戦略的データサイエンス入門 ―ビジネスに活かすコンセプトとテクニック

311

311

11.1　寄付金の最大化を目標とする

応がないからです。そして、このような場合には、回帰モデリングを行うときに区別するべ

きケースがあります。顧客が無反応なために期待値がほぼゼロになるケースと、顧客の特性

（寄付は行うが、金額は小さいという特性）のために期待値が小さくなるケースです。

あらためてこの例を見てみると、期待値フレームワークは、なぜビジネス上の問題を分解

するのに有用なのか、ということを説明してくれていることがわかります。

7

章で説明した

ように、期待値とは、ある値とその値が発生する確率との積の総和です。そして、データサ

イエンスは、ある値とその値が発生する確率の両方を推定する手法を提供してくれます。実

は、この例では常にゼロを取ると仮定している

v

NR

(x)

のような値については、推定する必要

はないかもしれません。しかも、そのような値を正確に推定することは、骨が折れる作業か

もしれません。しかしここで重要なのは、期待値フレームワークが、複雑なように見えるビ

ジネス上の問題を分解してくれるため、解決策を理解しやすくなるという点です。また、フ

レームワークは、分解した問題の解決策を統合する方法も、まさに提示してくれています。

今取り上げている例では（そうなるように選ばれた例ではあるのですが）、答えは直観的に

満足の行く結果に収まります。つまり、寄付金の期待値が郵送にかかるコストを上回る人々

へのみ手紙を出すべきである、ということです。数学的に言えば、単に期待利益がゼロを上

回るような人々を対象として探し、コストと利益の不等式を単純化している、ということで ...