CRISP-DM (G検定)

1. 定義と概要

CRISP-DM（CRoss-Industry Standard Process for Data Mining、読み方はクリスプ・ディーエム）とは、データ分析のプロジェクトを進める手順を6段階に整理した標準プロセスモデルです。6段階の内訳は、ビジネス理解・データ理解・データ準備・モデリング・評価・展開の順です。

1996年に構想が始まった業界横断型（特定の業種に限らず、どの分野にも使えるという意味）のオープンな枠組みで、特定の業種やツールに縛られず、幅広い分析プロジェクトに適用できます。

従来のデータ分析は、担当者ごとに手順が異なる自己流の進め方になりがちで、いきなりモデル構築から着手し、現場の課題とかみ合わない結果を招く例がありました。分析を終えてから目的とのずれに気づき、手戻りが発生する例も少なくありませんでした。

CRISP-DMは最初の段階に「ビジネス理解」を置くことで、解決したい経営課題や分析の目的を整理してから着手する順番を明確にしています。

また、各段階は一方通行の直線ではなく、必要に応じて前の段階へ戻りながら進む反復的（一度で終わらせず、必要に応じて前の工程に戻りながら進めること）な構造を持ちます。

2. 試験対策ポイント

まず整理したいのは、CRISP-DMの6段階を正確な表記と順序で覚えておくことです。順序は、ビジネス理解、データ理解、データ準備、モデリング、評価、展開であり、段階の入れ替えや一部の欠落は取り違えやすい典型です。

起点が「データ理解」ではなく「ビジネス理解」である点も分かれ目になります。データを集めてから目的を考えるのではなく、経営課題の整理が先にくる順序です。

各段階は一方向にのみ進むわけではなく、反復的に行き来しながら進む構造になっています。とくにビジネス理解とデータ理解、モデリングと評価は、結果を見て前の段階へ戻ることが多く、直線的な工程だと誤解すると混乱しやすい部分です。

続いて、周辺の関連用語を整理します。CRISP-ML（CRISP-DMを機械学習向けに拡張し、モデルの監視・保守まで含めたプロセスモデル）は、運用フェーズを工程として明示的に組み込む点が特徴です。PoC（概念実証。新しい技術やアイデアが実際に効果を発揮するか、小規模に試して確かめる工程）は、本格導入の前段階として実施される取り組みにあたります。

開発手法であるアジャイル（短い工程を繰り返しながら進める進め方）とウォーターフォール（工程を後戻りせず順番に進める進め方）の対比も、周辺知識として押さえておきたい観点です。CRISP-DMの反復的な性質は、アジャイル型の開発サイクルとの共通点として整理できます。

業務プロセス自体を根本から見直すBPR（業務プロセス・リエンジニアリング。業務プロセス自体を根本から見直し再設計する取り組み）という考え方との違いも、混同しやすい組み合わせです。

3. 関連概念との比較・相違点

MLOps（機械学習モデルを本番環境で動かし続けるための開発・運用の仕組み）との最大の違いは、対象とする範囲にあります。CRISP-DMはデータ分析プロジェクトの進め方の型で、展開までを主眼に置く枠組みです。

MLOpsはモデルを本番環境で運用し続けるための仕組みや実践を指し、開発と運用を一体で回す取り組み（DevOps）の機械学習版にあたり、継続的な監視や再学習まで含みます。CRISP-DMの展開という段階を終えたあとを補う位置づけといえます。

CRISP-MLとの違いは、機械学習プロジェクト向けに工程を拡張している点です。CRISP-MLはCRISP-DMを機械学習向けに拡張したプロセスモデルで、モデルのモニタリング（システムやモデルの状態を継続的に監視すること）や保守といった運用フェーズを工程として明示的に組み込みます。両者の違いは、運用開始後の継続的な改善までを視野に入れているかどうかです。

三者の住み分けは、どこまでを主眼とするかという軸で並べると見通しがよくなります。

用語	主眼とする範囲	位置づけ
CRISP-DM	ビジネス理解から展開まで	データ分析プロジェクトの進め方の型
CRISP-ML	CRISP-DMの工程に運用フェーズを加えた範囲	モデルの監視・保守まで含む機械学習向けの拡張
MLOps	本番環境での運用・継続的な監視や再学習	開発と運用を一体で回す取り組みの機械学習版

CRISP-DMが展開までの型を示すのに対し、MLOpsとCRISP-MLはその先の運用局面を担うという住み分けになります。どの範囲を扱う言葉なのかを意識して読み分けると、取り違えを避けやすくなります。

4. ビジネス・実務での活用シナリオ

小売・マーケティングの分野では、顧客離反の防止という経営課題の整理が出発点です。ビジネス理解の段階で目的を定めたうえで、購買データの収集や分析を経てモデリングへ進み、離反の兆候を捉えるモデルを検証します。

評価を終えたあとは、離反の可能性が高い顧客に向けたキャンペーン施策へと展開し、経営課題の解決という出発点に立ち返った形で成果を確認します。はじめに目的を明確にしておくことで、経営課題に照らした検証がしやすい流れです。

製造業では、不良品削減という現場課題が起点です。センサーデータを収集・前処理したうえで、予知保全（設備が故障する前に兆候を捉えて対処する保守手法）のモデルを構築し、評価を経て生産ラインへ組み込みます。故障の兆候を早期に捉えられれば、突発的なライン停止を防ぎ、稼働率の維持につながります。

金融の分野では、与信審査（顧客にお金を貸せるかどうかを判断する審査）の効率化という業務目的が出発点です。モデルの評価を経て審査システムへ展開する流れは、ビジネス理解を起点にする考え方が活きる場面といえます。属人的な判断に頼っていた審査基準を、整理された手順に沿って見直すきっかけにもなります。

5. 要点まとめ

• CRISP-DMは、ビジネス理解・データ理解・データ準備・モデリング・評価・展開の6段階からなるデータ分析プロジェクトの標準プロセスモデルにあたります。
• 起点は「ビジネス理解」であり、各段階は一方通行ではなく反復的に行き来する構造を持ちます。
• モデルの運用・監視に重点を置くMLOpsやCRISP-MLとは役割が異なり、CRISP-DMは展開までの進め方の型にあたります。

6. 確認問題