ビジネスにおける意思決定の本質は、「ある要因（施策）が、結果（成果）にどの程度影響を与えているのか」を正しく見極めることにあります。本稿では、複雑な現象に隠された「関係性」を数値で可視化し、根拠のある経営判断を下すための手法「相関分析」について解説します。
1. 相関分析とは何か
相関分析とは、2つのデータ（例：「広告投資額」と「売上」、「気温」と「来店数」など）の間にどのような関連性があるかを調べる統計的手法です。
この分析を活用することで、「どのレバーを動かせば、狙った成果を引き出せるのか」という改善の糸口を、主観や経験則だけに頼らず、客観的な数値に基づいて特定できるようになります。
2. 分析の基本プロセス
精度の高い分析を行うためには、計算の前に以下のステップを踏むことが重要です。
- データの精査（クリーニング）：入力ミスや特殊なキャンペーン、外因による異常値が混ざっていないかを確認します。
- 散布図による視覚化：まずはグラフにプロットし、データの「形」を直感的に捉えます。
- 相関係数の算出：統計的な計算を用いて、関係性の強さを「数値（-1から+1）」で確定させます。
3. 相関係数の仕組み：共分散と無次元化
相関係数（r）の本質を理解するために、重要な2つの項目を知っておく必要があります。
① 共分散（Covariance）：連動性の「向き」を知る
共分散は、2つの変数が「一緒に増える傾向にあるか（プラス）」「片方が増えるともう片方が減る傾向にあるか（マイナス）」を示します。 $$\text{共分散} (s_{xy}) = \frac{\sum (x_i – \bar{x})(y_i – \bar{y})}{n}$$
しかし、共分散には「単位（円や個数など）の影響を受けてしまい、数値の大きさだけで強さを判断できない」という欠点があります。
② 無次元量（Dimensionless）：尺度を揃える
共分散を、それぞれのデータのばらつき（標準偏差）で割ることで、単位を取り除きます。これを「標準化」と呼び、得られた相関係数は無次元量（単位のない数値）となります。 これにより、「円」と「人」といった異なる単位のデータ同士でも、等しく「-1から+1」の範囲で比較可能になります。
4. 統計学的な計算公式（平方和と積和）
より厳密に、あるいは大量のデータを処理する際には、以下の「平方和」と「積和」を用いた公式が使われます。これらはデータの平均からのズレを効率的に集計するための手法です。
各統計量の求め方
- x の平方和： x の各データの2乗の合計から、合計の2乗をデータ数で割ったものを引きます。 $$S_{xx} = \sum x_i^2 – \frac{(\sum x_i)^2}{n}$$
- y の平方和 ：y についても同様に計算します。 $$S_{yy} = \sum y_i^2 – \frac{(\sum y_i)^2}{n}$$
- x と y の積和：x と y を掛け合わせた値の合計から、それぞれの合計を掛け合わせてデータ数で割ったものを引きます。 $$S_{xy} = \sum (x_i \times y_i) – \frac{(\sum x_i)(\sum y_i)}{n}$$
相関係数 r の公式
$$r = \frac{S_{xy}}{\sqrt{S_{xx} \times S_{yy}}}$$
5. 具体的な計算の流れと例
カフェの「最高気温(x)」と「アイスコーヒーの売上数(y)」を例に、具体的な数値で見てみましょう。
| 日 | 気温 (x) | 売上 (y) | xの偏差 | yの偏差 | 偏差の積 | x偏差の2乗 | y偏差の2乗 |
|---|---|---|---|---|---|---|---|
| 1日目 | 20℃ | 10杯 | -10 | -10 | 100 | 100 | 100 |
| 2日目 | 30℃ | 20杯 | 0 | 0 | 0 | 0 | 0 |
| 3日目 | 40℃ | 30杯 | +10 | +10 | 100 | 100 | 100 |
| 合計 | – | – | – | 合計 | 200 | 200 | 200 |
$$r = \frac{200}{\sqrt{200} \times \sqrt{200}} = \frac{200}{200} = 1.0$$
相関係数は「1.0」となり、「気温が上がれば必ず売上が増える」という、完璧な正の相関があることがわかります。
6. 相関関係の読み解き方と経営判断への活用
算出された数値から、次のようなアクションプランを策定します。
① 相関の「向き」を確認する
- 正の相関 ( r > 0 )：片方が増えるともう片方も増える。「投資を強化すべき」要因。
- 負の相関 ( r < 0 )：片方が増えるともう片方は減る。「抑制またはバランス調整が必要」な要因。
② 相関の「強さ」で優先順位をつける
| 相関係数 ( r ) の目安 | 解釈 |
|---|---|
| 0.7 ～ 1.0 | 強い相関 |
| 0.4 ～ 0.7 | 中程度の相関 |
| 0.2 ～ 0.4 | 弱い相関 |
| -0.2 ～ 0.2 | ほとんど相関なし |
| -0.2 ～ -0.4 | 弱い相関 |
| -0.4 ～ -0.7 | 中程度の相関 |
| -0.7 ～ -1.0 | 強い相関 |
7. 実務上の注意点：相関と因果を混同しない
相関分析を用いる際、最も注意すべきなのは「相関関係があるからといって、必ずしも因果関係（原因と結果）があるわけではない」という点です。
- 例：交番の数が多い地域ほど、犯罪件数も多い（強い正の相関）。
- ×：交番を増やすと犯罪が増える（誤った因果の解釈）
- ○：人口が多いから交番も多く、犯罪件数も多い（「人口」という第3の要因が存在する）
分析結果を得た後は、「なぜその関係が生まれているのか？」というビジネス上の背景を必ず確認してください。
また、相関分析は、「外れ値（極端に離れたデータ点）」に非常に弱いという特性があります。 計算式において「平均からのズレ」をベースにしているため、たった一つの異常なデータが入り込むだけで、本来は相関がないのに「強い相関がある」ように数値が歪んでしまうことがあります。分析前には必ず散布図を確認し、異常値の扱いを検討しましょう。
8. 寄与率（決定係数）：説明力を評価する
ビジネスの現場で相関係数と同じくらい重要なのが寄与率（決定係数）です。これは相関係数 r を2乗した値です。
- 意味：結果（ y ）の変動のうち、要因（ x ）で説明できる割合を示します。
- 解釈：例えば r = 0.7 の場合、寄与率は 0.49（約50%）となります。これは「売上の変動の約半分は、この要因（例：広告費）で説明できるが、残りの半分は他の要因が影響している」という判断材料になります。
結論：直感から科学的な経営へ
ビジネス現場において、現場の直感は大切ですが、そこに相関分析という科学的な裏付けを加えることで、施策の成功確率は飛躍的に向上します。
「散布図で全体像を捉え、相関係数で確信を得る」。このプロセスを定着させることが、再現性の高い経営を実現する鍵となります。データは正しく活用すれば、意思決定における迷いを最小限に抑え、組織を正しい方向へ導く強力な羅針盤となります。