Data Marketing データマーケティングコラム

データマーケティングコラム

データ分析における「解釈性」と「予測精度」の違いを詳しく解説

2023 / 03 / 10

「解釈性」とは分析のわかりやすさ、「予測精度」とは予測と実測の近さのことを指します。どちらもデータ分析には欠かせない要素ですが、この2つの要素はトレードオフの関係にあります。この「解釈性」と「予測精度」について、どちらを重視すればよいか悩んでしまう方も多いのではないでしょうか。そのような方に向けて、今回は「解釈性」と「予測精度」の違いについてお伝えしていきます。

データ分析における解釈性と予測精度とは

予測精度とは予測と実測の近さ

予測は将来のことに関するものであるため実際には測定できず、予測に対応して行動することにより実測されていきます。この予測と実測の近さが予測精度です。

解釈性とは分析のわかりやすさ

分析のわかりやすさとは、どのようにしてその結果を導いたかを理解できる度合いのことです。データ分析はできても、なぜその結果になったのかを説明できなければビジネスには使用できません。
データ分析の結果をスムーズに展開し、業務を効率的に遂行していくためにも、データ分析の解釈性が重要とされているのです。

予測精度と解釈性の関係について

一般的にはデータ分析に対しての解釈性と予測精度はトレードオフの関係にあります。データ分析の手法を複雑にすると予測精度は上がっていく傾向にありますが、逆に解釈性は低くなってしまいます。
一方データ分析の手法をシンプルにすると、説明は簡単になりますが予測精度は低くなります。
データ分析においては課題とゴールを設定して、「〇〇は××ではないか」という仮説をもとに予測精度と解釈性どちらを重視すべきか判断し、課題に合った分析手法を検討することが必要です。
例えば課題として「特定店舗の売上が低迷している」、ゴールとして「特定店舗の売上をアップしたい」を設定した場合、仮説をどのように証明していくかによって予測精度と解釈性をそれぞれどの程度重視すべきかが異なってきます。その具体例については次項からみていきましょう。

データ分析で予測精度を保ちつつ解釈性を重視するかどうかの具体例

さきほどの「特定店舗の売上をアップしたい」というゴールについて、仮説を考えてみます。今回は簡単な仮説の例として、「消費者の行動に合わせた販売を実施すれば売上が上がる」という内容を設定します。
一つの仮説には複数の分析すべき要素がありますが、予測精度と解釈性どちらを重視するのかは分析する要素ごとに異なるため、注意が必要です。
消費者の行動に合わせた販売を実施するには、例えば以下のような分析が必要になります。

来店する顧客層・顧客数の予測（予測精度を重視）

時間帯ごと、曜日ごとによく来店する顧客を予測していれば、それに対応した店舗の商品配置変更、タイムサービスの実施といった対策を打ち出せます。
来店の予測については予測精度が重視され、解釈性はそこまで重視されないと考えられます。時間帯ごと、曜日ごとの来店者数は、同じ条件であれば一般的に同様と考えられるためです。

商品を「ついで買い」する組み合わせの予測（解釈性を重視）

「ついで買い（クロスセル）」する組み合わせを予測できれば、商品を近くに陳列する、その組み合わせで特売セールを実施するなどで売上アップが期待できます。
どの商品が「ついで買い」されるのかを予測するには、顧客ごとに購買された商品を把握し、「ついで買い」の内容を分析する必要があります。
A商品が買われていた場合にB商品が買われるという内容を立証するには、多くのデータを要し、また細かい状況によって購買の仕方も変化するため、解釈性のあるデータ分析が必要になります。

解釈性重視の分析をご支援

予測精度を重視する分析はデータサイエンティストが得意とする領域ですが、解釈性が伴わない分析はビジネスでは十分に機能しません。対して一定の予測精度を保ちつつ解釈性を重視する分析は、エンジニア力×サイエンス力×ビジネス力の3点を掛け合わせて、マーケティング現場での価値あるデータ活用の実現を目指している弊社が得意とする領域です。
解釈性の高い分析をしたい場合はクロス・マーケティングへぜひ一度ご相談ください。

■参考サイト：
https://www.youtube.com/watch?v=DpvU_evHsv4
https://tjo.hatenablog.com/entry/2019/12/19/190000
https://xtrend.nikkei.com/atcl/contents/technology/00007/00037/
https://engineering.mercari.com/blog/entry/2019-12-24-070000/
https://datachemeng.com/post-4446/
https://hacarus.github.io/interpretable-ml-book-ja/interpretability-importance.html
https://www.deep-percept.co.jp/blog/category02/20201020517/
https://www.stat.go.jp/teacher/dl/pdf/c4learn/materials/fourth/dai3.pdf
https://www.stat.go.jp/teacher/dl/pdf/c4learn/materials/fourth/dai2.pdf
https://jpn.nec.com/ai/consulting/analyst/column/20220922.html
https://www.incudata.co.jp/magazine/2022/000406.html
https://kuroco.team/blog-data-tejun/