平均の限界を放置しても成立していた過去

50年前から、リアルワールドデータを平均や代表値に押し込めることの問題点は指摘されてきました。
しかし、その問題と正面から向き合う転換は起きませんでした。なぜでしょうか。

それは、平均の限界が「知識としてのlimitation」ではあっても、「現場が変化を迫られる痛み」にはなっていなかったからです。

理由は、当時の社会・市場・医療環境にあります。

戦後の高度経済成長期は、マスの時代でした。人口は増え、市場は拡大し、多くの人が似た方向に成長していました。医療においても、公衆衛生、感染症対策、生活習慣病管理のように、集団全体を対象にした平均的アプローチが機能しやすい時代でした。

つまり、平均には限界があっても、平均で十分に成果が出る環境だったのです。

しかし現在は違います。少子高齢化、人口減少、経済停滞、市場縮小により、社会は拡大型市場からゼロサム型競争市場へ移行しています。医療もまた、集団平均ではなく、患者ごとの異質性、背景、リスク、反応性を踏まえた個別最適化を求められるようになっています。

ここで初めて、平均に押し込めることの限界が、「知識上の問題」から「実害を伴う問題」へ変わったのです。

平均の時代には、平均でよかった。
しかし、個別最適化とゼロサム競争の時代には、分布構造を見なければ意思決定できない。

これは統計手法の話に留まりません。時代環境の変化に対する、分析思想そのものの転換です。
「できるようになったから変える」のではありません。
変えなければ、現実を扱えなくなったということです。

国レベルの損失

最大の損失は、医療費、社会保障費、研究開発費、政策予算の配分ミスです。

平均値だけで見ると、「全体として効果がある／ない」「平均的には問題が小さい」と判断されます。
しかし実際には、特定の層だけが強く悪化している、特定条件下でだけ効果が出る、ある地域だけ構造的にリスクが高い、ということがあります。

その結果、効かない対象に予算を使い、効く対象を取り逃がすという痛みが起きます。
これは、医療費の膨張、介護負担の増加、労働生産性の低下、地域医療の疲弊、健康寿命の短縮につながります。

たとえば生活習慣病対策でも、平均的なBMI、血圧、HbA1cだけを見れば「標準的な介入」で済むように見えます。
しかし分布構造を見ると、同じ平均値の集団でも、軽症者が多い集団と、重症者・高リスク者が偏在する集団では、必要な政策がまったく異なります。

平均で政策を作ると、薄く広く配る政策になりやすい。
しかし、人口減少・財政制約の時代には、それは極めて危険です。必要なのは、どこに集中投資すべきかを見極めることです。

個人レベルの損失

個人レベルでは、痛みはさらに直接的です。

「平均的には正しい判断」が、その人にとっては間違いになるからです。

医療でいえば、平均的な患者では有効な治療が、自分には効かない。
平均的には副作用が少ない薬が、自分には重い副作用を起こす。
平均的には低リスクと判定されるが、自分は見逃される側に入る。

これは単なる統計上の誤差ではありません。本人にとっては、診断の遅れ、治療機会の喪失、不要な治療、副作用、生活の質の低下、最悪の場合は生命予後の悪化につながります。

つまり、個人レベルの痛みは、こう表現できます。

平均の中に埋もれた人が、救われない。

企業・産業レベルの損失

企業では、平均による判断が市場の読み違いを生みます。

平均的な顧客像、平均的な市場成長率、平均的な売上推移だけを見ていると、どの顧客層で勝てるのか、どこで競合に負けているのか、どこに資源を集中すべきかが見えません。
その結果、営業人員、広告費、研究開発費、DX投資が分散します。

これは、縮小市場では致命的です。
なぜなら、ゼロサム市場では、資源配分のズレがそのまま競争力低下になるからです。

平均で見る企業は、勝てる場所を見逃し、負ける場所に投資し続ける。

一言でいうと

平均の痛みとは、こういうことです。

国は、政策資源を誤配分する。
企業は、競争資源を誤配分する。
個人は、自分に合わない判断を受ける。

そして最も重要なのは、これまではその損失が成長によって吸収されていたことです。
しかし今は、人口減少、財政制約、医療費増大、ゼロサム競争により、もはや吸収できなくなっています。

だから今、平均の限界は「理論上のlimitation」ではなく、社会的な損失そのものになっているのです。

そして今、ビッグデータとAIの時代になりました。

かつては、分布構造を十分に扱うだけのデータも計算環境もありませんでした。だからこそ、平均や代表値に圧縮して理解することには合理性がありました。

しかし現在は違います。
膨大なリアルワールドデータが蓄積され、AIによって複雑な構造を扱うことも可能になっています。

だからこそ、これからやるべきことは、データを再び平均に押し込めることではありません。

ビッグデータをビッグデータのまま扱い、AIを単なる効率化ツールではなく、分布構造を読み解くための知的基盤として使うことです。

平均で見えなくなっていた偏り、外れ値、少数派、構造差を捉え直す。
そして、国の政策、企業の戦略、個人の医療判断において、より精緻で、より現実に即した意思決定へ転換する。

それが、ビッグデータとAIの時代に私たちが本来やるべきことです。

平均の限界を知っているだけでは、もう足りません。
平均の外側にある構造を見に行くこと。
そこから新しい意思決定をつくること。

それこそが、これからの分析に求められる転換です。