・第4章：オペレーションのための統計学
・バリューチェーンから見るオペレーションの改善テーマ案
　※文字で紹介するよりも、本書の図の方が
　　断然分かりやすかったので、以下をご参照ください

・業務のためのデータから分析のためのデータへ
・まずは今あるデータの分析から始める
・アウトカムと解析単位が決まれば、あとは説明変数を決めればよい
・ただし、説明変数を考えることは「仮説を考える」のとは異なる
・本来良い仮説とは、直感に反したり、意外性をもつものだが、
　それを考え出すことはそもそも難しい
・それより、仮置きでもよいので解析単位を決め、
　その特徴を今あるデータから定義をするというアイデア出しを
　片っ端からした方がよく、それこそが説明変数を考えることに繋がる

・その際、いきなり何かの調査をしようとか、
　データを集める仕組みを作ろうとしたくなる手を一度止め、
　それよりも、とりあえず今あるデータだけで
　何が分かって何が分からないのか実際に分析して考えてみた方が良い
・一元化されたデータベースで、いつどのような分析の要望がきたとしても
　対応できるような基盤を作ろうというのは素晴らしいアイデアだが、
　これにはとんでもない手間がかかることが多い
・そのため「最初から全てのデータを完全にしよう」とは考えず、
　「とにかくできる範囲でよいから分析してみる」というやり方がおすすめ

・「洞察のための分析」と「予測のための分析」
・「洞察のための分析」は「どうすれば売上が上がるか」を知りたい場合、
　「予測のための分析」は「売上を正確に予測したい」場合で、
　売れる個数が分かれば、必要なだけ仕入れや製造をして、
　適正在庫を抱えるといったキャッシュフローの最適化ができる
・「予測のための分析」の場合は、機械学習などの高度な分析手法を使い
　予測性能を大きく向上されられる一方で、
　このような分析はブラックボックス化していく
・こうした手法はブラックボックスでもよいからとにかく当てることが目的
　なので、「どの説明変数がどれだけアウトカムと関係しているか」
　という「洞察」は分かりにくくてもよく、説明変数を複雑に変換し、
　とにかく予測値と実際の値の間にズレが小さくなるようにすることで、
　しばしば高い予測性能を発揮することができる
・ただしビジネスで重要なのは「どれだけの精度で当たるか」だけでなく、
「外れた場合にどのような問題・リスクが生じるのか」という観点もある
・機会損失を重視すべきか、それともリソースの無駄を警戒すべきかなど、
　どれだけのバッファを持って予測結果に従うべきかを考慮することで
　オペレーションの改善に大きな価値を生み出すはず

・「予測のための分析」の難しさ
・ある人間がその後何年生きるのかを正確に予測することは困難である
・たとえば、80～94歳という高齢で、全身に転移が見られる
　末期の肺がん患者はあと何年生きるだろうか？
・基本的には「1年以内には亡くなるでしょう」と考えるのが妥当だが、
　全国がんセンター協議会のデータからは、このような患者の80％ほどは
　1年以内に亡くなると考えられる
・逆に考えれば、1～2年生きられる人も10％弱ほどは存在しており、
　わずか数％だが5年以上生きる者もいないわけではない
・高齢の末期がん患者でさえそうなのだから、
　多少不健康な40代男性などの予測はさらに難しい
・個別を「予測」することは、人体は複雑で1人1人の体質は大きく異なり、
　それゆえに同じ年齢で同じがんになっていても長生きできる人と
　そうでない人がいるので予測は困難である
・一方、薬の効果検証などの「洞察」を行う場合は、
　あくまで集団レベルでの因果関係を見る点で異なる
・個人レベルでは薬の効果が全くない人もいるかもしれないが、
　この薬を飲んだグループの方がランダム化比較実験によって、
　偶然のバラツキや誤差の範囲を超えて、明らかに集団としての
　寿命が長くなったとすれば、この薬は今後使うべきだと実証できる

・ビジネスで統計学を用いる場合の分析の手順　
手順①：重回帰分析／ロジスティック回帰で関連性を分析
手順②：結果の解釈
手順③：必要に応じて因子分析／クラスター分析で縮約
手順④：t検定やz検定でA/Bテスト（ランダム化比較実験）を検証