【ITパスポート練習問題 6.3対応】(4) 意思決定

【解説】

正解: 2 意思決定プロセスを視覚的に整理できる

この問題は、デシジョンツリー（決定木）という分析手法の主な目的と利点を理解しているかを確認するものです。

正解の選択肢2は、デシジョンツリーの最大の特徴を示しています。デシジョンツリーは、条件による「分岐」とそこから導かれる「結果」を、樹木が枝分かれするように図（ツリー）で表現します。これにより、複雑な「意思決定プロセス」を視覚的に、分かりやすく「整理できる」点が利点です。

選択肢1の「迅速なデータ通信」は、ネットワーク技術に関するものであり、意思決定の分析手法であるデシジョンツリーとは関係ありません。選択肢3の「プロジェクト管理スケジュールを自動作成できる」のは、プロジェクト管理ツールの機能です。デシジョンツリーは分析手法であり、スケジュール作成が目的ではないため不正解です。

【解説】

正解: 2 最終的な結果

この問題は、デシジョンツリー（決定木）を構成する要素の用語、特に「葉」が何を示すかを理解しているかを確認するものです。

正解の選択肢2の通り、デシジョンツリーにおいて「葉」（Leaf）とは、これ以上分岐しないツリーの末端の部分を指します。これは、分岐を繰り返した末にたどり着く「最終的な結果」や「結論」を示します。

選択肢1の「意思決定の分岐点」（例: 「はい/いいえ」で分かれるところ）は、「節」（Node）または「ノード」と呼ばれます。選択肢3の「新しいデータの入力ポイント」は、デシジョンツリーの構成要素を指す用語ではありません。

【解説】

正解: 3 複雑な意思決定が必要な場合

この問題は、デシジョンツリーがどのような場面で活用されるのが適しているかを理解しているかを確認するものです。

正解の選択肢3の通り、デシジョンツリーは、条件AがYesならBへ、NoならCへ、さらにCがDならEへ…といったように、「複雑な意思決定」のプロセスや条件分岐を視覚的に整理するのに適しています。

選択肢1の「大容量データの高速処理」には、分散処理技術や高性能なデータベースが求められます。選択肢2の「ファイルの圧縮」には、専用の圧縮アルゴリズムやソフトウェアが使われます。これらは意思決定を整理するデシジョンツリーの用途とは異なるため不正解です。

【解説】

正解: 1 すべての変数が一定である

この問題は、シミュレーションなどで使われる「確定モデル」の基本的な定義を、「確率モデル」との違いで理解しているかを確認するものです。

正解の選択肢1の通り、「確定モデル」とは、モデルを構成する変数や条件（パラメータ）が「すべて一定」であり、偶然や確率の要素を含まないモデルのことです。そのため、インプットが同じであれば、何度計算しても必ず同じ「確定した」結果が得られます。

選択肢2の「結果が確率的に変動する」や、選択肢3の「データがランダムに処理される」のは、偶然や確率の要素を含む「確率モデル」の特徴です。

【解説】

正解: 3 結果が予測不能な場合

この問題は、「確率モデル」がどのような状況を分析するのに適しているかを、「確定モデル」との対比で理解しているかを確認するものです。

正解の選択肢3の通り、「確率モデル」は、サイコロの目のように、結果が確率によって変動し「予測不能な（不確実な）」事象を扱うのに適しています。天候、顧客の来店、株価の変動など、偶然の要素が絡む現象の分析に使われます。

選択肢1の「決まったルールに基づいて処理を行う」や、選択肢2の「結果が確実である」状況は、偶然の要素を含まないため、「確定モデル」で扱うのが適しています。

【解説】

正解: 2 天候の予測

この問題は、「確率モデル」の具体的な使用例を識別できるかを確認するものです。

正解の選択肢2の「天候の予測」は、気温、湿度、気圧など様々な不確実な要素が絡み合い、結果が確率的に変動する事象の典型例です。「降水確率X%」のように、確率モデルを用いて予測が行われます。

選択肢1の「工場の生産スケジュール管理」は、通常、部品の数や作業時間といった確定的な情報に基づいて計画されるため、確定モデルが使われます。選択肢3の「製品の固定価格設定」は、原価や利益計画に基づいて決定されるものであり、確率的に変動するものではありません。

【解説】

正解: 3 リスク評価を安全に行える

この問題は、「シミュレーション」（模擬実験）を行うことの主な利点、特に現実世界で実行する場合との比較で理解しているかを確認するものです。

正解の選択肢3の通り、シミュレーションはコンピュータ上で仮想的に実験を行うため、現実世界では危険すぎる（例: 災害、事故）ことや、倫理的に許されないことでも、「安全」に試行し、その「リスク」や結果を「評価」できる点が大きな利点です。

選択肢1の「現実の試行よりも費用がかかる」は誤りです。現実で大規模な実験を行うよりも、コンピュータ上で試行する方が費用（コスト）を安く抑えられることが、シミュレーションの利点の一つです。選択肢2の「リアルタイムデータを取得できる」のは、シミュレーションではなく、現実世界のセンサーなどが行うことです。

【解説】

正解: 2 現実環境での試験が難しい状況

この問題は、シミュレーションがどのような「場面」や「状況」で特に有効に活用されるかを理解しているかを確認するものです。

正解の選択肢2の通り、シミュレーションは、コストが高すぎる、時間がかかりすぎる、危険を伴う、といった理由で、「現実環境での試験が難しい状況」において、その代わりとして行う仮想実験として非常に有効です。

選択肢1の「すべてのデータが既に判明している状況」では、結果が分かっているため、シミュレーションを行う必要性が低いです。選択肢3の「データの記録が不要な状況」は誤りです。シミュレーションは、様々な条件下での結果を「記録」し、比較・分析することに意味があります。

【解説】

正解: 3 自然災害の影響予測

この問題は、シミュレーション技術が活用されている具体的な「分野」の例を理解しているかを確認するものです。

正解の選択肢3の「自然災害の影響予測」（例: 地震の揺れ、津波の到達範囲）は、現実世界で実験することが不可能なため、コンピュータ上でシミュレーションを行うことが不可欠な分野です。

選択肢1の「数値計算が不要な分野」は誤りです。シミュレーションは、モデルに基づいて膨大な「数値計算」を実行する技術です。選択肢2の「ソフトウェア開発の計画管理」では、シミュレーションよりもガントチャートなどのプロジェクト管理手法が用いられます。

【解説】

正解: 2 観測データの誤差を補正する

この問題は、「データ同化」という、主にシミュレーションや予測の分野で使われる専門用語の目的を理解しているかを確認するものです。

正解の選択肢2の通り、データ同化とは、シミュレーションモデルによる予測値と、実際に観測された「観測データ」とを比較・融合させる手法です。観測データには「誤差」が含まれるため、これを統計的に処理して「補正」し、モデルの予測精度を高めることが主な目的です。

選択肢1の「モデルの複雑さを減らす」や、選択肢3の「モデルの計算速度を向上させる」ことは、データ同化の直接の目的ではありません。

【解説】

正解: 2 気象予測と災害対策

この問題は、「データ同化」が具体的にどのような分野で活用されているかを知っているかを確認するものです。

正解の選択肢2の「気象予測と災害対策」は、データ同化が最も活躍する分野です。シミュレーションモデルによる予測（予測値）と、アメダスや気象衛星による「観測データ」を「同化」させることで、予測精度を飛躍的に高めています。

選択肢1の「ソフトウェア開発プロジェクト管理」や選択肢3の「製造ラインの機械保守」は、データ同化が主として用いられる分野ではありません。

【解説】

正解: 3 モデルに新しい観測データを反映するため

この問題は、なぜ「データ同化」という処理が必要とされるのか、その根本的な理由を理解しているかを確認するものです。

正解の選択肢3の通り、シミュレーションモデルは時間が経つにつれて現実とのズレ（誤差）が大きくなります。そこで「データ同化」を使い、現実世界で得られた「新しい観測データ」をモデルに「反映」させる（取り込む）ことで、ズレを修正し、予測精度を維持・向上させることが必要とされます。

選択肢1の「データ処理の速度を落とすため」は誤りです。選択肢2の「すべての変数が既に決定している」状況（確定モデル）では、現実とのズレを補正する必要がないため、データ同化は不要です。

【解説】

正解: 1 機械学習モデル

この問題は、AI（人工知能）の分野で使われる「機械学習モデル」が、「予測」を行うための手法であることを理解しているかを確認するものです。

正解の選択肢1の「機械学習モデル」は、AI技術の中核であり、「過去のデータ」に潜むパターンや規則性をコンピュータに「学習」させます。その学習結果（モデル）を使って、未知のデータに対する「将来の動向を推定（予測）」することが主な目的です。

選択肢2の「ランダム処理モデル」や、選択肢3の「データアーカイブモデル」は、一般的な予測手法を指す用語ではありません。

【解説】

正解: 2 製品の需要予測

この問題は、機械学習などの「予測手法」が、実際のビジネスにおいてどのような場面で「適用」されているか、その具体例を理解しているかを確認するものです。

正解の選択肢2の「製品の需要予測」は、予測手法の典型的な適用例です。過去の販売実績や天候、イベント情報などのデータから、「将来どれだけ売れるか」を予測し、在庫管理や生産計画に役立てます。

選択肢1の「システムの開発進捗管理」は、予測ではなく、プロジェクト管理のタスクです。選択肢3の「固定された数値計算」（例: 1+1=2）は、答えが決まっている計算であり、「予測」ではありません。

【解説】

正解: 1 データの最新性と正確性

この問題は、予測モデル（機械学習など）の「精度」を高めるために、何が最も重要かを理解しているかを確認するものです。「Garbage In, Garbage Out」（ゴミを入れたら、ゴミしか出てこない）という原則が問われます。

正解の選択肢1の通り、予測モデルの品質は、学習に使う「データ」の品質に大きく依存します。古かったり、間違っていたりするデータ（Garbage In）で学習させても、精度の高い予測（Garbage Out）はできません。「データの最新性と正確性」（質の高いデータ）こそが、精度向上のために最も重要です。

選択肢2の「モデルの計算速度」は、速いほうが望ましいですが、予測が「正確かどうか」という精度とは別の問題です。選択肢3の「手作業でのデータ入力」は、入力ミスを誘発しやすく、むしろ精度を低下させる要因になり得ます。

【解説】

正解: 2 類似するデータを集めて整理する

この問題は、「グルーピング」（グループ化）というデータ分析の基本的な操作が、どのような「目的」で行われるかを理解しているかを確認するものです。

正解の選択肢2の通り、グルーピングの主な目的は、バラバラのデータを、何らかの共通点や「類似性」に基づいてグループ（集団）に分け、「整理する」ことです。例えば、顧客データを「年代別」や「地域別」にグループ化して集計する、などです。

選択肢1の「データの計算速度を上げる」や、選択肢3の「ファイルの保存容量を減らす」（これは圧縮の目的）は、グルーピングの直接の目的ではありません。

【解説】

正解: 1 クラスタリング

この問題は、データをグルーピングする（グループ分けする）ための代表的な分析手法（アルゴリズム）の名称を知っているかを確認するものです。

正解の選択肢1の「クラスタリング」は、グルーピングを行うための代表的な手法です。明確な正解がないデータの中から、AI（機械学習）が自動的にデータの「類似性」を見つけ出し、いくつかのグループ（クラスタ）に分類します。

選択肢2の「圧縮アルゴリズム」は、データの容量を小さくする手法です。選択肢3の「計算リソース割り当て」は、コンピュータのCPUやメモリを管理するOSの機能です。

【解説】

正解: 2 顧客セグメントの作成

この問題は、グルーピング（クラスタリングなど）という手法が、実際のビジネスにおいてどのような場面で「有効」に活用されるか、その具体例を理解しているかを確認するものです。

正解の選択肢2の「顧客セグメントの作成」は、グルーピングの典型的な活用例です。購買履歴や年齢、居住地などが「類似する顧客」を一つのグループ（セグメント）としてまとめることで、そのグループの特性に合わせたマーケティング（ターゲティング）が可能になります。

選択肢1の「システムエラーのログ集計」は、単純な集計や検索が主であり、グルーピングが中心ではありません。選択肢3の「リアルタイムデータの記録」は、データを保存する処理であり、グルーピング（分類）とは異なります。

【解説】

正解: 3 データ内の隠れた規則性を見つける

この問題は、データマイニングなどで行われる「パターン発見」という分析が、どのような「目的」で行われるかを理解しているかを確認するものです。

正解の選択肢3の通り、「パターン発見」とは、一見すると無秩序に見える大量のデータの中から、人間では気づきにくい「隠れた規則性」や「法則性（パターン）」を統計的・自動的に「見つける」ことを目的としています。（例: 「Aを買う人はBも買いやすい」というパターン）

選択肢1の「データの一時保存」や選択肢2の「データの削除」は、データ管理の操作であり、データの中身から規則性を見つける「パターン発見」の目的ではありません。

【解説】

正解: 2 製品の売上動向の分析

この問題は、「パターン発見」が活用される具体的な分析シーンの例を識別できるかを確認するものです。

正解の選択肢2の「製品の売上動向の分析」は、パターン発見の典型例です。例えば、売上データ（POSデータ）を分析し、「どの商品とどの商品が一緒に買われやすいか（アソシエーションルール）」や、「どのような属性の人がこの商品を買うか」といったパターンを発見します。

選択肢1の「データの物理的保管」や選択肢3の「システムの自動アップデート」は、IT運用・管理の作業であり、データ分析によるパターン発見ではありません。

【解説】

正解: 2 データマイニング

この問題は、データから「パターン発見」を行うための、代表的な技術分野・手法の名称を知っているかを確認するものです。

正解の選択肢2の「データマイニング」は、まさに大量のデータから有益な「パターンを発見（採掘）」するための技術や手法の総称です。クラスタリング、アソシエーション分析、機械学習などがデータマイニングの中で使われます。

選択肢1の「アルゴリズム設計」は、コンピュータに処理させる手順を考えることであり、パターン発見そのものを指す手法名ではありません。選択肢3の「ファイルバックアップ」は、データの保全（IT運用）に関する作業です。

【解説】

正解: 3 制約内で最良の結果を見つける

この問題は、「最適化」という問題解決のアプローチが、どのような「目的」で行われるかを理解しているかを確認するものです。

正解の選択肢3の通り、「最適化」とは、決められた「制約」（例: 予算、時間、資源）の中で、ある指標（例: 利益、効率、コスト）が最も良くなる（最大化または最小化）ような「最良の結果（解）」を数学的に「見つける」ことを目的としています。

選択肢1の「問題を分割して管理する」は、問題解決のアプローチの一つですが、「最良」の結果を見つけるという最適化の定義とは異なります。選択肢2の「データの保存容量を増やす」は、ストレージ管理の話であり、最適化とは関係ありません。

【解説】

正解: 1 資源の効率的な配分が求められる場合

この問題は、「最適化」という手法が、どのような「状況」で特に有効に活用されるか、その具体例を理解しているかを確認するものです。

正解の選択肢1の「資源の効率的な配分が求められる場合」は、最適化が適している典型的な状況です。例えば、「限られた予算（制約）」の中で、「広告効果が最大（最良）」になるように、各メディアに広告費を「配分する」問題（最適化問題）などがあります。

選択肢2の「計算速度を上げる」ことは「チューニング」と呼ばれることもありますが、最適化問題そのものではありません。選択肢3の「データのバックアップが必要な場合」は、IT運用・保守の作業です。

【解説】

正解: 3 線形計画法

この問題は、「最適化」問題を解くための、具体的な「手法」の名称を知っているかを確認するものです。

正解の選択肢3の「線形計画法（LP）」は、最適化手法の代表例です。制約条件と目的が「線形（一次式）」で表される場合に、最良の解（最適解）を見つけるために使われます。

選択肢1の「エラーチェック」は、データの妥当性を検証する処理です。選択肢2の「データ圧縮」は、データの容量を削減する手法です。これらは最適化手法ではありません。

【解説】

正解: 1 在庫切れや過剰在庫を防ぐ

この問題は、企業活動における「在庫管理」の基本的な目的を理解しているかを確認するものです。

正解の選択肢1の通り、在庫管理の主な目的は、「在庫切れ（欠品）」による販売機会の損失と、「過剰在庫」（売れ残り）による保管コストの増大や品質劣化の「両方を防ぐ」ことです。適切な量の在庫を維持することが目的です。

選択肢2の「製品の広告を増やす」は、マーケティング（販売促進）活動です。選択肢3の「販売価格を決定する」は、価格戦略（プライシング）です。これらは在庫管理とは異なる業務です。

【解説】

正解: 2 在庫が最小値に達した時点

この問題は、在庫管理で使われる重要な用語「発注点」の正しい定義を理解しているかを確認するものです。

正解の選択肢2は「発注点」の定義を説明しています。発注点とは、在庫が「ある一定の量（最小値）」まで減ったら、商品を追加で「発注する」という基準点（トリガー）のことです。

選択肢1の「新製品の販売開始時点」は、在庫管理の用語ではありません。選択肢3の「倉庫の最大容量に達する時点」は、在庫が多すぎる状態を示しており、発注するタイミングではありません。

【解説】

正解: 1 先入先出法

この問題は、在庫管理（特に在庫の評価や出庫）で用いられる具体的な「手法」の名称を知っているかを確認するものです。

正解の選択肢1の「先入先出法（FIFO: First-In, First-Out）」は、在庫管理の基本的な手法です。「先に（First-In）仕入れたものから、先に（First-Out）出庫する」というルールで、食品など品質が劣化するものの管理に適しています。

選択肢2の「配送スケジューリング」は、物流（ロジスティクス）における配送計画の手法です。選択肢3の「データ復元」は、データのバックアップや障害対応（IT運用）に関する作業です。

【解説】

正解: 2 取引先の信用力を評価し、リスクを管理する

この問題は、企業間取引（BtoB）において重要な「与信管理」という業務の「目的」を理解しているかを確認するものです。

正解の選択肢2の通り、「与信管理」とは、取引先（顧客）が代金を後払いで支払ってくれるかどうか、その「信用力」を調査・「評価」し、安全に取引できる限度額（与信枠）を設定することです。目的は、代金が回収できなくなる「貸倒れリスク」を「管理する」ことです。

選択肢1の「顧客の購入履歴を分析する」は、マーケティング分析の目的です。選択肢3の「在庫の補充時期を見積もる」は、在庫管理の業務です。

【解説】

正解: 3 取引先の資産状況と支払い履歴

この問題は、与信管理を行う上で、取引先の「信用力」を評価するために、どのような「情報」が重要になるかを理解しているかを確認するものです。

正解の選択肢3の通り、その取引先に支払い能力があるかを判断するためには、「資産状況」（財務諸表など）や、過去に「支払い履歴」（遅延なく支払っているか）といった情報が最も重要です。

選択肢1の「従業員の労働時間と勤怠状況」は、労務管理に関する情報です。選択肢2の「製品の市場価格と在庫数」は、マーケティングや在庫管理に関する情報です。これらは取引先の信用力評価とは直接関係ありません。

【解説】

正解: 1 新規取引先への与信枠を慎重に設定する

この問題は、与信管理のリスクを回避するために行うべき「適切な対応」を理解しているかを確認するものです。

正解の選択肢1の通り、特に「新規取引先」は過去の取引実績がないため、信用力が未知数です。そのため、貸倒れリスクを避けるために、財務状況などを調査し、「与信枠（取引限度額）」を「慎重に設定する」ことが、与信管理における重要な対応です。

選択肢2の「毎月の在庫レベルをチェックする」は、在庫管理の業務です。選択肢3の「製品価格を定期的に見直す」は、価格戦略（プライシング）の業務です。

【解説】

正解: 1 一定量の在庫が残った時点で発発注する

この問題は、在庫管理の手法である「定量発注方式」の基本的なルール（特徴）を、「定期発注方式」と区別して理解しているかを確認するものです。

正解の選択肢1の通り、「定量発注方式」とは、発注するタイミングを発注時期（例: 毎月1日）ではなく、「在庫量」で決める方式です。あらかじめ決めておいた発注点（例: 在庫が100個）に達したら、あらかじめ決めておいた「一定量」を発注します。

選択肢2の「定期的に在庫をチェックする」（例: 毎週金曜日に在庫を確認して発注する）のは、「定期発注方式」の特徴です。選択肢3の「発注量は取引先が決定する」のは、一般的な発注方式ではありません。

【解説】

正解: 2 在庫を持たず必要なときに調達する

この問題は、トヨタ生産方式などで知られる「ジャストインタイム（JIT）」という在庫管理（生産管理）手法の、主な利点（目的）を理解しているかを確認するものです。

正解の選択肢2の通り、ジャストインタイム（Just-In-Time）とは、「必要なモノを、必要なときに、必要なだけ」調達・生産する考え方です。これにより、無駄な「在庫を持たず」に済み、在庫管理コスト（保管費用や資金繰り）を大幅に削減できる点が最大の利点です。

選択肢1の「発注量を最大限に増やす」は、在庫を増やす行為であり、JITの考え方とは正反対です。選択肢3の「毎月の在庫チェックを省略する」は誤りです。JITを実現するためには、むしろ厳密な在庫（仕掛品）の管理が求められます。

【解説】

正解: 3 一定の間隔で在庫の発注を行う

この問題は、在庫管理の手法である「定期発注方式」の基本的なルール（特徴）を、「定量発注方式」と区別して理解しているかを確認するものです。

正解の選択肢3の通り、「定期発注方式」とは、発注するタイミングを在庫量ではなく、「一定の間隔（時期）」で決める方式です。例えば、「毎週金曜日に在庫を確認し、目標量に達するまで発注する」といった運用を行います。

選択肢1の「製品の売上高に応じて発注する」のは、どちらの方式でも考慮されますが、方式そのものの定義ではありません。選択肢2の「在庫切れが発生したときだけ発注する」のは、適切な在庫管理とは言えません。