ビジネスパーソン向けデータサイエンス手法一覧
データサイエンスには、データの可視化、統計解析、機械学習、AIなど、さまざまな分析手法があります。それぞれ目的や分析対象が異なるため、課題に応じて適切な手法を選択することが重要です。
以下では、ビジネスで活用される代表的なデータサイエンス手法を紹介します。太字の手法名をクリックすると、ページ下部でその詳細をご覧いただけます。
各手法が実際の業務でどのように使われているかは、活用事例のページで紹介しています。
ビジネスパーソン向けデータサイエンス手法一覧※研究者向け統計解析手法はこちら
| 分類 | 手法 |
|---|---|
| 基本統計量 | 平均、標準偏差、偏差値、中央値 |
| データの可視化 | 棒グラフ、折れ線グラフ、円グラフ、散布図、ヒストグラム、箱ひげ図、ヒートマップ |
| データ集計・前処理 | クロス集計、欠損値処理、標準化・正規化、特徴量エンジニアリング |
| 統計解析 | 記述統計、相関分析、回帰分析、ロジスティック回帰分析、仮説検定、分散分析 |
| 教師あり学習 | 決定木、ランダムフォレスト、サポートベクターマシン（SVM）、ニューラルネットワーク |
| 教師なし学習 | クラスタリング（k-means）、階層型クラスタリング、主成分分析（PCA）、アソシエーション分析 |
| 時系列分析 | 移動平均、TCSI分離法、ARIMA、Prophet |
| 異常検知 | 外れ値検出、Isolation Forest、One-Class SVM |
| 自然言語処理・生成AI | テキストマイニング、自然言語処理（NLP） |
| 因果推論 | A/Bテスト、DID、RDD |
各手法について、概要・目的・活用例・メリット・留意点を簡潔にまとめています。
基本統計量
平均
概要
すべてのデータの合計を個数で割った値。データ全体の「中心あたり」を表す、もっとも基本的な代表値。
この手法でわかること・できること
・データ全体の代表的な水準がわかる
・複数のグループや期間の数値を比較する基準になる
・他の統計量を計算する際の土台になる
ビジネスでの活用例
月間売上の平均、顧客の平均購入金額、従業員の平均残業時間など、全体の水準を把握したいときに使う。
メリット
・計算が簡単で、誰にでも理解しやすい
・データ全体の傾向を一つの数値で要約できる
留意点
・極端に大きい・小さい値（外れ値）の影響を受けやすい
・データのばらつきの大きさまでは分からない
標準偏差
概要
データが平均からどれくらいばらついているかを表す数値。値が大きいほどデータの散らばりが大きく、小さいほど平均の周りに集中していることを示す。
この手法でわかること・できること
・データのばらつきの大きさを数値で把握できる
・複数のグループの安定性や均一性を比較できる
・偏差値や標準化の計算に使える
ビジネスでの活用例
店舗ごとの売上のばらつき、製品の寸法の品質ばらつき、従業員の評価点の散らばりなどを確認するときに使う。
メリット
・ばらつきを一つの数値で客観的に表せる
・平均と組み合わせることで、データの特徴をより正確に把握できる
留意点
・データの分布の形（左右対称か、偏っているかなど）は分からない
・外れ値の影響を受けやすい
偏差値
概要
あるデータが、全体の中でどの位置にあるかを50を基準として表した数値。平均より上か下か、どれくらい離れているかを比較しやすくするための指標。
この手法でわかること・できること
・平均からどれだけ離れているかを相対的に把握できる
・単位や平均値が異なるデータ同士を同じ尺度で比較できる
・上位・下位の位置づけを直感的に理解できる
ビジネスでの活用例
テストの点数や営業成績など、基準の異なる指標を同じ尺度で比較したり、個人の位置づけを確認したりするときに使う。
メリット
・異なる単位や水準のデータでも公平に比較できる
・50を基準にした直感的な数値で位置を説明しやすい
留意点
・元のデータの分布が大きく偏っていると解釈が難しくなる
・偏差値そのものより、元の数値との関係を理解したうえで使う必要がある
中央値
概要
データを小さい順に並べたとき、ちょうど真ん中にくる値。データの半数がこの値より上、半数が下になる代表値。
この手法でわかること・できること
・外れ値の影響を受けにくい「中心」の位置がわかる
・平均だけでは見えにくいデータの真ん中の水準を把握できる
・分布が偏っているデータの代表値として使える
ビジネスでの活用例
年収や物件価格など、一部に極端に高い値があるデータの代表値として使う。
メリット
・外れ値の影響を受けにくく、安定した代表値が得られる
・「真ん中の人・店舗はどのくらいか」を直感的に示せる
留意点
・データ全体の合計や総量のイメージは平均のほうが適している
・平均との差が大きい場合、データの偏りがあることを示唆している
データの可視化
散布図
概要
縦軸と横軸に2つの数値を取り、データを点として並べたグラフ。点の散らばり方から、2つの項目に関係があるかどうかを目で見て確認できる。
この手法でわかること・できること
・2つの項目に関係があるかが一目でわかる
・外れ値（他と大きく違うデータ）に気づける
・相関分析や回帰分析を行う前の下調べに使える
ビジネスでの活用例
広告費と売上、気温と来店客数など、2つの数字の関係を確認したいときに使う。
メリット
・専門知識がなくても関係性を直感的に理解できる
・異常なデータにすぐ気づける
・作成が簡単で、ツールがなくてもすぐに描ける
留意点
・関係があるように見えても、それが原因と結果の関係とは限らない
・3つ以上の項目の関係は表現できない
ヒストグラム
概要
データをいくつかの区間に分け、それぞれの区間に含まれるデータの個数を棒の高さで表すグラフ。データ全体がどのあたりに集中しているか、ばらつきの形を確認できる。
この手法でわかること・できること
・データがどの範囲に多いかがわかる
・平均や中央値だけでは見えない分布の形がわかる
・極端に多い・少ないデータの有無を確認できる
ビジネスでの活用例
顧客の年齢層の分布、商品の価格帯の分布などを把握するときに使う。
メリット
・データ全体像を一枚のグラフで把握できる
・外れ値や偏りに気づきやすい
・区間ごとの件数を把握でき、目安づくりに使える
留意点
・区間の区切り方によって見た目の印象が変わる
・データ数が少ないと分布の形が読み取りにくい
箱ひげ図
概要
データを最小値、中央値、最大値などいくつかの代表値でまとめ、箱とひげ（線）の形で表すグラフ。複数のグループを並べて比較するのに向いている。
この手法でわかること・できること
・データのばらつきの大きさを比較できる
・複数のグループの傾向を並べて見比べられる
・外れ値を簡単に見つけられる
ビジネスでの活用例
店舗ごとの売上のばらつきや、部署ごとの評価点のばらつきを比較するときに使う。
メリット
・複数グループの比較が一目でできる
・少ない情報でデータの特徴を要約できる
・平均値だけでは見えない中央値やばらつきも把握できる
留意点
・データの数が少ないと箱の形が不安定になりやすい
・分布の形（山が1つか2つかなど）までは分からない
ヒートマップ
概要
表形式のデータの一つ一つの数値を色の濃さで表現する図。数値の大小や、複数の項目間の関係の強さを視覚的に把握しやすくする。
この手法でわかること・できること
・数値の大小を色で直感的に把握できる
・たくさんの項目同士の関係を一覧できる
・目立つ箇所（特に高い・低い値）にすぐ気づける
ビジネスでの活用例
時間帯別・曜日別のアクセス数の把握や、複数商品間の相関の一覧表示などに使う。
メリット
・大量のデータでも全体の傾向を一目で把握できる
・表よりも視覚的に傾向をつかみやすい
留意点
・色使いによって印象が左右されやすいため配色に注意が必要
・項目数が多すぎると逆に見づらくなる
データ集計・前処理
標準化・正規化
概要
身長と体重のように単位や範囲が異なる複数のデータを、比較しやすいように同じものさしにそろえる処理。分析や機械学習の前段階で行う基本的な準備作業。
標準化：データの平均が0、標準偏差が1になるように変換する方法。値が平均からどれだけ離れているかを基準にそろえる。
正規化：データの最小値が0、最大値が1になるように変換する方法。値を一定の範囲（0〜1）に収める。
この手法でわかること・できること
・異なる単位のデータを公平に比較・合算できるようにする
・一部の項目の数値の大きさに分析結果が偏るのを防ぐ
ビジネスでの活用例
売上金額（円）と来店回数（回）のように単位が違う指標をまとめて分析する前に使う。
メリット
・分析や機械学習の精度が安定しやすくなる
・外れ値の影響を受けにくい分析につなげやすい
留意点
・データの見た目の数値が変わるため、結果の解釈には元の単位への読み替えが必要
・新しいデータが加わるたびに再計算が必要になる場合がある
特徴量エンジニアリング
概要
持っているデータをそのまま使うのではなく、分析や予測に役立つ新しい項目（特徴量）を作り出したり、不要な情報を整理したりする作業。分析の精度を大きく左右する重要な工程。
この手法でわかること・できること
・生データから予測に効く新しい指標を作り出せる
・分析・予測モデルの精度向上につながる
ビジネスでの活用例
購買日時から「曜日」や「時間帯」を作る、購入回数から「リピート率」を作るなど。
メリット
・同じデータでも工夫次第で分析結果の質が上がる
・既存データを有効活用でき、新たなデータ収集コストを抑えられる
留意点
・特定分野・業界の知識が求められ、担当者の経験による差が出やすい
・作りすぎるとかえって分析が複雑になり、過学習の原因にもなる
統計解析
相関分析
概要
2つの項目が「一方が増えるともう一方も増える（減る）」といった関係にあるかどうかを、-1から1の数値（相関係数）で表す分析手法。
この手法でわかること・できること
・2項目の関係の強さと向き（正・負）を数値で確認できる
・関係が強い項目の組み合わせを素早く見つけられる
ビジネスでの活用例
広告費と売上、気温とアイスの売上など、2つの指標の連動性を数値で確認したいときに使う。
メリット
・感覚ではなく数値で関係の強さを説明できる
・計算が比較的シンプルで結果を素早く確認できる
留意点
・相関があっても因果関係（原因と結果）があるとは限らない
・第三の要因が両方に影響している場合、見せかけの相関になることがある
回帰分析
概要
売上のような「結果」の数値を、広告費や気温などの「要因」の数値を使って説明・予測する分析手法。要因が結果にどの程度影響しているかも数値でわかる。
この手法でわかること・できること
・ある数値を他の要因から予測できる
・各要因が結果にどれくらい影響しているかがわかる
ビジネスでの活用例
広告費や来店客数から今後の売上を予測する、気温から電力使用量を予測するなど。
メリット
・将来の数値の見通しを立てられる
・影響の大きい要因を特定できる
・要因ごとの影響度を数値で比較できる
留意点
・予測の前提条件が大きく変わると精度が落ちる
・極端な外れ値があると予測結果が大きくゆがむことがある
ロジスティック回帰分析
概要
「購入するかしないか」「解約するかしないか」のように、2つに分かれる結果が起こる確率を予測する分析手法。回帰分析の考え方を「Yes/No」の予測に応用したもの。
この手法でわかること・できること
・ある出来事が起こる確率を数値で予測できる
・確率を左右している要因を特定できる
ビジネスでの活用例
顧客が解約する確率の予測、キャンペーンで購入する確率の予測などに使う。
メリット
・Yes/Noの判断根拠を確率という形で説明できる
・計算がシンプルで結果の説明がしやすい
留意点
・予測はあくまで確率であり、個々の結果を断定するものではない
・要因同士が複雑に絡み合う場合には精度が下がりやすい
仮説検定
概要
2つのグループの数値に見られる差が、偶然のばらつきによるものか、それとも統計的に意味のある差なのかを判断するための手法。
この手法でわかること・できること
・見た目の差が本当に意味のある差なのかを判断できる
・思い込みではなくデータに基づいた意思決定ができる
ビジネスでの活用例
新旧の施策で成果に差が出たとき、その差が偶然かどうかを確認するときに使う。
メリット
・主観ではなく統計的根拠をもって判断できる
・施策の効果を客観的な基準で判断できる
留意点
・サンプル数が少ないと正しい判断がしにくい
・「統計的に意味がある」ことと「実務上重要な差」であることは必ずしも一致しない
分散分析
概要
3つ以上のグループを比較して、グループ間の平均に統計的に意味のある差があるかどうかを調べる分析手法。仮説検定を複数グループに拡張したもの。
この手法でわかること・できること
・3グループ以上をまとめて比較できる
・どの要因がばらつきに影響しているかを確認できる
ビジネスでの活用例
複数店舗・複数施策の効果をまとめて比較するときに使う。
メリット
・個別に何度も比較するより効率よく差を検証できる
・どの要因がばらつきに影響しているかを整理できる
留意点
・差があるとわかっても、どのグループ同士に差があるかは別途確認が必要
・各グループのばらつきの大きさが極端に異なると結果の信頼性が下がる
教師あり学習
決定木
概要
「年齢が30歳以上か」「購入金額が1万円以上か」といった条件の分岐を繰り返しながら、結果を予測・分類していく手法。判断の流れが樹木の枝分かれのような図で表せる。
この手法でわかること・できること
・予測の理由を条件分岐の形で説明しやすい
・数値・カテゴリどちらのデータにも使える
ビジネスでの活用例
顧客が商品を購入するかどうかの予測、与信審査の可否判断などに使う。
メリット
・判断の根拠を人に説明しやすい
・数値とカテゴリが混在するデータもそのまま扱える
留意点
・条件を細かくしすぎると特定のデータに過剰に適合してしまう
・データが少し変わるだけで木の形が大きく変わることがある
ランダムフォレスト
概要
決定木を大量に作り、それぞれの予測結果を多数決や平均でまとめることで、1本の決定木よりも安定して精度の高い予測を行う手法。
この手法でわかること・できること
・1本の決定木より予測が安定しやすい
・どの要因が予測に効いているかも確認できる
ビジネスでの活用例
解約予測、需要予測など、幅広い予測タスクに使われる。
メリット
・精度と安定性のバランスがよく扱いやすい
・外れ値や欠損値の影響を受けにくい
留意点
・決定木単体に比べると判断の理由がやや説明しにくくなる
・モデルのサイズが大きくなり、計算や保存に時間・容量がかかる
サポートベクターマシン（SVM）
概要
複数のグループのデータを、できるだけ余裕をもってきれいに分けられる境界線（面）を見つけ出す分類の手法。少量のデータでも比較的安定した性能を出しやすい。
この手法でわかること・できること
・データをグループに分ける境界を明確に引ける
・少なめのデータでも一定の精度を出しやすい
ビジネスでの活用例
画像・文書の分類、不良品の判定など、2択の分類問題に使う。
メリット
・少量データでも比較的安定して機能する
・境界がはっきりしているデータに対して高い精度を出しやすい
留意点
・データ量が非常に多くなると計算に時間がかかりやすい
・パラメータの調整（チューニング）に専門知識が必要になりやすい
ニューラルネットワーク
概要
人間の脳の神経細胞のつながりを模した構造を使い、大量のデータから複雑なパターンを学習する手法。画像認識や音声認識など、複雑な問題を扱う分野で広く使われている。
この手法でわかること・できること
・画像・音声・文章など複雑なデータを扱える
・データ量が多いほど精度を高めやすい
ビジネスでの活用例
画像による不良品検出、需要予測、チャットボットなどに使う。
メリット
・複雑なパターンでも柔軟に学習できる
・画像・音声・文章など多様な種類のデータに応用できる
留意点
・大量のデータと計算資源が必要で、判断理由の説明が難しい
・学習に時間がかかり、結果が出るまで試行錯誤が必要になりやすい
教師なし学習
k-meansクラスタリング
概要
正解ラベルを与えずに、データの似ている度合いをもとに自動的にいくつかのグループ（クラスター）に分ける手法。あらかじめ分けたいグループ数を指定して使う。
この手法でわかること・できること
・似た特徴を持つデータを自動でグループ化できる
・大量の顧客・商品データの傾向をつかみやすくなる
ビジネスでの活用例
顧客を購買傾向でいくつかのタイプに分ける顧客セグメンテーションなどに使う。
メリット
・人手では気づきにくいグループ分けを発見できる
・計算が比較的高速で大量データにも適用しやすい
留意点
・グループ数をあらかじめ決める必要があり、結果の解釈には工夫が要る
・初期値の選び方によって結果が変わることがある
階層型クラスタリング
概要
データ同士の似ている度合いを段階的にまとめていき、木構造（デンドログラム）の形でグループの関係性を示しながら分類する手法。グループ数を先に決めなくてよい。
この手法でわかること・できること
・グループ同士の近さの関係性まで視覚的に確認できる
・分けるグループ数を後から柔軟に決められる
ビジネスでの活用例
商品ラインナップの似た者同士の整理、顧客層の段階的な分類などに使う。
メリット
・グループの構造や関係性まで把握できる
・デンドログラムを見ながら適切なグループ数を後から選べる
留意点
・データ量が多いと計算に時間がかかりやすい
・一度誤ってグループ分けされると後から修正しにくい
主成分分析（PCA）
概要
数十もの項目があるようなデータを、情報の損失をできるだけ抑えながら、少数の合成された指標（主成分）にまとめる手法。データの全体像をつかみやすくする。
この手法でわかること・できること
・多数の項目を少数の指標に要約できる
・データ全体の傾向を図示しやすくなる
ビジネスでの活用例
アンケートの多数の設問結果を少数の軸に要約して分析するときなどに使う。
メリット
・情報量を保ちながら分析をシンプルにできる
・多くの項目を扱う分析の前処理として計算負荷を減らせる
留意点
・要約後の指標が何を意味するかの解釈にはある程度の慣れが必要
・元の項目の意味が薄れるため、現場への説明がやや難しくなる
アソシエーション分析
概要
「Aを買った人はBも買う傾向がある」といった、複数の項目の組み合わせのパターンを大量のデータから見つけ出す分析手法。バスケット分析とも呼ばれる。
この手法でわかること・できること
・よく一緒に発生する組み合わせを発見できる
・商品の陳列やおすすめ表示の根拠に使える
ビジネスでの活用例
スーパーの購買データから「一緒に買われやすい商品」を見つけるなどに使う。
メリット
・レコメンドや商品陳列の具体的な施策につながりやすい
・大量の取引データから人手では気づきにくい組み合わせを発見できる
留意点
・見つかった組み合わせが必ずしも意味のある関係とは限らない
・対象データの件数が少ないと信頼できるパターンが見つかりにくい
異常検知
One-Class SVM
概要
正常なデータのパターンだけを学習し、そのパターンから大きく外れるデータを異常として検出する手法。異常データが少なく集めにくい場合に有効。
この手法でわかること・できること
・異常データが少なくても学習できる
・正常のパターンから外れたものを自動で検出できる
ビジネスでの活用例
設備の異常検知、通常と異なる取引の検出などに使う。
メリット
・異常事例が少ない状況でも運用しやすい
・不正や故障など、事例数が少ない異常の検出に向いている
留意点
・「正常」の定義や学習データの質が結果を大きく左右する
・パラメータ設定によって検出の感度が大きく変わる
自然言語処理・生成AI
テキストマイニング
概要
アンケートの自由記述やレビュー、問い合わせ内容などの文章データを解析し、よく使われる言葉や話題の傾向を取り出す分析手法。
この手法でわかること・できること
・大量の文章から頻出キーワードや話題を抽出できる
・自由記述アンケートなどを効率的に集計できる
ビジネスでの活用例
顧客アンケートの自由記述やSNSの投稿から、顧客の声の傾向をつかむときに使う。
メリット
・人手では読み切れない量の文章を効率的に分析できる
・定量化しにくい顧客の声を数値や傾向として可視化できる
留意点
・言葉の言い回しや文脈の違いにより誤って解釈される場合がある
・表記ゆれ（同じ意味でも違う言葉）への前処理が必要になる
自然言語処理（NLP）
概要
人間が使う言葉（文章）をコンピュータで処理・理解するための技術。文章の分類、要約、翻訳、感情分析などさまざまな応用がある。
この手法でわかること・できること
・文章の内容を自動で分類・要約できる
・文章に込められた感情や意図を推定できる
ビジネスでの活用例
問い合わせ内容の自動分類、レビューの感情分析（好意的か否定的か）などに使う。
メリット
・文章に関する作業を自動化・効率化できる
・問い合わせ対応やレビュー分析など幅広い業務に応用できる
留意点
・言葉のニュアンスや専門用語の解釈には限界がある
・専門用語や業界特有の言い回しには追加の学習・調整が必要になる場合がある
因果推論
A/Bテスト
概要
AパターンとBパターンの2つを実際に用意し、それぞれの成果（購入率やクリック率など）を比較することで、どちらがより効果的かを検証する手法。
この手法でわかること・できること
・施策の効果を実際のデータで比較検証できる
・思い込みではなく実験結果に基づいて意思決定できる
ビジネスでの活用例
Webサイトのボタンの色や文言を2パターン用意し、成果を比較するなどに使う。
メリット
・比較的シンプルな仕組みで効果検証ができる
・少ない準備で始められ、結果もすぐに確認しやすい
留意点
・十分なデータ量と検証期間を確保しないと正しい結論が出にくい
・同時に多くの要素を変えると、どの変更が効果を生んだか分かりにくくなる
差分の差分法（ Difference-in-Differences, DID）
概要
ある施策を行ったグループと行わなかったグループについて、施策の前後の変化を比較することで、施策そのものの効果を測定する手法。
この手法でわかること・できること
・施策以外の外部要因の影響をある程度取り除いて効果を測れる
・A/Bテストが難しい状況でも効果検証しやすい
ビジネスでの活用例
特定の地域だけで実施した施策の効果を、他地域と比較して検証するときに使う。
メリット
・実験的なテストが組みにくい場面でも効果検証ができる
・施策前から続く既存のトレンドの影響を取り除きやすい
留意点
・比較する2つのグループがもともと似た傾向であることが前提となる
・施策のタイミングと重なる別の出来事があると結果が歪む可能性がある
回帰不連続デザイン（Regression Discontinuity Design, RDD）
概要
「点数が60点以上で合格」のような、明確な基準（閾値）の前後でグループを分け、その境目付近のデータを比較することで施策や制度の効果を測定する手法。
この手法でわかること・できること
・基準の前後で結果がどう変わるかを検証できる
・実験を組みにくい制度・施策の効果測定に使える
ビジネスでの活用例
一定の売上規模以上の店舗にのみ適用される制度の効果を検証するときに使う。
メリット
・既存の制度やルールを活かしたまま効果検証ができる
・無作為な実験が難しい制度や政策の効果測定に活用できる
留意点
・基準値のごく近くのデータに絞って分析するため、十分なデータ量が必要
・基準値から離れたデータには適用できない（局所的な効果しか分からない）