なぜ予測のうまい人は、まず物事を分類するのか

予測が外れるのは、情報が足りないからではない

私たちは予測が外れると、つい「もっと情報があれば当たったはずだ」と考えます。けれど、実際には逆です。予測が外れる大きな理由は、情報の量よりも、情報の型を取り違えていることにあります。

たとえば「この部署で離職率が高いのはなぜか」と考えるとき、年齢、勤続年数、部署名、満足度、残業時間、評価ランクは、すべて同じように扱えるわけではありません。部署名はラベルであり、満足度は順序を持ち、残業時間は比率の意味を持つ数値です。ここを混同すると、どれだけ高度な分析をしても土台が崩れます。

同じことは未来の予測にも起こります。長期予測がうまい人は、たくさん知っている人ではなく、何をどういう粒度で扱うべきかを知っている人です。ここで効いてくるのが、データの分類と、思考のスタイルです。前者は「ものごとを正しく測るための文法」、後者は「不確実さのなかで仮説を更新するための姿勢」です。

この二つは別々の話に見えて、実は同じ問題を違う角度から見ています。世界を理解するとは、ただ事実を集めることではありません。事実を、比較可能で、検証可能で、更新可能なかたちに変換することなのです。

---

データの分類は、世界の見方を決めてしまう

データには、ざっくり言えば 質的データ と 量的データ があります。名前、性別、血液型、国籍のようなものはラベルの世界に属します。一方で、身長、体重、居住期間、温度のようなものは数の世界に属します。

ここで重要なのは、単に「文字か数字か」ではありません。そのデータが何を意味し、何が比較でき、何ができないのかが違うのです。たとえば「男性」「女性」は名義尺度で、順番はありません。A型がB型より大きい、というような意味はありません。逆に「良い」「普通」「悪い」は順序尺度で、並びはあるが、差の大きさまでは保証されません。

量的データにも、性質の違いがあります。温度は間隔尺度であり、0度は絶対的な無無ではありません。だから20度は10度の2倍暖かいとは言えません。身長や体重は比例尺度で、0が意味を持ち、比率も意味を持ちます。ここを誤ると、見かけ上は正しくても、解釈は致命的にずれます。

この分類は、統計の教科書に載っているだけの知識ではありません。むしろ、現実をどう切り分けるかという認識論です。たとえば売上データがあるとして、商品カテゴリは質的データ、販売個数は離散の量的データ、売上金額は比例尺度の量的データです。これらを同じように平均化してしまうと、分析は一見整って見えても、実際には何も語っていないことがあります。

予測の質は、使うアルゴリズムの前に、どの変数をどの種類のものとして扱うかで半分決まる。

つまり、分類とは単なる前処理ではなく、思考の出発点です。世界を分類できない人は、世界を比較できません。比較できないものは、改善もできません。

---

ハリネズミは強いが、予測には弱い

ここで、思考のスタイルの話がつながります。人には、大きな一つのアイデアで世界を説明したがる「ハリネズミ」と、多くの小さなアイデアを使い分ける「キツネ」がいる、という有名な見方があります。長期予測に強いのは、しばしばキツネです。

なぜか。ハリネズミは、世界を強い一本の軸で見ようとします。たとえば「人は結局、経済的インセンティブで動く」「企業は最終的に規模の経済で勝つ」「歴史は○○で説明できる」といった大きな物語です。こうした見方はわかりやすく、説得力があります。だが、予測という用途では、世界の例外や条件分岐を落としやすい。

キツネは逆です。労働市場、制度、文化、技術、個人差、タイミングなど、複数の要因を同時に見ます。しかもそれらの要因は、いつも同じ強さでは作用しません。ある状況では部署文化が効き、別の状況では賃金が効く。ある局面では口コミが支配的で、別の局面では価格が支配的です。キツネの強みは、一つの説明を信仰するのではなく、変数の種類ごとに重みづけを変えられることにあります。

これは、データの種類を見分ける力と驚くほど似ています。ハリネズミは、すべてのデータに同じメガネをかけがちです。数字なら全部同じように平均を出し、カテゴリなら全部同じように比率を見る。しかし現実には、名義尺度には頻度、順序尺度には順位や分布、比例尺度には比率や変化率が適しています。つまりキツネ的な思考とは、現実の属性ごとに適切な測り方を変える知性なのです。

この意味で、予測のうまさは洞察力の高さだけでは測れません。むしろ、どれだけ自分の説明を壊せるかに近い。ハリネズミは説明を守る傾向があり、キツネは説明を更新する傾向がある。データの分類を誤らない人は、世界に対して自分の理論を押しつけない人でもあります。

---

質的データを数えると、世界は急に動き始める

ここで一つ、直感が変わるポイントがあります。質的データは「文字だから分析しにくい」と思われがちです。しかし実際には、数えれば量的データに変わるのです。

たとえば性別や血液型のような情報は、単体ではラベルにすぎません。ところが人数を数えれば、男性が何人、女性が何人、A型が何人、B型が何人という度数分布になります。さらに、性別と血液型を組み合わせて集計すれば、クロス集計表ができ、男性でA型は何人、女性でAB型は何人、という形でパターンが見えてきます。

ここに、予測の本質があります。未来を当てるとは、単発の事象を眺めることではなく、ラベルをパターンへ変換することです。人事データなら、「女性であるか」単体よりも、「女性かつ入社3年以内かつ特定部署か」の組み合わせのほうが離職に効くかもしれません。医療なら、血液型単体より、年齢、症状、既往歴、検査値の組み合わせが意味を持ちます。

クロス集計表は地味ですが、ここには重要な哲学があります。世界は、単独の属性ではなく、属性同士の交差点で動くことが多いのです。これはマーケティングでも同じです。年齢層だけ見ても、性別だけ見ても、購入率はぼやけます。年齢層と性別と購入カテゴリの交差を見たとき、初めて施策が立ちます。

データ分析の第一歩は、平均を出すことではない。何がラベルで、何が数量で、何が組み合わせで初めて意味を持つかを見極めることだ。

この視点を持つと、予測の失敗がなぜ起きるかもわかります。多くの失敗は、データが少ないからではなく、交差すべきものを交差させていないから起きます。単純な相関に飛びつく前に、どの変数が質的で、どの変数が量的で、どの組み合わせが現実の条件分岐を表しているのかを考える必要があります。

---

良い予測とは、世界を細かくしすぎず、粗くしすぎないこと

ここで見えてくるのは、予測のための実践的な原則です。良い予測は、世界を一つの巨大な物語に押し込めません。しかし同時に、すべてを無限に細分化もしません。必要なのは、意味のある粒度です。

たとえば「売上が上がるか」を考えるとき、店舗名は名義尺度として扱うべきです。店舗ごとの差を比較するなら、店舗名を単に平均化するのではなく、エリアや客層といった条件を組み合わせます。販売個数は離散量なので、件数として扱います。売上金額は比例尺度なので、倍率や成長率が意味を持ちます。ここで大事なのは、データの種類に応じて、問いの立て方を変えることです。

キツネ的な予測者は、問いを一段深くします。「売上は伸びるか」ではなく、「どのカテゴリで、どの客層に対して、どの時期に、どの手段が効くか」と問います。これは複雑さに溺れることではありません。むしろ、複雑さを適切に圧縮する技術です。

一方で、ハリネズミ的な予測者は、強い一つの軸を頼りにします。たとえば「価格を下げれば売れる」「SNSを強化すれば拡散する」といった単純な因果です。こうした発想は施策を速くしますが、条件の違いに弱い。価格に敏感な客層とそうでない客層、拡散しやすい商品とそうでない商品を同列に扱うと、施策は外れます。

このとき必要なのは、ハリネズミを捨てることではありません。大きな仮説は必要です。ただし、その仮説は、データの種類ごとに細かく検証されなければならない。大きな物語を持ちながら、細部で裏切られる覚悟を持つこと。これが予測における成熟です。

---

Key Takeaways

1. まず「何の種類のデータか」を見極める。 名義尺度、順序尺度、間隔尺度、比例尺度を区別するだけで、誤った平均化や比較をかなり防げます。

2. 質的データは、数えればパターンになる。 ラベルのまま眺めるのではなく、度数分布表やクロス集計表に変換すると、行動につながる示唆が出やすくなります。

3. 予測では、ハリネズミよりキツネを目指す。 一つの強い説明に頼るより、複数の要因を条件ごとに使い分けるほうが、長期的には当たりやすくなります。

4. 問いを変えるだけで、同じデータが別物に見える。 「誰が多いか」「何が組み合わさると増えるか」「どの尺度で比較できるか」を意識すると、分析の質が上がります。

5. 良い分析は、複雑さを増やすことではなく、意味のある粒度を選ぶこと。 細かすぎるモデルはノイズに弱く、粗すぎるモデルは現実を潰します。

---

予測がうまい人は、世界を「説明」する前に「整える」

私たちはしばしば、分析とは頭のよさの証明だと思っています。けれど実際には、分析とは世界を説明する前に、世界を比較可能な形に整える作業です。データの種類を見分けることは、その最も基本的な技術です。そしてキツネ的な思考は、その整え方を状況ごとに変える能力です。

ここに面白い逆説があります。大きな物語を持つ人ほど、世界をよく知っているように見えます。しかし予測においては、世界を知っていることより、世界の持つ違いを取りこぼさないことのほうが重要です。だから本当に賢い人は、断言する前に分類します。平均を出す前に尺度を確認します。単純化する前に、交差点を探します。

未来は、強い一言で言い当てられるものではありません。未来は、ラベルと数値と条件分岐のあいだに隠れています。だからこそ、予測の腕前とは、派手な洞察ではなく、どれだけ丁寧に世界を分解できるかで決まるのです。

次に何かを予測するときは、まずこう問い直してみてください。これはラベルか、順序か、比率か。単体で見るべきか、交差させるべきか。大きな物語で押し切るべきか、それとも小さな要因を組み合わせるべきか。

その問いを持てる人だけが、データを見ているようでいて、実は世界の動き方そのものを見ています。