关注相关系数的平方
接下来，我们来看R 2 。在图 4-2 的例子当中，相关系数是 0.80。其平方为 0.64，与从散点图求出的R 2 =0.640 2 的数值一致。R 2 就是相关系数的平方。因此我们对R 2 也可以采取与相关系数相同的评价标准。
多数情况下，我们将相关系数大于 0.7，或者稍微放宽一些，将相关系数大于 0.5 的情况视为“相关”。0.7 和 0.5 的平方分别为 0.49 和 0.25。大多数情况下，我将 0.7 作为相关系数的标准，将 0.49 作为R 2 的标准，大于这个数值则判断数据相关，可以放心地使用回归方程。对同一数据来说，根据相关系数判断，还是根据R 2 判断，其结果是相同的。
顺便说一下，x 叫作“自变量”或“解释变量”，y 叫作“因变量”或“被解释变量”。不知道这些专用名词也不会影响分析，不过与了解回归分析的人交流时，自然会用到这些词，做些了解也没有坏处。
如果用百分数（%）表示R 2 ，它可以理解为“被解释变量”在多大程度上可以由“解释变量”来说明。就前文这个事例来说，就是在“购买数量”这个变量当中，有 64.02%（=0.640 2）可以通过“公布视频的频率”得到解释。这样可能更便于我们理解R 2 的含义。
那么，刚才得出的回归方程，应该如何解释呢？斜率（3.33）表示，“公布视频的频率”每周增加 1 次，“购买数量”将会增加 3.33 个。比较公布视频的频率增加 1 次的成本和购买数量增加 3.33 个所带来的收益，就可以检验目前公布视频的成本能否带来足够的销售增长。如果公布视频 1 次需要 1 000 日元的成本，而销售增加 3.33 个带来的利润增长为 900 日元的话，我们就不会再进一步增加公布视频的频率。
只靠相关分析的结果无法得到类似的数值关系。通过这种关系可以得知，增加 1 次公布视频的频率，会对目标即购买数量产生多大的影响。如果其他要素与购买数量的相关程度较低，但能给购买数量带来更大影响的话，也可以优先采取那个方面的措施。
另一方面，假设本周销售目标为 400 个，也可以将它代入y ，反向推算公布视频的频率（400=3.33×公布视频的频率+84.9）。计算可知，需要公布视频的频率为 95 次/周。将这种情况反映在散点图上就是图 4-6。
像这样，知道达到目标（例如销售数量 400 个）所需要的输入（例如公布视频的频率）为多少，就可以计算出需要多少资源，或者据此设定行动指标（KPI：重要业绩评价指标），从而制定出更为客观并符合逻辑的计划。
图 4-6 用散点图逆向推算公布视频的频率
后文还会专门介绍具体应用事例，希望这种方法能帮助大家告别只靠“毅力和热情”来制定计划的做法。当然，也可以先设定公布视频的频率，再根据回归方程计算能带来多少购买数量。