現実のビジネスは「1つの原因」では説明できない
Day3で学んだ単回帰分析は、「広告費が増えると売上が増える」のように、1つの原因と1つの結果の関係を分析する手法でした。
しかし現実のビジネスでは、売上に影響する要因は広告費だけではありません。立地、店舗面積、スタッフ数、競合との距離、価格帯──複数の変数が複雑に絡み合って結果を生み出しているのが普通です。
Day6（最終回）のテーマは、この複雑な現実に対応する重回帰分析。そしてここで最大の論点になるのが、「仮説が先か、データが先か」という分析のアプローチの違いです。
重回帰分析とは
単回帰分析が y = a + bx（原因1つ）だったのに対し、重回帰分析は
y = a + b₁x₁ + b₂x₂ + b₃x₃ + …
のように、複数の説明変数（原因候補）を同時に扱う分析手法です。
たとえば、飲食チェーンの各店舗の売上（y）を、
- x₁：店舗面積
- x₂：最寄り駅の乗降客数
- x₃：駐車場台数
- x₄：競合店舗数
といった変数で説明する式を作り、「どの変数がどれだけ売上に影響しているか」を定量化します。
2つのアプローチ：仮説ベース vs 探索ベース
Day6のケースでは、ある飲食チェーンの店舗売上データを題材に、2つのまったく異なるアプローチで重回帰分析式を作成しました。
アプローチ1：仮説ベース
仮説ベースのアプローチでは、ビジネスの知見をもとに「この変数が効いているはず」と仮説を立て、自分で説明変数を選ぶ方法です。
まずケースの文章と業界知識から、「売上に影響しそうな要因」を洗い出します。そして、「この変数は入れるべき」「この変数はノイズになりそうだから外す」と、自分の判断で変数を選定したうえで回帰式を組み立てます。
メリット：
– ビジネスの文脈に即した解釈がしやすい
– 変数の選定理由を説明できるため、組織内の合意が得やすい
– 業界固有の知識や現場感覚を活かせる
リスク：
– 思い込みにとらわれ、重要な変数を見落とす可能性がある
– 分析者のバイアスが入りやすい
アプローチ2：探索ベース（変数減少法）
探索ベースのアプローチは、仮説ベースとは逆の発想です。
すべての候補変数をまず投入し、統計的に影響が小さい（有意でない）変数を1つずつ除外していく方法で、「変数減少法」とも呼ばれます。
ExcelやRなどの分析ツールを使い、P値（統計的有意性の指標）を基準に機械的に変数を選定していきます。
メリット：
– 客観的でバイアスが入りにくい
– 分析者が想定していなかった変数の重要性に気づける
– 手順が標準化されているため、再現性が高い
リスク：
– 統計的には有意でも、ビジネス上の意味がない変数が残ることがある
– 変数間の相関（多重共線性）に注意が必要
– 「なぜその変数が入っているのか」を説明しにくい場合がある
2つのアプローチを比較して見えたこと
授業では、同じデータセットに対して両方のアプローチで分析式を作り、予測精度（実際の売上と予測値の差異）を比較しました。
ここで面白かったのは、2つのアプローチで残る変数が異なるケースがあることです。
仮説ベースで「これは効くはず」と入れた変数が、探索ベースでは除外される。逆に、仮説では考慮しなかった変数が、探索ベースでは統計的に有意と判定される。
この「ズレ」こそが学びのポイントです。
仮説ベースのアプローチは、自分の思考の枠内でしか分析できない。一方、探索ベースのアプローチは、統計の力を借りてその枠を超えられる。しかし、統計的に有意であっても、ビジネスの文脈で説明がつかない結果をそのまま使うわけにはいかない。
だからこそ、どちらか一方ではなく、両方を往復させるのが実践的な分析の進め方なのです。
仮説と探索を「往復する」とはどういうことか
具体的な「往復」のイメージは、こうです。
- まず仮説ベースでモデルを作る。業界知識と現場感覚で変数を選ぶ。
- 次に探索ベースでモデルを作る。全変数を投入し、統計的に絞り込む。
- 2つの結果を比較する。 両方に含まれる変数は信頼度が高い。片方にしかない変数は追加検証が必要。
- 差が出た変数について、ビジネスの文脈で解釈できるかを吟味する。
- 必要に応じて仮説を修正し、モデルを再構築する。
この「往復」のプロセスは、Day1から一貫して流れている「仮説を持ってデータを見る → データから仮説を更新する」というサイクルの集大成です。
重回帰分析の実務での活用シーン
重回帰分析は、ビジネスの様々な場面で活用できます。
- 店舗の出店計画： 売上に影響する立地条件を特定し、新規出店候補地の売上を予測する
- 人事評価の分析： パフォーマンスに影響する要因（研修、経験年数、チーム構成など）を定量化する
- マーケティングROIの検証： 複数の施策が売上に与える影響度を分離して測定する
- 品質管理： 不良率に影響する製造条件を特定し、改善の優先順位をつける
いずれの場合も、「どの変数をモデルに入れるか」の判断が分析の質を左右することを、Day6で実感しました。
全6回を振り返って：データとの向き合い方が変わった
Day6の授業の最後に、全6回を通じた振り返りの時間がありました。
改めて全体を俯瞰すると、6回の学びには一貫した流れがあります。
- Day1-2： 分析の姿勢と基本スキル（分解、前捌き、可視化）
- Day3： 関係性の分析（帰納と演繹の2つのアプローチ）
- Day4： 総合演習（学んだ手法の統合）
- Day5： 未来の不確実性への対応（感度分析、ディシジョンツリー）
- Day6： 複雑な因果関係の分析（重回帰分析）
そして全体を貫くメッセージは、「仮説を持ってデータに向き合い、結果を分解し、因果関係を解明し、意思決定に活かす」というシンプルな原則です。
この科目で得られた3つの力
振り返ると、自分の中で最も変化したのは以下の3点です。
1. 分解力
数字を見たとき、「で、それを分解するとどうなっている？」と自然に問えるようになりました。売上、コスト、顧客満足度──どんな結果も、分解することで問題の所在が見えてきます。
2. 可視化力
「とりあえずグラフにしてみよう」ではなく、「何を明らかにしたいから、このグラフを使う」と目的起点で可視化を選べるようになりました。
3. 意思決定力
不確実な状況でも、「感覚で決める」から「構造化して、数字で比較して、根拠を持って決める」にシフトできたと感じています。
これから学ぶ方へ
ビジネス・アナリティクスで扱う手法は、すべてExcelで実行できるものです。高度な統計ソフトもプログラミングも必要ありません。
しかし、この科目の本当の価値は手法そのものではなく、「データに向き合う姿勢」を身につけることにあります。
仮説を持つ。結果を分解する。急がば回れ。
このシンプルな原則を体に染み込ませることで、日常の仕事の中でのデータ活用が劇的に変わります。
6回の授業で「数字で語れる自信」がついたこと。それが、ビジネス・アナリティクスを受講して最も大きな収穫でした。
参考書籍
– 『EXCELビジネス統計分析〔ビジテク〕』翔泳社（末吉正成著、末吉美喜著）── 重回帰分析のExcel操作手順を丁寧に解説。変数減少法の実践にも対応
– 『定量分析の教科書：ビジネス数字力養成講座』東洋経済新報社（グロービス著、鈴木健一著）── 全6回の総復習に。重回帰分析の章で仮説ベース・探索ベースの考え方も解説
– 『ビジネス数字力を鍛える（グロービスの実感するMBA）』ダイヤモンド社（グロービス著、田久保善彦著）── 科目全体を通じた「数字で考える力」を定着させるための演習書
