AI・PMOの進化
CRISP-DM
Cross-Industry Standard Process for Data Mining
読み：くりすぷでぃーえむ
業務理解からデータの理解・準備、モデル化、評価、展開までを整理したデータ分析の工程モデルです。
01初心者向け
まず意味をつかむ
データを分析する前に、どの業務課題を解くかを決めます。使えるデータを調べ、結果が目的に合うかを確認して、実際の仕事に使える形へ進めます。
02実務者向け
仕事でどう使うか
PMは業務側と分析側が共有できる成果と判定条件を置きます。欠損が多い場合や、結果が業務判断に使えない場合には、準備や目的の確認に戻る余地を確保します。
03専門家向け
判断を一段深める
段階の並びは作業を一度ずつ進める厳密な工程表ではありません。何を学んで前工程に戻るかを示すと、探索の反復とスコープ変更を区別できます。
別名・略語：Cross-Industry Standard Process for Data Mining
IN PRACTICE
具体例で考える
架空の離脱予測案件で、利用時点では取得できない項目が見つかり、データ準備と評価条件を組み直して試作を続けます。
理解を助けるための架空の例です。目的と利用場面の理解
データ準備とモデル化
評価して展開
理解不足が分かったら必要な段階に戻ります。
ここは誤解しやすい
モデル化を完了とみなすと、結果を誰がどの業務で使うかの検討が抜けやすくなります。
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。