ジョブ理論と因子分析・KJ法の共通点について

ビックデータの分析も現時点ではAIの利活用により把握する事になっているが、AＩでは相関係数を基にして判断しているが、因果関係では人間の判断のみ方法がない。その為、最近話題になっているクリステンセンが提唱したＪＴＢＤ理論に関連した因子分析を求める。

　消費者はニーズの解決の為に行動するのではなく、状況下に強いられて行動する事が多い。その為、ＡＩでは相関係数を基にして判断しているが、因果関係では人間の判断のみ方法がない事から因果関係を行うにあたり、観測因子から得られた共通因子を把握する。

今回は、因果関係を明確にする為に、量的調査では、因子分析。質的調査では、KJ法について述べ、そうした中でジョブ理論を基にした分析方法を紹介する。

　因子分析は下記のステップで計算される。第一に、相関行列から類似性を判断する。第二に、因子数の決定を行い、負荷量を測定する。第三に、負荷量を活用して因子を解釈する流れになっている。その結果、因子分析の式は、観測変数=回帰係数×共通因子+独自因子で表される。

　また、質的調査においては、KJ法について述べる。方法として、第一に、素材となるデータをラベルに書き写す。第二に、ラベル集め、内容が近いと考えられるもの同士を・グループ化する。第三にグループ化した中で共通する項目を挙げ、相応しいテーマ作りを定義化する、第四にそれぞれのグループごとにストーリーとして文章にまとめる。

こうしたように因子分析とKJ 法は分析方法は同じであるが、妥当性の判断において異なる。具体的には、因子分析は妥当性は①観測変数（質問項目）がある因子で説明できる大きさ を表す「寄与率」である。

一方でKJ法の妥当性は①もっともらしさ、真実味、②信憑性、③証拠の３つである。

　そうした中で、ジョブ理論を基にした日経リサーチが提唱したSegmentDiscoveryでは、データマイニングとテキストマイニングを統合する事により、深く知りたいターゲットを設定し、（1）調査結果からそのターゲットが多く存在するパターンを発見し、（2）同一パターンのターゲットがアンケートの自由回答に記述している「共通のキーワード」を見つけ出す、という2段階で分析する。

（日経リサーチ、ジョブ理論に適した分析手法「SegmentDiscovery」を開発　参照）

　その為、観測変数を基に共通因子を抽出するやり方として同じ手法で行われてる為、次回においてジョブ理論と因子分析・KJ法の具体的な事例を挙げていきたいと思う。