには、顧客の購買活動や顧客の解約などが含まれ、科学者は予測モデルを使って、天候の傾向や気候変動のパターンなどを予測することが可能です。
予測分析の間接的な使用は、はるかに単純です。組織は、予測分析が中核または二次的な組み込み機能であるソフトウェアツールやプラットフォームを導入します。 このシナリオでは、組織は内部構造を理解する必要なく、予測分析の恩恵を受けることができます。
例えば、マーケティングオートメーションプラットフォームは、主要な機能として予測リードスコアリングを提供するかもしれません。 このプラットフォームを使用しているマーケティング担当者は、リードのコンバージョン率が向上したことを知っているが、その結果が予測分析によるものだとは知らないでしょう。
小売業における予測分析
小売業界は競争が激しく、ブランドと価格が重視され、顧客は予測不可能です。 小売店の購買量を考えると、購買親和性のわずかな向上は、数百万ドル（あるいはそれ以上）の売上増につながる。 そこで、小売業における予測分析の出番です。
予測分析の有効性は、基礎となるデータの量と質にかかっています。 小売環境では、消費者データが大量に生成される。 eコマースサイトでは、顧客はクリック、購入、ショッピングカートの放棄などからデータを生成します。
実店舗では、ロイヤリティ・プログラム（つまり、詳細な購買履歴）や、RFIDデータ（有効な場合）からデータが生成され、店舗内での買い物客の動きを捉える。 また、一部の店舗では、ビデオ監視データを使って買い物客の動きを追跡しています。
予測分析は、これらの豊富なデータセットを使用して、将来の顧客行動を予測します。 たとえば、あるシリアルのブランドが買い物客に人気になると予測するモデルがあるとします。 店側は、期間限定の値下げを行うことで、さらに売上を伸ばすかもしれません。 あるいは、シリアルの箱をエンドキャップ（通路の端に置かれた棚）に移すかもしれません。 予測分析によって生み出された洞察を利用することで、小売業者は関連する売上増を最大化することができます。
予測的顧客分析
普段からアマゾンで買い物をしている人なら、自分には必要ないと思っていたおすすめ商品を目にしたことがあるでしょう。 よく考えてみると、その商品は必要だと判断し、購入するといったことがありませんでしたか。
これは消費者行動の予測分析であり、データモデルが、あなたがそれに気づく前に、あなたの現在と将来のニーズを予測しているのです。 購入する商品を提供するだけでなく、予測分析によって解約リスクのある顧客を特定することができます。 このような顧客には、更新時の割引価格を提示したり、カスタマーサポートや顧客維持のスペシャリストに連絡したりすることができます。
予測分析はまた、将来の製品販売と顧客需要を予測し、組織が適切な在庫を確保し、十分なサポート要員を配置することを可能にします。 例えば、全国展開しているピザチェーンは、顧客予測分析を利用して、スーパーボウル期間中に何枚のピザが売れ、各店舗に何人の従業員を配置する必要があるかを予測することができます。
マーケティングにおける予測分析
マーケティングに予測分析を導入するには、まず適切なマーケティングデータを特定し、収集する必要があります。 データセットには、顧客の購入データ（商品SKU、数量、購入日、価格、販売チャネルなど）、顧客のデモグラフィックおよびサイコグラフィック情報、商品の返品データなどが含まれます。
次のステップは、データクレンジングとデータ準備です。 データクレンジングは、データに誤りがなく、必須項目がすべて揃っていることを確認するための品質保証ステップです。 重要なフィールドに欠損値があると、予測モデルの品質が損なわれる可能性があります。 また、パートナーや再販業者、サードパーティのデータ・プロバイダーからのデータを使って、データを充実させることも可能です。
第3のステップは、分類や回帰のようなデータサイエンスの方法論を使って予測モデルを構築することです。 分類は、より正確な分析を可能にするために、データの集まりにカテゴリーを割り当てるプロセスです。 回帰は、従属変数と1つ以上の独立変数の関係をモデル化します。
マーケティングにおける予測分析の最終段階は、結果を公開または共有することです。 例えば、より意味のあるリードスコアを作成するために予測分析を使用するマーケティングオートメーションプラットフォームは、更新されたスコアでリードをリフレッシュします。
予測営業分析
予測営業分析は、営業開発担当者（SDR）とアカウント・エグゼクティブの効果と生産性を最適化することができます。 営業開発担当者は、100件以上のリードリストを扱うことが多くあります。 予測販売分析では、これらの100以上のリードを処理し、潜在顧客としての「最適」に基づいて優先順位をつけることができます。
これにより、SDRは電話で会話をしたり、アウトリーチメールに返信する可能性が最も高いリードに電話をかけることに時間を集中させることができます。 さらに、過去のやり取りから得たデータを使って、予測的営業アナリティクスは、見込み客の注意を引く可能性が最も高いメッセージング（言い回しなど）や、販売を促進する可能性が高い推奨コンテンツ資産を提案することが可能です。
販売予測分析によって、営業担当者のテリトリー割り当てを最適化することもできます。 予測分析では、地理に基づいて販売地域を割り当てるのではなく、優良顧客が集中している場所に基づいて地域を割り当てることができます。 これにより、営業マネージャーは、地理的な位置に関係なく、最適なアカウントをチーム全体に均等に配分することが可能です。
