ITパスポート 令和5年度 問6：business_strategyに関する問題

答えは c「主成分分析」 です。

たくさんの項目（天気・場所・お客さんの動き…）があると、ごちゃごちゃで説明しづらいですよね。主成分分析は、似たような項目をうまくまとめて、少ない数の“代表の物差し”に縮めるやり方です。たくさんの食材を「甘い・しょっぱい」の2軸で整理するイメージ。

👉 覚え方：主成分分析＝たくさんの項目を“少数にギュッと”まとめる。

ほかの選択肢：a ABC分析＝売れ筋を上位から順に重点管理／b クラスター分析＝似たもの同士をグループ分け／d 相関分析＝2つの数の“関係の強さ”を調べる。

なぜこれが正解か

正解は c 主成分分析。多数の項目（変数）から成るデータを、情報の損失を抑えつつ少数の合成変数（主成分）に集約する手法。問題文の「説明に使うパラメータをできるだけ少数に絞りたい」＝次元削減のニーズにそのまま合致する。

各選択肢の解説

• a ABC分析：在庫や売上を重要度順にA・B・Cにランク分けして重点管理する手法（パレートの法則）。次元削減ではない。
• b クラスター分析：データを似た特徴ごとにグループ（クラスター）へ分類する手法。対象の分類が目的。
• c 主成分分析：多変数を少数の主成分へ要約。次元削減の代表手法で正解。
• d 相関分析：2変数間の関係の強さ（相関係数）を調べる手法。変数を減らすものではない。

覚え方・ひっかけ注意

キーワード「項目（変数）を少数に絞る＝次元削減＝主成分分析」。クラスター分析（b）は“データを分類する”、主成分分析は“変数をまとめる”——何を減らすか（行＝対象 か 列＝変数 か）で区別する。相関分析は2変数の関係を見るだけで集約はしない点に注意。

理論的背景

主成分分析（PCA：Principal Component Analysis）は、1901年にカール・ピアソン（Karl Pearson）が考案した多変量解析の中核技法の一つだ。相関のある多数の変数（本問では「顧客の行動・天候・販売店ロケーション等」）を、互いに無相関な少数の合成変数（主成分）に線形変換することで、情報の損失を最小化しつつ次元を削減する。数学的には分散共分散行列（または標準化された相関行列）の固有値分解として定式化される。データの分散が最大になる方向（データのばらつきを最もよく説明する軸）を第1主成分として抽出し、それと直交しつつ分散が次に大きい方向を第2主成分…と順に取る。累積寄与率（第k主成分までで説明できる分散の割合）を基準に採用する主成分数を決め、一般的に80%を目安として設定する。

実務での使われ方

機械学習の前処理としてのPCAは特に重要で、「次元の呪い」（特徴量が増えると必要サンプル数が指数的に増加し、モデルが過学習しやすくなる問題）への対処として使われる。本問のような「多数のパラメータで販売数量を説明する回帰分析」では、説明変数間の多重共線性（互いに相関する変数が回帰係数の推定を不安定にする問題）を解消するために、主成分得点を回帰変数として使う「主成分回帰」が有効だ。マーケティング分析では「顧客を特徴づける20の変数を3〜4の主成分に要約し、顧客セグメントを可視化する」用途、品質管理では「30の測定項目を5の主成分にまとめて工程の変動要因を特定する」用途が代表的だ。

試験での位置づけ

ITパスポートのストラテジ系（データ分析・AI活用）で、各種分析手法の役割識別は近年出題が増えている重要テーマだ。「パラメータを少数に絞りたい」＝次元削減＝主成分分析という対応を確実に覚え、類似問題に備えて他手法との区別を整理しておく必要がある。基本情報技術者・応用情報技術者ではAI・機械学習の文脈でPCAが教師なし学習の前処理技術として出題されることがある。統計分析の各手法を「何の数を減らすか」「教師あり/なし」「目的」で整理する習慣が得点安定につながる。

選択肢の発展補足

選択肢a（ABC分析）：在庫管理・売上分析等でパレートの法則（80:20の法則）を適用し、対象をA（重要上位20%・売上の80%）・B（中位）・C（下位）に分類して重点管理する手法。変数（列）を減らすのではなく、対象（行）を重要度で分類する用途だ。本問とは目的が全く異なる。選択肢b（クラスター分析）：データをその類似度・距離に基づいて複数のグループ（クラスター）に分類する教師なし学習の手法。対象（行：観測値）のグループ分けが目的で、変数の次元削減が目的の主成分分析とは「何を集約するか」が異なる。k-means法・階層的クラスタリングが代表的なアルゴリズムで、顧客セグメンテーション・文書分類・生物の系統分類に使われる。選択肢d（相関分析）：2つの変数の間の関係の強さと方向を相関係数（−1〜+1）で数量化する手法。変数の数を減らすのではなく、変数間の関係を把握することが目的だ。相関係数が高い変数ペアを見つけることで「冗長な変数」の候補を特定する前段階としては使えるが、実際に次元を削減するのは主成分分析や因子分析の役割だ。