ユーザーモデルの予測

作られたユーザーモデルを使って、対象となる人の所属クラスタを予測できるようにするために、もう一つの分析を行います。

例えば、下記6つの設問は、「消費行動傾向」のモデルを想定して、「対象者の所属するクラスタを予測」（4つの中のどのクラスタか）するための設問です。

「消費行動傾向モデル」はこちら

これらの6つの設問に「全くそう思わない」から「とてもそう思う」の「1」～「5」で回答が得られれば、71.5%の精度で所属クラスタを予測できます。

これらの設問は「対象者のクラスタを予測（判別）するために使用する設問」という意味で「判別設問」と呼びます。

「判別設問」の数は多いほど精度は上がりますが、対象者（回答者）の負担は増えます。
「消費行動傾向」のモデルを想定したこの6つの設問は、「消費行動傾向に基づく4つのクラスタ」を作る際に回答を得た78の設問の中から、予測（判別）精度を70%以上に保った上で最小の数の設問を「判別分析」によって抽出した結果です。

活用シーンによっては、例えば、「消費行動傾向モデル」の「何と言っても実用性重視派」（CLUS-2）の人かどうかだけ予測できれば良い場合、必ずしも「消費行動傾向モデル」の4つのクラスタの中のどこに属するかを予測（4択）する必要ななく、特定のクラスタに所属するか否かが予測（2択）できれば充分で、4択問題を2択問題にすることで対象者（回答者）の回答負荷も減ります。

「消費行動傾向モデル」はこちら

また、活用シーンによっては、「消費行動傾向モデル」のどのクラスタに属するかを予測するよりも、特定の共通因子に対する傾向性(ネガティブかポジティブか) が予測できる方が効率的な場合も考えられるでしょう。

「共通因子」はこちら

例えば…

• この商品はまさに機能性を第一に考えて作ったものなので、所属クラスタはどこでも良いので、「実用性や機能性を重視する傾向の強い」（第7因子）人（ポジティブな人）に手に取ってもらいたい…
• 「消費意欲の強い」（第5因子）人（ポジティブな人）ならなお良いかも…

…であれば、所属クラスタの予測よりもAのエリアにいる人を探したいですよね。

さらに、対象者が特定の共通因子に対して「ネガティブかポジティブか」のようなグループを予測するのではなく、共通因子に対する“強さの度合い”を考慮して対象者を特定することもできます。

例えば…

• 今回のキャンペーンのプレゼントには数に限りがあるので、プレゼントを喜んでくれそうな「実用性や機能性を重視する傾向の強い」（第7因子）人の中の上位20名にだけ連絡しよう…
• ダイレクトメールは費用がかかるので、「消費意欲の強さ」（第5因子）が弱い方から30%の人には送付するのを止めよう…

共通因子に対する”強さの度合い”を抽出する場合には、判別設問への回答結果を使用することは同様ですが、予測する対象がクラスタ（CLUS-1～CLUS-4のどれか）やグループ（ネガティブかポジティブか）のようなカテゴリーではなく、“強さの度合い”という数値（因子得点）を予測する必要があるため、分析には「重回帰分析」や（予測のための）「機械学習」を使用します。