2．「売れた」と「売った」は、同じではない

因果推論を理解するには、まず「相関」と「因果」の違いを考えると分かりやすいでしょう。例えば、クーポンを配布した顧客の購入率が、配布していない顧客より高かったとします。一見すると、「クーポンを配れば購入率が上がる」と考えたくなります。

しかし、もともと購入意欲の高い顧客を選んでクーポンを配っていたらどうでしょうか。観測されたのは「クーポンを受け取った人がよく買った」という事実です。一方、本当に知りたいのは「クーポンを配ったことで、買う人が増えたのか」という因果です。

そのためには、同じ顧客について「クーポンを配った場合」と「配らなかった場合」を比較したくなります。ところが、現実に観測できるのはどちらか一方です。クーポンを配った顧客について、「もし配らなかったら、その人は購入していたのか」を直接見ることはできません。

この、実際には観測されなかった「もし別の選択をしていたら」という状態を反実仮想と呼びます。因果推論は、この観測できない反実仮想をデータから推定し、施策や条件そのものが生み出した変化を捉えようとするアプローチです。

3．「見えない差」を、どうやって数字にするのか

因果推論は、「もしも」という曖昧な問いを、統計的に推定できる量へ変換する技術でもあります。先ほどのクーポンを例に考えてみます。

ある顧客にクーポンを配った場合の購入結果をY（1）、配らなかった場合をY（0）とすると、その顧客に対する因果効果はY（1）-Y（0）と表せます。考え方はシンプルですが、一人の顧客についてY（1）とY（0）を同時に観測することはできません。これを「因果推論の根本問題」と呼びます。

そこで実務では、多数のデータから平均的な因果効果を推定します。例えば平均処置効果（ATE）はE［Y（1）-Y（0）］と表されます。これは、「対象集団全体に施策を行った場合」と「行わなかった場合」の平均的な差を意味します。

仮に、クーポンを受け取った顧客の購入率が18％、受け取っていない顧客が10％だったとします。単純比較では差は8ポイントです。しかし、この8ポイントすべてをクーポンの効果とは判断できません。クーポンの配布対象を決める際に、過去の購買頻度や会員ランクなどが使われている可能性があるからです。

因果グラフで「何を調整すべきか」を考える

こうした状況を整理するために使われるのが、因果グラフです。代表的にはDAG（Directed Acyclic Graph：有向非巡回グラフ）を用い、「何が何に影響しているのか」という仮説を矢印で表します。例えば「購入意欲」がクーポンの配布対象にも、購入そのものにも影響している場合、購入意欲は「交絡因子」（施策と結果の両方に影響する要因）になります。購入意欲を考慮せずに比較すると、「クーポンの効果」と「もともと購入しやすかったという違い」を混ぜて評価してしまう可能性があります。因果推論では、因果構造を仮説として整理し、どの変数を調整すべきか、逆にどの変数は調整するとバイアスを生むのかを検討します。
そのうえで、回帰分析による調整やマッチング、傾向スコアを用いた重み付けなどの統計的な手法を用いて、結果に影響するほかの要因を考慮しながら、因果効果を推定します。
仮に分析の結果、「平均的な購入率向上効果は＋3.2ポイント、95％信頼区間は＋1.1～+5.4ポイント」と推定されれば、単純な8ポイント差よりも一段深い判断材料を得られます。

因果推論の妥当性は、ひとつの指標では決まらない

信頼区間などの統計的不確実性に加え、（1）因果グラフに置いた仮定が業務実態と整合しているか、（2）比較する集団の属性や条件に十分な共通性があるか、（3）重要な交絡要因を観測できているか、（4）仮定を変えたときに結果が大きく変わらないか（感度分析）などを確認する必要があります。

つまり因果推論とは、相関からそれらしい原因を探す技術ではありません。「何と何を比較すれば、知りたい効果だけを取り出せるのか」を設計し、その差と不確実性を統計的に推定する技術なのです。

4．企業活動には「もし○○したら」があふれている

こうした因果の問いは、特定の業界だけに存在するものではありません。企業活動の多くは、「何かを変えて、よりよい結果を得る」という意思決定の連続だからです。

因果推論を実務で考える際には、まず四つの情報を整理するとテーマを捉えやすくなります。第一に変えたいもの（介入）、第二に改善したい結果（KPI）、第三にその双方へ影響しそうな交絡要因、第四に「誰に・いつ・どこで起きたか」を識別するIDや時間情報です。

製造：どの条件を変えれば、品質を改善できるのか

例えば「製造時の温度を下げると、不良率はどの程度変化するのか」という問いです。必要になるのは、温度、圧力、速度などの製造条件と、不良有無、品質値、歩留まりなどの結果データです。さらに原材料ロット、設備状態、製品種類、作業環境など、条件設定と品質の双方に関係する情報が重要になります。
ある原材料を使う際に高い温度が設定されやすく、その原材料自体が品質にも影響しているなら、温度と品質だけの分析では効果を誤って捉える可能性があります。因果グラフにすると、「追加で取るべきデータ」まで見えやすくなります。

マーケティング・小売：その施策は、本当に売上を増やしたのか

「広告を見た人は購入率が高い」「キャンペーンを実施した店舗は売上が高い」。こうした結果は施策効果を示しているように見えますが、対象選定や店舗特性の違いが混ざっている可能性があります。「クーポンを配布すると購買率は何ポイント上昇するのか」を知るなら、施策履歴や購買だけでなく、顧客属性、過去購買、店舗、商品、価格、季節なども候補になります。

SCM・物流：条件を変えたら、コストとサービス水準はどう動くのか

例えば「安全在庫を増やすと、欠品率はどの程度低下するのか」という問いです。在庫量と欠品率だけを見ると、需要の多い商品ほど在庫も多く、同時に欠品もしやすいといった関係が混ざります。需要、発注、在庫、欠品、リードタイム、商品属性、拠点、販促などを組み合わせて、在庫政策そのものの効果を捉える必要があります。

モビリティ・商品企画：仕様を変えると、顧客の選択は変わるのか

「ある装備を追加すると、購入率はどの程度変化するのか」という問いも因果推論の対象になります。特定装備が高価格帯グレードに多く設定されている場合、その装備の有無だけでなく、価格やグレードの違いが購入率に影響している可能性があります。仕様、装備、グレード、価格、見積、成約、顧客属性、販売店、値引きやキャンペーンなどの関係を整理する必要があります。

金融・顧客サービス：どのアプローチが顧客行動を変えるのか

「フォロー連絡を行うことで、解約をどの程度防げるのか」というテーマでは、接触履歴と解約実績だけでは十分ではありません。解約リスクの高い顧客に重点的に連絡している場合も、優良顧客に手厚く対応している場合もあるためです。顧客属性、利用状況、問い合わせ履歴、過去の契約・行動履歴、接点日時などを含めて因果構造を考えることで、「誰に、どのタイミングで、どのアプローチを行うべきか」という問いに近づけます。
因果グラフは、分析モデルの設計図であると同時に、「次にどのデータを取るべきか」を考える設計図でもあります。

因果推論のためだけに、特殊なデータを一から集めなければならないとは限りません。販売履歴、CRM、設備ログ、品質検査結果など、すでに蓄積されている業務データの中に必要な情報が含まれている場合があります。重要なのは、手元の変数を単なる一覧として見るのではなく、「何を変えるのか」「何を変えたいのか」「その両方に影響するものは何か」という構造で捉え直すことです。

5．難しいのは、計算よりも「問い」をつくること

ここまで見ると、因果推論は高度な統計計算のように感じるかもしれません。もちろん、推定手法の選択や統計的な評価には専門性が必要です。しかし実務では、それ以前の問いの設計が分析結果を大きく左右します。

例えば「売上の原因を知りたい」という問いだけでは、因果推論のテーマとしてはまだ広すぎます。それを「価格を5％下げた場合、販売数量はどの程度増えるのか」「その結果、利益は増えるのか」といった具体的な介入の問いへ変えていく必要があります。

因果分析をビジネスにつなげる基本プロセス

1．ビジネスの問いを定める→2．因果構造の仮説を描く→3．必要なデータを確認する→4．因果効果を推定する→5．反実仮想を比較する→6．意思決定する

ここで課題になるのが、業務知識と分析知識の距離です。現場を最もよく知る人が、必ずしも因果推論の専門家とは限りません。一方、分析の専門家が、業務上の因果関係をすべて理解しているとも限りません。因果推論を広く活用するためには、業務を知る人と分析できる人の間にある距離をどう縮めるかが重要になります。

6．AIが変え始める、因果分析の入り口

この距離を縮める技術として期待されるのが、生成AIをはじめとする対話型AIです。従来の分析では、「どの統計手法を使うか」「どのコードを書くか」という技術側から入る場面も少なくありませんでした。対話型AIを利用すれば、その入り口を変えられる可能性があります。

例えば「売上を伸ばしたい」という業務上の問いから始めます。そこからAIと対話しながら、「価格変更はなかったか」「キャンペーンは同時に実施されていないか」「店舗ごとの立地条件を考慮すべきではないか」「この変数は原因なのか、それとも結果なのか」と仮説を整理していきます。

分析手法から始めるのではなく、ビジネスの問いから始める

さらにSaaS型の分析環境と組み合わせれば、分析のたびに個別環境を構築する負荷を抑え、共通のプロセスで因果構造や分析結果を共有しやすくなります。業務担当者が問いや仮説を深め、データサイエンティストは推定方法や前提条件のレビューなど、より高度な判断に集中する。そんな役割分担も可能になります。

ただし、AIが提示した因果関係をそのまま「正解」として扱うことはできません。因果構造はあくまで仮説であり、データだけでは判断できない業務上の前提もあります。AIは人間の思考を代替する存在というより、より良い問いをつくり、見落としを減らすための伴走者として使うことが重要です。

7．因果推論を、専門家だけのものにしない

こうした考え方を具体化するアプローチの一つが、ヴェルト社のコーザルAIプラットフォーム「xCausal®」です。xCausal®では、因果構造を画面上で整理しながら、因果効果の推定や、反実仮想を用いたWhat-if分析を行えます。

また、AIとの対話を通じて仮説形成や因果構造の検討を支援することで、統計手法そのものから分析を始めるのではなく、業務上の問いから因果分析へ入ることをめざしています。SaaSとして共通の分析環境を利用できることは、環境構築の負担を抑えるだけでなく、因果モデルや分析プロセスを組織内で共有しやすくする点にも意味があります。

重要なのは、特定のツールそのものではありません。大きな変化は、これまで一部の専門家が扱ってきた因果推論に、業務担当者自身がより深く関われるようになりつつあることです。

「分析してもらう」から、「問いを一緒につくり、意思決定に使う」へ

専門家の役割が不要になるわけではありません。むしろ、業務担当者が仮説形成に参加できるようになるほど、専門家は識別条件や推定方法、感度分析、解釈の妥当性といった高度なレビューへ集中できます。因果分析を幅広い業務担当者が活用できるようにすることは、専門性をなくすことではなく、専門性がより求められる高度な分析や判断に注力できる環境を整えることにつながります。

8．データ活用のゴールは、「当てること」ではない

AIや機械学習の進化によって、未来を予測する力はこれからも高まり続けるでしょう。しかし、ビジネスの目的は未来を正確に言い当てることではありません。

よりよい未来を選ぶことです。「何が起きるのか」から、「なぜ起きるのか」へ。「なぜ起きるのか」から、「もし変えたらどうなるのか」へ。そして、「もし変えたら」から、「では何をするのか」へ。因果推論と反実仮想は、この最後の一歩をデータで支えるための考え方です。

因果グラフを描いてみると、これまで別々に見えていたデータがつながり始めます。足りないデータも見えてきます。何を検証すべきかも明確になります。因果推論の価値は、単に高度な分析結果を得ることだけではありません。

自分たちの意思決定を、「何となくそう思う」から「この条件なら、この選択が合理的だ」へ変えていくこと。これからのデータ活用で問われるのは、どこまで未来を当てられるかだけではありません。そのデータを使って、何を変えるのか。そこまで踏み込んで初めて、データは意思決定の道具になるのではないでしょうか。