会社案内
お知らせ・更新情報
セミナー開催案内
解説＆動画コンテンツ
動画販売
個別相談
情報会員登録
お問合せ
経営管理会計コラム
生成AIコラム
アナリティクスコラム
予備1
予備2
予備3
予備4
サイトマップ
アナリティクスコラム
作成日：2025/08/02
PredictionOneでできる分析パターンとは

（私の問い）
PredictionOneでできる分析パターンを解説してください

（Geminiの回答）

PredictionOneで実現する多彩な分析パターン

 

ソニーが開発したAI予測分析ツール「PredictionOne」は、プログラミングや専門知識がなくても、数クリックの簡単な操作で高精度な予測分析を行えることを特徴としています。本ツールが提供する主要な分析パターンは、予測したい対象に応じて大きく3つの「予測タイプ」と、特殊なデータ形式に対応した1つのモードに分類されます。

それぞれのパターンについて、その目的、適したデータ、具体的な活用例を詳細に解説します。

 

1. 二値分類 (Binary Classification)

 

「はい」か「いいえ」か、2つのうちどちらになるかを予測する

二値分類は、予測したい結果が2つの選択肢のいずれかである場合に用いられる最も基本的な分析パターンです。ある事象が発生する確率を予測する際に広く活用できます。

  説明
目的 ある特定の事象が「起こる」か「起こらない」か、顧客が「購入する」か「しない」か、機械が「故障する」か「しない」かなど、2つの結果のうちの片方が発生する確率を予測します。
適したデータ 結果（目的変数）が「はい/いいえ」「0/1」「成功/失敗」のように2種類のカテゴリで表現される表形式のデータ。
主な活用例  
  - マーケティング: 顧客がキャンペーンに反応するか、商品を購入するか、サービスを解約するかを予測し、マーケティング施策のROIを最大化する。
  - 営業: 案件が成約するか失注するかを予測し、アプローチの優先順位付けを行う。
  - 金融: ローン申請者が債務不履行に陥るリスクを予測する。
  - 製造: 製品が検査で合格するか不合格になるかを予測する。

分析のアウトプット: 各データ（例えば、各顧客）に対して、予測ターゲット（例：「退会する」）となる確率が0から1の間の数値で算出されます。この確率を基に、解約しそうな顧客に絞ってフォローアップ施策を実施するなどの具体的なアクションに繋げることができます。

 

2. 多値分類 (Multi-class Classification)

 

3つ以上の選択肢の中から、どれに当てはまるかを予測する

多値分類は、予測したい結果が3つ以上のカテゴリに分類される場合に使用します。テキストデータの分類や顧客セグメンテーションなどに強力な効果を発揮します。

  説明
目的 データが予め定義された3つ以上のクラス（カテゴリ）のどれに属するかを予測します。
適したデータ 結果（目的変数）が3種類以上のカテゴリ（例：「A/B/C」、「高/中/低」）で表現される表形式のデータ。テキストデータを含むデータも分析可能です。
主な活用例  
  - 顧客サポート: コールセンターに寄せられる「顧客の声」（テキストデータ）を、「仕様に関する問い合わせ」「料金に関する不満」「操作方法の質問」といった複数のカテゴリに自動で分類し、対応の効率化と内容の分析に役立てる。
  - マーケティング: 顧客を購買傾向や興味関心に基づいて複数のセグメント（例：「ロイヤルカスタマー」「休眠顧客」「新規顧客」）に分類する。
  - 需要予測: 商品の売れ行きを「好調」「普通」「不調」の3段階で予測する。
  - 画像分類の前処理: （PredictionOneの直接機能ではありませんが、一般的に）画像に付けられたタグを基に、画像を複数のカテゴリに分類する。

分析のアウトプット: 各データに対して、最も可能性の高いクラスが予測結果として提示されます。これにより、大量のテキストデータの手作業による分類作業を自動化したり、顧客層に応じたアプローチを計画したりすることが可能になります。

 

3. 数値予測 (Regression)

 

売上金額や来客数など、連続する数値を予測する

数値予測は、過去のデータから将来の具体的な数値を予測したい場合に用いる分析パターンです。「回帰」とも呼ばれます。

  説明
目的 売上、気温、株価、不動産価格といった連続した数値（量の大小が意味を持つ数値）を予測します。
適したデータ 結果（目的変数）が数値（例：1000、25.5、-50）である表形式のデータ。
主な活用例  
  - 経営・販売計画: 店舗の売上高や特定の商品の販売数を予測し、在庫の最適化や人員配置計画に活用する。
  - 不動産: 物件の所在地、築年数、面積などの情報から賃料や販売価格を査定する。
  - 製造・エネルギー: 工場の生産量や電力の需要量を予測する。
  - 人事: 従業員のパフォーマンス評価スコアや将来の在籍期間を予測する。

分析のアウトプット: 将来の特定の時点や条件下における具体的な予測値が算出されます。これにより、精度の高い事業計画の策定や、リソースの最適な配分が可能となります。

 

4. 時系列予測モード (Time Series Forecasting)

 

時間の経過に伴って変化する数値を、未来にわたって予測する

時系列予測は、数値予測の一種ですが、特に「時間の概念」が重要なデータを扱うことに特化した分析モードです。過去のトレンドや季節性（周期性）を自動で学習し、未来の数値を予測します。

  説明
目的 過去の時系列データ（例：日次、週次、月次の売上データ）を基に、未来の数値を予測します。データの持つ周期性やトレンドを考慮した予測が可能です。
適したデータ - 必須: 日時データ（等間隔であることが必要）、予測したい数値データ。
  - 任意: 予測精度向上に寄与する可能性のある関連データ（例：天候、キャンペーンの有無、Webサイトのアクセス数など）。
主な活用例  
  - 需要予測: スーパーマーケットの日別の来店客数や、ECサイトの月別の売上を予測する。
  - リソース計画: コールセンターの入電数を時間帯ごとに予測し、オペレーターのシフトを最適化する。
  - 在庫管理: 製品の出荷数を週次で予測し、欠品や過剰在庫を防ぐ。
 

特徴的な機能:

  • 上振れ・下振れ予測: 単一の予測値だけでなく、予測値が取りうる値の範囲（信頼区間）を「上振れ予測値」「下振れ予測値」として出力できます。これにより、リスクを考慮した計画立案が可能になります。

  • 関連要因の考慮: 天気予報やイベント情報など、未来の時点で値がわかる情報を加味して予測精度を高めることができます。

 

まとめ：PredictionOneの分析パターンの選択

 

PredictionOneでは、分析を始める際にまず「何を予測したいのか」を明確にすることが重要です。

  • 結果が2択か？ → 二値分類

  • 結果が3つ以上のカテゴリか？ → 多値分類

  • 結果が具体的な数値か？ → 数値予測

  • 時間の流れに沿った数値を予測したいか？ → 時系列予測モード

 

これらの分析パターンを適切に使い分けることで、ビジネス上の様々な課題解決に向けた、データに基づく客観的で精度の高い洞察を得ることが可能となります。なお、2024年現在、PredictionOneは主に表形式のデータを分析対象としており、画像データを直接読み込んで分類や分析を行う専用の「画像認識」パターンは標準機能としては提供されていない点にご留意ください。