現状把握のためのデータサイエンス

現状把握では、「どういうデータ？」、「何が起こっている？」、「どういう風に起こっている？」と言ったことを調べます。この段階で、データサイエンスが役に立ちます。

現状把握で調べること

歩留（良品率）を改善したいなら歩留、生産性を改善したいないなら生産性のデータを詳しく調べます。

行が100行くらい、列が２列くらいまでの表形式のデータがあったとします。

こういうデータの時は、パレート図、ヒストグラム、箱ひげ図、折れ線グラフといったものを作って、データをグラフにしてみると、良い現状把握になります。

これよりもデータが大きくなると、データサイエンスのいろいろな技が役立ちます。

行数が非常に多い時は、時間的な変化の仕方を見るために、普通に折れ線グラフを作ると、ごちゃごちゃしているだけでよくわからないグラフになったり、 PCの処理が非常に遅くなることがあります。

また、列数が多い時に、ひとつひとつの列を見ていくのは大変です。

「データサイエンス」と言えるかはわかりませんが、データ全体の可視化ができるグラフがあります。このサイトでは、 Excelによるデータ全体の可視化、 Rによるデータ全体の可視化、 Pythonによるデータ全体の可視化というページで具体的な方法を紹介しています。また、 R-EDA1 では、様々なグラフがGUIで簡単で作れるようになっています。層別のグラフも簡単に作れます。
R-EDA1

まず、サンプリングを使ったり、メタ知識や特徴量エンジニアリングの技を駆使して、データの量を減らします。

こうすると、重要な情報があぶり出されて来ることがあります。

上記の方法は、広い意味での、時系列解析です。データが時間の順に並んでいたり、日時のデータが入っていたりして、時間的な変化を把握することが重要な場合に役に立ちます。

時間的な変化を把握することは、重要ではない時には、サンプルの類似度の分析や、多対多の分析が役に立つことがあります。