データ尺度4種を理解すると、分析の精度は大きく変わる

データ分析が企業活動の前提になりつつある現在、意思決定は「数値」に基づいて行われる場面が増えています。しかし、その数値の意味を正しく理解していなければ、どれほど高度なツールを使っても誤った結論につながる可能性があります。

その最初の分岐点となるのが、

「データの尺度（Scale of Measurement）」の理解です。

データ尺度とは、そのデータにどのような計算や解釈が許されるかを決める基本ルールです。統計学では一般に、次の4種類に分類されます。

• 名義尺度（分類するデータ）
• 順序尺度（順位を持つデータ）
• 間隔尺度（差が意味を持つデータ）
• 比例尺度（比率比較が可能なデータ）

この違いを理解しているだけで、分析の精度や意思決定の質は大きく変わります。

まず押さえるべき：データは大きく2種類

実務では、まずデータを次の2タイプに整理すると理解しやすくなります。

■ 質的データ（カテゴリデータ）

分類や属性を表すデータです。

例：

• 性別
• 地域
• 商品カテゴリ
• 顧客属性

数値を割り当てても、それは「量」を意味するわけではありません。
例えば男性＝1、女性＝2としても、2が1より多いという意味ではありません。

ただし例外として、0/1の二値データの場合、平均値は割合として解釈できます。
購入有無などのデータがこれに当たります。

■ 量的データ（数値データ）

量や大きさを直接表すデータです。

例：

• 売上
• 時間
• 温度
• 身長や体重

さらに次の2種類があります。

• 離散データ：人数や回数など整数値
• 連続データ：時間や温度など連続量

① 名義尺度：分類するためのデータ

最も基本的な尺度で、データは単なる識別ラベルとして扱います。

代表例

• 性別
• 血液型
• 郵便番号
• 顧客ID
• 商品カテゴリ

平均値などの数値計算は基本的に意味を持ちません。
ただし0/1形式で記録した場合は割合として扱うことができます。

② 順序尺度：順位はあるが差は測れない

順序尺度はランキングや評価データに多く見られます。

例

• 顧客満足度（5段階評価など）
• 商品レビュー評価
• 成績ランク
• 優先順位

順序は分かりますが、「どれくらい差があるか」は保証されません。
例えば「満足」と「普通」の差が、「普通」と「不満」の差と同じとは限りません。

実務では平均値が使われることもありますが、分布の偏りによって実態を誤解する可能性があるため注意が必要です。

③ 間隔尺度：差は意味を持つが絶対ゼロはない

ここからが本格的な数値データの領域です。

例

• 摂氏温度
• 西暦年
• 偏差値
• IQ

この尺度では差の比較が可能です。
ただし「ゼロ」は無を意味するわけではなく、単なる基準点です。

例えば20℃は10℃の2倍の熱とは言えません。
この点を誤解すると、比率の解釈を誤ることになります。

④ 比例尺度：最も情報量の多いデータ

比例尺度は絶対的なゼロを持ち、すべての計算が可能な尺度です。

例

• 売上や金額
• 年齢や経過時間
• 距離や重量
• 絶対温度（ケルビン）

例えば、

• 売上200万円は100万円の2倍
• 作業時間10分は5分の2倍

といった比較が成立します。
ビジネスで扱う多くのKPIはこの尺度に属します。

尺度は階層構造を持つ

4つの尺度は次の順に情報量が増えます。

名義 ＜ 順序 ＜ 間隔 ＜ 比例

上位尺度ほど分析の自由度が高くなります。

例えば年齢を「20代・30代」で取るより、「実年齢」で取得した方が後の分析の幅は広がります。

データ収集時に最も重要な考え方

データは後から粗くすることはできても、詳細には戻せません。

数値データをカテゴリー化することは可能ですが、その逆はできません。
このためデータ収集では、

可能な限り詳細な数値で取得する

ことが基本です。

ビジネスで役立つ視点

■ マーケティング分析

• 属性データは分類として扱う
• 満足度は順位データとして扱う
• 売上などは比率データとして扱う

尺度を混同すると分析結果の信頼性が下がります。

■ DX・データ基盤設計

データ設計段階で尺度を誤ると、

• 分析の自由度低下
• AIモデル精度低下
• 意思決定の遅れ

につながる可能性があります。

特にBI・AI活用では尺度理解が重要です。

まとめ

データ尺度の理解は統計解析の出発点です。

データ分析の第一歩は、

データの性質を正しく理解すること。

ここを押さえるだけで、分析の質と意思決定の精度は確実に向上します。