なぜAIの「正解」は現場で使われないのか？インタラクティブな分析ツールを商圏分析を例に考える

こんにちは！サービスイノベーション部の山本優汰です。普段は社内におけるデータ・AI活用の促進を目標に、データ分析やAIエージェントの開発に取り組んでいます。

多くのデータサイエンティストが直面する普遍的な問題の一つに、「AIや分析ツールを導入しても、現場の業務特性とうまく噛み合わず、結局使われないまま終わってしまう」というものがあるかと思います。

分析結果としての「正解」をただ渡すだけでは、現場の複雑な現実と乖離してしまうことがあります。そこで、現場の方々が自ら条件を動かして検討できるインタラクティブな環境を提供することが、解決策の一つとなるのではないかと考えました。結果を一方的に出力するのではなく、シミュレーターを作成し、それを触りながら施策検討の材料にしてもらうというアプローチです（これは昨今のLLMツールの対話的な利便性にも通じる話ですね）。

今回は、多くのビジネスで課題となる「商圏分析」をケーススタディとして、現場に導入してもらいやすいツールのあり方と、その裏側のロジックとして適用の余地があると考えている統計的手法についてご紹介します。

もちろん、今回取り上げる手法が全ての課題に対する正解ではなく、取得可能なデータのカラムやデータ分布によっては適合しない可能性があります。そのため本記事では、実運用で完全にワークすることが実証された手法の解説としてではなく、もしこの手法を適用したらどのようなメリットが生まれうるかの検討としてお読みいただければと思います。

現場にAIや分析ツールを導入しようとされているデータサイエンティストの方々や、商圏分析に取り組まれている方々の参考になれば幸いです。

1. ケーススタディ：商圏分析

商圏分析のゴールの一つとして、全店舗の総売上を最大化する最適な配置を見つけることが挙げられます。

どのエリアに新規出店すべきか？
既存店をどこへ移転させるべきか？

一般的に、単に売上を最大化する配置を計算するだけであれば、数理最適化ソルバーを用いて解くことが可能です。しかし、現実には複雑な地理的条件やビジネス上の制約が伴います。これらすべてを厳密に定式化することは容易ではなく、計算上は最適でも現実には実現不可能な配置が出力されてしまうケースも少なくありません。

そこで有効なのが、先ほど触れたシミュレーターのアプローチです。厳密な最適化を目指すのではなく、現場の担当者がUI上で店舗を動かしたり新規出店させたりして、店舗の移転や新規出店によって総売上がどう変化するかをシミュレーションできる環境を作ります。これならば、複雑な数理最適化の知識がなくても、人間が現実的な制約を加味しながら、探索的に良い配置を見つけ出すことが可能になります。

2. シミュレーションに必要なポテンシャル関数

このシミュレーターを実現するために必要となるのが、ある地点にある条件で出店した際に最大でどれだけの売上が見込めるか（ポテンシャル）を算出する仕組みです。

具体的には、以下のような特徴量を入力とするモデルを構築するとします。

地理的要因: 緯度、経度、駅からの距離、周辺人口
店舗スペック: 店舗の広さ（坪数）、階数
運営要因: 在庫数、カウンター数、新商品の取扱有無

これらの変数を入力し、その条件下での理論上の最大売上（ポテンシャル）を出力する関数を作成します。この関数があれば、例えば「店舗Aを緯度経度 $(X, Y)$ に移動させ、在庫を $Z$ 個に増やした場合」のポテンシャル変動を計算でき、全体のパフォーマンスが最大化される配置を導き出せるようになります。

しかし、通常の回帰分析では平均的な売上しか算出できず、その場所や条件が持つ真の可能性を過小評価してしまう可能性があります。

そこで、この課題へのアプローチとして有効ではないかと考えている統計的手法の一つ、確率的フロンティア分析（Stochastic Frontier Analysis: SFA）を紹介します。

3. 確率的フロンティア分析 (SFA) の数理と仕組み

SFAは計量経済学の分野で発展した手法で、投入要素（店舗面積や在庫など）に対して、最も効率的に運営された場合に達成可能な最大産出量（フロンティア）を推定するものです。

SFAのモデル構造と式変形

通常の回帰分析（OLS）がデータの中心（平均）を通る線を引くのに対し、SFAはデータの上端（フロンティア）を推定します。

ここでは、最も基本的なコブ・ダグラス型生産関数を仮定し、対数線形モデルに変形するプロセスを考えます。

店舗 $i$ の売上（産出量）を $Y_i$ 、説明変数ベクトル（面積、在庫など）を $x_i$ とすると、生産関数は以下のように表されます。

$Y_i = A x_i^{\beta} \exp(\epsilon_i)$

この両辺の自然対数をとると、以下の線形モデルが得られます。

$\ln Y_i = \beta_0 + \sum_j \beta_j \ln x_{ij} + \epsilon_i$

ここで重要なのが、誤差項 $\epsilon_i$ の扱いです。SFAでは、誤差項を「制御不能なノイズ」と「非効率性」の2つに分解して考えます。

$\epsilon_i = v_i - u_i$

したがって、推定するモデル式は以下のようになります。

$\ln Y_i = \beta_0 + \sum_j \beta_j \ln x_{ij} + v_i - u_i$

各項の定義は以下の通りです。

$\beta_0 + \sum \beta_j \ln x_{ij}$ （フロンティア）: その店舗条件で達成可能な「理論上の最大売上（対数）」。
$v_i$ （統計的ノイズ）: 観測誤差、天候、景気変動など、店舗側では制御できないランダムな誤差。一般に、平均0の正規分布に従うと仮定します。 $v_i \sim N(0, \sigma_{v}^{2})$
$u_i$ （非効率性項）: 理論上の最大値からのマイナスの乖離。在庫欠品、オペレーションの不手際など、内部努力で改善可能な要因です。これは常にフロンティアより下振れするため、非負の値をとります。一般に、半正規分布（Half-Normal Distribution）に従うと仮定します。 $u_i \sim N^{+}(0, \sigma_{u}^{2})$

パラメータ推定と効率性の算出

このモデルのパラメータ（ $\beta, \sigma_v, \sigma_u$ ）は、最尤法（Maximum Likelihood Estimation: MLE）を用いて推定します。

観測されたデータ全体のもっともらしさ（尤度）を最大化するようにフロンティア曲線を引いた後、JLMS推定量などの手法を用いて、各店舗ごとの条件付き期待値 $E[u_i | \epsilon_i$ ] を計算します。これにより、各店舗の非効率性 $u_i$ を個別に特定することが可能になります。

つまり、SFAは単に直線を引くのではなく、運（ $v$ ）と運営上の非効率（ $u$ ）を確率分布の違いを利用して分離し、ポテンシャルをあぶり出すアプローチです。

4. 分析の評価方法と活用

算出したポテンシャルは、正解の値が観測できないため、二乗誤差のような一般的な指標では評価できません。よって、パラメータの妥当性を評価する指標（1）と、今後のアクションを検討するための指標（2）を用います。これらは、提案手法が実際にワークするかを確認するための必要なステップとなります。

（1）モデルの妥当性評価

Gamma ( $\gamma$ ) 値: 全体の誤差分散 $V_\text{total} = V_v + V_u$ のうち、非効率性の分散 $V_u$ が占める割合を示します。（※ここで $V$ は分散を表します） $\gamma = \frac{V_u}{V_v + V_u}$ 　この値が $1$ に近いほど、売上のバラつきは運ではなく店舗ごとの実力差（改善余地）によるものであることを示唆しており、SFAの適用が有効であると判断できます。（逆に値が小さい場合は、SFAの前提が成立していない可能性があるため、他の方法を検討すべきです）。
尤度比検定 (LR Test): 通常の回帰分析（OLS）と比較して、SFAモデルの方が統計的に有意に優れているかを検定します。p値が0.05未満であれば、単純な予測モデルよりもSFAを採用する根拠となります。

（2）要因の弾力性分析（アクションへの示唆）

数式中の $\beta$ （係数）を見ることで、どの要素を変えればポテンシャルが向上するかを知ることができます。対数線形モデルを採用しているため、係数は弾力性（Elasticity）として解釈可能です。

係数がプラスの要因: （例：在庫数、窓口面積）これを1%増やすと、ポテンシャルが何%伸びるかを示します。係数が大きい項目ほど、投資対効果が高いと考えられます。
係数がマイナスの要因: （例：最寄駅からの分数）この値が小さいほど良いことを示します。ここが大きくマイナスに寄与している場合、その値がポテンシャルのボトルネックになっていることを意味します。