データサイエンスとデータアナリティクスに関する用語解説

データ準備と分析

Business Analytics

ビジネスアナリティクスとは、より良いビジネス成果を導く意思決定を行うために統計的・定量的手法を用いてデータを分析するプロセスです。

Business Intelligence

ビジネスインテリジェンスは、組織のデータ、ソフトウェア、インフラ、ビジネスプロセス、人間の直感などの累積的な成果であり、実用的なインサイトの提供を可能にします。

Data Analytics

データアナリティクスとは、データを調査、変換、分析して、重要なインサイトを明らかにし、意思決定の効率性を高めるためのプロセスです。

Data Blending

データブレンディングは、さまざまなソースから取得したデータを 1 つの有用なデータセットにまとめるプロセスであり、より深く、より複雑な分析を可能にします。

Data Preparation

データ準備は、ビジネス分析に使用する生データのクレンジングと統合を行う工程です。その重要性と仕組みをご紹介します。

ETL

ETL とは、さまざまなソースやフォーマットからのデータをコピー、結合、変換し、データウェアハウスやデータレイクなどの新たな保存先に書き出すために使用するプロセスです。

データの標準化

データの標準化は、データの取得、標準化、統合に関する複雑なセマンティクスをすべて抽象化し、ビジネスにより迅速・正確な分析を提供します。

データカタログ

データカタログによりデータアセットを最大限に活用する方法

データガバナンス

データガバナンスとは何か、データガバナンスを実現するためのツールやフレームワーク、そしてビジネス価値を高めるためにデータガバナンスをどのように活用できるかを解説します。

データクレンジング

データクレンジングは、データクリーニングやスクラビングとも呼ばれ、生のデータセットからエラーや重複、無関係なデータを特定して修正するプロセスです。

データプロファイリング

データプロファイリングは、データの特性を把握し、その品質を評価することによって、データに対する新たな発見や理解を得て、データを整理するためのプロセスです。

データラングリング

データトラングリングは、より良いビジネス上の意思決定を行うために、データを変換、クレンジング、強化して、より適切で使いやすい形に整えるプロセスです。

データ探索

データ探索は、データの活用に先駆け、データをより良く理解することを可能にする手法です。データの多角的な調査を通じて、大規模なデータセットをより詳細に、より構造的に分析するための準備を整えることができます。

データ系列

データ系列の追跡により、企業がデータの取得元やシステム内のプロセスを追跡し、ビジネスデータのコンプライアンスと正確性を維持することが可能になります。

空間分析

空間分析は、地理的モデリングを用いて、地理空間データに含まれる位置、関係、属性、近接性などを分析し、問題解決に役立つ洞察を引き出す分析手法です。

記述的分析

記述的分析は、大規模な生データを集計・分析することで、過去に何が起きたのかを探り、その結果をグラフ（折れ線/円/棒グラフ）や表などに落とし込んで可視化する分析手法です。

需要予測

正確な需要予測は、在庫管理、キャパシティプランニング、製品需要、リソースの割り当てなどに役立ちます。

データサイエンスと機械学習

Machine Learning

機械学習 (machine learning) とは、コンピューターが特定の制約を持つデータセットを反復的に処理することで、内在するパターンを見つけ出すプロセスです。

データサイエンス

データサイエンスとは、応用統計学の一種で、コンピュータサイエンスと数学の要素を組み込み、定量的・定性的なデータからインサイトを抽出します。

データサイエンス vs 機械学習

テクノロジーの世界ですっかりおなじみの存在となった、「データサイエンス」と「機械学習」。どちらも、ビジネスや業界のあらゆる分野での AI の運用を強化するものですが、両者にはどのような違いがあるのでしょうか？

予測分析

予測分析は、機械学習や統計アルゴリズムなどの手法を用いて、将来何が起こるかを予測するデータ分析の一種です。

処方的分析

処方的分析は、機械学習、グラフ分析、シミュレーション、発見的手法など通じて、「何をすべきか、何ができるか」という問いに答える分析手法です。

教師あり学習と教師なし学習

教師あり学習と教師なし学習は、異なるアプローチにより、企業と消費者をより密接に結びつけます。ここでは、その違いと仕組みについて説明します。

機械学習オペレーション (MLOps、Machine Learning Operations)

MLOps は、データサイエンスの運用における、部門横断的、協調的、反復的なプロセスであり、機械学習 (Machine Learning、ML) やその他のタイプのモデルを、反復可能なプロセスを介してデプロイし、継続的に監視できる再利用可能なソフトウェア成果物として管理します。

特徴量エンジニアリング

特徴量エンジニアリングを用いることで、データをより良く理解し、有益な情報へと変えることが可能になります。

自動機械学習

自動機械学習（AutoML）では、自動化されたプロセスを通じて ML（機械学習）モデルの構築、検証、反復、探索を行えるため、専門的なスキル不要で誰もが ML を活用できます。

高度な分析

高度な分析では、精緻な分析テクニックを使用して、インサイトの発見、パターンの特定、結果の予測、推奨事項の作成を行うことができます。

分析を変革

データに潜むインサイトを引き出しませんか？

無料トライアルを開始