FUJIFILM IWpro
Intelligent Assistantオプション
アナリティクス使い方
ガイド

学習してAIモデルを作成する

アナリティクスに学習用データを入力し、分析タイプに応じて学習に必要な設定をします。

必要に応じて、学習の詳細設定ができます。データ型、2つのデータ間の対応項目(データマッチング、入金請求突合のみ)、AIモデルのタイプ、学習データとテストデータの割合の設定があります。

学習してAIモデルを作成する

アナリティクスに学習用データを入力し、分析タイプに応じて学習に必要な設定をします。

• 推論する項目（目的変数）を選択します。
• 日付を表す項目に、利用したい時系列データが選択されているか確認します。異なる場合は、正しい項目を選択します。
• 推論する単位と推論する期間を選択します。
• 必要に応じて、系列や気象情報の考慮、実績値の補完方法、学習に使用する項目の設定を行います。

参考

学習用データの作り方を知る‐需要予測

推論する項目、日付を表す項目、推論する単位と推論する期間を設定します。必要に応じて、系列を表す項目、気象情報、実績値の補完方法、学習に使用する項目を設定することができます。

AIモデルの性能を示す参考値です。業務に活用できるかどうかの判断や、さらなる性能向上を目指すかどうかの目安にします。

テストデータの評価結果には、次の項目があります。

1. ①確信度：AIモデルがどの程度自信を持って推論したかの割合
2. ②正解/不正解：学習用データの目的変数に指定した値を推論できたか否か
3. ③評価結果：AIモデルが推論した値
4. ④正解データ：学習データに含まれる目的変数
5. ⑤評価結果を出力：テストデータの評価結果をCSV出力することもできます。

評価結果のCSVファイルの見方

1. ⑤評価結果が正解と異なるため不正解
2. ⑥マッチング先を推論できていないため不正解

主要スコアは、選択したAIモデルのタイプと関連付けて見ていきます。
デフォルトのAIモデルの時はF値、誤り抑制AIモデルの時は適合率、見逃し抑制AIモデルの時は再現率を重視します。

AIモデルのタイプはあらかじめ選ぶこともできます。

AIモデルのタイプを選ぶ際の参考

AIモデルのタイプの選び方

混同行列は、予測結果とその実際の正解をまとめた表のことです。モデルの性能を詳しく知りたいときに使います。
表の中の数字はサンプル数を表しており、実際のサンプル数のうち正しく予測できたサンプル数や、予測したサンプル数のうち、予測が外れてしまったサンプル数などがわかります。

【例】受信したメールからスパムメールを検出する場合

正解率：1,000 件のメールのうち正しく推論できたメールが 800 件のため、 800/1,000 = 0.80
再現率：スパムメール400件のうち350件を正しく検出したため、350/(350+50)=0.875
適合率：スパムメールと推論した500件のうち350件を正しく検出したため、350/(350+150)=0.7

敏感度・偽陽性率

敏感度（TPF）

正解が陽性（Positive）のデータの中で正しく予測できたデータの割合

偽陽性率（FPF）

正解が陰性（Negative）のデータの中で誤って予測したデータの割合

うまく学習できていない例

特徴量重要度は、学習用データの説明変数などの特徴量がどの程度重要かを表した数値です。
推論に必要な特徴量であるほど値が大きく、重要度に応じて降順で表示します。

分類の特徴量重要度

説明変数、もしくは説明変数に含まれる特定の値がどのくらい重要と判断して結果を出したか、を確認できます。
特徴量生成方法について：データ型によって生成される特徴量は異なります。生成された特徴量が重要だった場合、値が表示されます。
マーケティングにおいてDMを優先的に配信する顧客を選定する際に、購入見込みの高い顧客を分類する下図の例では、「累計購入金額」や入会日から算出した「在籍期間」の項目が重要だと分析されています。この結果が経験と合っているか、もしくは新たな観点である場合は、学習結果を受け入れられるか判断します。

データマッチングの特徴量重要度

①マッチング元データ、②マッチング先データそれぞれの説明変数、もしくは①マッチング元データと②マッチング先データを比較して生成した特徴量がどのくらい重要と判断して結果を出したか、を確認できます。
特徴量生成方法について：データ型によって生成される特徴量は異なります。生成された特徴量が重要だった場合、値が表示されます。
注文リストと受注システムのデータをマッチングする例では、 「商品名」と「商品コード」の文字列の類似度が一番重要であるという結果になります。

突合の精度（左側表）からAIモデルを評価および運用するイメージを例で説明します。

1. ①はAIにより多くの正解を求めるようなケースです。マッチングの確信度は低くなりますが、見逃しがないように、より多くのマッチング候補を抽出します。AIの結果を参考に、人が確認して判断するような運用を想定したケースです。
2. ②はAIにより正しい結果を求めるようなケースです。抽出するマッチング候補は少なくなりますが、正確な結果を得るために確信度の高いマッチング候補のみを抽出します。AIの結果をある程度信用して、他の見逃されたマッチングを人が補足して実施するような運用を想定したケースです。
3. ③はその中間です。
   「ゴールを設定する/業務課題を設定する」で設定したゴールと見比べて、学習結果が許容されるかを判断します。

テストデータの評価結果（右側表）には、次の項目があります。

1. ①確信度：AIモデルがどの程度自信を持って推論したかの割合
2. ②正解/不正解：学習用データで共通キー項目（目的変数）に指定したデータを推論できたか否か

テストデータの評価結果をCSV出力することもできます。

1. ③評価結果を出力

評価結果の詳細の見方

評価結果画面の「詳細」ボタンを押下すると評価結果の詳細が表示されます。
入金請求突合は、請求データと漏れなく突合（完全一致）できれば正解と判定します。
図の例では、①推論した請求番号と、②正解の請求番号が異なるため不正解。

評価結果のCSVファイルの見方

「評価結果を出力」からCSVをダウンロードします。入金データと推論した請求データの組み合わせで出力されます。

1. ①学習結果の評価（先頭2項目）
   確信度：AIモデルがどの程度自信を持って推論したかの割合
   正解/不正解：学習用データで共通キー項目（目的変数）に指定したデータを推論できたか否か
2. ②評価結果：AIモデルが推論したデータ
3. ③入金データ：学習用データ
4. ④請求データ：学習用データ

1. ⑤評価結果が正解と異なるため不正解
2. ⑥マッチング先を推論できていないため不正解

スコアは誤差率中央値(MdAPE)の値をもとにした、AIモデルの性能を示す参考値です。グラフ中の数値は、系列ごとの精度一覧に表示されている各スコアの件数を合計した数を表しています。スコアの件数の分布から、業務に活用できるかどうかの判断や、さらなる性能向上を目指すかどうかの目安にします。

学習時に設定した系列（商品カテゴリ、店舗、地域など）の組み合わせごとに精度を確認できます。

1. ①以下の例では、「商品」と「店舗」の系列があります。
   商品：プリン×店舗：東京店のように、それぞれの系列の組み合わせごとに精度が表示されます。
2. ②精度はMdAPEとスコアで表します。
   • MdAPE：誤差率中央値(MdAPE)は、外れ値の影響を抑えた精度を示す指標です。この値が小さいほど、予測値が実際の値に近いことを示します。
   • スコア：MdAPEの値に基づいた予測精度の性能を示す参考値です。詳細：AIモデルの精度
3. ③それぞれの系列やスコアで結果を絞り込むことができます。
4. ④評価結果をCSV出力することもできます。
5. ⑤それぞれの系列の組み合わせの詳細画面を開きます。
   →系列の精度と評価結果の詳細へ

評価結果

評価結果のCSVファイルの見方

1. ①学習用データ：学習時に設定した項目
2. ②評価結果：AIモデルが推論したデータ
3. ③学習結果の評価：誤差率中央値(MdAPE)」の値をもとにした、AIモデルの性能を示す参考値

系列ごとの精度一覧のCSVファイルの見方

1. ①系列：学習時に設定した系列データ
2. ②学習結果の評価：主要スコア

主要スコア

主要スコアは、さまざまな観点でAIモデルの精度を判断するための指標です。

系列の精度と評価結果の詳細

1. ①実績値（実際の観測値）と推論値（AIモデルによる予測値）の関係を時系列に沿ったグラフで表示します。
   実績値（実線）と推論値（点線）の距離が近く、波形が近似しているほどAIモデルによる予測値が正確であることを表しています。時系列グラフを確認することで、AIモデルの予測精度や特性を視覚的に把握できます。
2. ②グラフの表示期間を切り替えることができます。

• 評価期間：学習用データの最終日から[推論する期間]分、さかのぼった期間。実績値と推論値の差異を比較しやすい表示です。
• 直近３か月間：学習用データの最終日から3か月さかのぼった期間。
  直近3か月の実績値のトレンドと、推論値を比較しやすい表示です。
  （学習用データの期間が3か月に満たない場合は表示されません）
• 学習用データの全期間：全期間の実績値のトレンドと、推論値を比較しやすい表示です。

時系列グラフでは、青線が実績値、緑線が予測値を表しています。このグラフから以下の点を確認できます。

• 線が近い：青線と緑線が近いほど、予測が正確
• 動きが一致：上がる時は一緒に上がる、下がる時は一緒に下がっていれば良い予測

ポイント：特に重要な時期（繁忙期など）の予測精度に注目しましょう。確認できるポイントとしては以下の点が挙げられます。

• トレンド性：モデルが全体的な増加/減少を捉えているか
• 季節性：日ごと・週ごと・月ごと・年ごとなどの周期的なパターンを予測できているか
• ピークと谷の予測精度：需要の急増/急減をどの程度正確に予測できているか

特徴量重要度は、学習用データの説明変数などの特徴量がどの程度重要かを表した数値です。 推論に必要な特徴量であるほど値が大きく、重要度に応じて降順で表示します。

需要予測の特徴量重要度

特徴量について：日付のデータをもとにした周期性（1週間前の値、1か月前の値など）、カレンダー特徴量（曜日、休日など）、気象特徴量（天気、温度など）、説明変数をもとにした特徴量が作成されます。生成された特徴量が重要だった場合、値が表示されます。

説明変数をもとにした特徴量

製造業の需要予測を行う下図の例では、「7日前の数量」や「曜日」、「広告紙面の掲載位置」が重要だと分析されています。この結果が、過去の経験と一致している場合（例：広告紙面のトップに掲載された商品の売り上げが増加するなど）や、新たな発見が含まれている場合（例：特定の曜日に需要が増加するなど）は、学習結果の妥当性を確認して、AIモデルを在庫計画や販促施策に活用できるか判断します。

データの量は十分か？

参考

学習用データの作り方を知る

• 説明変数（データの項目数）が少なくないか？
  一見不要そうだが関与する可能性のある項目は説明変数として加える…①
  （特徴量重要度で関連がないことが分かった場合は省いてもよい）
• データ数（データの行数）が少なくないか？
  多くのデータから規則性を分析するためデータ数が重要…②
  手元に複数のデータがある場合は一つのファイルに結合して学習してみる。

【販促用DMのターゲット抽出の例】

• データ取得時期の偏りがないか？
  特異な事象（イベント期間中、コロナ禍など）のデータしかないなど…③
  直近のデータで学習する。

分類のケース：データに偏りがないか？

• 目的変数/説明変数の偏り
  特定の要素の出現頻度が極端に多い、または少ない…④
  出現頻度の少ないカテゴリーのデータを増やす。
  カテゴリーの統合・分割をするなどして出現頻度の偏りを調整する。

【目的変数の偏りの例】問い合わせ内容を分類したい場合

問い合わせ分類の学習用データで、特定の問い合わせ種別の出現頻度が少ない場合は、他の種別と統合できないか検討し、偏りを調整する。

需要予測のケース：データに偏りがないか？

• 特異な事象による偏り
  コロナ禍、単発イベントなどによりその期間だけ他と異なる傾向が現れたり、突出した異常データとなっている可能性がある場合は、その期間を含まない期間のデータで学習する。
  単発イベント期間などで突出した異常データとなっている場合は、前後の週・月などのデータで代用するなどして調整する。
• 時期・季節による偏り
  夏のデータしかない、1ヶ月分のデータしかないなど日付の期間を増やす。
• 系列による偏り
  系列によって精度に差がある場合、精度が悪い系列のデータのみで、別途学習する。
  すべての系列を一括で学習した場合と比較して、精度が向上する可能性があります。
• 説明変数の偏り
  説明変数として追加した項目の値が、時期や季節によって変動しない場合や系列に強く連動している場合は、別の説明変数を加えて学習する。

参考

詳細設定の仕方

①学習する説明変数を選別する

• 学習結果の「特徴量重要度」を確認し、影響の⼩さい説明変数を除外する。
• 明らかに影響しないと判断できる説明変数を除外する。

②データ型を変更する

• 順序尺度の場合には、カテゴリー型ではなく数値型を設定する。
  【順序尺度の例】アンケートの評価やランキングで1〜5など大小関係がある場合
• データ型を設定していない場合は設定する。

分類モデルの改善案：

• データ型が数値になっているが、カテゴリーに属する項目がある場合はデータ型をカテゴリーに変更する。
• 短いテキストであっても、文章のデータ型に変更する。（テキストを単語分割して分析します)
  

データマッチング・入金請求突合の改善案：

• データ対応列とデータ型を設定する。

③データの割合を変更する（デフォルト学習データ:テストデータ＝8:2）

• 学習結果が良いのに推論の精度が悪い場合は、テストデータの割合を増やしてみる（8:2→7:3）。

④AIモデルのタイプを変更する

• ゴール設定に応じて、見逃し抑制AIモデル、または誤り抑制AIモデルに変更する。

需要予測

参考

詳細設定の仕方

①学習する系列を変更する

• 学習結果の「特徴量重要度」を確認し、選択した系列の項目の影響が小さい場合、系列選択を外して再度分析する。

②「気象情報の考慮」を変更する

• 学習結果の「特徴量重要度」を確認し、気象情報の影響が小さい場合、「気象情報を考慮しない」を選択し、再度分析する。

③実績値の補完方法を変更する

• 実績値に空白がある場合、実際の運用に合わせて実績値の補完方法を選択する。
• 例えば、販売数量でその日に販売がなかった場合は0、実績はあるがデータが取得できていない場合は最頻値を選択する。

④推論する単位を変更する

• データの集約単位を調整することで精度向上が見込める場合がある。
• 例えば、日ごとから週ごと、月ごとへ推論する単位を変更する。

⑤学習に使用する項目（説明変数）のデータ型を変更する

• すべての値が数値であっても、値を識別するための名前やラベルとして数値を使用している場合は「カテゴリー型」を選択する。