データについて議論する際には、様々なモデルについて触れなければなりません。ビジネスモデルやアルゴリズムモデルは、具体的にどのように活用すべきでしょうか？この点について疑問をお持ちの方は、以下の記事をぜひお読みください。きっとお役に立てるはずです。

データについて議論する際には、様々なモデルについて触れなければなりません。多くの人が疑問に思うのは、4P、SWOT、RFM、線形回帰、決定数、K平均法など、すべてがモデルと呼ばれているものの、それらの違いは一体何なのかということです。この記事では、それら全てを明確に解説するので、もう迷うことはないでしょう！

両者の違いを説明する例を以下に示します。

「モデル」という用語自体は「現実世界の抽象化」を指し、いくつかの重要な情報を使用して複雑な問題を説明します。

重要な情報を抽出する方法は 2 つあります。ビジネスの観点から抽出する場合はビジネス モデル、数学、統計、オペレーションズ リサーチ、機械学習の方法論を使用して抽出する場合はアルゴリズム モデルです。

簡単な例を挙げると、「マーケティング4Pモデル」という言葉がよく使われますが、これは実際にはビジネスロジックに基づいています。ビジネスの観点から言えば、商品、場所、価格、プロモーションをうまく行えば、商品は売れるということです。

しかし、データとなると状況は全く異なります。商品やチャネルの属性を定量化することは難しく、タグを用いて異なるタグにおける売上指標の違いを大まかに比較することしかできません（下の画像を参照）。

製品価格／プロモーションと販売量の関係はデータを用いて容易に定量化できるため、古典的なアルゴリズムモデルである価格弾力性モデルが生まれます。まず、異なる価格帯における製品の販売量データを収集します。次に、価格-販売量モデルを要約する関数を当てはめます。最後に、このモデルを用いて価格上昇の影響を予測したり、利益を最大化する価格を探したりします（下図参照）。

注意！どちらの方法も問題を解決するために設計されており、それぞれに利点があります。

I. ビジネスモデルの利点

1. ビジネス モデルの最大の利点は、ビジネスの観点から問題を説明できることです。

例えば：

• 私の戦略は間違っているのでしょうか?
• それは私の製品の選択に欠陥があるからでしょうか?
• それは実行能力が不足しているからでしょうか?

「戦略」「製品選定」「実行」といったビジネス上の考慮事項は、xとyの単純な加減乗除算では直接的に測定することが困難です。このような場合、ビジネス分析モデルを構築する必要があります。まず、「戦略」や「製品選定」といった用語を定量化し、次にロジックツリーアプローチを用いて問題を分解し、階層化された詳細な分析ロジックを構築します。そして、消去法を用いて正しい答えを導き出します（下図参照）。

2. ビジネス モデルの 2 番目の利点は、ビジネス アクションの効果を簡単に観察できることです。

例えば、上図では、ロジックツリーに基づいて、業務実行アクションの改善と人員増強が行われました。ロジックツリーの上位にある問題が改善されたかどうかを直接観察することで、分析が真に適切であるかどうかを判断できます（下図参照）。

3. このビジネス モデルの 3 番目の利点は、事業体の責任を明確に定義できることです。

例えば、どちらも予測を行うもので、回帰分析や平滑化アルゴリズムを使って直接結論を導き出そうとすると、業務部門は自分の行動の効果を把握できず、「来週残業しても結果は同じだろうか？」「顧客Aに対応できなくて顧客Bに切り替えたら予測は変わるだろうか？」と混乱してしまいます（下図参照）。

この時点でビジネスモデルを用いて予測を行うと、全体の指標を部門ごとに細分化できるため、各部門は期待されるパフォーマンスを提出できます。具体的なパラメータはある程度恣意的に設定する必要があるかもしれませんが、各部門は達成すべきレベルを直接把握できるため、行動を促すことができます。タスクが完了しなかった場合でも、誰が失敗したかが明確になり、問題解決が迅速化されます。

II. アルゴリズムモデルの利点

1. アルゴリズム モデルの最大の利点は、計算速度が速く、使いやすいことです。

アルゴリズムモデルの最大の利点は、人間よりも賢いということではなく、処理が速く簡単であるということです。例えば、典型的なインターネットマーケティングの問題には、「マーケティング予算の合計、各チャネルのコンバージョン率、各チャネルで予約可能な枠数」など、多くの制約があります。

この時点で、手作業で計算すると半日かかるかもしれません。しかし、オペレーションズ・リサーチに精通した学生なら、これが典型的な線形計画モデルであることを知っています。モデリングの仮定を明確に述べれば、結果は簡単に得られます（下の図を参照）。

さらに便利なのは、将来的に次のような調整があった場合です。

• キャンペーン総費用の変更
• チャンネルリリース日数の変更
• チャネルコンバージョン率の変化

したがって、モデルのパラメータを変更するだけですぐに結果を得ることができるので、非常に便利です (下の画像を参照)。

2. アルゴリズム モデルの 2 番目の利点は、ビジネスで見落としている状況を発見できることです。

例えば、商品分析を行う際に、企業は「商品関連ルールテーブル」を手動で作成できますが、このテーブル内のルールは固定されています。しかし、関連ルールアルゴリズムを使用することで、ビジネス思考の限界を打ち破り、より多くの潜在的なクロスセルロジックを発見することができます。「ビールとおむつ」のような極端な例ではないかもしれませんが、ビジネス思考を刺激するのに非常に役立ちます（下の画像を参照）。

3. アルゴリズム モデルの 3 番目の利点は、大規模なデータを処理できることです。

RFMのような一般的なビジネスモデルでは、ユーザーをセグメント化する際に各指標を3つのクラスに分類すると、3×3×3=27のカテゴリが存在し、これは既に非常に複雑で、対応する戦略をマッチングさせることが困難です。しかし、協調フィルタリングアルゴリズムを使用すれば、ユーザーごとにパーソナライズされたエクスペリエンスを実現することが完全に可能であり、これはアルゴリズムモデルの大きな利点です。

インターネット企業が推奨にアルゴリズムを使用する傾向がある主な理由は、インターネット プラットフォーム上には何十億もの製品があり、ルールを手動で一致させることが非常に困難であるためです。

ビジネス ロジックとアルゴリズムを完璧に連携させるにはどうすればよいでしょうか?

スムーズなコラボレーションを実現するためには、「モデルが必要です」とすぐに言って最初にモデルを作成し、その後ハンマーで釘を探すのではなく、プロジェクトを開始する前に、解決する問題を明確に定義する時間を取ることをお勧めします。

解決すべき問題が明確でない場合、たとえば次のようになります。

• 診断上の質問: 指標の異常は内部原因によるものか、それとも外部原因によるものか?
• 標準的な質問:「高価値ユーザー」と「効果的な戦略」を正確にどのように定義すればよいでしょうか?
• テストの質問：新しいアイデアはあるのですが、まだ実装していません。効果があるかどうかわかりません。

この時点では、ビジネス モデルを作成し、問題を明らかにして明確に定義し、テスト データを取得して、さらにどのようなステップを踏むことができるかを検討することをお勧めします。

解決すべき問題が明確に定義され、蓄積されたデータがある場合、アルゴリズムモデリングは最適です。特に、顧客離脱の維持や新規顧客へのテレマーケティングといった、ビジネス側の多大な努力を払っても成果の向上が難しいシナリオでは、アルゴリズムモデリングが効果的です。こうしたシナリオでは、反応率が必然的に低くなります。モデルを用いてターゲットグループを絞り込むことで、業務効率を大幅に向上させることができ、その効果は極めて顕著です。

著者：地に足のついた教師チェン

出典：WeChat公式アカウント「地に足のついた陳先生」