情報が足りない中でのデータ分析の難しさ－若手体験記－

1)の課題の理解は、何を目標にどのような方針で分析を行うのかということを分析者として正しく把握することを意味しますが、コンペティションでは通常予め整理され与えられます。今回の課題は気象データから野菜の価格を予測することです。続いて2)ですが、正しくデータを把握するために、テーマに関連するドメイン知識（分析対象に関する業務知識のこと。今回であれば畑作農業における知識）を収集し、理解しながらデータ把握を進めます。このデータ把握が適切に行えれば、3)での仮説設定はより適切なものとなり、結果として精度のよい機械学習モデル（AIモデル）を作成することができます。

野菜の価格は収穫量とその時の需要、社会情勢、物価動向などの要因が重なり決まると想定されますが、まずは、気象データから野菜の価格を予測していきます。気象データと価格の関係は、気象情報→収穫量（供給量）→価格と繋がっていると予想できます。この繋がりをデータの中から見つけていくことが課題となります。

一般に、何かしらの価格が決まる際には需要と供給のバランスが関係します。しかし、今回野菜の需要量などのデータは与えられていないので、供給側のデータのみから予測する必要がありました。価格の変動を、果たして供給側のデータのみで予測できるかはチャレンジでした。

先ほど確認したように、野菜の価格には、野菜の収穫量が関係することは容易に想像できます。野菜の収穫量には当然天気が影響しているはずです。手元のデータはどのような構造で、目的に対し何に着目する必要があるかを抽出することが、最初の目標です。

手元には、日々の気象データがありますが、一方で野菜の収穫を考えると、種まきから収穫までの長期間の気象により収穫量が左右されると考えます。そこで、野菜の収穫までのスケジュールを調べていきます。例えば、にんじんでは種まきから収穫までに約3か月かかりますが、きゅうりはもっと長くなります。つまり野菜ごとにデータのまとめかたやモデルの作り方が変わることがわかります。今回の場合は予測したい日付から遡り3か月、6か月、9か月の気象データの平均などをとり価格との関係を分析してみました。実際に今回のコンペティションでも、にんじんの価格は過去3か月間の気象との関係が強いが、きゅうりは6か月や9か月間の気象との関わりが強いことが確認できました。

さらに、気象情報には、気温の他に、降水量や日照条件などがあります。野菜の種類によって、生育期の寒暖差が重要だったり、降水量が効いてきたり、収穫量に影響を与える気象情報は異なると考えられます。これらの違いは、野菜ごとの価格を予測する際に、重視すべき気象情報が違う可能性があることを意味します。この観点でデータを分析し、野菜ごとに価格の予測モデルを立てる際に、気温を使う、降水量は使わないなどの条件を決めます。

このようにデータ分析では、手元のデータのみを見るのではなく、調査したドメイン知識とデータの傾向を照らし合わせながら、仮説をたて分析シナリオを決めていく必要があります。