はじめに
本記事は、Googleデータアナリティクスのプロフェッショナル認定証のプログラムより、参照させて頂いています。興味を持った方は、是非受講してみてください。
分析的思考
分析的思考とは、
『課題を特定し、定義し、 体系的かつ段階的に データを用いて 課題を解決すること』
分析的思考において、5つの側面を把握することが大事です。
- 可視化
- 戦略的
- 課題指向
- 相関性
- 大局指向・詳細指向
1.可視化
可視化とは、情報を視覚的に表現することです。
例えば、グラフやマップなどの デザイン的要素です。
可視化が重要なのは、情報を効果的に理解し、説明するのに役立つからです。
想像してみてください。 グランドキャニオンとは何かを説明する場合、 言葉で説明するよりも、 写真を見せるほうがはるかに簡単ですね。 グランドキャニオンを可視化することで、 要点をより迅速に伝えることができます。
2.戦略的
利用できるデータが豊富にある中で、 戦略的思考を持つことは、 要点を捉え、 スムーズに事を進めるカギとなります。
戦略を立てることで、
- データを使って、何を達成したいのか、どうすればそ達成できるのかがわかります。
- 収集した データの質と有用性を高めることができます。
3.課題指向
プロジェクト全体を通して、 常に課題を念頭におく必要があります。
- 例えば、あるデータ アナリストが 倉庫の備品が常に欠品している という課題の解決を依頼されたとします。 データ アナリストは、 さまざまな戦略や プロセスを通じて解決を試みます。 しかし、一番の目標は、 欠品を生じさせない、 ということです。
また、データ アナリストは 多くの問いかけをします。 そうすることで、 コミュニケーションを円滑にし、 解決までの時間を短縮できます。
- 例えば、ある商品の 使用体験について購入者にアンケートを取れば、 その問いかけの結果からインサイトを得て、 商品を改良することができます。
4.相関性
2つ以上のデータの間に相関性を見出します。 相関性とは、関係性のようなものです。 データには、さまざまな相関性があります。
- 例えば、髪の長さとシャンプーの使用量には 相関性があります。
- 例えば、雨が多い季節になると 傘がたくさん売れるという 相関性に気づくかもしれません。
ただ、データの相関性を特定するのに、 常に心に留めておきたいことがあります。 相関性は因果関係と同じではないということです。 つまり、2 つのデータが同じ方向性を 示したとしても、 必ずしもそのデータは 関連しているとは限らないのです。
5.大局指向・詳細指向
大局指向とは、細部だけでなく、 全体像を見ることです。
- そのよい例は、ジグソーパズルです。 大局指向とは、 完成したパズルを見るようなものです。 パズルを構成する個々のパーツに とらわれることなく、全体像を 俯瞰して見ます。 個々のパーツにばかり目を向けていたら、 その先の全体像が見えなくなります。 だからこそ、大局指向が大切なのです。 ズームアウトして、 可能性や機会を見出すのです。 これによってわくわくするような 新しい発想や革新にもつながり得ます。
一方、詳細指向では、 計画を実行するために必要な すべての側面を把握します。
- つまり、パズルを構成するピースです。
ビジネスの世界では、大局指向と 詳細指向を併せ持つ社員が 活躍できれば、さまざまな課題を 解決することができます。 私たちの多くは、どちらか一方のみが得意です。 しかし、その両方のスキルは いつでも磨くことができます。
データ アナリストが 解決策を見出すときに 使用する問いかけ
その課題の根本原因は何か？
この問いかけは頻繁に使用します。 根本原因とは、 ある問題が発生する理由のことです。 根本原因を特定し、取り除けば、 その問題の再発を防ぐことができます。 ここで、根本原因を簡単に 特定できる方法を使ってみましょう。
それは、なぜなぜ分析と呼ばれるプロセスです。 なぜなぜ分析では、 「なぜ」の問いかけを 5 回繰り返して 根本原因を明らかにします。 5 回目の問いかけで得られる答えは有用で ときに驚くべきインサイトを もたらしてくれます。
あなたはブルーベリーパイを作りたいのに、ブルーベリーがなかったとします。 そこで、
- 「なぜブルーベリーパイが作れないのか？」
と自問自答します。 答えは、 店にブルーベリーがなかったから、です。
次に、
- 「なぜ店にブルーベリーがなかったのか？」
と問いかけます。 そして、今シーズンはブルーベリーの木に 十分な実がならなかったことに気づきます。
次に、
- 「なぜ十分な実がならないのか？」
と問います。 そして、鳥が実を全部食べてしまっていた という事実にたどり着きます。
次は 4 回目の「なぜ」です。 4 回目の「なぜ」の問いで、
- 「鳥は本来、桑の実を好み、 ブルーベリーは食べないが、今シーズンは 桑の実が十分ならなかったので、桑の実の代わりに ブルーベリーを食べていた」
という答えにたどり着きます。
そしてついに最後の 5 回目の「なぜ」 を問い、根本原因を明らかにします。 答えは、
- 「遅霜で桑の木が傷んでしまい、 実がつかなかったから」
でした。 つまり、ブルーベリー パイが作れない原因は、 数か月前の遅霜にあったのです。
このように「なぜ」の問いかけを 5 回繰り返すと、 意外な根本原因が見えてきます。 これはとても有用な手法です。 データ分析においても大いに役立つプロセスです。
プロセス内のどこにギャップがあるのか？
ギャップ分析では、
『将来あるべき姿に達するために 現在のプロセスが どう関係しているかを調べ、評価します。 』
企業はギャップ分析を用いて 商品の改良や効率化など、 あらゆることを行っています。
ギャップ分析の一般的な手法は、 あるべき姿と比較して 現在の状況を把握します。 そして、現状と将来の状態の間に存在する ギャップを特定し、それをどのように 埋めるかを決定します。
これまで考慮してこなかったことは何か？
これは、あるプロセスでどのような情報や手順が 欠けているのかを考え、よりよい意思決定や 戦略を進めるための方法を特定するための 優れた手法です。
これらの問いかけは、データ アナリストが 日々の業務で使用するほんの一例に過ぎません。 データ アナリストの思考法や問いかけは、 企業の意思決定に大きな影響を与えます。 だからこそ、分析的思考と 正しい問いかけとは何かを理解することが、 企業全体の成功に大きな 影響を与えるのです。