処方的分析
分析結果を意思決定につなげてください。先行する分析結果かデータファイルを添付し、選択肢・目標・制約(費用・予算・人員)を伝えます。選択肢ごとに根拠(実験・因果推定・予測・仮定)の等級を付け、期待純便益で選択肢を比べるか限られた資源の最適な配分を求め、不確実性をシミュレーションして推奨が最良である確率とリスクを示し、どの入力が決定を覆すかをまとめたレポートとシナリオ表をください。
処方的分析: データを分析しています
分析結果やデータと一緒に、選択肢・目標・制約を教えてください。根拠の等級を付け、選択肢ごとの期待純便益とリスクを計算して、最良の選択とその判断が揺らぐ条件を含む意思決定レポートとシナリオ表をお届けします。
こんな方に
- A/B テストや条件比較の後、何をリリース・採用するか決める必要があるプロダクト・UX リサーチャー
- 介入プログラムを誰に、どの強さで提供するか決める必要がある教育・保健の研究者
- 限られた予算・人員を複数の事業・集団に配分する必要がある研究責任者
- 実験結果を政策提言につなげる必要がある政策研究者
受け取る結果
2つの結果を受け取ります。レポートには推奨とその根拠・リスクが、シナリオ表にはすべての数値が入ります。
- 意思決定レポート 推奨とその根拠・リスク · ひと目で、決定問題(選択肢・目標・制約)、根拠と等級、期待される結果(純便益・最適配分・対象選定)、不確実性(最良である確率・期待損失)、決定を変える条件(損益分岐点・トルネード)、解釈と限界、入力の仮定、決めるべきこと · MD(PDF·PNG 変換エージェントで共有用 PDF)
- シナリオ表 レポートのすべての数値 · シート: Options · Allocation · Simulation · Sensitivity · Assumptions · XLSX
レポートで確認できる項目
推奨ごとに根拠等級(A 無作為化実験 · B 因果推定 · C 予測・相関 · D 仮定)が付きます。最適化・シミュレーションのコードは段階ごとにコードボックスとして残ります。
- 根拠等級 選択肢ごとに根拠が実験・因果推定・予測・仮定のどれか、C 以下は「探索的な推奨」と小規模での確認を推奨
- 決定 選択肢の比較(期待純便益)、線形・整数最適化による配分と公平性の代替案、予測リスク順の対象選定
- 不確実性 効果の不確実性のシミュレーション: 最良である確率、外れたときの期待損失、純便益の分布
- 覆す条件 入力ごとの損益分岐点、トルネード感度(Expert)、依頼・ファイルで確認した入力数値の表
このように依頼してください
{選択肢}の中から{目標}を最も高める選択を決めて。制約は{予算・人員・基準}です。 — 下線の部分を自分の状況に合わせて書き換えて送ってください。
- 選択肢: 実験条件・集団・事業など選ぶ対象です。空欄ならデータの条件の列から決め、仮定として示します。
- 目標と制約: 結果1単位の価値、選択肢ごとの費用、予算・人員を書けば純便益で比較します。なければ効果だけで比較し、費用は別に示します。
一緒にあるとよいもの
- 先行する分析結果(Inferential Statistics・Causal Analysis・Predictive Modeling の結果表) 効果と不確実性をそのまま入力に使い、根拠等級もここで決まります
- 費用・価値の情報 選択肢ごとの費用と結果1単位の価値で純便益を計算します
- 必ず守るべき条件 最低配分・公平性などの制約を最適化に入れます
こんな依頼もできます
- 添付の A/B 結果から B 案をリリースするか決めて。リリース費用は月300万ウォンです。 → 期待純便益、B の方が良い確率、期待損失、損益分岐の費用
- 4校にチューター50人をどう配置すれば成績向上が最大になる? 1校あたり最大20人です。 → 学校ごとの効果を入力とした整数最適化の配置、公平性の代替案とその費用
- 離脱予測モデルの結果から誰にクーポンを配るか決めて。予算200万ウォン、1人1万ウォンです。 → 予測リスク × 介入効果(仮定を明示)順の対象、無作為選定との予防件数の比較、根拠等級の警告
マイ指示
必要な項目だけ選んで設定してください。設定しない項目は既定値で進めます。 レポートの1ページ目に、反映した指示と仮定したことを示します。
- 決定の基準 (決め方) 選択肢を比べる基準 · 例: 期待利得最大 · 最悪の場合の損失最小 · 既定値: 期待純便益最大、損失リスクも表示
- リスクへの態度 (決め方) 不確実性をどれだけ避けるか · 例: 保守的(下位10%基準) · 既定値: 中立(期待値)、保守的基準の結果も表示(Expert)
- シミュレーション (決め方) 不確実性を反映する回数 · 例: 1万回 · オフ · 既定値: 1万回(Proから)
- 根拠の下限 (制限) 推奨に必要な最低の根拠等級 · 例: 無作為化実験のみ · 既定値: 制限なしで等級を表示、C 以下は「探索的な推奨」
- 公平性の制約 (制限) 集団間の公平性の条件 · 例: 各集団に最低20%を配分 · 既定値: なし、配分のない対象があれば公平性の代替案も表示(Expert)
- レポートの言語 (報告の仕方) 作成する言語 · 例: 英語で作成 · 既定値: 依頼の言語
この方法で進めます
モデルは決定問題(選択肢・目標・制約)を決め、根拠等級・最適化・シミュレーション・損益分岐点はコードが規則どおりに行います。モデルが書いた数値はコードが依頼と添付ファイルから探し直し、確認できたかを表示します。
- データ確認 すること: 先行する結果表(根拠リスト E1…)、レポートの文章、データ表を読む · 設定できること: —
- 決定問題の定義 すること: 選択・配分・対象選定の種類、選択肢・効果・費用・価値・制約 · 設定できること: 決定の基準、公平性の制約 · 確認すること: 目標と制約
- 根拠等級 すること: A 無作為化実験 · B 因果推定 · C 予測・相関・無作為でない比較 · D 仮定(不確実性がなければ ±50%) · 設定できること: 根拠の下限 · 確認すること: 等級
- 価値モデル すること: 純便益 = 規模 × 単位価値 × 効果 − 追加費用 · 設定できること: — · 確認すること: 費用・価値の仮定
- 決定と最適化 すること: 選択肢の比較、線形・整数最適化の配分と公平性の代替案、リスク順の対象選定 · 設定できること: —
- 不確実性のシミュレーション すること: 効果を1万回抽出し、最良である確率・期待損失・結果の分布 · 設定できること: シミュレーション、リスクへの態度
- 感度 すること: 入力ごとの損益分岐点、トルネード(Expert) · 設定できること: — · 確認すること: 結論を覆す条件
- レポート作成 すること: 推奨 → 根拠 → 結果 → 不確実性 → 覆す条件の順にまとめる · 設定できること: レポートの言語 · 確認すること: 決めるべきこと
レベル別の違い
照合
教科書の線形計画の例(3x + 5y を最大化、制約 x ≤ 4 · 2y ≤ 12 · 3x + 2y ≤ 18)で最適解 x = 2、y = 6、目標値36をそのまま得ます。4校へのチューター配置は手で解いた整数解(84)と同じで、公平性の代替案(各校10%以上)は80です。サンプルデータ(オンボーディング A/B/C 無作為化実験 12,230人)で C が最良である確率78%は正規近似の計算と一致し、単位価値の損益分岐点886ウォンも手計算と一致します。シミュレーションはシードを固定しており、再実行しても同じ値になります。
この方法について
- なぜ根拠等級を付けるのか 「何をすれば結果が良くなるか」は因果の問いです。予測モデルは誰が離脱しそうかを教えてくれますが、クーポンを配れば離脱が減るかは教えてくれません。そのため推奨ごとに根拠が実験か、観察データの因果推定か、予測だけかを示し、根拠の弱い推奨には「小さく試して確認」を併せて勧めます。
- なぜ「最良である確率」を示すのか 平均的に良い選択でも、効果の推定が不確かなら実際には悪いことがあります。不確実性をシミュレーションすると、「この選択が最良である確率」と「外れたときに失う量」を一緒に見られます。
よくある質問
- 研究者が自分で判断すべき部分は何ですか?
- 目標と制約、費用・価値の仮定が正しいか確認してください。結論はこれらの仮定に左右されます。レポートの入力の仮定の表で、依頼・ファイルで確認できなかった数値をまず見てください。根拠等級が C 以下の推奨は小規模に試して確認してから使ってください。人に影響する配分は、公平性と倫理を研究者と機関が判断する必要があります。
- データだけをアップロードしてもいいですか?
- はい。条件の列と結果の列があれば、まず条件ごとの効果を推定します。無作為割り付けでなければ根拠等級は C に下がります。正確な推定が必要なら、先に Inferential Statistics や Causal Analysis を使ってください。
- どこまでの決定問題を扱いますか?
- 選択肢の比較、線形・整数の配分、予測リスク順の対象選定までです。効果は配分量に比例するとみなし、時間とともに続く決定(動的計画)は最初の範囲外です。