データ分析の教材でよく紹介されているデータ分析手法を実行しても、結果にがっかりされた話

先日たまたま以下の記事を目にしました。

数億円かけたデータ分析でわかったのは、アホでも知ってる常識だった！ | DX沼からの脱出大作戦 | ダイヤモンド・オンライン

なかなかセンセーショナルなタイトルです。

以下はタイトルに関連する箇所の抜粋です。

かつて某大手食品メーカーが数億円の費用を掛けて、コンビニにおける自社製品の売上を分析しようとしたことがありました。その結果、いったい何がわかったでしょうか。

なんと、「ペットボトルのお茶とおにぎりは、いっしょに買われることが多い」とわかったそうです。

（略）

それにしても「ペットボトルのお茶とおにぎりがいっしょに売れている」ことがわかったところで、施策の取りようがありません。数億円掛けて、「でしょうね」としか言いようのない結果を得た担当者の嘆きはいかばかりだったでしょうか。

この件はその後結局どうなったのかは書かれてないので不明ですが、データ分析の考察としてなかなか良さそうな題材なので、色々と勝手な妄想で考えをめぐらせてみたいと思います。

確かにペットボトルのお茶とおにぎりは一緒に買われることが多い、ということはデータを見ずとも想像できそうですね。

おそらくバスケット分析（併買分析）を実施された結果かと思いますが、そもそもなぜこういった分析をしようと考えられたのでしょうか。

「おむつとビール」の事例では、実際に二つの商品を隣に置いて販売することで売上が伸びた！、かどうかは都市伝説とのことですが、その事例のように近くに置くことで相乗効果のありそうな商品の組み合わせを見つけ、販売促進につなげたかったのでしょうか？

であれば、データで実証されたわけでもあるので、実際にペットボトルのお茶とおにぎりを隣に置くなどして販売促進施策が実施されたのでしょうかね。

もしそれで結果が出ていたのであれば、ひょっとすると数億円のコスト以上の効果も出ていたかもしれません。

ちなみに「お茶を買うついでにおにぎりを買う」というよりは「おにぎりを買うついでにお茶を買う」方が多いのではないかと思いますので、お茶の販売が促進されるものとして考えてみましょう。

2022年の緑茶飲料のメーカー別シェア（見通し）でみると、伊藤園がトップで35%とのことです。

その他のメーカーは、22％、21％、8％。。。

【伊藤園/解説編】世界一のティーカンパニーを目指せ! | 日興フロッギー

そして、2023年の緑茶市場は約4500億円とのことです。

緑茶飲料市場、2023年販売金額が過去最高を記録 牽引役の伊藤園はシェアアップ その要因は？（食品新聞） - Yahoo!ニュース

今回の記事のメーカーがどこかは不明ですが、もし上位3位に入るところであれば、シェア2割以上なので、売上は900億円以上になりそうですね。

すごく乱暴ですが、このうちコンビニで売られているものが1割とすると90億円

もし販売促進効果が数％ほどでもあれば、数億円の売上増が見込めそうです。

利益はもっと少ないでしょうが、上記は一年間の数字なので、長い目でみれば分析のコストをPAYできるかもしれないですね。

なお、あくまで販売促進効果があったという前提で見積もってみましたが、効果がない可能性も当然あります。

もしその場合仮説が間違っていたということで、それはそれで知見になるのですが、クライアントはなかなか納得されないでしょう。

なので、他にどういったことにつなげられるかも考えてみましょう。

仮にお茶の販売促進という目的だとすると、例えば以下のような分析ができるかもしれません。

• 通常のシェアと、おにぎりと一緒に買われるときのシェアの比較

おにぎりとお茶が一緒に買われやすいとしても、お茶飲料ごとに差があるかもしれません。

もし当該メーカーの商品が他社商品よりもおにぎりと一緒に買われにくいことがわかったとすると、次の手が考えられます。

• 現行商品はおにぎりが買われる場面で他社商品より選ばれにくいという弱点があるので、その改善・補強を行う

• おにぎり以外に他に相性が良い組み合わせがある可能性が高いので、そちらでの販売促進を狙い、より強みを伸ばす

基本的に取り得る戦略としては、弱点を補強するか、強みを伸ばす方向のいずれかになるかと思いますので、弱い部分と強い部分をどのように明らかにするか、が分析のポイントとなってくるかと思います。

• おにぎりと一緒に買われる確率がどんな条件によって変動するかの分析

そこで、上記のような調査を行い、弱い部分と強い部分を明らかにしてみるというやり方もあるかと思います。

条件は色々考えられますが、例えば天気・季節・気温・店舗立地・地域・おにぎりの具・おにぎりのサイズ・おにぎりの価格帯・お茶の温度（HOT/COLD）・レギュラー商品／限定商品。。。などなど

（前半は特におにぎりの併買時に限らずとも良いですが）

もしID-POSがあるなら、顧客のリピート状況による違いを分析してみるのもいいかもしれませんね。

とはいえ、あれこれとデータを見るだけで終わったり、その後のアクションにつなげられないデータを見ても意味がありません。

あらかじめ検証すべき仮説や取り得ることができそうなアクション（弱い部分をどのように補強するか、あるいは強い部分をどのように伸ばせるか）を考えて、データの切り口の検討や分析設計を行うのが良いかと思います。

取り得るアクションは棚割り、流通量調整、商品開発、プロモーション、販売チャネル改善、、、などなど色々あるかと思います。

あと、おにぎりの需要を分析し、それに合わせて施策の優先度を調整するというのもありかもしれませんね。

例えば猛暑だと食欲もなくなり、おにぎりの需要も減りそうな気がしますが、

猛暑のこの夏、コンビニで売れる意外な商品（THE PAGE） - Yahoo!ニュース

梅干しのおにぎりの売上が3割増するなど、意外とそうでもないケースもあるようです。

さらに、これらの分析から次の手を打てそうな可能性が見えてきたら、実際にテストを行い、効果検証をやってみると良いかと思います。

この辺りまでやってみて、ようやくデータ分析の評価もできるようになってくるのではないでしょうか。

通常、クライアントが分析者に期待していることは、専門的な分析手法を実行してもらいたいとか、様々なデータや分析結果から何かを読み解いてほしいといったことではありません。

彼らは、自分たちが次にどうすべきかをデータを元にアドバイスして欲しいと感じているのではないかと思います。

なので、彼らが取り得るアクション、現状の課題、調査すべき事項、新たな取り組み候補などをいったんテーブルの上に広げて、それらをどのように扱っていくべきか、データを使ってシナリオやストーリーを組み立てクライアントとすり合わせを行っていくと、期待外れという結果にはなりにくいのではないでしょうか。

それにしても、世の中にはそうしたすり合わせもせず具体的な目標もないまま、結構な予算のデータ分析プロジェクトやＤＸプロジェクトが始まってしまうことが多いような気がしますが、なぜなのでしょうね？

戦略と戦術とデータ分析

戦略と戦術

まず、戦略と戦術について説明します。

戦略・・・目標達成のためのおおまかな方針

戦術・・・具体的な方法やアクションプラン

例えば、あなたが田舎の高校生だとして、将来都会の大企業で働きたいという目標を持っていたとします。

そこで例えば以下のような戦略を立てたとします。

①そうした大企業に就職する人の多いA大学を目指す

②そうした大企業で求められる専門知識が学べるB大学を目指す

仮に①を選んだ場合、次に具体的にA大学に入学するための方法が戦術になってきます。

A大学に強い予備校に通う、A大学の受験生に評判の問題集を解く、などなど。

戦略と戦術は基本的にはセットです。

戦略がないと、間違った戦術を実行して目標達成が遠のいてしまう恐れがあります。

戦術がないと、具体的に何をして良いかわからないままでこれまた目標は達成できません。

しかし、ビジネスの場では戦略と戦術がセットにされずに切り離されてしまっているケースもよく聞きます。

経営層やコンサルのような人たちが戦略を考えて、戦術とその実行は現場の人間の担当である、みたいに役割分担してしまうような感じです。

うまく両者が連携できていれば良いのですが、そうでないと戦略が机上の空論になってしまう可能性が高くなります。

さっきの例でいうと、親が子供に都会の大企業で働くには「A大学を目指すのが良い」という戦略を授けたとします。

A大学の偏差値は70

子供の偏差値は50だったとすると、

A大学に入学するためには子供はどうすれば良いでしょうか。

子供が自ら戦術を考えて実行したとしても、A大学に入学するにはかなり厳しいと思われませんか。

ビジネスの場でも、似たようなケースはよく見かけないでしょうか。

あるセグメントの市場に注力するというマーケティング戦略を立てた

⇒しかしそのセグメントでシェアをとるにはどうすれば良いのだろうか

エンジニアを増やし、システムを内製化して柔軟な開発体制に変える戦略をとろう

⇒しかし、どんなエンジニアをどう募集すれば必要数採用できて、システムが内製化できるのだろうか

自社サービスの顧客を増やすために、まずはハードルの低い無料体験の見込み客をこれまでの2倍に増やそう

⇒しかし、これまで頑張っても見込み客は微増しかしていないのにどうすればを2倍に増やせるのだろうか

選択した戦略に沿って戦術を考え実行して結果を出せる人材が「たまたま」現場にいれば、目標達成ができるかもしれません。

もし「たまたま」子供の偏差値が70以上あったならば、よほどおかしな戦術をとらない限りはA大学に合格できる可能性は高いでしょう。

しかし、子供の偏差値がもし50程度しかなかったならば、A大学に強い予備校に通うなどしても合格の可能性は低いかもしれません。

結果的に目標達成できなければ、親の戦略「A大学を目指せ」は机上の空論に過ぎなかったと評されても仕方ないでしょう。

では机上の空論にならない戦略を立てるにはどうすれば良いのか

戦略を立てるときに「戦略だけでなく戦術まで踏まえて考えることができるか」というのはひとつヒントになるのではないかと思います。

目標達成のためには、戦略と戦術のどちらが重要なのか、ではなくどちらも重要です。

戦略と戦術がちぐはぐになってしまうのが一番宜しくないのではないかと思います。

子供が偏差値50であったとしても、A大学がスポーツ推薦を行っていて子供がそのスポーツが非常に得意であることを知っていれば、A大学を目指す戦略も実を結ぶかもしれません。

あるいは、偏差値50の子供を何人もA大学に合格させた家庭教師に伝手があるならば、A大学の入学も現実的になるかもしれません。

机上の空論にならない「良い戦略」を考えられる人は良質な戦術眼も持っているのではないでしょうか。

またもうひとつ戦略の立て方で注意したいポイントがあります。

もし戦術眼のない人が戦略を立てると、無謀な戦略を選んでしまい、どんな戦術をとってもどうしようもない状態になることもあります。

もちろん一発逆転できる戦術もなきにしもあらずですが、そうしたものは通常成功確率が非常に低かったり、ハイリスクハイリターンで逆に目標達成からはかなり遠のいた結果で終わる可能性が高くなります。

そうした戦略をとらざるを得ない場面もあるかと思いますが、常にそうした戦略を選んで結果として目標達成率が低くなった戦略家は信用を失うでしょう。

さきほどの例でいうと、都会の大企業に入りたいという目標に対して、その企業に入社する人の多いＡ大学を目指すという戦略を選びました。

一方、もうひとつ戦略を用意していたのを覚えておられるでしょうか。

②そうした大企業で求められる専門知識が学べるB大学を目指す

仮に、A大学の卒業生の大企業就職率が5割で、B大学の卒業生の大企業就職率が3割だったとします。

すると、目標達成のためにはA大学を目指す方の戦略を選びたいところですよね。

しかし、A大学の偏差値が70、B大学の偏差値が55、学生の現在偏差値が50だったとするとどうでしょうか

もしそうした学生に毎回A大学を目指すべきという教師がいたら信用されるでしょうか。

もし子供がA大学の受験に失敗して何年も浪人していたら、親は別の道を考えるよう助言したりしないでしょうか。

戦略を考える場合はなるべく複数用意すること

その上で現状や前提条件をきちんと把握した上でどの戦略を選択すべきかを考える、ということも重要になるでしょう。

戦略と戦術とデータ分析

ようやく本題です。

「戦略と戦術」はKPI設計とも密接に関係しています。

目標（KGI）を達成するために、どのような戦略（KPI）を立てれば良いか

どのような戦術を実行すればKPIは改善するか

KPIを策定する場面では、よく起こる問題があります。

それは抽象的で、具体的に数字化して計測ができない戦略が立てられてしまうということです。

冒頭で戦略とは目標達成のためのおおまかな方針と述べましたが、つまりは方針の範囲が広すぎて方針になっていない戦略です。

そのためKPIは、とりあえず見ておいた方が良さそうな数字を寄せ集めるくらいしかできず、結果的に目標達成とは関係のない指標ばかりになってしまいがちです。

例えば、「顧客のロイヤル化」という戦略が立てられたとして、どの指標がどうなればロイヤル化したと言えるのか判断できず、とりあえず顧客に関する取得できそうなデータをあれこれ集めてKPIにしてしまおうといった動きです。

実際に出てきたデータを見てから考えるとか、実際のデータを見れば何か思いつくかもしれない、なんて言われることもよくあります。

KPIが改善できているかチェックするのではなく、色んな数字を見てKPIを考える、という正に目的と手段が入れ替わってしまった悪例です。

まあ大体のところ、実際のデータを見ても結局はなんともいえずに無駄に終わる、というのは残念ながらよくある話です。

この問題が発生すると、戦略立案（KPI設計）が意味のないものになり、目標達成は結局現場次第、運否天賦になりがちです。

もし「顧客のロイヤル化」という戦略がもう少し具体的に決められていたならば、KPIも適切なものを設定しやすくなるでしょう。

目標が売上増加だとした場合、売上は「顧客数×単価×頻度」で決まります。

顧客のロイヤル化＝単価の向上　だとすると、KPIとして平均顧客単価などは計測できそうですね。

ただ、戦略と戦術の項で述べたように、単価の向上は果たして実現可能なのか？、どうすれば良いのか？という戦術面での課題がハードルになるかもしれません。

なので、単価向上の方法に目処があるのかどうか、現状のリソースや環境といった前提条件を踏まえた上で、戦術面の検討も同時に必要になってくるでしょう。

さらに言えば、他の戦略（例えば頻度向上）の選択肢はどうなのか、といったことも検討しておいた方が良さそうです。

といった感じで、良い戦略を考えられるようになれれば、KPI設計もうまくいくようになるのではないかと思われます。

適切なKPIが決まってくれば、データ分析もしやすくなります。

KPIの浮き沈みの原因を調べたり、KPI改善のための施策の効果を検証したり、より良い戦略や見落としている戦略がないか調査を行ったりと、意味のあるデータ分析がしやすくなります。

データ分析の仕事は、結果的にやる必要のなかった（やってもやらなくても同じだった）ことばかり、という体験をしている方も多いようですが、そうしたものを少しでもなくせるヒントになればいいなと思います。

問題発見のスキル

ハーバードビジネスレビューの記事で紹介されていたとある事例を元に、「問題発見のスキル」について検討してみましょう。

データサイエンティストが磨くべき4つのスキル 幅広い役割に対応するために | データ経営｜DIAMOND ハーバード・ビジネス・レビュー

実例を見てみよう。ある中級ホテルチェーンのゲストリレーションズ（コンシェルジュ）責任者は、チェックイン手続きの評価が低いことで経営上層部から厳しく批判されていた。

アンケートによると宿泊客は、チェックインの対応がお粗末で時間がかかりすぎ、望み通りの結果、つまりシームレスで快適な体験が提供されなかったと感じていた。

また、チェックインを低く評価した人は、ホテルへのリピート率が低いことも経営陣は発見した。

某ホテルで、顧客アンケートよりチェックイン手続きの評価が低いことが問題視されたそうです。

ゲストリレーションズ部門はチェックインの問題の根本を明らかにすべく、データ分析チームに接触した。

宿泊客の人口統計的属性、希望する客室タイプ、チェックインした場所がフロントか、セルフチェックイン端末か、スマートフォンか、一日のどの時間か、一年のどの時期か、ロイヤルティプログラムの加入者か否か──これらを調べた後でも、データチームは根本原因を突き止められなかった。

チェックイン問題の根本をデータ分析チームが色々と調査しても原因は突き止められなかったようです。

すると一人の従業員が、継続的に回収されている宿泊客アンケートを調べることを提案した。

自然言語テキスト分析を何度か行うと、あるテーマが見えてきた。

それは、ホテルのインフラが最適ではないということだ。

Wi-Fiがつながりにくい、ルームキーが時折機能しない、家具が壊れている、到着時に部屋がきれいではない、といった問題に宿泊客は遭遇する可能性があった。

これらの問題はチェックインと直接関係はなかったが、宿泊客はチェックイン手続きを記憶に残していたため、問題をチェックインに結びつけたのである。

結果的に、問題はチェックイン手続きではなく、ホテルの管理状態であった。

さらなる調査にて、顧客はチェックイン手続きに不満があったわけではなく、実はホテルの管理状態に不満があり、それをチェックインに結び付けていたことが判明しました。

さて、実際のアンケートは紹介されていないので、以下はあくまで想像です。

そもそもアンケートでチェックイン手続きの評価「だけ」を聞くというのは考えにくいです。

おそらく他の項目（ホテルの管理状態に関するもの）もあったのではないでしょうか。

しかし、実際のアンケート結果はチェックイン手続きに低評価が集中していた。

本当の不満点はホテルの管理状態にあったにも関わらず。

顧客はなぜそれらではなく、チェックイン手続きを問題視したのでしょうか？

管理の問題をもう少し詳しく見てみましょう。

Wi-Fiがつながりにくい、ルームキーが時折機能しない、家具が壊れている、到着時に部屋がきれいではない、といった問題に宿泊客は遭遇する可能性があった。

顧客はこれらの問題をチェックインに紐づけて評価したのではないかとのことです。

よくみると、どれも問題は「部屋による」もののような気がします。

とすると、チェックイン時に対応できるようにも思えないでしょうか。

つまり、Wi-Fiがつながりやすく、ルームキーがちゃんと機能し、家具の壊れていない、部屋がちゃんと掃除されている部屋をチェックイン時にあてがってくれれば、こうした不満は生じなかったのではないでしょうか？

アンケート設計をもう少ししっかりしていれば、問題発見は早かったかもしれませんね。

ちなみに、この事例において根本の問題は何でしょうか？

普通に考えると顧客満足度の低下だと思われます。

ホテルへのリピート率も調査されていたようなので、こちらも関連する問題と見ても良いかと思います。

おそらく経験のあるデータアナリストであれば、最初に書かれていた「チェックインを低く評価した人は、ホテルへのリピート率が低いことも経営陣は発見した」の部分は果たして本当だろうか？と疑うだろうと思います。

チェックインを低く評価した顧客「だけ」がリピート率が低いのだろうか？

彼らは因果関係には敏感なので、チェックインの評価とリピート率に因果関係があるのだろうか？とまず気にするでしょう。

そのため、ホテルのリピート率が低い顧客はどのような顧客であるか？といった調査から始めるのではないでしょうか。

自分ならまずリピート率の高い顧客と低い顧客のギャップ分析を行ったりすると思います。

そうすると「チェックイン手続きの評価が低い顧客」に調査範囲を限定することなく、リピート率低下の本来の原因である「部屋の違い」についても気づきやすかったのではないかと思います。

目先の課題にすぐ飛びつかず、KGI／KPI／KSFをまずきちんと明らかにしてから本来の問題を考えると、視野が狭まることなく、あまり回り道しなくてすむのではないかと思います。

神は細部に宿る

データに関わる仕事をされている方は、当然ながらデータに触れる機会は日々あると思います。

しかし、その多くは「そのとき担当する業務に関するデータだけ」ということはないでしょうか。

例えば、売上が急に下がったり逆に上がったりするとその原因を調べるために関連するデータを調査したりすると思います。

しかしそうしたイレギュラーな時以外であっても、普段から関連するデータをチェックしていたりするでしょうか。

例えば、自社の主力プロダクトやサービスの売上金額や顧客数のおおよその規模感は聞かれればすぐに答えられるでしょうか。

例えば、最近売上が伸びているプロダクト、伸び悩んでいるプロダクト、なぜそうなっているのかなど把握されているでしょうか。

例えば、自社にとっての売上シェアの上位数社の顧客名くらいはすぐに出てくるでしょうか。（BtoBビジネスの企業の場合）

またここ数か月でその順位に入れ替えがあるかどうかは把握されているでしょうか。

もし、プロダクトや顧客に何か問題が起こった場合、その対応をするのはその時の担当者です。

なので、少なくともその担当者さえそうした数字を把握していれば良い（だからデータ分析担当者は必ずしも知ってなくても問題ない）というのもひとつの考え方です。

しかし、データのモニタリングを日々継続して行うというのは意外と難しいものです。

特に誰かに指示されたり、報告の必要もなかったりするようなMustの仕事ではなかったりするとなおさらです。

担当者であっても、それが担当業務のKPIであっても、皆が皆、普段からデータのモニタリングをきちんと行っているとは限りません。

そのため、何か明確な問題が起こってから初めて対応を検討するとか、新たな企画や施策が必要になってから改めて様々な調査に乗り出して肝心の検討が遅くなるとか、後手後手になってしまうことが起こります。

世の中的にデータ活用の気運も高まっていますから、普段から業務に関連するデータは把握しておいてほしいと考える経営者や管理者も少なくないでしょう。

メールやチャットでKPIや関連の数値を定期的に自動配信したり、オフィス内でみんなの目につきやすい場所にそれらをモニタで表示したりするなど、プッシュ型の仕組みを導入して半強制的に目に入るように工夫してる企業もあるほどです。

データ分析は、目的の実現・課題の解決・仮説の検証などのために行うものですが、それらとは直接的に関係のないデータを見る必要は全くないかというと、そうでもありません。

もちろん、なんとなく見てみたいと思っただけで、誰かの工数を使ってまでデータを集め、いったん見て満足したらあとは放置する、なんてのはあまり宜しくありません。

ひどい場合は、様々なデータを誰かに依頼して集めるものの、まるで積読のように見ることさえせずに放置している人もいたりしますが、それは論外でしょう。

継続的に見るべきデータとそうでないデータを見極める目は大事です。

前者は、例えばKPIに関連するデータなどです。

ただ、KGIやKPIに影響する要素は、小さいものも含めればそれなりの数になったりします。

上述した通りモニタリングの面倒さから、それら全てを定期的にチェックしている、といった人はおそらくほとんどいないでしょう。

チェックしていたとしても、KGIもしくは上位のKPIだけをたまに、という程度ではないかと思います。

ただ上位KPIやKGIが順調でも、下位KPIが下がっているなんてことはよくあることです。

この場合、それとは別の下位KPIの数字が良いために、トータルとして上位KPIの数値も悪いものではなかったりすると、問題のあるKPIが見過ごされてしまう可能性もあります。

皆が皆そうしたデータへのアンテナを高くして極力気に掛けるようになるというのは、かなりハードルが高いのではないかと思います。

だからこそ、それをデータ分析担当者が補うというのも役割としてあって良いのではないかと思います。

まあデータ分析の本業とはやや異なるものなので、役割といっても明文化されているなどでなければ、本人の考え方や意識次第になってしまうのかもしれませんが。

私の経験で言えば、以前とある細かい指標に関して、それがKPIの予兆として影響のあるものなので、なんとなく気になって毎日チェックするのを日課にしていました。

ある日その指標が異常値になっていたので、それが間違いなどではなく本当の数値なのか、担当者に連絡しました。

担当者はその状況には気づいておらず、私からの連絡で初めて知ったとのことで、念のため実情を確認してもらいました。

すると、その指標の数値は確かにその通りで間違いなどではなく、後々KPIに影響が出るものであることが判明したので、早めに手を打ってもらうことができました。

社内で最初に自分が気づいたのですが、もし自分含め誰も気づかなかったら、当然早めに手を打つことなどもできず、KPIへの悪影響を招いてしまったかもしれない出来事でした。

このようなことは他にもよく経験してましたが、改めてデータに関する感度（アンテナの高さ）や、モニタリングの最後の砦としての役割、などもデータアナリストとしてバリューを出しうるポイントなのかもしれないな、と思った次第です。

分析する必要のないデータ

今やプロダクトやサービスはオンライン化がどんどん進み、取得可能なログデータもどんどん増えつつあります。

それに伴い、各機能の利用状況、利用頻度、利用傾向など様々なものが可視化できるようになり、多くのレポートが開発されています。

しかし、それらは本当に全て必要なものなのでしょうか？

それらの数値が変動すると、KGI（売上や顧客数など）も変動するのでしょうか？

もしKGIに影響しないとすると、その数値をモニタリングする意味は何でしょうか？

その数値は果たしてKPIとして追うべき指標でしょうか？

もしKGIに影響しているとしても、その数値を改善するために実アクションを伴う介入を行っているでしょうか？

ただ見るだけで終わっていないでしょうか？（見る頻度も低下していないでしょうか？）

「データがあるならとりあえず可視化して見てみよう」という思考の方がたくさんいると、必要のないレポートがたくさん生成されてしまうことになりかねません。

KGIに影響しないのであれば、そのデータを見る意味は基本的にないのではないでしょうか。

KGIに影響するデータかどうかわからない場合は、数撃てば当たるという考えで、とりあえず色々調査してみるというやり方もあるかもしれません。

しかしその場合は、そうした新たなデータを分析する以前に、そもそも既存業務ですらKGIに影響しているかどうかはっきりわかってない、なんてことはないでしょうか。

もしかすると、これまで見ていなかったデータを見て新たな何かを探すよりも、まず先に既存業務を振り返ってみることにデータを活用してみる方がよいのかもしれません。

既存の業務やこれまで行ってきたことはKGI達成やKPI改善に効果があったのかどうか。

不要なもの、改善すべきもの、方針を変えるべきものはないか。

これまで当たり前とか正しいと思い込んでいることが、本当に正しいのかを調べてみると、意外な結果が出てくることもありえます。

データは、あれこれ分析して意思決定に使用するよりも、先にKGIやKPIに沿ったアクションができているか検証することに使ってみると、データ活用が進む可能性があります。

このデータは分析する必要のあるものか、そうでないか。

優先度も合わせてきちんと判断できるなら無駄を省けて効率的に分析できることでしょう。

ただもし判断が難しい場合は、一度分析してみて結果で判断するのも一つの手ですが、判断できるようになるにはどうすれば良いか、とひとつ視座を上げて考えてみるのもスキルアップにつながるかもしれませんね。

データドリブンという言葉の誤解

データドリブンについての誤解

データドリブンとは、「勘や経験ではなく、データを元にビジネス上の意思決定や判断を行うこと」と言われています。

データドリブンの目的は、「より良い」意思決定を行うためです。

より良い意思決定を行うためには、勘や経験のような不確かな根拠ではなく、第三者から見ても納得できるような「客観性の高い根拠」が必要と考えられています。

しかし、本当にデータを元にすれば「客観性の高い根拠」を導き出せるのでしょうか。

実際のところは「人による」のではないでしょうか。

＜例＞

ある商品は先週150個売れました。

先々週は120個売れています。その前の週は100個売れました。

現状の在庫は50個です。

では、来週どれくらい追加発注すれば良いでしょうか？

ある店長さんは、先週と同じくらい売れるだろうと思うかもしれません。

また別の店長さんは、この商品は徐々に販売数が増えてるから、先週よりはもっと売れるだろうと考えるかもしれません。

また別の店長さんは、来週どれくらい売れるかではなく、あまり在庫を増やしたくないと考えて、発注は控えめにしておこうと考えるかもしれません。

どのデータを見るか次第で、導かれる解釈や示唆などは多種多様です。

見るデータが異なれば、まったく真逆の分析結果が出てくるなんてこともあります。

さらに同じデータを使っても、何と比較するかでまたさらに解釈が異なってくることもありえます。

つまり、データの使い方や分析のやり方は人によって異なる属人的なものなのです。

なので、データを使えば皆が「より良い」意思決定ができるようになるとは言いきれないのではないでしょうか。

もう少し言えば、より良い効果が得られる場合があるかもしれないが、そうでないときもある、つまり効果が安定しないということです。

こうなると、「勘と経験」の場合とそう違わないのではないかという気さえします。

しかし実際にはデータが見れたり分析できる環境を用意するところまでがゴールで、そこにたどり着けばあとは自然と意思決定の質が上がるだろうと誤解されているところも多いのではないかと思われます。

その後そのデータをどう活用するかは現場まかせなので、現場側もとりあえず色々分析してみるなど試行錯誤するものの、本当により良い意思決定につながっていると感じているのでしょうか。

現場からすると、むしろデータ分析という「余計な業務」が追加されて迷惑に感じていたりするかもしれません。

データドリブンを実現させるには

ではどうすれば本来のデータドリブンが実現できるのか。

やはり、より良い意思決定を行う、そのための客観性の高い根拠をどうやって得られるようにするかがポイントになるのではないかと思われます。

そのためにはデータ分析のクオリティを全体的に引き上げることです。

しかし、全員のデータ分析のスキルを底上げするのは容易ではないでしょう。

個人的には向き不向きもあると思っているので、時間をかけても厳しい結果になる可能性も高いと思います。

基本的にデータ分析は優秀な分析者にまかせる方がベターではないかと思います。

ただ意思決定の場面はたくさんある一方で、優秀な分析者は確保できても少数でしょうから、人手不足になる可能性も大です。

そのため並行して育成や採用などにも注力し、少しでも優秀な分析者を増やせるかが重要です。

ただ、実はもう一つやれることがあります。

優秀な分析者を増やすのが簡単でないなら、意思決定の方を改善できないか、ということです。

例えば、

１．担当者依存で好き勝手に分析されて品質のバラバラな意思決定をされるのをなるべく防ぐために、意思決定の拠り所となる指標や方針を固める

２．その指標の判断基準を定めて、なるべく「半自動的」に意思決定できるようにする

先ほどの例で言えば、各店長さんの下に優秀な分析者を1人ずつアサインして適切な発注数をそれぞれが分析して決めるのではなく、優秀な分析者一人（もしくは1チーム）が発注数の指標と判断基準を定めて、各店長さんはそれにのっとって発注数を決めるといった感じです。

発注量を決める指標として、例えば「需要予測数＋安全在庫数」などと定義しておけば、発注数の決め方に店長さんが悩むこともありません。

需要予測や安全在庫の決め方も統一しておけば、そこに店長さんの属人的な分析が入り込むこともありません。

現場判断もバッファ分として持たせたければ、店長判断数（-N～+N個内）なども加えておけば柔軟な対応かつ統制しやすくもなるのではないかと思います。

さらにこれらをシステム化し自動計算されるようにしておけば、現場での分析業務自体も削減され、半自動的な意思決定が可能になるでしょう。

全ての現場の意思決定がこのようにできるとは限りませんが、それでも半自動的に判断可能な場面がないか精査し、順次定型化・システム化していくことも必要でしょう。

データの民主化

少し前くらいから、「データの民主化」という言葉も聞こえてくるようになりました。

データの民主化とは、一部のデータ分析専門家だけでなく、社員全員がデータにアクセスして活用できるようにすること、とのことです。

データの民主化がなれば、現場の担当者がその場でデータを活用できるようになり、いちいち専門家に依頼する場合よりも、意思決定のスピードが上がる、とのことです。

しかし現場の担当者は、皆が皆最初から優秀な分析者であるとは限らないので、いきなりデータの民主化を目指すと、現場で「データと勘と経験の判断」が蔓延し、データドリブンの失敗系になる可能性が高いのではないかと思います。

意思決定のスピードが上がることは良いことですが、それは最優先の課題でしょうか。

課題の優先順位を取り違えないことが重要です。

データドリブンが進めば、自然とデータの民主化状態になっていくでしょう。

データの民主化は、どちらかといえばデータ関連ツールや研修サービス等を販売するベンダーサイドがよく口にしている言葉かと思いますので、販売促進を狙ったポジショントークな面も含まれていたりします。なので全てを鵜吞みにしない方が良いでしょう。

データドリブンとは

改めてデータドリブンについてまとめてみます。

データドリブンとは、データを活用して、客観性の高い根拠を元にした意思決定や判断を皆が行えるようにすることです。

データをそれぞれが自由に活用できたとしても、客観性の高い根拠を導き出せなければあまり意味はありません。

データを適切に活用して客観性の高い根拠を導き出せる仕組みをいかに構築できるかがポイントです。

今回はそのやり方の一例として、分析の質の向上を目指すこととその型化・半自動化を進めるということを紹介してみました。

データの活用や分析は、数学の問題を解くのと違って誰がやっても正解は一つというものではありません。

一方で、正解がきまってない分、効果に上限がなく、精度やより良い分析を突き詰めることができるものでもあります。

もちろん期待通りでない結果になってしまうことも多々あります。

しかしそれは現場ごとにバラバラにさせるよりも、ある程度専門性の高い人材にチームを組んで取り組ませる方がアベレージでは効率的かつ高品質になるのではないかと思います。（そこに現場に詳しいメンバを入れることでさらにアベレージを上げられる可能性もあるでしょう）

そのためデータ分析チームは、現場に現場自身でデータ分析できる環境やその材料となるデータを提供することではなく、現場に適切な判断指標を導入すること（そのためにデータ分析を繰り返して指標を探る）をミッションに掲げることがデータドリブンの実現には効果的ではないかと思います。

とはいえ、分析人材のリソースも限られているので、そうした制約の中で実現性や拡張性をどう担保していくかも課題です。

この課題への対応については、今回の例よりも他にもっと良いやり方があるかもしれません。

ただいずれにしても、データドリブン（などのバズワード）はしっかりその意味を考えて誤解しないようにしたいですね。

データアナリストで高年収になるには

市場調査のために、データアナリストの求人情報を時々見ています。

一昔前と比べると、データアナリストの求人自体は増えてきているように感じます。

待遇としても、以下のサイトによると平均年収700万弱とのことですので、それほど悪くはないようです。

xn--pckua2a7gp15o89zb.com

ただ、求人を見ていると大体Maxでも800～900万くらいのところが多いようです。

大手企業やマネージャポジションであればもう少し高くなりますが、一般的なプレーヤーとしては上記の金額辺りが天井のようです。

エンジニアやデータサイエンティストなどであれば、プレーヤーであってもスキルや経験が高くなれば報酬もさらに高額なものが期待できるのかもしれませんが、データアナリストであればいくらスキルアップしてもプレーヤーとして1000万以上もらえるようになるかというとかなり厳しいのではないかと思われます。

例外はコンサル企業でしょうか。最近コンサル業界は案件が多く好調なようなので、コンサル企業に転職してうまく活躍できれば高額報酬も期待できるようです。（自分のところにも1000～1500万くらいの高額報酬でのお誘いDMが時々来ます）

ただし、なかなか継続性やワークライフバランスなど課題があるという話も聞くので、ハイリスクハイリターン的な環境を求める人などでなければ、気軽にはお勧めしにくいかもしれません。

ところで、ハイスキルなデータアナリスト（主に事業会社）であっても年収はそれほど高くならない原因について、少し考えてみました。

一番の原因は投資対効果が測りにくいことではないでしょうか。

彼ら彼女らの活躍によって売上への明確な貢献がどれくらいかというのが測りにくいため、定量的な評価がしにくいというものです。

また定性的な面も同様です。

データドリブン企業を目指すとか、データによる意思決定を行うなどはよく聞きますが、そうした目標は抽象的なことが多く、達成度も判断しにくくなっていると思われます。

またデータアナリストは主幹ではなく支援的な立場であることが多いため、貢献度としても測りづらいのではないかと思われます。

個人的には担当するデータアナリストが、ハイスキルな人かそうでない人かによって、その後の意思決定などが大きく変わることもあり、プロダクト開発や販促の方針などにも大きな影響が出ることが考えられるため、企業側としては優秀なデータアナリストを採用できるかどうかは結構重要な課題ではないかと思っています。

ただ、やはり観測できていないもう片方の未来はわからないため、効果測定も難しいのはデータアナリスト自身も感じるところでしょう。

とはいえ、ある意味優秀なデータアナリストであれば、そこのところもうまくスキルを駆使して、自身の定量的な成果、定性的な成果両方をきちんと周りに納得させれるように示すことができて、結果として評価や報酬も上がっていたりするかもしれませんが。

さて、それ以外で評価を上げるとなると、できることを増やすという方向も考えられます。

一人で複数人や複数ポジションの仕事をこなすことができるならば、通常は高評価となるはずです。

例えば600万円×3名分の仕事をこなせるのなら、一人に1200万払ってもお得という考え方ですね。

ただ、この考え方も明確に一人分の仕事量を定義しにくいところや、きちんと相対評価ができないと難しいところもあって、よほどの業務量や成果量の差が顕著に表れるなどでないと突出した高評価とはなりづらいようです。

とはいえ、他者のフォローやノウハウの共有など、自分だけでなく他者にも貢献していることが示し続けられれば加点要素にはなってくると思います。

あと、支援的な立場ではなく、より主幹的な立場で仕事をするということもよくあるケースでしょう。

よりクライアントや現場に踏み込んで、データの分析以外の活用業務に関わっていくとか、場合によってはそちらのポジションに異動するなどする人もおられると思います。

より責任の大きなマネジメントポジションになっていくのもそのひとつでしょう。

ただ、マネジメントや他職種には興味はない、ずっとデータ分析を続けていきながらキャリアアップと高年収を狙いたい、といった方もおられることでしょう。

その場合は、その企業で実際のロールモデルがいないと、そもそも可能性すらないかもしれないので要注意かもしれません。

ある程度人事評価制度がしっかりしている会社なら、それなりの給与テーブルが作られていてそれが社内共有されていて、どのグレードであればどれくらいまでもらえるかが予測しやすくなってきているところもありますので、そうしたものをキャリアアップの参考にするのもありかと思います。

あとは所属企業に閉じず、社外でも稼げるスキルを身に着けて実践していくことでしょうね。

そのうち副業や分析コンペ（予測精度を競うなどではなく、分析結果を元に提案まで行うビジネスコンテストに近いもの）が増えて、分析の腕で多くの仕事を請け負えるようになったりすると、高給を狙いたい人にも都合が良いし、個人的には面白い仕事に携われるチャンスが得られそうなので、そうなってくると良いなあなんて思ったりしています。（そのうち何らかのコンペを社内で開催したりするかもしれません）