METHOD GUIDE / CHAPTER 06
教師なし学習の手法を探す
正解をあらかじめ与えず、データそのものが持つ 似た特徴・まとまり・構造・組み合わせを見つけるための手法です。 顧客分類やデータの要約、購買パターンの発見などに活用します。
METHOD 25
k-meansクラスタリング
K-MEANS CLUSTERING
PURPOSE
似た特徴を持つデータをグループ分けしたい
CATEGORY 06
教師なし学習
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。
VISUAL / CLUSTER MAP
似ているデータが、中心の近さによってグループに分かれる
CLUSTER A
CLUSTER B
CLUSTER C
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
- 明確な正解がないデータから新しいまとまりを発見できる
METHOD 26
階層型クラスタリング
HIERARCHICAL CLUSTERINGPURPOSE
似ているデータのまとまりと関係を知りたい
CATEGORY 06
教師なし学習
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。
VISUAL / DENDROGRAM
似ているものから順に結び、まとまりの階層をつくる
CUT LINE
A
B
C
D
E
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段階的にグループ化できる
- グループ同士の近さや関係を木構造で把握できる
- グループ数を先に決めず、結果を見ながら分類できる
METHOD 27
主成分分析（PCA）
PRINCIPAL COMPONENT ANALYSISPURPOSE
多くの項目を少数の指標にまとめたい
CATEGORY 06
教師なし学習
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。
VISUAL / DIMENSION REDUCTION
たくさんの情報を、特徴を残したまま少数の軸へ
売上
客数
単価
頻度
滞在
点数
→
PC1主成分1
PC2主成分2
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まとめられる
- 複雑なデータの全体的な特徴を把握しやすくなる
- データを2次元などに圧縮して可視化しやすくできる
METHOD 28
アソシエーション分析
ASSOCIATION ANALYSISAB
PURPOSE
一緒に起こりやすい組み合わせを見つけたい
CATEGORY 06
教師なし学習
「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。
VISUAL / BASKET PATTERN
大量の購買履歴から「一緒に選ばれやすい」を見つける
BASKET 01
ABC
BASKET 02
AB
BASKET 03
AD
BASKET 04
AB
BASKET 05
CD
BASKET 06
AB
商品 A
→
商品 B
REPEATED COMBINATION / 繰り返し現れる組み合わせ
この手法でわかること・できること
- 一緒に現れやすい商品や行動の組み合わせを発見できる
- 大量のデータから人手では見つけにくいパターンを探せる
- クロスセルや商品配置などの施策検討につなげられる