ビジネス活動をしていると、何かしらの指標を眺めることが多々あります。

例えば、売上や受注件数、問い合せ件数、サイトのPV（ページビュー）数などなど。

多くの人は、子ども時代から、何かしらの指標を眺めて過ごしているでしょう。

例えば、受験生であれば模擬テストの点数、受験生でなくても成績表の評価なども、ある種の指標です。

指標の動きが想定通りであれば問題ありません。

想定通りでない場合、多くの人は異常だと判断することでしょう。

今回は、「あなたはどのようなときに指標が異常（問題が起こっている）と判断していますか？」というお話しをします。

どういう状態を正とするのか？

繰り返しになりますが、指標の動きが想定通りであれば問題ありません。想定通りでない場合、多くの人は異常だと判断することでしょう。

と言うことは、どのような指標の状態を正（想定通り）とするのかを定義しなければ、異常（問題が起こっている）かどうかを判断することができません。

例えば、売上で考えると……

• 売上が予定した予算を達成していない
• ほぼ横ばいで推移していた売上が急激に悪化した

……などなど。

前者は、予定（未来）と実際のギャップ（差が大きい）場合に異常と見なしています。

後者は、過去の傾向から大きくずれた場合に異常と見なしています。

予定（未来）には、人の「思い」によるものと、数理モデルではじき出した「予測」によるものがあります。「予測」によるものの方が、異常の要因をデータから探りやすいです。

人の「思い」にも、根拠の薄い思いと、しっかりとした根拠に裏付けられた思いによるものがあります。「思い」によるものでも、当然ですが「根拠に裏付けられた思い」の方が、異常の要因をデータから探りやすいです。

過去の傾向からの乖離

過去の傾向から大きくずれた状態を異常と見なす場合、どのようにして異常かどうかを判断するのか？

一番簡単なのが、過去のデータ（時系列データ）の推移から探るやり方です。

伝統的に、管理図というものを用います。

管理図のデータをヒストグラムで表現すると、以下のようになります。

このように、管理図やヒストグラムを使って異常検知をするのが、最も簡単です。

ここで1つ気を付けるべきポイントがあります。

管理図で見ていく指標は、横にランダムに振動しながら推移する指標です。上昇傾向や下降傾向、周期性のあるデータは、何かしらの処理を実施し、横にランダムに振動しながら推移する指標にします。

では、どうやってそのような指標を作るの？　という疑問を持たれた方もいると思いますが、ここでは説明を割愛します。ヒントを少しお話しすると、上手く時系列モデルを作りその残差を指標とすると、横にランダムに振動しながら推移する指標になります。

予測からの乖離（差）

予定（未来）と実際のギャップ（差が大きい）を異常と見なす場合、どのようにして異常かどうかを判断するのか？

予定（未来）が、数理モデルではじき出した「予測」による場合、過去データから構築した時系列モデル（予測のための数理モデル）を用いてはじき出した予測値と実際の数値を比較し探ります。

予測値と実際の値の差が大きければ異常と見なせるでしょう。

統計学系の時系列モデル（予測のための数理モデル）であれば、予測区間を求めることが多くの場合できますので、例えばこの区間外であれば異常と見なしてもいいでしょう。

ちなみに、この時系列モデル（予測のための数理モデル）は、「過去の傾向からの乖離」を探る場合にも当然使えます。

と言うことは、この時系列モデル（予測のための数理モデル）の残差をモニタリング指標としてウォッチすればOK、ということになります。

崩れた前提をデータで探る

指標が異常（問題が起こっている）の場合、何かしらの想定した前提が崩れています。

その崩れた前提を探すのが要因分析です。例えば、「なぜなぜ分析」を実施します。

要因を特定したら、どのように解決すべきかを考える必要がでてきます。例えば、「どうする分析」を実施します。

今回のまとめ

今回は、「あなたはどのようなときに指標が異常（問題が起こっている）と判断していますか？」というお話しをしました。

ビジネス活動をしていると、何かしらの指標を眺めることが多々あります。

指標の動きが想定通りであれば問題ありません。想定通りでない場合、多くの人は異常だと判断することでしょう。

例えば……

• 過去の傾向からの乖離：過去の傾向から大きくずれた場合に異常と見なす
• 予測からの乖離（差）：予定（未来）と実際のギャップ（差が大きい）場合に異常と見なす

……などなど。

管理図やヒストグラムを使って異常を検知する方法が最も簡単でしょう。このとき、簡単な時系列モデルを絡ませることもあります。

時系列の異常検知用の数理モデルもいくつかあるので、場合によっては専用の数理モデルを構築し異常検知を実施することもあります。

興味のある方は、先ずは管理図やヒストグラムを使って、モニタリングしている指標の異常検知をしてみてはいかがでしょうか？

具体的なやり方は、別の機会にお話しします。