想定問題.com

分野 A｜データ分析・利活用 重点分野

データマイニングと機械学習

シラバス案（Ver.0.1）にある項目です。問われるとしたら、データマイニング、テキストマイニング、リフト値、機械学習、データドリブンマーケティングの区別を、組合せ・表・文から選ぶ形です。

シラバス案 Ver.0.1（2026年8月31日公表）の『2-9-2 データ分析・データ利活用／データの加工・分析』

最終更新

よく出る形

  • 問われるとしたら：データマイニング・テキストマイニング・リフト値の説明を、a〜c から選ぶ組合せの形
  • 問われるとしたら：機械学習を用いたデータ分析の進め方を、事例の文から選ぶ形
  • 問われるとしたら：購入記録の集計表から、リフト値が最も大きい組合せを選ぶ形
  • 問われるとしたら：データドリブンマーケティングの説明のうち、不適切な物を選ぶ形

覚えること

  • データマイニング：大量のデータから、傾向や規則性を見つける分析手法の総称
  • データマイニングの例：同時に買われやすい商品の組合せを見つける分析
  • テキストマイニング：文章を単語に分け、多く使われる言葉や言葉のつながりを調べる分析
  • リフト値：両方が買われる割合 ÷（Xが買われる割合 × Yが買われる割合）
  • リフト値の読み方：1より大きいと偶然より一緒に買われやすく、1より小さいと買われにくい
  • リフト値と件数：両方が買われた件数が多くても、リフト値が大きいとは限らない
  • 機械学習を用いたデータ分析：過去のデータからパターンを学び、新しいデータに当てはめて識別や予測をする
  • 機械学習の学習用データ：量や質が不十分だと、予測の正しさが下がる
  • データドリブンマーケティング：購買履歴などのデータの分析結果を根拠に、施策を決める進め方
  • 施策の改善：施策の結果もデータで確かめ、次の施策に生かす

数字と計算

  • 例：購入記録 500 件で、X が 100 件、Y が 50 件、両方が 25 件
  • 割合は X が 0.2、Y が 0.1、両方が 0.05。リフト値は 0.05÷(0.2×0.1)＝2.5

ひっかけ

  • リフト値は「両方が買われた件数」ではない。割合を、それぞれの割合の積と比べる
  • 機械学習は「データを与えれば常に正確」ではない。学習用データの質と量で決まる
  • データドリブンは「データを説明に使う」ことではない。施策を決める根拠にする

想定問題

4問（科目A（四肢択一））。選ぶと、その場で正解と解説が開きます。

想定問題 1科目A（四肢択一）

A社は、お客様の声や購入記録を分析して、サービスの改善に生かそうとしている。分析の手法について、次の a〜c の説明がある。

分析の手法の説明として、適切なものだけを全て挙げたものはどれか。

  • a お客様アンケートの自由記述を単語に分け、多く使われる言葉や言葉のつながりを調べるのは、テキストマイニングである。
  • b 大量の購入記録から、同時に買われやすい商品の組合せなどの傾向を見つけるのは、データマイニングの一つである。
  • c リフト値が1より小さい商品の組合せは、偶然より一緒に買われやすいので、まとめ売りの候補にする。

正解：ア a、b

ポイント

テキストマイニング、データマイニング、リフト値の説明を、a〜c それぞれ判定して選ぶ問題です。

考え方と解き方

テキストマイニングとデータマイニングは名前が似ていますが、対象とする素材が違います。リフト値は1を境に読み方が変わるので、1より大きいか小さいかを取りちがえやすくなります。

  1. a は、文章を単語に分けて、多く使われる言葉や言葉のつながりを調べるので、テキストマイニングの説明として適切です。
  2. b は、大量の購入記録から同時に買われやすい組合せなどの傾向を見つけるので、データマイニングの説明として適切です。
  3. c は、リフト値が1より小さいと一緒に買われにくいのに、一緒に買われやすいとしているので、不適切です。
  4. したがって、適切なのは a、b で、ア です。

ほかの選択肢

  • イ c は、リフト値が1より小さいと偶然より一緒に買われにくいので不適切です。適切な b も入っていません。
  • ウ b は適切ですが、同じく適切な a が入っていません。
  • エ a と b が適切なので、適切なものがないわけではありません。

覚えておくこと

  • データマイニング：大量のデータから、傾向や規則性を見つける分析手法の総称
  • テキストマイニング：文章を単語に分け、多く使われる言葉や言葉のつながりを調べる分析
  • リフト値の読み方：1より大きいと偶然より一緒に買われやすく、1より小さいと買われにくい

（テーマ・覚えること）

想定問題 2科目A（四肢択一）

A社は、解約した顧客と解約していない顧客の過去のデータを持っている。これを使って、新しい顧客が解約しそうかを予測したい。

機械学習を用いたデータ分析の進め方として、最も適切なものはどれか。

正解：エ 過去のデータからパターンを学ばせ、その結果を新しい顧客のデータに当てはめて予測する。

ポイント

機械学習を用いたデータ分析で、過去のデータをどう使って予測するかを事例から選ぶ問題です。

考え方と解き方

機械学習は、人が規則を書くのではなく、データから規則を見つけさせる方法です。過去の集計と似て見えますが、見つけた規則を新しいデータに当てはめて使う点が違います。

  1. 機械学習を用いたデータ分析は、入力されたデータからパターンやルールを見つけ、新しいデータに当てはめて、識別や予測をする方法です。
  2. この事例では、解約したかどうかが分かる過去のデータからパターンを学ばせ、新しい顧客のデータに当てはめて、解約しそうかを予測する進め方が合います。
  3. したがって、最も適切なのは エ です。

ほかの選択肢

  • ア 人が決めた規則だけで判定するのは、データから学ぶ進め方ではありません。
  • イ 学んだ結果を新しい顧客に当てはめないと、予測になりません。過去の集計だけの報告になります。
  • ウ 学習用データの量や質が足りないと、予測の正しさが下がります。関係しないとするのは不適切です。

覚えておくこと

  • 機械学習を用いたデータ分析：過去のデータからパターンを学び、新しいデータに当てはめて識別や予測をする
  • 機械学習の学習用データ：量や質が不十分だと、予測の正しさが下がる

（テーマ・覚えること）

想定問題 3科目A（四肢択一）

ある店の購入記録 1,000 件を集計した。商品の組合せごとに、それぞれの商品が含まれる件数と、両方が含まれる件数を表1 に示す。

表1 で、リフト値が最も大きい組合せとして、最も適切なものはどれか。

表1 購入記録の集計
組合せ1つ目の商品の件数2つ目の商品の件数両方の件数
P と Q20010030
R と S508020
T と U400250100
V と W30030060

正解：イ R と S

ポイント

購入記録の集計表から、組合せごとのリフト値を求めて比べる問題です。

考え方と解き方

リフト値は、両方が買われた件数の多さではなく、割合を、それぞれの割合の積と比べた値です。件数の多い組合せを選びがちなので、割合にして計算します。

  1. リフト値は、両方が買われる割合 ÷（1つ目が買われる割合 × 2つ目が買われる割合）です。購入記録は 1,000 件なので、件数を 1,000 で割って割合にします。
  2. P と Q は 0.03÷(0.2×0.1)＝1.5、R と S は 0.02÷(0.05×0.08)＝5.0、T と U は 0.1÷(0.4×0.25)＝1.0、V と W は 0.06÷(0.3×0.3)＝約0.67 です。
  3. リフト値が最も大きいのは R と S です。したがって、最も適切なのは イ です。

ほかの選択肢

  • ア P と Q のリフト値は 1.5 で、5.0 より小さい値です。
  • ウ T と U は両方の件数 100 が最も多いので選びがちですが、リフト値は 0.1÷(0.4×0.25)＝1.0 で、偶然と同じ値です。
  • エ V と W のリフト値は約0.67 で、1 より小さい値です。

覚えておくこと

  • リフト値：両方が買われる割合 ÷（Xが買われる割合 × Yが買われる割合）
  • リフト値と件数：両方が買われた件数が多くても、リフト値が大きいとは限らない

（テーマ・覚えること）

想定問題 4科目A（四肢択一）

データドリブンマーケティングの説明として、最も不適切なものはどれか。

正解：ウ 担当者の経験と勘で施策を決め、データは決めたあとの説明に使うだけにとどめる。

ポイント

データドリブンマーケティングの進め方について、不適切な説明を選ぶ問題です。

考え方と解き方

データを使っている形をしていても、データが施策を決める根拠になっているかが分かれ目です。決めたあとの説明にデータを使うだけでは、データドリブンとは言えません。

  1. データドリブンマーケティングは、購買履歴などのデータの分析結果を根拠に施策を決め、施策の結果もデータで確かめて次に生かす進め方です。
  2. ア は分析結果を根拠にすること、イ と エ は結果をデータで確かめて改善に生かすことで、どれも上の説明に合います。
  3. ウ は、経験と勘で施策を決めており、データが施策を決める根拠になっていません。
  4. したがって、最も不適切なのは ウ です。正しくは、データの分析結果を根拠にして施策を決めます。

ほかの選択肢

  • ア 分析結果を根拠に施策を決めるので、適切です。
  • イ 結果をデータで確かめて次の施策に生かすので、適切です。
  • エ 実施前と実施後のデータを比べて効果を調べるのは、結果をデータで確かめることなので、適切です。

覚えておくこと

  • データドリブンマーケティング：購買履歴などのデータの分析結果を根拠に、施策を決める進め方
  • 施策の改善：施策の結果もデータで確かめ、次の施策に生かす

（テーマ・覚えること）

1問ずつの画面で解く（4問）

前のテーマ次のテーマ：確率と代表値・ばらつき

同じ分野のテーマ（データ分析・利活用）