AIケース予測

クイックスタート：事前構築済みPythonテンプレート

mindzieは、Pythonを書かずにAIケース予測を実行できる、アップロード可能な3つのテンプレートパッケージを提供しています。Predict Value Column に合ったものを選択し、zipをダウンロードして、AIケース予測ブロックの Upload Model メニューからアップロードするだけです。

テンプレート	Predict Value Columnが... の場合に使用	代表的な例	ダウンロード
バイナリ分類器	正確に2つのカテゴリ	"Approved" / "Rejected"、True / False、0 / 1、"Pass" / "Fail"	mindzie_ai_binary_classifier_v1.zip
マルチクラス分類器	3つ以上のカテゴリ	"Low" / "Medium" / "High"、地域コード、ステータスカテゴリ	mindzie_ai_multiclass_classifier_v1.zip
回帰器	連続数値	秒数の期間、金額、アイテム数、パーセンテージ	mindzie_ai_regressor_v1.zip

これら3つのパッケージは汎用的で、mindzieStudioが実行時に書き出すスキーマファイルから列名と型を読み取るため、任意の特徴量列とターゲット列の組み合わせで動作します。zip内のファイルは編集不要です。

スクリーンショット付きの完全なアップロードワークフロー、テンプレートが自動処理する内容、カスタマイズ方法はこのページ下部の事前構築済みPythonテンプレートの使用にあります。

概要

AIケース予測エンリッチメントは、プロセスデータの過去のパターンに基づいて、ケースの結果や振る舞い、特性を予測するために機械学習および人工知能を活用できます。この強力な機能は、既存のケース属性を用いて予測モデルを学習し、現在または将来のケースの未知の値を予測するためにこれらのモデルを適用します。

従来のルールベースのエンリッチメントとは異なり、AIケース予測は統計的学習アルゴリズムを使用して、データ内の複雑なパターンや関係性を発見します。この機能は分類タスク（カテゴリや結果を予測）をサポートし、プロセスマイニングのワークフロー内でモデル作成と予測展開の両方を処理します。

このエンリッチメントは特にプロセス最適化、リスク管理、予防的意思決定に有用です。プロセスライフサイクルの早期にケースの結果を予測することで、予防措置を講じ、リソースを効果的に配分し、潜在的な問題を事前に特定できます。

よくある用途

結果予測： ケースが承認されるか拒否されるか、期限内に完了するか遅延するか、成功するか失敗するかを初期属性から予測
リスク評価： 問題が発生しそうな高リスクケース、再処理が必要なケース、顧客苦情が予想されるケースを特定
期間予測： ケースが完了するまでにかかる時間を、初期特性と進行状況から予測
リソース配分： 複雑性指標に基づき、特別な対応や追加リソースが必要なケースを予測
顧客離反防止： 行動パターンに基づき、キャンセルや放棄のリスクが高い顧客ケースを予測
品質予測： プロセス実行パターンに基づき、品質基準を満たすか追加検査が必要かを予測
コスト見積もり： 初期パラメータと初期活動パターンからケースの最終コストを予測

設定

予測タイプ

Prediction Type: 実行する機械学習タスクの種類を指定します。現在は分類（分類タスク）のみサポートし、カテゴリ結果やクラスラベルを予測します。

分類 (Classification): "Approved/Rejected"、"High Risk/Low Risk"、"On Time/Delayed" 等の離散的カテゴリや結果を予測します。特徴量のパターンに基づきケースを事前定義のグループに分類します。
回帰 (Regression): （将来対応予定）期間、コスト、数量などの連続数値を予測
クラスタリング (Clustering): （将来対応予定）事前定義なしに類似ケースをグループ化
時系列 (Time Series): （将来対応予定）時間的パターンや系列を予測
異常検知 (Anomaly Detection): （将来対応予定）異常または外れ値ケースを検出
推奨 (Recommendation): （将来対応予定）最適な次の行動や活動を提案

ほとんどのビジネス用途では、特定の結果が明確なカテゴリに属する場合、分類を選択するのが適切です。

特徴量列

Feature Columns: 学習と予測に使用するケース属性（入力説明変数）を選択します。予測したい結果に影響・相関すると考えられる属性を選びます。

特徴量列選択のベストプラクティス：

早期予測したい場合は、ケースライフサイクルの早期に判明する属性を含める
データ品質が良く（欠損値が少ない）属性を選ぶ
カテゴリ値も数値も両方含めてパターンの多様性を高める
予測対象列（ターゲット列）は特徴量として選ばない
ドメイン知識を活用し、結果に影響を与えると思われる要因を選択
3〜10個の関連性の高い特徴量から始める。多すぎると精度が落ちる場合あり

有用な特徴量例：

顧客タイプ、地域、セグメント
注文金額、優先度、カテゴリ
初期要求の特性
リソース割当や部門
時間系属性（曜日、月、季節）

予測値列

Predict Value Column: モデルが学習する既知の結果を含むケース属性を選択します。これは従属変数で、新しいケースに対して予測される対象の列です。学習データでは値が既知である必要がありますが、予測対象のケースでは空欄でも構いません。

分類の場合、有効な列は：

文字列属性（例："Approved", "Rejected", "Pending"）
ブール属性（True/False結果）
整数属性（カテゴリを表す数値コード）

Predict Value Columnは：

予測したい実際の結果を含む
学習データで各カテゴリが充分な数存在する
予測したい主要なビジネス結果である
予測実行時点で未確定の値であるべき

学習フィルター

Training Filters: AIモデルの学習に使用するケースを選ぶフィルター基準を定義します。データ品質が良い、完全なケースだけを学習に使い、代表性の低いケースや欠損のあるケースは除外できます。

よく使われる学習フィルター例：

完了済みケースのみ含める（進行中除外）
予測値が既知のケースのみ含める
データ欠損や品質問題のあるケースを除外
最新ケースのみ含めて現行プロセスに対応
特定期間、部門、地域で絞り込む
結果カテゴリごとに均等に含めてバランス調整

例："Case End Time is not empty AND Outcome is not empty AND Case Start Time is after 2024-01-01"

予測フィルター

Prediction Filters: エンリッチメント実行時に予測対象とするケースを選ぶフィルター基準です。有効な箇所で選択的に予測を行い、不要なケースでの予測を防ぎます。

よく使われる予測フィルター例：

進行中ケースのみ含める（結果未確定）
予測値が空欄のケースのみ含める
特定期間や現在アクティブなケースで絞り込む
特定のリスク基準を満たすケースのみ含める
重要度・優先度の高いケースのみ予測

例："Outcome is empty AND Case Status equals 'In Progress' AND Case Start Time is after 2025-01-01"

新規予測列

New Prediction Column: AI予測値を格納する新規ケース属性の名前、データ型、表示形式を設定します。この列はケーステーブルに追加され、実行時に予測値が格納されます。

設定オプション：

列名: 内部的に使う名前（スペースなし、アンダースコア推奨）
表示名: 分析ダッシュボードに表示されるユーザーフレンドリー名
データ型: Predict Value Columnと一致させる必要あり（文字列、ブール、整数など）
表示形式: 可視化での表示方法（テキスト、数値、パーセンテージなど）

例：

列名: "predicted_outcome"、表示名: "Predicted Outcome"、型: String
列名: "risk_prediction"、表示名: "Risk Level Prediction"、型: String
列名: "will_delay"、表示名: "Predicted to Delay"、型: Boolean

モデルID

Model Id: （任意）以前に学習したモデルのユニーク識別子（GUID）を指定します。mindzieStudioはモデル保存時に固有のModel Idを割り当てます。これを指定すると再学習せずに既存モデルを利用でき、一貫した予測が可能です。

空欄の場合、エンリッチメントは毎回新規モデルを学習します。以下の場合にModel Idを指定します：

十分に性能検証済みの学習済みモデルを使いたい
一貫性を保つため同一モデルを継続利用したい
別データセットに既存モデルを適用したい
計算コストを避けたい

Model Idはエンリッチメント実行ログやモデル管理インターフェースで確認可能です。

Pythonイメージ

Python Image: AIモデルの学習・予測スクリプトを実行するPython環境を指定します。mindzieStudioは複数のPython実行モードをサポートし、異なる展開シナリオに対応します。

選択肢：

LOCAL: mindzieStudioサーバ上のローカルPythonを使用。Python 3.xと機械学習ライブラリ（pandas、scikit-learn等）がインストール済みなら最速。
Docker Image Name: Pythonと必要なライブラリを含むDockerコンテナイメージ。例："python:3.9-slim"やMLライブラリ組み込みのカスタムイメージ。
Python未構成: ローカルPythonもDockerも利用不可の状態。使用前にPython環境設定が必要。

デフォルト動作：

ローカルPythonがあれば自動で「LOCAL」を選択
Dockerが設定済みでローカルPythonがない場合、Dockerイメージを使用
どちらもなければPython構成を促す

本番利用では、一貫性と隔離性のためDockerイメージ推奨。開発・テスト時はLOCALが便利です。

事例

事例1：発注の承認結果予測

シナリオ: 調達部門が注文特性に基づき承認されるか拒否されるかを予測し、早期に拒否リスクを検知して依頼者と協働し承認率を向上したい。

設定内容:

Prediction Type: 分類
Feature Columns: Order_Amount, Department, Vendor_Category, Requester_Level, Budget_Available, Previous_Orders_Count, Urgency_Flag
Predict Value Column: Approval_Outcome（完了注文の「Approved」または「Rejected」）
Training Filters: "Approval_Outcome is not empty AND Case_End_Time is not empty"（完了済み注文のみ学習）
Prediction Filters: "Approval_Outcome is empty AND Case_Status equals 'Under Review'"（現在審査中注文を予測）
New Prediction Column:
- 列名: predicted_approval
- 表示名: Predicted Approval Outcome
- 型: String
Model Id: 空欄（新規学習）
Python Image: LOCAL

出力内容: 審査中の各注文に「Predicted Approval Outcome」属性が追加され、「Approved」または「Rejected」が予測される。学習されたパターン例：

新規ベンダーからの5万ドル超注文は拒否されやすい
予算あり、依頼者がマネージャーレベル以上の注文は承認されやすい
緊急注文で同ベンダーの以前成功例ありは承認率高い

洞察: 予測分析により現審査中注文の23%が拒否リスクと判明。拒否予測の依頼者へ追加説明や代替ベンダー提案、分割発注を積極的に働きかけ、承認率は78%から89%に向上。長期的な再提出による遅延も減少。

事例2：患者の再入院リスク予測

シナリオ: 病院が退院患者の30日以内再入院リスクを予測し、ケアコーディネーターが対象者に集中ケアを実施して再入院率の低減を図りたい。

設定内容:

Prediction Type: 分類
Feature Columns: Patient_Age, Diagnosis_Category, Length_of_Stay, Comorbidity_Count, Prior_Admissions, Discharge_Destination, Medication_Complexity, Social_Support_Score
Predict Value Column: Readmitted_30_Days（過去退院患者の「Yes」か「No」）
Training Filters: "Discharge_Date is not empty AND Days_Since_Discharge >= 30"（30日結果既知のケースのみ学習）
Prediction Filters: "Discharge_Date is not empty AND Days_Since_Discharge < 30"（最近退院者を予測）
New Prediction Column:
- 列名: readmission_risk_prediction
- 表示名: Predicted Readmission Risk
- 型: String
Model Id: 空欄
Python Image: LOCAL

出力内容: それぞれの最近退院患者に「Predicted Readmission Risk」属性を追加し、「Yes」または「No」を表示。予測例：

患者ID45321：72歳、心不全、8日入院、合併症3個、自宅単身退院 → リスク「Yes」
患者ID45322：55歳、小手術、2日入院、合併症なし、家族あり退院 → リスク「No」
患者ID45323：68歳、肺炎、5日入院、合併症2個、3ヶ月前入院歴あり → リスク「Yes」

洞察: 過去30日間で78名の高リスク患者を特定しホームヘルス訪問、薬剤レビュー、フォローアップを優先実施。90日間の介入後、高リスク患者の再入院率が22%から14%へ低減し、予防的患者管理の有効性を示した。

事例3：製造業の品質不良予測

シナリオ: 製造企業が生産注文の初期パラメータと生産初期指標に基づき品質不良を予測し、不良発生前に追加の品質管理を実施したい。

設定内容:

Prediction Type: 分類
Feature Columns: Product_Type, Batch_Size, Material_Supplier, Production_Line, Operator_Experience_Level, Temperature_Variance, First_Pass_Yield, Cycle_Time_Deviation
Predict Value Column: Quality_Defect_Found（完了注文の「Defect」または「Pass」）
Training Filters: "Production_Status equals 'Completed' AND Quality_Inspection_Complete equals true"（完全検査済み完了注文のみ学習）
Prediction Filters: "Production_Status equals 'In Progress' AND Percent_Complete >= 25 AND Percent_Complete < 100"（生産中注文を予測）
New Prediction Column:
- 列名: defect_prediction
- 表示名: Predicted Quality Outcome
- 型: String
Model Id: 空欄
Python Image: LOCAL

出力内容: 現在生産中の156注文に品質予測を出力。例：

注文10045：大ロット、新素材サプライヤー、高温度変動 → 予測「Defect」（品質警告）
注文10046：標準製品、経験豊富な操作者、正常指標 → 予測「Pass」
注文10047：複雑製品、Bライン、サイクルタイム15%超過 → 予測「Defect」（品質警告）

リアルタイム品質ダッシュボードに予測不良を表示し、品質エンジニアが生産完了前に介入可能に。

洞察: 予測を活用し、不良予測注文に対して検査強化およびプロセス調整を実施。3ヶ月間で34件の不良を早期発見し最終検査に回る不良を削減。不良率が8.2%から4.1%へ減少し、再作業コストを127,000ドル削減。新素材サプライヤー＋高温度変動は67%の不良率となり、サプライヤー審査強化と温度制御厳格化に繋がった。

事例4：金融ローンの債務不履行リスク予測

シナリオ: 金融機関が承認済ローンの最初の12ヶ月間での債務不履行リスクを予測し、高リスクローンについて条件調整や追加担保、頻繁なモニタリングを実施。

設定内容:

Prediction Type: 分類
Feature Columns: Loan_Amount, Credit_Score, Debt_to_Income_Ratio, Employment_Duration, Loan_Purpose, Property_Value, Down_Payment_Percent, Previous_Loans
Predict Value Column: Defaulted_12_Months（12ヶ月以上の履歴があるローンの「Default」または「Performing」）
Training Filters: "Loan_Origination_Date < '2024-01-01' AND Months_Since_Origination >= 12"（12ヶ月結果既知のローンのみ）
Prediction Filters: "Loan_Status equals 'Active' AND Months_Since_Origination < 12"（最近のローンを予測）
New Prediction Column:
- 列名: default_risk_prediction
- 表示名: Predicted Default Risk
- 型: String
Model Id: a1b2c3d4-e5f6-7890-a1b2-c3d4e5f6g7h8（既存の学習済みモデルを使用）
Python Image: LOCAL

出力内容: 過去12ヶ月で発行された892件のアクティブローンに対しモデルを適用し、デフォルトリスク予測を生成：

724件は「Performing」（低リスク）
168件は「Default」（高リスク）

高リスク例：

ローン50012：32万ドル、信用スコア640、DTI42%、勤続8ヶ月 → 「Default」
ローン50034：18万ドル、信用スコア680、DTI38%、過去の遅延支払いあり → 「Default」
ローン50078：42.5万ドル、信用スコア655、DTI45%、高融資割合 → 「Default」

洞察: リスク管理チームはポートフォリオをリスクレベルごとに分類し、監視戦略を差別化。高リスクローンは月次点検、低リスクは四半期点検。価格設定モデルにもリスク予測を反映し、高リスクは金利を0.5～1.0%引き上げ。12ヶ月後、モデル精度は82%に達し、積極的監視により高リスクの実デフォルト率を15%から9%に低減、推定230万ドルの損失回避に寄与。

事例5：顧客サービスのチケット解決予測

シナリオ: 顧客サポート組織が初期チケット特性に基づきSLA内解決可否を予測し、早期にリスクケースをエスカレーションしてSLA遵守率を向上。

設定内容:

Prediction Type: 分類
Feature Columns: Issue_Category, Customer_Tier, Complexity_Score, Assigned_Team, Initial_Response_Time, Customer_Sentiment, Product_Version, Similar_Cases_Count
Predict Value Column: Resolved_Within_SLA（完了チケットの「Yes」または「No」）
Training Filters: "Ticket_Status equals 'Closed' AND Close_Date is not empty"（解決済みのみ学習）
Prediction Filters: "Ticket_Status equals 'Open' AND Hours_Since_Creation >= 2 AND Hours_Since_Creation < 24"（最近発生チケット予測）
New Prediction Column:
- 列名: sla_compliance_prediction
- 表示名: Predicted SLA Compliance
- 型: String
Model Id: 空欄
Python Image: LOCAL

出力内容: 現在開いている234チケットのSLA遵守予測を表示。例：

チケット7845：請求問題、プレミアム顧客、複雑度2、チームA、15分初期応答 → 「Yes」
チケット7846：技術バグ、標準顧客、複雑度8、チームB、45分応答 → 「No」（エスカレーション）
チケット7847：パスワードリセット、ベーシック顧客、複雑度1、チームC、5分応答 → 「Yes」

サポートチームのダッシュボードで色分け表示：緑はSLA遵守予測、赤は違反予測。

洞察: 予測を活用し、リスクチケットを積極的にエスカレーションや追加リソース配分。6ヶ月でSLA遵守率が83%から91%に向上。モデルはチームBの高複雑度チケットが遵守率58%に留まることを明らかにし、作業負荷の再分配や追加教育を実施。初期応答時間が解決時間の最重要予測因子と判明し、15分以内の初応答ポリシーを新設。

事前構築済みPythonテンプレートの使用

ページ上部のクイックスタートに3つのダウンロードパッケージが示されています。このセクションでは完全なアップロード手順、テンプレートの自動処理内容、カスタマイズ方法を説明します。

Model Idを指定せずにAIケース予測を実行すると、mindzieStudioはランダム予測を生成するプレースホルダPythonスクリプトを作成します。これは、本格的な機械学習ロジックを後で実装するための出発点です。事前構築テンプレートパッケージは、それを実際にscikit-learnモデルに置き換え、データから学習し、予測を新規ケース属性に書き戻します。

ステップバイステップ手順

この手順はAIケース予測ブロックのUpload Model機能を使用し、ローカルPython不要でmindzieStudioのどのバージョンでも動作します。

1. AIケース予測エンリッチメントを設定

上記設定セクションにあるPrediction Type、Feature Columns、Predict Value Column、2つのフィルターリストと新規予測列を設定して保存します。Model Idは一旦空欄のままにします。

2. マッチするテンプレートパッケージをダウンロード

上表からPredict Value Columnに合うリンクをクリックし、zipをパソコンに保存します。解凍せずそのままアップロードします。

3. ブロックのUpload Modelメニューからアップロード

mindzieStudioのAIケース予測ブロックメニューからUpload Modelを開き、先ほど保存したzipファイルを選択。mindzieStudioが展開しユニークなModel Idを割り当てます。

4. Model Idをエンリッチメントに貼り付け

mindzieStudioが表示するModel Idをコピーし、AIケース予測編集画面のModel Id欄に貼り付けて保存します。

5. エンリッチメントを実行

次回実行時にmindzieStudioは現在のTrainingとPredictionフィルターに基づきTraining.csv、Prediction.csvを新規作成し、アップロードモデルファイルを配置後、設定Pythonイメージ環境でpython script.pyを実行します。テンプレートはデータをロードし、RandomForestモデルを学習、予測し結果を新規ケース属性に書き込みます。ユーザーの追加操作は不要です。

以降の実行は常に現行のTrainingフィルターのケースで再学習するため、データの成長に応じてモデルが適応します。毎回再学習したくない場合は、後述のカスタマイズ方法を参照してください。

テンプレートが自動処理する内容

Pythonコードは一切記述不要。次が自動処理されます：

汎用的な列検出 — すべての特徴量列、ターゲット列、ケースIDはTraining.schemaから動的に読み取り可能。任意の属性名に対応。
数値特徴量 — 欠損値は中央値で補完。
カテゴリ / 文字列特徴量 — 予測時に未知カテゴリの安全な処理を含むワンホットエンコーディング。
学習 / テスト分割 — 精度報告のため80/20分割（分類は層化、回帰は無作為）。
クラス不均衡 — マルチクラス分類はclass_weight='balanced'を使用し、極少クラス（2行未満）は除外。
型厳密な出力 — 予測値はターゲット列と同じデータ型にキャストされ、mindzieStudioが正常に解析可能：Int32、Int64、Single、Double、Boolean、String、または秒数ベースTimeSpan。

テンプレートがまだ対応していないこと

テンプレートは簡易的な出発点です。次は対応していません：

学習済みモデルの永続化 — 毎回スクラッチから再学習。高速ですが非常に大規模データでは影響あり。
最適ハイパーパラメータ探索 — デフォルトの適切な設定のみ。
日時属性からの特徴量抽出 — 日付列があれば、事前に曜日、月、時間などを計算機や加工式で数値化しておく必要あり。
非常に大規模データ対応 — 約10万件のケースまでしか動作確認済み。大規模な場合は学習フィルターでサンプリング検討。

モデルカスタマイズ

標準のRandomForestが合わない場合、ハイパーパラメータ調整や特徴量エンジニアリング、自作アルゴリズム追加も可能。テンプレートはzip内の三つのPythonファイル：

model_trainer.py — アルゴリズム実装済み。変更対象はここだけ。
mindzie_helper.py — スキーマ対応CSVローダ（編集不要）。
script.py — エントリポイント（編集不要）。

カスタマイズ手順：

テンプレートパッケージをPCで解凍。
model_trainer.pyを編集し、アルゴリズムや前処理を変更。
3ファイルをフォルダなしで再zip圧縮。
上記Step 3のようにUpload Modelで新zipをアップロード。

ローカルで変更検証したい場合、Model Idなしで一度mindzieStudioで実行し、ブロックメニューのDownload Packageで3ファイル＋in/Training.csv、in/Prediction.csvを取得。model_trainer.pyを差し替え、解凍フォルダでpython script.pyを実行。結果はout/Prediction.csvに出力されます。

アルゴリズムリファレンス

テンプレート	推定器（Estimator）	主な設定
バイナリ分類器	`RandomForestClassifier`	`n_estimators=200`、`min_samples_leaf=2`、層化分割
マルチクラス分類器	`RandomForestClassifier`	`n_estimators=300`、`class_weight='balanced'`、極少クラス除外
回帰器	`RandomForestRegressor`	`n_estimators=300`、`min_samples_leaf=2`、整数丸め

3種とも同じ前処理パイプラインを使用：ColumnTransformerで数値はSimpleImputer(median)、カテゴリはSimpleImputer(constant)+ OneHotEncoder(handle_unknown='ignore')。1つのPipelineでまとめて、予測時も学習時と完全に同じ前処理。

必須Python環境

Dockerイメージ以外でローカル実行する場合、必要パッケージは：

pip install pandas==2.1.4 numpy==1.26.3 scikit-learn==1.4.0

これらバージョンはmindzie_windows_python3_11:V01の依存と一致しているため、ローカルでもDocker内でも動作は同じです。

出力

AIケース予測エンリッチメントが正常に実行されると、「新規予測列」に設定した名前のケース属性がデータセットに追加されます。この属性は派生列としてケーステーブルに結合され、すべての分析ダッシュボード、フィルター、可視化で他のケース属性と並んで表示されます。

予測値

新規予測列に格納される値はPredict Value Columnのデータ型に依存します：

文字列（テキスト）予測の場合：

トレーニングデータのカテゴリに沿ったテキスト値を含む
例："Approved"、"Rejected"、"High Risk"、"Low Risk"、"Delayed"、"On Time"
フィルターやグルーピング、ダッシュボードの色分けで利用可能

ブール予測の場合：

True / Falseの値を格納
例：True = 「債務不履行の可能性あり」、False = 「債務不履行なし」
2値結果や簡単なyes/no分類に最適

整数予測の場合：

カテゴリを示す数値コードを格納
例：0 = 「低リスク」、1 = 「中リスク」、2 = 「高リスク」
自然な数値順序のあるカテゴリに有効

予測結果の活用

予測列が作成されると、mindzieStudio内で以下のように活用可能：

フィルターで：

高リスク予測のケースのみ表示：「Predicted Risk equals 'High Risk'」
低リスクケースを除外：「Predicted Outcome not equals 'Low Risk'」
他条件と組み合わせ：「Predicted Delay equals 'Yes' AND Order Amount > $10,000」

ダッシュボードで：

予測結果別にパフォーマンスチャートを作成
プロセスマップでリスクを色分け表示
予測精度を実績と比較したKPI指標を作成
部門別や製品別、期間別のリスクヒートマップを作成

他のエンリッチメントで：

計算機の入力として利用（例：「High Risk Score」計算機）
他エンリッチメントと組み合わせ複合リスクスコアを作成
フィルター条件に使い、限定的なエンリッチメント実行に活用（例：非準拠と予測されたケースにのみコンプライアンスチェック抑制）

プロセス改善に：

負の予測結果をもたらすプロセスパターンを特定
改善優先すべき活動を決定
時系列で予