AI・PMOの進化
適合率
Classification Precision
読み：てきごうりつ
陽性と予測したデータのうち、実際にも陽性だった割合を表す分類指標です。
01初心者向け
まず意味をつかむ
AIが「要注意」と挙げた案件の中に、本当の要注意案件がどれくらいあるかを見ます。確認担当者が不要な警報へ費やす手間を考える際に役立ちます。
02実務者向け
仕事でどう使うか
真陽性を、真陽性と偽陽性の合計で割ります。陽性の定義と閾値を明示し、再現率、警報件数、確認可能な担当者数を合わせて比較します。
03専門家向け
判断を一段深める
陽性が少ない現場では、同じ識別能力でも適合率が下がり得ます。評価データの有病率に当たる構成比を確認し、予測陽性が0件の場合の計算規則も定めます。
IN PRACTICE
具体例で考える
架空の遅延警報20件中、実際に遅延したものが15件なら適合率は15÷20で75％です。
理解を助けるための架空の例です。警報20件
正しかった15件
適合率75％
分母は予測で陽性とした件数です。
ここは誤解しやすい
警報に挙がらなかった遅延を何件見逃したかは、適合率だけでは分かりません。
PROXIA INSIGHTS
考え方を、実務へつなぐ
AIを「使う」から、PMの判断に「活かす」へ ↗この知識を、組織の力へ。