まず、仮説を立ててますか？
データ分析を学び始めると、回帰分析や機械学習、Python、SQLといった手法に目が行きがちです。どれも大事ですが、最初に鍛えるべきはそこではありません。
- 何を知りたいのかを決める
- 仮説を置く
- 仮説を確かめるための比較を見る
この型さえあれば、クロス集計だけでもかなり良い示唆が出せます。逆に、これがないまま手法だけ覚えても分析は上手くなりません。
ありがちな失敗
初心者はよく「とりあえず作れる表を全部作る」ところから始めます。性別、年代、地域、曜日……と表を量産した結果、「差はいくつか見つかったが、結局何を言えばいいのか分からない」状態に陥ります。
原因は、先に「問い」が決まっていないこと。問いがなければ、どの数字が重要か判断できず、表の山に埋もれます。
表を見たら、仮説を立て「だから何？」と考える
分析の基本は「データを分ける → 比べる → 差に意味があるか考える
例えばサービス評価を性別で見ると、こうなります。
| 好き | 嫌い | |
|---|---|---|
| 男性 | 60% | 40% |
| 女性 | 30% | 70% |
大事なのは表作りではなく先に仮説を持つこと。「女性の嫌いが70%」で終えず、「評価低下が売上減の原因では」まで進める（So What）。ただし断定は禁物、事実と示唆は分ける。
仮説を先に置けば、見るべき表が「性別×評価」に絞れ、無駄な集計を避けられます。
基本の流れ
- イシューを決める — 答えるべき問いを定める
- 仮説を立てる — たぶんの答えを置く
- クロス集計で確かめる — 対応する表を1つ見る
- 言えること・言えないことを分ける
- 次に確認することを決める
- アクションにつなげる
「売上について調べたい」は広すぎます。「売上減は特定のユーザー層の離反が原因か？」ならYES/NOで答えられ、答えが出れば行動が変わる。良いイシューとは、答えが出せて、出たら行動が変わる問いです。
「女性は売上の大きな割合を占めるのでは → 性別 × 売上構成比を見る」「評価低下は売上減と同時期では → 性別 × 評価推移を見る」etc...と、仮説と検証を繰り返して深めます。
最後は事実 → 解釈 → アクションまで。
女性は売上の40%を占め、評価は半年前から急落、売上減も同時期。原因はリニューアル後の使い勝手悪化だった。
→ まず使い勝手を改善すべき。
悪い分析と良い分析
悪い分析は事実と示唆が混合。
性別で差があった。女性の評価が低い。だから女性向け施策をやるべき。
良い分析は仮説と事実と示唆が分離。
仮説として、女性顧客の離反が挙げられる。性別×評価のクロス集計において、女性の評価は男性と比較して低い値を示した。この仮説を検証するため、次の分析として、女性顧客が売上に占める構成比の推移と、評価低下が生じた時期との対応関係を確認する。
仮説、事実、示唆を分離できて、ネクストアクションまでだせることが大切です。
まとめ
何に答えたいか → たぶんの答えは何か → 何と何を比べるか → どこまで言えるか → 次に何を見るか
仮説を1つ置き、表を1つ見て、言えること・言えないこと・次に見ることを整理する。この練習の繰り返しで、分析の見え方は大きく変わります。
統計や機械学習を学ぶのは、その後で十分です。土台があるほうが、難しい手法の使いどころも分かるようになります。
ちなみに、「データ分析は仮説がないと終わるよ？」がタイトルでした