ラベル VS データインジケーターシステム、この記事では非常にわかりやすく説明されています。

この記事では、データ分析におけるデータインジケーター、インジケーターシステム、ディメンション、ラベルの概念とアプリケーションを紹介し、読者が分析の効率を明確に理解し、向上できるようにします。

データインジケーター、インジケーターシステム、ディメンション、ラベルはすべてデータ分析の基本的な概念ですが、学生はこれらを混同することがよくあります。これらの概念の違いを理解すると、レポートがより明確になるだけでなく、問題を分析するときにアイデアを見つけやすくなります。今日は、これらの概念の違いを体系的に説明します。

01 データインジケーターVSインジケーターシステム

例えば、身長150cmの男の子で、とても力持ちの子供がいます。ここで 150cm がデータインジケーターです。データ指標は通常、客観的な事実を測定するために数値を使用します。しかし、一つの指標だけで物事を明確に説明するのは困難です。「身長が 1.5 メートルしかない子供なんているの？」と思うかもしれませんが、年齢 12 歳、身長 150 cm など、一連の指標が必要です。物事を説明する指標が増えると、指標システムが形成されます。

企業には、次の 3 つの一般的な指標システムがあります。

1つ目のタイプ：並列型。従業員のパフォーマンス評価、サプライヤーのパフォーマンス評価、新製品の評価など、複数の視点から個人のパフォーマンスを評価するためによく使用されます。評価に関係する指標が互いに独立しており、並列に存在するため、並列と呼ばれます（下の図を参照）。

2つ目のタイプ：合計スコア型。多くの場合、複数の部分から構成される全体を説明するために使用されます。最も古典的なのは利益分解であり、収益/コストの源泉に応じて利益をいくつかの部分に分割し、利益の変動の理由を分析しやすくなります（下の図を参照）。

総合スコア表示システムを観察する場合:

まず、メインインジケーターのサイズを見てください
次に、各パーツのサイズを確認します

これにより、問題がわかりやすくなります。この原則は、複数の個人を比較する場合にも適用されます。

3番目のタイプ：プロセスタイプ。多くの場合、開始から終了までのプロセスを説明するために使用されます。販売側では、これはしばしばファネルモデルと呼ばれます。なぜなら、販売プロセスでは、ファネルと同様に、ステップが追加されるたびに一部の顧客を失うことになるからです。ほとんどの販売プロセスは漏斗型です (以下を参照)。

ファネルインジケーターシステムを観察する場合:

まず、結果インジケーターのサイズを見てください
次に、プロセス全体のコンバージョン率を見てみましょう
3番目に、プロセス変換率を見てみましょう

これにより、プロセス全体を理解できるようになります。学生の中には、最初から細かいことにこだわりすぎて、混乱してしまう人もいます。

もちろん、ファネルプロセスだけではありません。例えば、生産、サービス、アフターセールスなどのリンクでも完全なプロセスは存在しますが、徐々に減少するプロセスではありません。たとえば、生産タスクを完了する必要がありますが、生産プロセスが増加すると、各ステップで新しい原材料、生産コスト、人件費が追加されます。この時点で、プロセス全体で消費されるコストと時間は段階的に増加します。

データインジケーターシステムを使用すると、ビジネスの状況を詳細に把握できますが、ビジネス行動を促進したい場合は、ラベルのサポートが依然として必要です。

02 データインジケーターとラベル

例えば、身長150cmの男の子で、とても力持ちの子供がいます。ここで、「男の子」は分類次元です。分類次元は連続的な値ではありませんが、一般的には個人を区別するために使用される定性的な説明です。

「強い」というのは単なるラベルです。ハンサムも分類ディメンションですが、そのビジネス上の意味はより明確であり、どのようなビジネスアクションを取るべきかを考えやすくなります。たとえば、ある男の子が「強い」と評価された場合、次回クラスで掃除の人を探すときには、目標がはるかに明確になります。「クラスの強い男の子を全員集めよう!」ラベルの役割は、明確なビジネス上の意味を持ち、ビジネス上のアクションを容易にすることです。

一部のラベルはデータインジケーターから計算できます。たとえば、ある子どもが数学で 100 点満点中 98 点を取ったとします。試験で 95 点以上取った人は「数学が得意」とみなされるというルールを作ることができます。そこで、98 点を取った子供は「数学が得意」というレッテルを貼られました。

次に数学のコンテストがあるときは、「数学が得意な子を選んで参加させてください」と言って、その子を直接コンテストに参加するよう誘うことができます。クラス会のために備品を購入する必要があるときは、「会計をするために算数が得意な子を選んでください」と伝え、その子に直接行ってもらうことができます。適切なラベルは業務運営の効率を向上させることがわかります。

ここで、新しいデータサイエンティストを悩ませる質問があります。95 点を「数学が得意」と定義するにはどうすればよいでしょうか。なぜ98点にならないのでしょうか？

インジケーターを介してラベルを計算する場合、一般的に 2 つの方法があります。 1つ目はビジネスコンベンションです。たとえば、数学で 95 点を取ると、すでに非常に高い点数だと誰もが考えるので、そうなるのです。結局のところ、ラベルはビジネスで使用するものであり、最も重要なのは使いやすいことです。

2つ目の方法は、ラベル付けの目的に基づいてデータ検証を行うことです。たとえば、数学コンテストに参加させるために「数学が得意」な生徒を選ぶと、「数学が得意」と分類された生徒の成績は、普通の生徒の成績とは大きく異なるはずです。そこで、異なるスコアを持つ学生の競争結果の違いを確認するための実験を設計し、合理的なセグメンテーション基準を見つけることができます (以下を参照)。