楽水

人々の創造が自由に表現できる舞台づくり

DX ビジネス

仮説検証プロセスとは

投稿日:


先行き不透明で予測困難な時代、これまでうまくいった方法を前提に計画、実行、検証、改善というPDCAサイクルをまわしても、前提自体が間違っている場合、うまく機能しません。
このような時代、まず、実験して、うまくいく方法を探してから、その方法を実践するというアプローチのほうが有効です。
つまり、まず、仮説をたて、実験し、その結果を検証して改善する仮説検証プロセスが重要なのです。

この仮説検証プロセスですが、これは、
まず、なんらかの現象を観察することで問題(事象)を発見するところから始まり、
その原因を推定し、それを解決するための計画をたてて、
実験する
その結果を検証し、
学びを得る、
そして、うまくいかなければ、再度実験計画を改善する。
このような仮説検証サイクルをまわすことです。

これを、論理的推論という観点で考えてみましょう。
論理的推論には、大きく以下の3つがあります。

  • 演繹(Deduction)
  • 演繹は、規則と前提から結論を導きます。
    前提を原因、結論を結果と考えても良いでしょう。
    また、規則とは、前提が真であれば結論も必ず真になるという論理的関係のことです。
    数学者は、通常、演繹的に推論します。
    演繹の場合、前提が真ならば結論も真になることを保証します。

  • 帰納(Induction)
  • 帰納は、前提が結論を伴ういくつかの事例を観察した結果として規則を推論します。
    科学者は、通常、帰納的に推論します。
    帰納の場合、推論した規則が真であることを保証しないので蓋然的、つまり、確率的な推論になります。

  • 仮説推論(Abduction)
  • 仮説推論は、結論に規則を当てはめて前提を推論します。
    医者や探偵、コンサルタントは、通常、仮説推論をします。
    仮説推論の場合、推論した前提が真であることを保証しないので蓋然的、つまり、確率的な推論になります。


さて、ここで、仮説検証プロセスの仮説を立案する部分を次のように考えてみましょう。

  • 問題の分析
  • まず、どこで問題や事象が生じているか分析する。

  • 原因の推定
  • 次に、問題が発生する原因や、問題を起こしている要素の特徴を推定する。

  • 課題の設定
  • 次に、原因を取り除くための課題と根拠を明確にする。

  • 解決策の設計
  • 最後に、課題に対する解決策を設計する。

このように考えると、
問題を分析し、何らかの規則に則って原因を推定する流れは、論理的推論でいうと仮説推論(アブダクション)になることがわかります。
つまり、論理的推論で考えると、仮説推論(アブダクション)で、何らかの規則を過程して、原因を推定し、実験計画を立て、実験、検証して、その規則を帰納的に実証する部分が仮説検証プロセスということになります。
ちなみに、規則が帰納的に実証されれば、それを使って、演繹的に問題を解決していく。
この部分は、通常のPDCA(計画・実行・検証・改善)をまわす実践プロセスということになります。

さて、仮説立案の部分に戻って、問題の分析から解決策の設計までに、ロジカル思考、システム思考、デザイン思考という思考法をあてはめてみると、
ロジカル思考のロジックツリーを使って、どこで問題や事象が生じているか分析することができ、
システム思考の因果ループを使って問題が発生する原因や、問題を起こしている要素の特徴を推定し、
ロジカル思考のピラミッドストラクチャで、原因を取り除くための課題と根拠を明確にし、
デザイン思考で、課題に対する解決策を設計することができます。
なお、解決策を設計する一環としてアクションプランとして実験計画を策定します。

次に、仮説立案とデータ分析の関係を考えてみましょう。
データ分析は、次の3つに分けることができます。

  • 記述的分析(Descriptive Analytics)
  • 過去に何が起こったかをデータから読み取り説明する分析。

  • 予測的分析(Predictive Analytics)
  • 将来何が起こるかデータから読み取り予測する分析。

  • 処方的分析(Prescriptive Analytics)
  • データを活用して複雑な意思決定を自動化する分析。

記述的分析は、通常の統計的な分析、予測的分析、処方的分析には機械学習やAIを活用します。
予測的分析、処方的分析の詳細については、データサイエンスを参照ください。
仮説立案にデータ分析を適用してみると、まず、問題を分析して、問題を特定するときに、記述的分析でデータの様子(分布や相関)を確認します。
次に、機械学習やAIを活用して、問題に対する原因を探究し、将来を予測します。
例えば、仮説推論の規則として、線形回帰モデルなどが想定されます。
このとき、分析するために必要なデータがあるかないか、どこにあるか、データ品質はどうか確認します。
そして、解決策を設計するとき、機械学習モデルを適用することで、どの程度の利益が期待できるのか、予測される結果に対する期待値を算定します。

そして、仮説として立案された実験計画にそって、それを実験を通して検証することで、うまくいく方法を見つけ出すのです。
なお、実験結果は、仮説検定など統計的な方法によって検証されます。
また、仮説検証によって実証された機会学習モデルやノウハウは組織ナレッジとして蓄積されます。

一般的に予測的分析や処方的分析によるデータサイエンスは、前提と結論の事実であるデータから線形回帰モデルのような規則を推論する帰納的推論とされています。
ここでは、線形回帰モデルの型を規則として、結果(目的変数)から原因(説明変数)の当たりをつけて(仮説推論)、それをランダム化比較実験によって検証するというアプローチを考えています。
次に、ビジネスにおける仮説検証プロセスの位置付けについて考えてみましょう。
事業戦略を、財務の視点、顧客の視点、活動の視点、資産の視点で考えると、
収益を上げるためのビジネス課題
顧客価値を上げるためにビジネス課題
コアコンピタンスを上げるためのビジネス課題
資産価値を上げるためのビジネス課題
が考えられ、それらを解決するための仮説検証が実行されることになります。

仮説検証プロセスの動画

-DX, ビジネス

執筆者:

関連記事

【DXの進め方】バリューチェーンと業務の分析

記事「DXによる企業変革の進め方」では、 既存の事業を運営しながら、 企業基盤の構築 事業の深化と探索 という、2つのプロセスを並行させて企業を再構築する方法について解説しました。 そこでは、まず、設 …

データサイエンスとは【わかりやすく解説】

5Gが普及すると、ますます、IoTなどにより発生するビッグデータを、AIを活用してビジネスに活かすことが当たり前になってきます。 データは21世紀の石油と言われています。 「稼ぐ力を持つ資産としてのデ …

NoSQLとは何か、わかりやすく解説

少し前からビッグデータという言葉をよく聞きます。 モバイルデバイスが普及することによって、様々な種類のデータを簡単に送受信できるようになりました。 Twitterは1日あたり10テラバイトを超えるデー …

学習し進化する組織【最強組織のつくり方】

自律的に学ぶ強い組織というテーマはさまざまなところで議論されています。 ピーター・M・センゲ 「最強組織の法則」 競争相手より早く学べる能力、それが競争力を維持する唯一の鍵である。 最強組織の法則―新 …

DXは3つのステージで進める

前回の記事では、DXを成功させるために重要な3つのポイントについて説明しました。 今回は、DXは具体的にどう進めていけば良いのか考えてみたいと思います。 DXの3つのステージ DXは、既存事業の運営と …