アナリティクス
 
クリックするだけで統計や機械学習のモデリング、仮説検定、クラスタリング、時系列予測、生存分析といった様々なアナリティクスのアルゴリズムを使うことができ、さらに自動で生成される一連のチャートにより、アルゴリズムが導き出したインサイトを直感的に理解していくことができます。
 
 
仮説検定
Exploratoryでは様々なタイプの仮説検定の手法がサポートされています。（例：t検定、分散分析、ウィルコクソン検定、クラスカル・ウォリス検定、カイ2乗検定、など）

効果量、検出力、P値、信頼区間といった一連の指標と自動で生成される可視化のチャートを使ってより深いインサイトを得ることができます。
 
 
 
 
複数のグループごとに仮説検定
例えば地域、部署といったグループごとにデータを分けた上で、仮説検定を全てのグループに対して一度に流すことができます。
 
 
 
 
検出力分析
検出力分析の機能を使って必要なサンプルサイズの計算が簡単にできます。
 
 
 
 
データ分析のための予測モデル
ExploratoryのシンプルなUIを使うことで、変数間の関係を理解し、モデルの性能を検証し、予測するために様々なタイプの統計や機械学習のモデルを簡単に作ることができます。
統計学習モデル
  • 線形回帰
  • ロジスティック回帰
  • GLM
  • コックス回帰
機械学習モデル
  • 決定木
  • ランダムフォレスト
  • XGBoost
  • ランダム・サバイバル・フォレスト
 
 
予測モデルの文法
どんなタイプの予測モデルでも、モデルからより多くのインサイトをより直感的に理解できるように、予測モデルの文法にもとづいた統一されたエクスペリエンスを提供します。
 
 
変数重要度
興味の対象となる変数を予測するために役立つ変数はどれなのか、他に比べてどれくらい役立つのかを発見できます。
 
 
 
 
予測影響度
それぞれの変数の値の変化が予測結果にどのように影響を与えるのかを調べることができます。
 
 
 
 
係数
係数、オッズ比、ハザード比といった統計モデルのパラメーターの値とその有意性を可視化することで直感的に理解できます。
 
 
 
 
複数のグループごとに複数のモデル
複数のグループに分けてそれぞれのグループごとにモデルを作ることが簡単にできます。いくつかのグループはモデルがフィットしやすいかもしれません。またはグループ間で異なるパターンが観察できるかもしれません。
 
 
 
 
診断 - 多重共線性
より正確な情報をモデルから得るためには予測モデルを診断する必要があります。Exploratoryではモデルを診断するための様々な方法が用意されています。
 
 
 
 
K-Means クラスタリング
興味の対象を類似性をもとに自動的に複数のグループに分けることができます。また自動で生成される可視化のチャートを使うことで、それぞれのグループの特徴や他のグループと比べた相違点などをすばやく理解することができます。
 
 
 
 
決定木
決定木のアルゴリズムを使ってデータの中に隠された複雑なルールを明らかにすることができます。
 
 
 
 
生存分析
あるイベントが起こるか起こらないかではなく、いつ起きるのかを知りたい時があります。そんな時はコックス回帰、ランダム・サバイバル・フォレスト、カプランマイヤーといった生存分析のアルゴリズムを使って直感的に答えていくことができます。
 
 
 
 
マーケットバスケット分析
マーケットバスケット分析のアルゴリズムを使って、どういった組合わのものがいっしょに買われるのか、またはいっしょに起きるのかを明らかにし、その関係性を可視化することで直感的に理解することができます。
 
 
 
 
時系列予測
業界最先端のProphetなどのアルゴリズムを使うことで、過去のデータから将来を予測するだけではなく、他の変数がその予測にどのように影響するのか、季節性がどんなやくわりをするのかといったことを簡単に理解することができます。
 
 
 
 
時系列データの異常値検知
異常値検知のアルゴリズムを使うと、時系列データのローカルとグローバルの両方のトレンドを考慮した上で、異常値を検出することができます。
 
 
 
 
主成分分析
主成分分析のアルゴリズムを使うと変数間の相関関係だけでなく、データの中にあるそれぞれのグループと変数との間にある関係も、直感的に理解できるようになります。