Column

コラム

  • 【統計・AI・機械学習】「だいこん」の家計支出と市場での出荷...

【統計・AI・機械学習】「だいこん」の家計支出と市場での出荷量の影響度を機械学習アシストツール「viz」で予測分析してみた!

●サマリー

  • 統計データ×機械学習アシストツール「viz」を活用し、簡単3分で影響度推定が可能
  • 相関度と時系列の2軸で分析することで、より有用な結果の取得が可能になる
  • だいこんの市場出荷量と市場取引単価は家計支出は関連性がある様子
  • だいこんレシピ検索⇒購入というサイクルなのか?もしくは常備していてレシピ検索して使い切りつつ常備用を買うなのか?
  • 訴求を行う場合は出荷量よりも前倒しての実施が◎

家計支出への影響度が3分で推定できる!?機械学習アシストツール「viz」の特徴3つ

  • csvアップロードで簡単機械学習(csvアップロードで簡単分析)
  • データにもよるが、1分程度で結果を出力 ※レコード数 縦239行、横5列、ファイル容量7KB
  • 「簡単×早い」からこそいろんな粒度で何度でも分析/深掘りすることができる

》機械学習アシストツール「viz」の詳細はこちら

機械学習アシストツール「viz」

検証方法

■予測したいもの

 ∟だいこんの家計支出との相関

■予測につかうデータ

予測したい項目だいこんの家計支出金額 ※①
予測に使う情報(特徴量)だいこんの市場価格 ※②
だいこんの市場取引数量 ※②
「だいこん レシピ」キーワード検索データ ※③
日付データ 週次の粒度にて日付を定義

※①家計調査│家計支出│二人以上の世帯<日別支出>6-16品目分類による日別支出 2018年9月~2022年7月のデータを利用
※②農林水産省 青果物卸売市場調査│青果物卸売市場調査(日別調査)2018年9月~2022年7月のデータを利用
※③Yahoo!DSInsight 「大根 レシピ」検索メタデータ 2018年9月~2022年7月のデータを利用 

■予測方法

 ∟機械学習アシストツール「viz」貢献度分析機能 線形回帰モデルを利用

■検証手順

<ステップ1>

  • 予測につかうデータを手配

下記のようなデータを手配します。

(今回のファイル:レコード数 縦239行、横5列、ファイル容量7KB)

一番左に日付(date)、その隣に予測したい項目(今回はだいこんの家計支出金額)、
以降、予測に使う情報を並べます。

viz元データ

<ステップ2>

  • csvをディスクトップから参照

<ステップ3>

  • モデル名/予測したい項目/日付の項目/モデルの選択をテキストやプルダウンで簡単選択
     ∟モデル名=任意の名称を記載
     ∟予測したい項目=だいこんの家計支出金額(household_spending)
     ∟日付の項目=週毎の日付(week)
     ∟分析のタイプ=線形回帰モデル
viz管理画面

<ステップ4>

  • 分析中
    今回はこの画面は1分で結果がでました。
viz貢献度分析 分析中画面

<ステップ5>

  • 分析結果を出力

 ★トータル集計時間 約3分で上記結果が得られました

【分析結果】

  • だいこんの市場取引ボリュームに関しては37と弱い相関がみられる
  • 「だいこん レシピ」の検索ボリュームについてはマイナスの相関の様子

  ※一般的に50%以上で「相関がある」といえます。

■データを時系列でみてみました

  • だいこんの市場取引ボリュームと市場取引単価は家計支出との関連性がみられる
  • 「だいこん レシピ」の検索ボリュームは前倒して山が来る様子
時系列分析

家計の支出と市場取引ボリューム・平均市場取引価格は比較的連動していることがわかりました。
検索傾向についてはも家計支出よりやや早めに山がくる様子から、だいこんレシピ検索⇒購入 というサイクル、もしくはレシピ検索して常備しているだいこんを使い切りつつ、追加で常備用を買っているのか、訴求を行う場合は出荷量よりも前倒しての実施が◎。 

DataCurrentでは、市場統計データや検索データ、弊社保有データを活用した分析を行っております。

ご興味のあるカテゴリや商材がございましたら是非お声がけくださいませ!

●さいごに

これまでは弊社内でも機械学習での分析に取り組む場合、エンジニアをアサインし、プロジェクトを組んで実行、エンジニアをアサインするための起案、プロジェクトのキックオフ、分析の実行とかなりの時間を要しておりました。

こちらのvizをつかうことで、分析までの工数を大幅に削減でき、スピーディーに分析と深掘りができました。
機械学習アシストツールvizに興味ある方は是非お声がけくださいませ。

■関連記事/資料

》vizサービスサイトはこちら
》詳細資料・お問い合わせはこちら

機械学習アシストツール「viz」サービスバナー

本件に関するお問い合わせは下記にて承ります。
株式会社DataCurrent
info@datacurrent.co.jp

人気のコラムランキング

PICK UP

【データプライバシーコラム】電気通信事業法改正の解説(2022年7月時点)

CMPPICK UP コラムデータプライバシーデータプライバシーコラム個人情報保護

CMP導入時の注意点

CMPPICK UP コラムデータプライバシーデータプライバシーコラム個人情報保護

Treasure Data CDPを活用したOneID(統合ID)構築4 日付の落とし穴

CDPCDP活用ID統合PICK UP コラム

今、CMPは導入するべきか?

CMPPICK UP コラムデータプライバシーデータプライバシーコラム個人情報保護

TOPへ
戻る