フレームワーク活用ガイドひとことで言うと#
「何が起きるか」を予測するだけでなく、「何をすべきか」まで踏み込んで最適なアクションを提案する分析手法。記述分析（過去の把握）→予測分析（未来の予測）→処方的分析（行動の最適化）というデータ分析の最上位に位置し、制約条件を考慮しながら最善の意思決定を導き出す。
押さえておきたい用語#
- 目的関数（Objective Function）
- 最適化で最大化または最小化したい数式のこと。利益の最大化、コストの最小化、顧客満足度の最大化など。ゴールを数値で定義する。
- 制約条件（Constraint）
- 最適化で守らなければならないルールのこと。予算上限、人員数、納期、法規制など。現実的な解を導くために不可欠。
- 決定変数（Decision Variable）
- 自分がコントロールできる要素のこと。広告予算の配分額、価格設定、人員配置数など。この値を変えることで結果が変わる。
- 線形計画法（Linear Programming）
- 目的関数と制約条件がすべて線形（一次式）の場合に最適解を求める手法。生産計画やリソース配分の最適化で広く使われる。
- シミュレーション最適化
- 確率的な要素を含む問題で、多数のシミュレーションを繰り返して最適な解を探索する手法。不確実性が高い状況での意思決定に有効。
処方的分析の全体像#
こんな悩みに効く#
- 予測はできるが、具体的に何をすればいいかがわからない
- 複数の選択肢があり、どれが最も効果的か判断できない
- リソースに制約がある中で、最大の成果を出す配分を知りたい
基本の使い方#
最適化したい目的と、制約条件を明確にする。
- 目的関数: 何を最大化（または最小化）したいか → 例: 利益の最大化、コストの最小化
- 決定変数: 自分がコントロールできる要素 → 例: 広告予算の配分、価格設定、人員配置
- 制約条件: 守らなければならないルール → 例: 総予算は1,000万円以内、納期は2週間以内
ポイント: 目的関数が曖昧だと最適解が出ない。「何をどういう方向に改善したいか」を数値で定義する。
処方的分析の土台となる予測モデルとデータを整備する。
- 過去の実績データ: 各アクションがもたらした結果の履歴
- 予測モデル: アクションAを取った場合の予測結果、アクションBの場合の予測結果
- シナリオ設定: 外部環境の変化（景気、競合、季節）を複数パターン想定する
ポイント: 処方的分析は予測分析の上に成り立つ。予測の精度が低いと、処方の信頼性も下がる。
制約条件のもとで目的関数を最適化するアルゴリズムを選択・実行する。
- 線形計画法: 目的関数と制約がすべて線形の場合（例: 生産計画の最適化）
- シミュレーション最適化: 確率的な要素を含む場合（例: 在庫の発注量の最適化）
- ルールベース: シンプルなビジネスルールで十分な場合（例: スコアに基づく優先順位付け）
ポイント: 必ずしも高度なアルゴリズムが必要とは限らない。ビジネスの複雑さに合った手法を選ぶ。
最適化の結果をビジネスに適用し、効果を検証する。
- アクションの実行: 推奨された配分・価格・施策を実際に適用する
- 効果の測定: 最適化前と後でKPIがどう変わったかを比較
- フィードバックループ: 結果を次の最適化モデルに反映させて精度を向上させる
ポイント: 最初から100%の最適化を目指さなくてよい。段階的に導入し、効果を確認しながら拡大する。
具体例#
月間マーケティング予算1,000万円を検索広告・SNS広告・メール・アフィリエイトの4チャネルに均等配分していたECサイトが、チャネルごとのROIの差に着目して処方的分析を導入した。
目的関数は「総コンバージョン数の最大化」、決定変数は「各チャネルへの予算配分額」、制約条件は「総予算1,000万円」「各チャネル最低50万円は維持」。チャネルごとの「投入予算→CV数」の応答曲線を過去データから推定した。
均等配分（各250万円、月間CV 820件）に対し、最適配分は検索広告400万円・SNS広告300万円・メール200万円・アフィリエイト100万円で予測CV 1,050件。
最適配分で3ヶ月運用した結果、実際のCV数は月間平均990件（予測の94%）を達成。総予算を変えずにCV数が21%向上した。
全国50拠点を持つ物流会社が、日々の配送ルート計画を処方的分析で最適化した。
目的関数は「総走行距離の最小化」、決定変数は「各ドライバーの訪問順序」、制約条件は「1日の運転時間8時間以内」「積載重量2トン以内」「時間指定配送の遵守」。過去の配送実績とGoogleマップAPIを使い、移動時間の予測モデルを構築した。
従来はベテランドライバーの経験で決めていたルートを、毎朝自動で最適ルートを提案するシステムに移行。
導入6ヶ月後、1日あたりの平均走行距離が185kmから152kmに18%削減。燃料費が年間約2,400万円削減され、配送時間の遵守率も92%から97%に改善した。
ビジネスホテル30棟が、客室価格の最適化に処方的分析を導入した。
目的関数は「RevPAR（客室あたり収益）の最大化」、決定変数は「日別・部屋タイプ別の価格」、制約条件は「最低価格5,000円」「最高価格20,000円」「法人契約の固定価格維持」。需要予測モデルは予約の入り方、曜日、イベント情報、競合価格をもとに構築した。
従来の曜日固定料金から、需要予測に基づく日別最適価格を自動算出するシステムに移行し、フロント担当がワンクリックで価格を反映できるようにした。
導入1年後、RevPARが平均7,200円から8,280円に15%向上。稼働率は微減（82%→80%）だが、高単価の予約が増えたことで全体収益が年間約1.2億円増加した。
やりがちな失敗パターン#
- 制約条件を見落とす — モデル上は最適でも、実務上の制約（人員不足、システム制約、法規制）を無視すると実行不可能な提案になる。現場の担当者と制約条件を丁寧にすり合わせる
- 予測精度が低いまま最適化する — 予測が外れていれば、最適化も外れる。処方的分析に進む前に、予測モデルの精度を十分に検証する
- ブラックボックス化して現場が従わない — 「AIがこう言っている」だけでは現場は動かない。なぜその配分が最適なのか、ロジックを説明できる状態にしておく
- 一度の最適化で終わらせる — ビジネス環境は変化するため、過去の最適解が今も最適とは限らない。四半期ごとにモデルを再学習し、応答曲線や制約条件を更新する
まとめ#
処方的分析は、データ分析の最終ゴールである「何をすべきか」に答えるフレームワーク。目的関数と制約条件を定義し、予測モデルの上に最適化を重ねることで、限られたリソースから最大の成果を引き出す。まずは自社で最もインパクトの大きい配分問題（予算・人員・在庫）を1つ選び、最適化に取り組んでみよう。