オプション取引方法

トレンド分析とは

トレンド分析とは
- 仮想世論によって可視化された将来のトレンド価値イメージ -

数値を集めただけではわからない
トレンドのつかみ方

日本ガバナンス・企業価値研究所の所長・経済アナリスト。iU 情報経営イノベーション大学客員教授。経営士。元経済産業省職員。早稲田大学ファイナンスMBA。立命館大学政策科学部卒。株式アナリスト、広報・IR担当双方で所属会社受賞経験を持つ。経済ニュースアプリ・NewsPicksでは8万人以上のフォロワー。
著書は『IR戦略の実務』(日本能率協会マネジメントセンター)他計5作品。主なテレビ出演はテレビ東京のワールドビジネスサテライト等。主な講演は、日経メディアマーケティング、東洋経済新報社、早稲田大学WASEDA NEO等。

月次・四半期・移動平均でトレンドを探る

また、さらに細かく、四半期や月次での数値情報が得られれば、直近の動向が、よりわかるようになります。

1)月次データでトレンドを見る
2)四半期データでトレンドを見る
3)移動平均値で基調を見出す

月次データでトレンドを見る

月次データを前年同月比で見ると、トレンドがわかります。
季節性のない業界の場合、前月比で見ることもありますが、前年同月比の伸び率の変化の方が、トレンドをつかみやすいでしょう。

四半期データでトレンドを見る

月次データの難点は、月々の額がブレやすい業界の場合、トレンドがつかみにくいことです。
しかし、3ヵ月のデータの集合であれば、そのブレは多少軽減され、トレンドが見やすくなります。

移動平均値で基調を見出す

たとえば、百貨店業界であれば、年末は年末商戦で売上が増えやすい時期です。
このような季節性を簡易的に除去するために、12ヵ月間の平均値を取ると、トレンドを見出しやすくなるのです。

季節調整値は季節性を除去したデータ

なお、国が公表する経済統計では、「季節調整値」と書かれたデータがあります。
これは、モデルを駆使して季節性を除去したデータです。
これに対して、「原数値」と書かれたデータは、季節性を除去しないそのままのデータです。

ただし、12ヵ月の移動平均値を取った場合、変化がなだらかになりトレンドを見出しやすくなる反面、直近のデータの変化に気づくのに遅れてしまう可能性があることに注意が必要です。

<新刊書籍のご案内>

数値を集めただけではわからない<br /></p>
<p>トレンドのつかみ方 価格:1600円(+税) 46並製 254ページ

リサーチを丸投げせずに自前でやるには、
何から始めればいいのか?

現役アナリストが教えるビジネスリサーチの基本。企画や戦略の立案、プレゼンなどに必要なデータの集め方・見方・使い方を解説。

■主な目次■
序章 ビジネスリサーチのスキルを身につけよう
第1章 ビジネスリサーチの基礎知識
第2章 業界の基本構造を調べよう
第3章 市場環境・競争環境を調べよう
第4章 補足情報を入手して検証しよう
第5章 ビジネスリサーチのケーススタディ
第6章 リサーチ結果をまとめよう
第7章 よりレベルアップするために
終章 リサーチ精神を持とう

トレンド分析とは

Twitter Japan 株式会社より提供された179,286,297ツイートから,1,152,607,055個(3,1296,959種類)の名詞句が見つかりました. このうち,全データにおける出現頻度が1,000回以上の名詞句(71,691種類)を分析の対象としました.

trend-noun1.png

これは,3月11日の東北地方太平洋沖地震の発生付近のバースト分析の結果です. 地震発生前は,東京都の石原慎太郎知事が4選出馬を発表したことに関するツイートにより,「石原」のキーワードが見えますが,それ以外に目立ったバースト現象は見られません. しかし,東北地方太平洋沖地震が発生した14:45~15:00までの期間では,地震発生を伝える「地震」「震度」「地震情報」,震源地を伝える「宮城」「岩手」「福島」,地震に対する心配「大丈夫」「心配」「地震大丈夫」,地震に対する印象「ちょ」「まじ」「びっくり」「ヤバイ」など,大量のキーワードがバーストします. 東日本大震災の被害を甚大にした「津波」に関するキーワード「津波警報」「津波」「高台」にもバーストが見られますが,「地震」などのキーワードと比較すると立ち上がりが遅かったことが分かります.

trend-noun2.png

3月12日の16時~17時付近のバースト分析の結果です. 「コスモ石油の爆発・炎上で有害物質の雨が降る」という流言の打ち消し,「ヤシマ作戦」などの節電の呼びかけ,福島第1原子力発電所1号機の水素爆発に関するキーワードが現われています. 東日本大震災に関連する事態の進行により,目まぐるしく状況が変化する様子が映し出されています. なお,バースト分析結果のキーワードをクリックすると,そのキーワードのトレンド分析の結果を見ることができます.

tweets.png

データ全体のつぶやきの速度をグラフ化したものです. 奥村晴彦先生の分析でも紹介されていますが,震災後の1週間で最もツイートされた期間は3月15日の22時30分~45分の71,829[ツイート/分]で,静岡県東部の最大震度6強(M6.4)の地震に関連するものです.続いて,三陸沖の地震発生直後3月15日の15時00分~15分の63,169[ツイート/分]となります(15分単位で見る場合). MACD Histgramでバースト検出すると,前者は3,335,後者は3,535となり,バースト性としては三陸沖の地震発生直後の方が高かったことが分かります. ちなみに,MACD Histgramは正に大きく振れている時に,バーストの発生を表します.

nuclear-plant.png

このスクリーンショットは,「原発」という名詞句のトレンドを分析したものです. グラフ中の吹き出しにより表示されている数字は,東日本大震災および福島第一原子力発電所に関する主な出来事を表しています(システム上でマウスのポインタを数字上に移動させると,出来事の内容を閲覧できます). 本当は,各バーストの発生に合わせて,そのバーストの中心となるツイートを提示できると面白いと思うのですが,データの利用規約の制約により,公開システムには実装していません. 代わりに,東日本大震災に関する出来事を手作業で入力したものを表示し,実際の出来事とツイートの関連性を調べやすいようにしています.

名詞句の共起ペアに対するトレンド分析 †

  • データの中で共起頻度が高い名詞句ペアのトップ100: http://www.cl.ecei.tohoku.ac.jp/prj311/trend/noun-cooccur/top100.html
  • バースト性を持って共起した名詞句ペアの一覧(時間順): http://www.cl.ecei.tohoku.ac.jp/prj311/trend/noun-cooccur/burst-time.html
  • バースト性を持って共起した名詞句ペアの一覧(スコア順): http://www.cl.ecei.tohoku.ac.jp/prj311/trend/noun-cooccur/burst-ranking.html

係り受けの文節ペアに対するトレンド分析 †

  • データの中で係り受けの頻度が高い文節ペアのトップ100: http://www.トレンド分析とは cl.ecei.tohoku.ac.jp/prj311/trend/deps/top100.html
  • バースト性のある係り受け文節ペアの一覧(時間順): http://www.cl.ecei.tohoku.ac.jp/prj311/trend/deps/burst-time.html
  • バースト性のある係り受け文節ペアの一覧(スコア順): http://www.cl.ecei.tohoku.ac.jp/prj311/trend/deps/burst-ranking.html

リツイートされたユーザーに対するトレンド分析 †

  • データの中でリツイートされた頻度が高いユーザーのトップ100: http://www.cl.ecei.tohoku.トレンド分析とは ac.jp/prj311/trend/rteduser/top100.html
  • バースト性のある被リツイート・ユーザーの一覧(時間順): http://www.cl.ecei.tohoku.ac.jp/prj311/trend/rteduser/burst-time.html
  • バースト性のある被リツイート・ユーザーの一覧(スコア順): http://www.cl.ecei.tohoku.ac.jp/prj311/trend/rteduser/burst-ranking.html

被RT回数の多いユーザのトップ5は,@NHK_PR, @nhk_seikatsu, @Asahi_Shakai, @nhk_news, @nhk_HORIJUN で,テレビ・新聞などの報道機関がツイッター上での情報発信に貢献したことが分かります. 6位と7位には,津田大介氏(@tsuda)と早野龍五氏(@hayano)がランクインし,個人で情報拡散に大きな影響力を発揮したことも,今回の特徴と言えます.

5.トレンド

トレンドは相場の基調、つまり大勢の思惑を映し出す。上昇トレンドは、買いが有利だと見て、その流れに乗ろうとする投資家が多いことの表れである。下降トレンドはその逆で、売り方優勢の状況を示すものである。トレンドを確かめるには、ローソク足のチャート上にトレンドライン(傾向線)を引いてみればよい。その引き方は、図5-1-Aのように上昇開始時(もしくは上昇開始直後)の安値と次の押し目を直線で結ぶ。これを 上昇トレンドライン と言う。しだいに安値が切り上がっていくことが示されている。

下降トレンドライン は高値と高値を結ぶ線(図5-1-B)で、上値が徐々に切り下がってくることを示す。なお、上昇トレンドラインは支持線が右肩上がりの形に変形し、下降トレンドラインは抵抗線が右肩下がりの形に変形したものと捉えればよい。つまり、上げ相場における 押し目 のめどは上昇トレンドラインに日足が抵触する地点となる。また、下降局面における 戻り の限界のめどとなるのは、下降トレンドラインに日足が抵触する地点である。

曲線トレンド

トレンドは直線になるとは限らない。値上がりにつれて押しがしだいに浅くなってくると図5-4のような曲線のトレンドを描くこともある。ただし、 曲線トレンド は図からも分かるように、大相場の中盤から終盤にかけてその形が明らかになるので、序盤からこのトレンドに乗っていた人はともかく、この形を確認した後で便乗しようとするのは考えもの。相応の急反落を覚悟しておく必要がある。

では、下降曲線トレンドラインが現れると底入れが近いかと言うと、一概にそうとは言い切れないのが相場の不思議なところ。下げ過ぎの反動から、ある程度の自律反発につながることは多いが、一気に高値を奪回するということは滅多に見られない。古くから 天井3日、底100日 と言われている。底入れ完了となるには、期間を要するのが一般的である。

扇形トレンド

  • (1)下げ相場にピリオドを打ち、押し目をつけながら上がり始めた。ここで、上昇トレンドラインAを引いてみる。
  • (2)相場が急反落し、トレンドラインAを下回ってしまった。ズルズルと下げるのかと思われたが、まもなく下げ止まり反騰を始めたので、改めてトレンドラインBを引く。
  • (3)再び下げ始め、トレンドラインBを下回った。しかし、今回も下げ止まって反発したので3本めのトレンドラインCを引いてみる。

さて、3本めのトレンドラインCを引いてみたときの形だが、Xを基点とした扇のような形になるので、これを 扇形トレンドライン と呼ぶ。ここで注意しなければならないのは、3本めのトレンドラインを下抜いた場合。もはや上げ相場は終了し、下げの基調に入ったと見なすべきである。

DXトレンド⑦ ― データ分析 ―

■データ分析の導入が進んでいる背景
ECサイトに会員登録して商品を購入すると「個人情報」「購入した商品の履歴」「過去に閲覧したページ」などの情報が蓄積されることになり、かつ、このデータ量は日々増え続けています。それらを活用して、各種ネット販売サービスにおいては、「おすすめ商品」や購入者が興味を持ちそうな商品の一覧が表示されたりもしています。
これなどは、まさにデータ分析によって実現されているわけです。

→取得されるデータの多様化と増加
従来、利用者の登録情報や販売履歴情報程度しかなかったデータが、現在は、スマホ等の普及により、移動・位置データ、健康(生体情報)データ、スケジュールデータなど、圧倒的に増えています。つまり、何かを予測する際に活用できるデータの種類が増えており、その精度向上に寄与していると言えるのです。

→データの結合技術の進展
あるアプリにログインする際に、GAFAのID/Passwordでログインが出来るような場面に遭遇したことがありませんか?
利用者は、別々のアプリで購入したりしていた積りでも、データとしてはそれぞれが結合して、より利用者の行動を一貫して認識できるようになるわけです。

→統計処理に強い言語の登場
最近、よく耳にする言語のPythonにはNumPyなど、データ分析関連のライブラリが実装されています。また、統計解析向けのプログラミング言語Rも登場してきています。

■データ分析作業とは?
簡単に言ってしまうと、あるデータ(の塊)に対して、何らかの傾向を見出すことになります。その結果、今後の予想に繋げることになります。

→データ蓄積・整理
入力ミスがそのまま残っていたり、未入力のデータによる値の欠損があったりした場合に、分析精度が悪化するリスクが発生します。そのために、欠損値や不正な値を他の値に置き換えたり、分析に適した形式にデータを再構成したりと、さまざまな加工を行う必要があります。

→モデリング
データ分析や統計の手法を用いて、特定の入力データから予想を導き出すプログラム(モデル)を作成する作業です。
ここでは、統計学の様々な概念や手法を用いる必要があります。上記のデータ整理を含めて、行ったり来たり、試行錯誤が繰り返される作業となります。

→効果検証と実装
データ分析の結果として得られた内容が、どれほどビジネスに貢献するのかの検証を行い、採用可否を決定します。採用が決まったら、作成したモデルをサービスへ実装していきます。
なお、世の中の流行やサービス利用者の行動が変われば、データ自体が変わり、適切なモデルも変化します。よって、データの傾向をふまえながら、継続的にモデル作成~サービス実装を繰り返す必要があります。

■データ分析における概念を幾つか…
モデリングにおいて、各種データ分析や統計での概念を使用すると書きました。ここで、その全てをご紹介は出来ませんが、用語として知っておきたいものを幾つかピックアップしておきます。

→分類:あるデータがどの集団に属するかを予測すること。
スコアリングや確率推定によって、そのデータがある集団に属する確率やスコアを算出して代替することもあります。

→回帰:あるデータにおいて、何らかの属性となる変数の数値を予測すること。
例えば、あるデータと似通ったデータを探し出して、更にその変数の動向を分析することによって予測することになります。
つまり、ある利用者について、ある商品を今後、どの程度購入するかを予測する際、その利用者と類似性のある他の利用者の過去も含めた購入履歴を集めて予測するなどの利用例が考えられます。

→汎化とオーバーフィッティング
あるデータの集まりにおいてパターンが発見できた場合、そのパターンが未知のデータに対しても適用可能であることが重要です。これは汎化できるパターンと呼びます。一方、そのデータで偶然起きているだけのパターンについては、データのオーバーフィッティングと呼び、データ分析において回避すべき重要な概念になっています。

■データアナリスト
このようにデータ分析という作業は、ビジネスの世界でも確立されてきている分野になります。そのため、データ分析に役立つ資格・検定も出てきています。

三井情報、トレンド分析のBlack Swan「トレンドスコープ」に新カテゴリを追加

三井情報株式会社(本社:東京都港区、代表取締役社長:浅野 謙吾、以下:三井情報)は、Black Swan Data Limited(本社:英国 ロンドン、CEO:Steve King)が提供する「トレンドスコープ(Trendscope)」で、トレンド予兆を分析できるカテゴリとして新たに「オーラルケア」を追加しました。「トレンドスコープ」はSNSやオンライン情報からソーシャル上の仮想世論をAIで作り出し、消費者の予兆行動を可視化するSaaS型のデータ分析プラットフォームです。企業の商品開発またはマーケティング担当者は「トレンドスコープ」で得られる予兆行動データに基づいた洞察から、「流行の兆し」があるテーマ・素材・ベネフィット(*1)等を見つけ、新規事業開発や新商品企画に活用することができます。

- 仮想世論によって可視化された将来のトレンド価値イメージ -

今回の新カテゴリのリリースに際し、Black Swan Data LimitedのSteve King氏より以下のエンドースメントをいただいております。

“Trendscope is helping brands across the world launch new product innovations ahead of the curve.

The new Oral Care dataset is the most comprehensive and exhaustive analysis of トレンド分析とは this category ever created, and we’re excited to work with new brands in this space who share our passion トレンド分析とは for disruption トレンド分析とは through the application of trend prediction.”

関連記事

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!

コメント

コメントする

目次
閉じる