
データ分析は「手段」であり「目的」ではない
こんにちは、山奥のプレハブ小屋で自給自足を送る元投資銀行AI開発者の西園寺狂太郎なのだ。吾輩は今でこそ野菜を育てているが、かつては外資系の現場でデータと格闘していた。そこで痛感したのは、データ分析は問題解決のための手段であり、分析すること自体が目的ではないという原則なのだ。売上や離職率のように数値化できる問題は分析向きだが、チームの団結力のように数値化しにくい問題には不向きだ。この区別を誤ると、アグリーな結果を招くのだ。
近年のDXの潮流の中で、データ分析は競争優位を確立する必須スキルになりつつある。そして吾輩が今注目しているのが、仮想通貨市場におけるAI分析ツール「Crypto Nova」の類似銘柄抽出機能なのだ。これはまさにデータ分析の手法を投資判断に応用した好例といえる。
データ分析の12手法と手順を体系的に解説し、仮想通貨市場でのAI類似銘柄抽出への応用まで踏み込んで紹介するのだ。
データの種類を正しく理解することが分析の第一歩
分析手法を選ぶ前に、扱うデータの性質を把握せねばならない。質的変数(名義尺度・順序尺度)と量的変数(間隔尺度・比例尺度)の区別、離散/連続の区別、横断データと時系列データの区別、1次データと2次データの区別を整理するのだ。
| 分類軸 | 種類 | 例 | 可能な処理 |
|---|---|---|---|
| 尺度 | 名義尺度 | 性別、都道府県 | 度数、最頻値 |
| 尺度 | 順序尺度 | 金賞/銀賞、アンケート回答 | 中央値、四分位数 |
| 尺度 | 間隔尺度 | 摂氏温度、偏差値 | 平均、標準偏差 |
| 尺度 | 比例尺度 | 身長、売上シェア | 変動係数、幾何平均 |
| 時制 | 横断データ | 2021年の都道府県別人口 | 同時点の比較分析 |
| 時制 | 時系列データ | 東京都人口の推移 | 時間変化の分析 |
代表的なデータ分析12手法の全体像
多変量データ分析
相関分析は2つの量的変数の関係を見る手法で、相関係数は-1から1の範囲を取る。絶対値0.8以上で強い相関とされるが、外れ値に引っ張られやすく、相関は因果を意味しない点に注意なのだ。主成分分析はデータの散らばりが最大の方向を第一主成分として見つける。因子分析は複数の観測変数に共通する因子を抽出する。
回帰分析と時系列分析
回帰分析は目的変数を説明変数の関数として表現する。説明変数が1つなら単回帰、複数なら重回帰なのだ。時系列分析では自己回帰モデル(ARモデル)やフーリエ変換が用いられる。
顧客分析と商品分析
セグメンテーション、クラスター分析(階層型・k-means法などの非階層型)、デシル分析、RFM分析が顧客分析の柱だ。商品分析ではABC分析(パレートの法則に基づく)や相関ルール分析が活用される。
データ分析プロジェクトの6ステップ
仮想通貨市場への応用とCrypto Novaの位置づけ
仮想通貨市場では、価格・出来高・取引所間のスプレッド・オンチェーン指標などが分析対象となる。これらは比例尺度や時系列データとして扱える。類似銘柄抽出は、過去の値動きパターンを特徴量としてクラスタリングし、類似度の高い銘柄を抽出する手法と解釈できる。これは吾輩が解説したクラスター分析や相関分析の発想をAIで自動化したものだ。成功事例として、過去の急騰前の出来高変化パターンに類似する銘柄を早期に発見し、大きなリターンを得たという報告がコミュニティで共有されている(※個別の事例は推測を含む)。ただし投資判断は自己責任であり、分析結果が未来を保証するものではない点は強調しておくのだ。
よくある質問
データ分析は独学でも身につきますか?
相関分析と回帰分析の違いは?
Crypto Novaの類似銘柄抽出はどう使えばいい?
確定申告は必要ですか?
参考情報: qiita.com