データサイエンスのサイクル
更新日:
用語解説
データサイエンスのサイクルは、業務・社会課題を定義し、必要なデータを取得・管理・加工し、探索・分析・推論を行い、結果を共有して施策へ適用し、その効果から課題とモデルを更新する反復プロセスです。
■ 試験で押さえるポイント
最初に意思決定、対象、KPI、成功基準を明確にし、モデルを作ること自体を目的にしません。データで解けない課題も判定します。
データの取得、権利・品質確認、結合、欠損処理、特徴量設計、探索的分析に多くの作業が必要で、再現可能な履歴を残します。
訓練・検証・テストを分離し、精度だけでなく業務価値、公平性、説明性、費用、リスクを評価して結果を伝達します。
配備後は性能、入力分布、施策効果を監視し、環境変化や新データに応じて再学習・廃止します。結論から新しい問いへ循環します。
■ 選択肢での判断ポイント
課題抽出→データ取得・管理・加工→分析・推論→共有・提案→適用・評価の反復です。分析だけで終了しません。
例: 解約削減を課題化し、履歴を整備してモデルを作り、上位顧客へ施策を実施します。解約率が下がったかを比較し、効果がなければ仮説・データを見直します。