データ分析に数学はどこまで必要?｜やりたいこと別の目安

データ分析を学びたいけれど、数学が苦手で踏み出せない。統計や微分積分と聞くと、どこまで勉強すればよいか分からない。数式が並ぶ本を開いて、手が止まったこともある。

この記事でわかること

結論：どこまで必要かは、何をしたいかで決まる

データ分析に数学がどこまで必要かは、何をしたいか、どのレベルまで知識を求めるかで決まります。

Pythonで使える予測の仕組み(モデル)を使って分析するなら、数学の知識はそこまで必要ありません。回帰(数字どうしの関係を式で表す方法)や確率が分かれば足ります。

モデルの中身や、結果が正しいと言える理由まで知ろうとするほど、必要な数学は広がります。

ディープラーニングのモデルを理解するなら微分積分、施策の効果を確かめる統計的因果推論なら統計学が必要です。

目安をまとめると、次のとおりです。

この表では、同じデータ分析でも、やりたいことによって必要な数学が変わっています。

回帰が分かると、たとえば広告費と売上の関係を、モデルがどう捉えたかを読めます。確率が分かると、予測の数字をどのくらい信じてよいかを考えられます。

Pythonで簡単なモデルを動かすところまでは、次の記事にまとめています。

統計的因果推論では、たとえば売上が伸びた理由を切り分けます。キャンペーンや値下げなどの施策なのか、季節などほかの理由なのかを、データから確かめます。その切り分け方の多くは、統計学の考え方で組み立てられています。

画像や文章を扱うことの多いディープラーニングでは、モデルが予測の誤差を小さくするように学習します。この学習の仕組みに、微分が使われています。

統計的因果推論をしたときは、統計学が必要だと感じました。

機械学習モデルによる効果検証では、確率がなんとなくでも分かっていないと、分析の結果を人に説明できないと思いました。

効果検証で出てくる数字には、たまたまそうなった可能性がいつも含まれます。その可能性を言葉にできないと、分析を頼んだ人(依頼者)は結果をどこまで信じてよいか分かりません。

分析の結果を人に伝えることは、データサイエンティストが業務で求められることの1つです。次の記事にまとめています。

今は、分析の結果が出てから調べれば、その結果が何を言っているかは分かります。数学が苦手でも、そこまで焦らなくて大丈夫です。

結果に出てきた言葉や数字は、使った手法の名前で調べると、解説が見つかります。

ただし、数式がすぐ隣にあることは、いつも意識しておく必要があります。手法の解説も、多くは数式と一緒に書かれています。

数式を見ること自体がどうしても苦手な人には、向かない仕事かもしれません。

私は、数学の基礎を学校で学び、専門の領域は資格の取得を目標に勉強してきました。

資格の試験は出題範囲が決まっているので、何をどこまで学ぶかを決めやすくなります。基礎を学んでから、専門の領域は資格の取得を目標にして学ぶのがおすすめです。

学ぶ範囲は、やりたいことに合わせて絞ります。

数学と並行して、ExcelからPythonまでのツールを学ぶ順番は、次の記事にまとめています。

ひとりでは進めにくいときは、スクールで学ぶのも手です。選ぶときの判断基準は、次の記事にまとめています。

確率の考え方で結果を説明できると、分析の結果がそのまま判断の材料になります。

例として、キャンペーンの効果を機械学習モデルで検証し、依頼者に報告する場面で比べます。

報告の仕方	依頼者に言うこと
数字だけを言う	キャンペーンで、購入した人が5%増えました
確かさまで言う	偶然だけでは5%の差はほとんど出ないので、キャンペーンの効果と見てよさそうです。続けるかを、この結果で決められます

この表で、結果をどこまで信じてよいかと何を決められるかまで伝えているのは、下の報告だけです。

数字だけを言うと、「たまたまではないか」と聞かれたときに答えられません。持ち帰って調べ直す間、続けるかどうかの判断も止まります。

確かさまで言えると、依頼者はその場で、キャンペーンを続けるかを決められます。