定義
Predictive Analytics（予測分析） とは、過去のデータに対して統計モデルや機械学習アルゴリズムを適用し、将来のトレンドやユーザー行動を確率的に予測する分析手法です。DTC／EC業界では「次に何が起きるか」を定量化し、在庫・CRM・広告・LTV施策の意思決定に直結させるために使われます。
記述的分析（何が起きたか）→ 診断的分析（なぜ起きたか）→ 予測分析（これから何が起きるか） → 処方的分析（どう動くべきか）というアナリティクス成熟度の第3段階に位置します。
类比（たとえ話）
予測分析は「天気予報」に似ています。
- 記述的分析＝昨日の天気を振り返る
- 予測分析＝明日の降水確率を出す
- 処方的分析＝「傘を持って出よう」と行動を決める
天気予報が100%当たらないのと同じで、予測分析の出力は確率です。重要なのは「当てること」ではなく「期待値の高い意思決定を再現性高く行うこと」です。たとえば「離脱確率0.82のユーザー」は、0.82という数字そのものより「上位20%を優先的にリテンション施策に回す」という判断に使います。
公式（主要モデルの数式）
1. ロジスティック回帰（離脱・CVR予測）
$$
P(y=1 \mid x) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 x_1 + \cdots + \beta_n x_n)}}
$$
2. 顧客生涯価値（CLV）の予測
$$
CLV = \sum_{t=1}^{T} \frac{ARPU_t \times r^t}{(1+d)^t}
$$
- ARPU：顧客あたり平均収益
- r：リテンション率
- d：割引率
- T：予測期間
3. RFMスコアリング
$$
Score = w_R \cdot R + w_F \cdot F + w_M \cdot M
$$
4. Uplift（介入効果）
$$
Uplift = P(y=1 \mid T) - P(y=1 \mid C)
$$
对比表：予測分析 vs 関連手法
| 項目 | 記述的分析 | 予測分析 | 処方的分析 |
|---|---|---|---|
| 問い | 何が起きたか | 何が起きるか | どうすべきか |
| 手法 | 集計・BI | 回帰・GBDT・NN | 最適化・強化学習 |
| 出力 | レポート | 確率・スコア | アクション |
| DTC例 | 先月CVR 2.1% | 来月CVR 2.4%±0.3 | 予算をMetaへ+15% |
| 更新頻度 | 月次 | 日次／リアルタイム | 週次 |
| KPI | 把握精度 | AUC 0.78以上 | 増分ROAS |
応用シーン（DTC／EC）
1. 離脱予測とリテンション
解約確率上位10%のユーザーを抽出し、クーポンではなく「パーソナライズされた再購入リマインド」を配信。あるアパレルDTCでは離脱予測導入後、90日リテンションが34%→41%へ改善、LTVが+18%伸びた事例があります。
2. 在庫・需要予測
SKU×週単位で需要を予測。欠品率を7.2%→2.8%、過剰在庫を22%削減した例も。季節性・プロモ・天候を特徴量に含めるのが定石です。
3. 広告のCAC最適化
pLTV（予測LTV）をスコア化し、CAC < pLTV×0.33 を満たすセグメントへ予算を集中。ROASが1.8→2.6に改善したケースがあります。
4. 次回購買日（NGD）予測
RFMのFを時間軸でモデル化し、購買サイクル到来の3日前にプッシュ通知。開封率が通常配信の2.3倍に。
5. レコメンド／クロスセル
協調フィルタリング＋購買確率モデルで「買いそうな商品」を提示。AOVが+12%。
よくある誤解（アンチパターン）
- 「精度が高ければOK」 → ビジネスKPIと紐づかないAUCは無意味。増分効果（Uplift）で評価する。
- 相関を因果と誤認 → 「メルマガ開封者はLTVが高い」は選択バイアス。因果推論（A/B、DID）が必要。
- データリーク → 未来の情報を特徴量に混入させるとオフライン精度が異常に高くなる。時系列分割を徹底。
- 季節性・外部要因の無視 → セール、為替、競合施策を特徴量に入れないと予測が崩れる。
- モデルのブラックボックス化 → SHAP等で説明できないと現場が動かない。説明可能性＝実行率。
- 一度作って終わり → コンセプトドリフトで精度劣化。月次リトレーニングが前提。
- 個人情報の扱い → 日本の個人情報保護法・GDPRに留意。匿名化・同意取得を設計段階で組み込む。
関連用語
- Machine Learning（機械学習）：予測分析の主要エンジン
- RFM分析：顧客セグメンテーションの古典
- CLV / pLTV：予測分析の最重要KPI
- Churn Prediction（離脱予測）
- Demand Forecasting（需要予測）
- Uplift Modeling（増分モデリング）
- Causal Inference（因果推論）
- Feature Store：特徴量の再利用基盤
- MLOps：モデルの運用・監視
- CDP：予測に必要な顧客データ統合基盤
まとめ
予測分析は「当てる技術」ではなく「意思決定の期待値を上げる技術」です。DTC／ECでは、離脱・需要・CAC・NGDの4領域から小さく始め、Upliftで効果検証 → リトレーニング → 現場実装のサイクルを回すことが成功の鍵です。精度指標（AUC・RMSE）と事業指標（LTV・ROAS・在庫回転）を必ずペアで管理しましょう。