【DB勉強会】08_機械学習モデル構築のWhyとHowとWhat

【製造業データビジネス勉強会】08 機械学習モデル構築の WhyとHowとWhat 2026/06/16 @shimitaka1982 清水 隆史

今日の 勉強どころ

データビジネスの階層構造 プロセス 現時点の 個人的な感触 新規事業創出 プロジェクトマネジメント ビジネスモデル 要求分析・要件定義 プロダクトマネジメント リスクマネジメント プラクティ ス マインドセット 人材育成 ビジネス力 データサイエンス力 データエンジニアリング 力

データビジネスの進め方 ① 事業設計 ⑧ マ ③ データ準備 ー ④ 探索的データ分析 ケ テ ⑤ モデル構築 ィ ン ⑥ 社会実装 グ ⑦ 保守・運用 ② サービス設計 現時点の 個人的な感触 • いずれも単方向ではなく、 行ったり来たりを繰り返す • 全てを行うわけではなく、 途中から始まったり途中で 終わったりすることもある • 初期の段階で後期の要素を 考えておく必要がある

（参考）ゴールデンサークル Why（なぜ） ✓目的、信念、存在意義 How（どうやって） ✓プロセス、方法 Why What（何を） How ✓具体的な商品、サービス ※主にマーケティングで使われる考え方だが、 私は「相手から共感を得られるコツ」として解釈 [出典]サイモン シネック: 優れたリーダーはどうやって行動を促すか https://youtu.be/qp0HIF3SfI4?si=oELMEZ2vmNbr2Rnb What

• https://youtu.be/qp0HIF3SfI4?si=oELMEZ2vmNbr2Rnb

（参考）Whyから始める そんなわけで、 モデル構築のWhyから 話を始めます

モデル構築の Why

なぜモデルを構築するのか？ 一言でいえば 未来を予測したいから

（事例1）お弁当の需要予測 課題 ✓お弁当を出来るだけ多く売りたい ✓多すぎ→余って廃棄処分 ✓少なすぎ→機会損失 対策 ✓「ちょうどいい量」を予測しよう！

（事例2）機械の故障予測 課題 ✓機械が壊れると工場が生産ラインに影響が出る ✓機械が壊れる前に検知してメンテナンスしたい ✓一方でメンテナンスしすぎると逆にコストがかかる 対策 ✓「ちょうどいいメンテナンスの タイミング」を予測しよう！

（事例3）次に見たい動画を予測 課題 ✓何千・何万の動画コンテンツからユーザーが自力で見たい動画 を探すのは大変 ✓ユーザーが迷わず動画を再生し続け、サービスを解約せずに使 い続けてもらいたい 対策 ✓「ユーザーが見たいであろう動画」 を予測しよう！

なぜモデルを構築するのか？ こんな時に モデルをつくって 未来を予測する

なぜモデルを構築するのか？ もう少し言えば 予測することによって 行動を最適化したい

モデルとは何か 世の中には「モデル」と名の付くものが沢山ある ✓ファッションモデル ✓プラモデル ✓ビジネスモデル ✓プロセスモデル ✓ロールモデル ✓OSI参照モデル …etc.

モデルとは何か モデルは所詮プラモデル ✓『会社を変える分析の力』という本で 河本さんは「モデルは所詮プラモデル のようなもの」ということを書かれて いる [出典]会社を変える分析の力 (講談社現代新書) https://amzn.asia/d/026k7A97

• https://amzn.asia/d/026k7A97

モデルとは何か モデルとは複雑なものからエッセンスを抽出して、 出来るだけ簡単にしたものみたいな意味合い [出典]大和 (戦艦) - Wikipedia https://ja.wikipedia.org/wiki/%E5%A4%A7%E5%92 %8C_(%E6%88%A6%E8%89%A6) [出典]日本海軍 戦艦 大和 | 株式会社 ハセガワ http://www.hasegawa-model.co.jp/product/z01/

• http://www.hasegawa-model.co.jp/product/z01/
• https://ja.wikipedia.org/wiki/大和_(戦艦)

モデルとは何か 未来を予測するためには現実世界の現象を完璧に 再現できれば一番良いが、それは現実的ではない よって、出来るだけその現実世界を忠実に再現し ている簡易的なもの（モデル）を作りだすことに よって、出来るだけ精度高く未来を予測する、と いうのが機械学習モデルを構築する目的（Why） となる

モデル構築の How

モデル構築のステップ では次に、どのようにモデルを 構築していくか、について整理 する 実はここまでの勉強会の流れが ほとんどそのままモデル構築の ステップとなっている ① 事業設計 ② サービス設計 ③ データ準備 ④ 探索的データ分析 ⑤ モデル構築 ⑥ 社会実装 ⑦ 保守・運用

①何を予測するのか、を決める ビジネス上の課題を機械学習が解ける問題に落とし込み、 「何を予測するのか」を決める ここで回帰・分類・クラスタリング（後述）のどれにあ たるかも考える （例）お弁当の需要予測 →お弁当を作成する個数を予測する 予測したい

②いつまでに予測するのか、を決める それをいつまでに予測すればいいのかを考える （例）お弁当の需要予測 →おかずの発注の関係で前日の17時までに翌日のお弁 当を作成する個数を予測する ここまでのデータ が使える 6/13 17時 6/14 8時 6/14 11時 おかず発注締め切り ＝予測締め切り おかず届く お弁当作成開始 お弁当販売開始

③仮説を立てて欲しいデータをリスト アップ この後予測（つまりモデル構築）に必要となるデータを 集めるが、その前に「仮説」を立てておく この時点では「○○が関係しそうだから△△のデータが あるとよさそう」という程度で構わない お弁当の需要に天気は関係しそうだから 天候データは集めておきたい あとは経験的に近隣でイベントが行われ るかどうかも影響しそうだからイベント 情報のデータも集めておきたい

④データを集める 以前紹介した点などに注意しながらデータを集める [出典] 【DB勉強会】04_データ集めとデータエンジニアリング https://www.docswell.com/s/shimitaka/58NV8W-data-business-benkyo-04#p15

• https://www.docswell.com/s/shimitaka/58NV8W-data-business-benkyo-04#p15

⑤EDAで特徴量のあたりをつける 以前紹介した点などに注意しながらEDAを進めて予測に 役に立ちそうな変数（特徴量）のあたりをつける [出典] 【DB勉強会】07_データ受領と探索的データ分析～NotebookLMを使ったお手軽EDA～ https://www.docswell.com/s/shimitaka/ZX26PN-data-business-benkyo-07#p25

• https://www.docswell.com/s/shimitaka/ZX26PN-data-business-benkyo-07#p25

⑥データを使ってモデル構築する 特徴量さえあれば、モデル構築自体はプログラムで1行で 終わる ハイパーパラメータ（モデル構築時の設定値のようなも の）などもまずはデフォルトで構築してみて構わない また、様々なモデルのパターン（LightGBM、ランダム フォレスト等）を使ってみると良い

⑦精度検証を行う 学習に使っていないテスト用のデータを構築したモデル に入力し、予測がどれぐらいあたっているかを検証する （例）1/1～3/31のデータを使って学習していたら、4/1 ～5/31のデータを使ってテストする*、など 学習に使うデータ （trainデータという） 検証に使うデータ （validデータとか testデータとかいう） 1/1～3/31までのデータ 4/1～5/31までのデータ *この方法が有効なのは時系列変動が無いデータであるという前提条件が担保される場合

⑧業務での使われ方を考える モデルが構築されたら、そのモデルの業務での使われ方 を考える （例）サーバーで自動的に毎日モデルが動いて17時に お弁当発注者のスマホに発注個数の通知が届く 明日のお弁当の作成個数の 138個です！ 予測は ←お弁当の 発注者

⑧業務での使われ方を考える 業務での使われ方を考えてみた結果、「いつまでに予測 するのか」や「使うデータ」に修正が必要だと気付く場 合もある 17時におかずの発注締め切りなのに、 17時にアプリの通知が来るんじゃ間に 合わないじゃん！ →16時には通知が来るようにしよう →16時までの天気予報しか使えない ←お弁当の 発注者

⑧業務での使われ方を考える つまりタイムラインはこうなる ここまでのデータ が使える ここで おかず発注 6/13 16時 6/13 17時 6/14 8時 6/14 11時 予測量通知 おかず発注 締め切り おかず届く お弁当作成開始 お弁当販売開始

⑧業務での使われ方を考える そのうち、通知された後で人がおかずを発注するのも面 倒だから自動的に発注できる仕組みが作れるといいじゃ ん、みたいな発想が出てくる そうなったら、今度はおかず発注の仕組みとの連携を考 えればよい わざわざ私の元にアプリで通知 来なくても、自動的に発注して くれたら嬉しい！！ ←お弁当の 発注者

モデル構築の What

そもそもどんなモデルがあるのか 機械学習は以下のように分けられる 回帰 （例）単回帰分析、重回帰分 析 教師あり学習 分類 機械学習 教師なし学習 クラスタ リング （例）LightGMB、ランダム フォレスト、ロジスティック 回帰 （例）k-means（k平均法）

どのモデルかを考える （例1）お弁当の需要予測 →明日の必要量を予測するのなら回帰 （例2）機械の故障予測 →あと1週間以内に壊れるか壊れないかを予測するの なら分類 （例3）次に見たい動画を予測 →ユーザーを「洋画大好きグループ」「アニメオタク グループ」などにグループ分けするならクラスタリング

どのモデルかを考える 前頁はあくまでも一例であって、同じような問いでも回 帰・分類・クラスタリングが変わる場合もある （例3）ユーザーがその動画をどれくらい気に入るかの 「スコア（数値）」を予測し、そのスコアが高い順に動 画を並べておすすめする、といったことをやりたければ 回帰の問題になる

ここまでのまとめ 何を予測するのか？ 明日のお弁当の作成個数を予測する タイプは？ 回帰 いつまでに予測するのか？ 前日の16時までに 使うデータは？ 天気予報のデータ（前日16時時点） イベントのデータ（前日16時時点） どうやってモデルが使われ 前日の16時に翌日のお弁当の作成個数がお弁 るのか？ 当発注者のスマホにメールで通知される ここまで整理できればほとんどモデル構築出来たも同然 言い方を変えるとモデル構築するためにはこういった情報 を整理することが極めて重要になる

モデル構築 もう少し 詳しく

使うデータをもう少し詳細に考える 「天気予報のデータ」と一言で言っても色々ある ✓天気（晴れ、曇り、雨、晴れ時々曇り、など） ✓気温 ✓降水確率（1時間ごとの降水確率） ✓雨雲レーダー 具体的にどのようなデータをどう使うのかを考える その際にも「仮説」があると良い

使うデータをもう少し詳細に考える （例）お弁当屋さんが多くの人が働いているオフィス ビルの1階にある。晴れの時よりも雨の時の方が「今日 は外に食べに行かずにお弁当で済まそう」と考える人 が多くお弁当も多くの個数が売れる。 お昼の時間帯に雨が降っているかどうかがポイントな ので、前日16時の時点で「当日の12時の降水確率」を 取得して活用することにする

使うデータをもう少し詳細に考える 本当に相関関係がありそうなのかをチェックしてみる 以下のような一覧表を作って過去のデータを整理する 予測したい 前日の16時の時点での 日（当日） 当日の降水確率 当日のお弁当の作 当日実際にお弁当 成個数 が売れた個数 4/1 0 100 25 4/2 10 150 40 4/3 30 150 128 4/4 90 150 150（完売） 4/5 60 100 75 4/6 30 200 180 4/7 20 200 130

使うデータをもう少し詳細に考える 「イベントのデータ」と一言で言っても色々ある ✓近くの野球場でプロ野球の試合が行われるかどうか ✓近くのサッカー場でJリーグの試合が行われるかどうか ✓近くのホールでアーティストのライブが行われるかどうか ✓それぞれのイベントの集客予定人数 ✓イベントの開始時間 具体的にどのようなデータをどう使うのかを考える その際にも「仮説」があると良い

使うデータをもう少し詳細に考える （例）お弁当屋さんの近くには徒歩10分に野球場と徒 歩15分にサッカー場と徒歩20分にホールがあるが、 サッカー場とホールはやや遠いためあまりお弁当屋さ んには寄らないと考え、野球だけに絞る。野球は14時 開始と18時開始がある。 何となく18時開始の方が夜ご飯用に お弁当を買ってくれる傾向がある 気がするが、念のため両方の パターンについて相関関係を 見ておきたい。

使うデータをもう少し詳細に考える 野球（イベント）開催のフラグの列を設けてみた 予測したい 日（当日） 前日の16時の時点での当 イベント開催のフ 日の降水確率 ラグ 当日のお弁当の作 成個数 当日実際にお弁当 が売れた個数 4/1 0 C 100 25 4/2 10 B 150 40 4/3 30 B 150 128 4/4 90 B 150 150（完売） 4/5 60 B 100 75 4/6 30 A 200 180 4/7 20 A 200 130 追加した列 A：野球開催（14時開始） B：野球開催（18時開始） C：野球開催なし

使うデータをもう少し詳細に考える つまり「降水確率とイベントのデータを使って当日実 際にお弁当が売れた個数を予測する問題」となる 説明変数（特徴量） 目的変数 予測したい 日（当日） 前日の16時の時点での当 イベント開催のフ 日の降水確率 ラグ 当日のお弁当の作 成個数 当日実際にお弁当 が売れた個数 4/1 0 C 100 25 4/2 10 B 150 40 4/3 30 B 150 128 4/4 90 B 150 150（完売） 4/5 60 B 100 75 4/6 30 A 200 180 4/7 20 A 200 130

使うデータをもう少し詳細に考える これを眺めると、降水確率が低めで野球が14時開催の 日が一番お弁当が売れそうだと分かる 予測したい 日（当日） 前日の16時の時点での当 イベント開催のフ 日の降水確率 ラグ 当日のお弁当の作 成個数 当日実際にお弁当 が売れた個数 4/1 0 C 100 25 4/2 10 B 150 40 4/3 30 B 150 128 4/4 90 B 150 150（完売） 4/5 60 B 100 75 4/6 30 A 200 180 4/7 20 A 200 130

使うデータをもう少し詳細に考える だがよく見ると、翌日の4/7もほぼ同じ条件だがお弁 当の売れ行きに大きな差があることが分かる 予測したい 日（当日） 前日の16時の時点での当 イベント開催のフ 日の降水確率 ラグ 当日のお弁当の作 成個数 当日実際にお弁当 が売れた個数 4/1 0 C 100 25 4/2 10 B 150 4/3 30 B 150 4/4 90 B 150 4/5 60 B 100 4/6 30 A 200 180 4/7 20 A 200 130 40 4/6は180個も売れ たのに、4/7は130 128 個しか売れないの 150（完売） はなぜ？ 75

使うデータをもう少し詳細に考える ここでまた「仮説」を考える （例）よく考えたら曜日が関係 しているのかもしれない。 4/6は土曜日、4/7は日曜日。 また、野球の観客数にも関係 しているのかもしれない。

使うデータをもう少し詳細に考える 曜日と野球の試合の観客数の実績を入れてみた 予測した い日（当 日） 曜日 前日の16時の イベント開催のフラグ 時点での当日 の降水確率 観客数 当日のお弁 当の作成個 数 当日実際に お弁当が売 れた個数 4/1 月 0 C 0 100 25 4/2 火 10 B 25000 150 40 4/3 水 30 B 23000 150 128 4/4 木 90 B 21000 150 150（完売） 4/5 金 60 B 32000 100 75 4/6 土 30 A 43000 200 180 4/7 日 20 A 38000 200 130

使うデータをもう少し詳細に考える どうやら観客数とお弁当の売れ行きには相関がありそ うだ！と気付く 予測した い日（当 日） 曜日 前日の16時の イベント開催のフラグ 時点での当日 の降水確率 観客数 当日のお弁 当の作成個 数 当日実際に お弁当が売 れた個数 4/1 月 0 C 0 100 25 4/2 火 10 B 40 4/3 水 30 B 4/4 木 90 B 25000 150 日曜日の方が観客数が少な 23000 150 いからお弁当の売れ行きも 少ないのかもしれない！ 21000 150 4/5 金 60 B 32000 100 75 4/6 土 30 A 43000 200 180 4/7 日 20 A 38000 200 130 128 150（完売）

使うデータをもう少し詳細に考える ところが、野球の観客数は当然だが前日の16時の時点 では分からない。だからモデル構築には使えない。 予測した い日（当 日） 曜日 前日の16時の イベント開催のフラグ 時点での当日 の降水確率 観客数 当日のお弁 当の作成個 数 当日実際に お弁当が売 れた個数 4/1 月 0 0 100 25 4/2 火 10 25000 150 40 4/3 水 30 23000 150 128 4/4 木 90 21000 150 150（完売） 4/5 金 60 B 32000 100 75 4/6 土 30 A 43000 200 180 4/7 日 20 A 38000 200 130 C B 前日の16時の時点では B 分からない！ B

使うデータをもう少し詳細に考える チケットの売れ行きの詳細な情報は公開されてない。 だが、目視でチケット販売サイトを見ればなんとなく 分かる。 （例）6/14時点で 6/21のvs虎チームは ほぼ満席、6/28の vs兎チームは6割 ほどの売れ行き [出典] ベイチケ https://ticket.baystars.co.jp/

• https://ticket.baystars.co.jp/

使うデータをもう少し詳細に考える 以上から、代替手段として以下の方法が考えられる （代替手段1）チケット販売サイトを目視で確認して 売れ行きの感覚値を1～10段階で入力して予測に使う （代替手段2）事前に分かっている対戦カードを説明 変数に追加して予測に使う （代替手段3）そもそも観客数を予測するモデルを構 築しその結果を説明変数に使用する どれもメリット・デメリットがあることから、コスト やスケジュールを鑑みて選択する

使うデータをもう少し詳細に考える このように、使いたいデータが手に入らなくても、代 替手段を考えるということは大切である。 「使いたい」と思ったデータが都合よく手に入るわけ ではないし、仮に手に入るとしてもお金がかかったり 契約で縛られたりする場合もある。 「使いたい」というのと「使える」というのは別であ る、ということは認識しておこう。

モデル構築 すべきか問題

モデル構築すべきか問題 Why→How→Whatを見てきたが、そもそもモデル構 築すべきかどうか、というのはよくよく考える必要が ある。 （例）故障検知というのは製造業で良く出てくるお題 である（誰もがやりたがる）。ところが、経験則的に だいたい以下のような結論に至ることが多い。 ✓【ケース1】故障検知モデルがうまく作れない ✓【ケース2】故障検知出来たところで誰も嬉しくない ✓【ケース3】傾向を見るだけならモデルを作る必要がない

【ケース1】 故障検知モデルがうまく作れない 故障検知というのは正常データと故障データを比較し て初めて構築が可能になる ところが、日本の製造業製品というのは基本的には品 質が高いので、市場に出た製品は経年劣化でもない限 りそうそう壊れるものではない よって、故障データが全体のうちの100分の1しかない、 といったことがよくある。 これを不均衡データという

【ケース1】 故障検知モデルがうまく作れない 不均衡データでも機械学習モデルは作れないこともな いが、精度はかなり怪しいことになる 普通に考えれば、100分の1を予測するというのは難し いということは想像できる。また、それは技術が優れ ていれば解決できる類のものではない。 ところが、機械学習モデルは内部的に凄いことをやっ ていると思われがちなので、普通だと出来ないことを 出来ると暗に思われてしまっている節がある。

【ケース2】 故障検知出来たところで誰も嬉しくない 「Why（なぜ）？」でも学んだ通り、機械学習モデル をつくるのは予測することによって行動を最適化した いから 具体的な「行動の最適化」例として「事前に故障検知 することによって早期にメンテンナンスを行って故障 リスクを抑えたい」といった話がよく出る ところが、分かったところで「早期にメンテナンスを 行う」ということが出来ない、という場合も多い

【ケース2】 故障検知出来たところで誰も嬉しくない よくあるのが、故障することが事前に分かったところ でメンテナンス対応の人員が増えるわけではないから 元々の修繕計画を変更してまで臨時対応することは出 来ない、というオペレート側の問題 また、出来上がったモデルによって故障すると予測す る前に定期メンテナンス（例えば5年に1回、など）が やってくる場合もある さらに、製品のユーザー側の都合でそもそも部品交換 が出来ないという場合もある（稼働を止められない、 など）

【ケース3】 傾向を見るだけならモデルを作る必要がない そもそも「故障の原因を詳細に知りたい」といった ニーズであれば、予測を行う必要性がなく、古典的な 統計解析を行えばよい なのだが、おそらく機械学習モデルを構築することが 「分析すること」だと誤解していると思われる依頼を 良く受ける（これは実はあながち間違いとも言い切れ なくて、特徴量重要度（インポータンス）を見ること が目的という場合もあるが、ここではそういうケース は例外とする）

【ケース3】 傾向を見るだけならモデルを作る必要がない これはおそらく、「こういう傾向でした」で終わって しまうとその後のビジネスに繋がらない、という事業 側の都合もあると邪推している だが、どう頑張ってもビジネスに繋がらないものは繋 がらないので、気付いた段階でその後のSaaS的なビジ ネス創出は諦めて「傾向を導出することに役に立て た」と誇りに思うことが肝要だと思う

本当に嬉しいの？を考える モデルによって誰が嬉しいのか？本当に嬉しいのか？ をしっかり考えることが必要 「どうやってモデルが使われるのか」をナラティブ （物語）で考えてみると良い

Thank You !!