最近私たちの生活では、スマートフォンなど普及して様々な情報が簡単に手に入る世界になっていますよね。そんな大量のデータから欲しいデータを検索する、データマイニング（data mining）という技術が最近注目されています。
データマイニング（data mining）という技術は、多くの情報から必要な情報を取得することができるという特徴があります。この記事では、データマイニング（data mining）とは？ということから実際にどのような場面でデータマイニング（data mining）が使われているかについても触れています。そのためデータマイニング（data mining）って何？という方でもわかりやすくデータマイニング（data mining）がどういうものなのか触れられるに違いありません。
そこで今回は、そんなAI（人工知能）などの機械学習の領域やマーケティングなど様々な分野で活用されているデータマイニング（data mining）という技術についてお伝えします。
データマイニング（data mining）とは
データマイニング（data mining）とは、大量のデータを集めたビックデータの中から必要なデータを選択して取得するための手法です。英単語の「mining」は「採掘」という意味があり、データマイニング（data mining）は必要なデータを採掘するというイメージからマイニングという言葉が使われるようになりました。
データマイニング（data mining）は回帰やクラスター分類など手法を使い大量のデータから必要なデータを選択します。データマイニングで扱われているデータは主に、過去に取り扱ったデータや個人の行動履歴（ECサイトからの購入履歴、インターネット観覧履歴など）を扱うことが多いです。つまりデータマイニング（data mining）を使えば、過去の情報から信頼できる情報を得られるでしょう。
この他にも、データマイニング（data mining）はマーケティングやデータ分析などの場面で使用されることが多いです。そのため、現在でもデータマイニング（data mining）はエンジニアだけでなく、データサイエンティストやコンサルタントなどデータを取り扱う人の需要は高まるでしょう。
機械学習でデータマイニング（data mining）が必要な意味
データマイニング（data mining）が必要になった理由は、AI（人工知能）がビックデータという大量のデータを活用するようになったからです。その大量のデータから、実際に分析に必要なデータを取得して分析するようにするためにデータマイニング（data mining）が活用されるようになりました。
機械学習やAI（人工知能）を使っているものとして、スマートスピーカーやiPhoneなどに搭載されているsiriなどにも使われている自然言語処理などがあります。自然言語処理の分野では大量にある言葉から過去の文章をもとに新たな文章や会話のパターンを形成するために使用されているとのこと。
このようにデータマイニング（data mining）は現在、AI（人工知能）を含む機械学習というプロセスの中で上記でも上げた自然言語処理や、過去のデータからのパターン分析や、データの特徴の抽出、分類など機械学習における学習のもとになる記憶の部分を整理し、分析するためにも機械学習においてデータマイニング（data mining）は必要です。そして今後も機械学習とデータマイニング（data mining）はより深いつながりになるに違いありません。
データマイニングの手法
データマイニング（data mining）の手法は複数存在します。これは、データマイニング（data mining）することでどのような結果を求めたいかによって選択していく必要があります。そのため、具体的にデータマイニング（data mining）の手法について紹介しましょう。
まず始めに紹介するのが、マーケット・バスケット分析という手法。マーケット・バスケット分析という手法は、ECサイトのレコメンドや商品の購入の分析で使われます。具体的にどのような分析を行っているかというと、Aという商品とBという商品をどういったお客さんが同時に購入したかを分析するために使われています。
次に紹介する手法は、クラスター分類。クラスター分類は近いデータを決められて数集めて一つのグループにしてまとめる分析方法です。クラスター分類は主に使用されている分野がマーケティングなどユーザー側には直接触れない部分を担っていることが多いのでマーケット・バスケット分析のように直接技術として触れることは多くはないかもしれません。
クラスター分類のメリットは、分類をすることでデータの特徴がより分かりやすくなること。これによってデータを見ることが少なくなります。というのも、クラスター分類はデータを分析して特徴ごとに分けているため、グループごとに見ればよくなりデータ全体を見るよりも確認する数も少なくなることが理由です。
最後に紹介するのは、ロジスティック回帰です。これは過去のデータを分析して、そのデータをもとに今後の予測をすることができる分析方法。ロジスティック回帰分析は、企業のマーケティング戦略の中などで分析されて結果を使うことが多いです。
またロジスティック回帰は株式のインデックス投資などで活用される事例もあるため、投資などを行っている人は触れる機会が意外とあるかもしれません。ロジスティック回帰のメリットは、過去の大量のデータから予測を出すため、ある程度信頼性のある予測結果を出すことができる点です。
データマイニング（data mining）を行う３つのステップ
ここまで、データマイニング（data mining）がどのようなものかを紹介しました。ここからは、実際にデータマイニング（data mining）を行う際に必要になるステップについて紹介します。
データを集める
まず初めに初めのステップとして、分析するためのデータを集めましょう。データが少なければデータマイニング（data mining）を実施する利点があまりなくなってしまうため、まずデータ分析するための大量のデータを集める必要があります。
情報収集の方法として良く使われる手法は、データをSQLなどのデータベースに蓄積していくという方法が多いです。データには種類があり、インターネット上にある大量の情報と会社など企業で集めている情報があり、マーケティングでの場面では、企業が集めている情報を使うことが多いとのこと。
データを分析する
次のステップは、どのようなデータを分析していくかを決定します。これはデータをどのように分析して、顧客データの分析や売り上げと要因の分析など、どのような結果を得たいかを決定する必要があります。目標の結果を決定する方法として現在は人が決定することが多く、マネジメントなどを行っている人が決定することが多いでしょう。
データを分類する
最後のステップは、データマイニング（data mining）で取得したデータをデータの特徴ごとに任意のグループに分けます。この工程はデータの特徴ごと任意で設定したグループに分けていきます。そのためデータをまとめて分析しやすくできます。
そして特徴分けをしたそのデータ分析の結果を使ってロジスティック回帰などを活用した予測やデータの特徴量を抽出するなど前ステップで決めた結果を出力しましょう。
データマイニング（data mining）を応用とした事例
現在データマイニング（data mining）が使用されている業界は、金融関連、製造関連、医療、販売業などです。最初に金融業界でのデータマイニング（data mining）の応用事例を紹介しましょう。
金融業界では、ローン審査や保険などの審査の分野で応用されている事例が多いです。また、解約率低下やクレーム分析などでも使用されている事例もあります。中国では電子決済サービスのアリペイといわれる電子決済サービスにジーマ信用というスコアリングサービスがあります。
次は、製造関連の業界について紹介します。製造業では製造設備の分析の中でデータマイニング（data mining）を使うことがほとんど。フォード研究開発チームが実際にデータマイニング（data mining）を活用してSUVのバックトラックを開く方法を分析しました。具体的には自動ドアや手動ドアの開き方などをデータとして集めの結果から現存する車体ドアの開き方など車体の改善に活用しました。
次は医療業界での事例です。こちらはまだ試験的な段階のものが多いですが、インフルエンザの流行をデータマイニング（data mining）で分析した事例があります。
最後に紹介するのが、販売業です。これは商品が売れやすい天候などを過去のデータから分析して、マーケティングでの分野でも活用されています。実際にウォルマートマーケティング部門の意思決定を支援しているとのこと。
データマイニング（data mining）を行う時の注意点
ここからは、データマイニング（data mining）を実際に使用する際の注意点をあげます。
はじめに、データマイニング（data mining）では使用するデータの定義が統一されているかが重要です。というのも、データマイニング（data mining）ではデータ定義が正確であるかどうかも含めて検討する必要があり、言い換えるとデータの定義が曖昧であると分析結果も曖昧になる可能性があります。例えばカードローンを判断するときに、年齢や収入などのデータは必要ですが、天気などの血液型などのデータは必要ありませんよね。このように、データマイニング（data mining）では分析するデータを統一しましょう。
次に注意しなければならない点は、追加分析が必要であるかどうかを判断する必要がある点です。追加分析をすることでより具体的な分析を得られますが、その分、データを収集や分析する方法の決定などコストがかかってしまいます。そのためコストと結果を考え追加分析を行う判断を行うことが必要でしょう。
そして最後の注意点が、データマイニング（data mining）の基礎知識が必要という点です。具体的にはデータマイニング（data mining）とは何かということやデータマイニング（data mining）の手法や必要なデータの情報などの知識が必要になります。これは、データマイニング（data mining）がどのようなものか知識がないと得た結果が本当に制度の高いものなのかを判断することが難しくなるでしょう。
さて、今回はデータマイニング（data mining）についてご紹介しました。まず「1．データマイニング（data mining）とは」では、データマイニング（data mining）がどのようなものかを紹介しました。
データマイニング（data mining）はマイニング（採掘）という言葉通り、回帰分析やクラスター分類などを使用して必要なデータを大量のデータから分析、取得することができます。現在では機械学習とも併用されて、より効率的にデータの分析を行うことができるようになっています。さらに今後もより関係が深い技術になることが予測されるでしょう。
データマイニング（data mining）の手法として、回帰分類やクラスター分類、マーケット・バスケット法という手法が使われています。今後もより多く情報を扱う必要があり、手法がさらに増えていくでしょう。データマイニング（data mining）を行うために、データを蓄積し、分析方法を決定して分析を行っていくという3つのステップが必要になります。
データマイニング（data mining）は医療や製造、金融業界など様々な業界で活用されています。今後はより多くの業界で活用されるでしょう。データマイニング（data mining）を行うために、データを統一する必要があります。またただ分析を行うだけでなく、追加分析を行うかどうかの判断も必要です。さらにデータマイニング（data mining）を活用していくためにはデータマイニング（data mining）についての知識を持って使いましょう。
今後は５Gなどの普及により、より多くのデータを活用することになります。そのため、データを活用する技術であるデータマイニング（data mining）がどのようなものかを知ることで、私たちの生活にも変化があるかもしれません。
