データ分析の基本とは「目的の明確化」である

データ分析の基本とは「目的の明確化」である

データ分析で最も大切な事は、「データ分析で何をしたいのか」という目的を明確に決めることです。 

データ分析がうまくいかない時は目的がざっくりしすぎていたり、うまく目的を意識できていないときが多いと私自身も何度も痛感しました。 

データ分析をする目的が無いと、
「データ分析するのにそもそも何をしたいいいか分からない」
「とりあえず分析結果をレポート化したけれど、業務に活かせなかった」
のように、路頭に迷ってしまいます。 

データ分析が上手く出来ず、ビジネスであまり役に立たないのは目的が明確になっていないケースが多いと私は考えています。 

「次に注力すべきターゲット顧客を決めて、適切な施策を考えたい」
「社員の勤務状況を見直して、働きやすい環境を作ってあげたい」
「営業成績を数値化して、何が一番成績に影響するのか知りたい」
など、「自分たちはデータ分析によって成し遂げたいこと、知りたいことは何か?」を徹底的に議論するところからデータ分析はスタートします。 

今回の記事では、データ分析の基本である「目的の明確化」をテーマにして、 

・「目的の明確化」が大切である理由
・今すぐ使える「目的の明確化」のテクニック
・一歩進んだ実践的データ分析
・参考コンテンツ

をご紹介していきます。記事を通じて、データ分析をするあたって「まず何をするべきか」が具体的にイメージが湧いてくるはずです。

 

1 「目的の明確化」が大切である理由

データ分析をする際、目的を明確にするのが重要であるのは、「データ分析における道しるべ」となるからだと私は考えています。

そして「道しるべ」無くしては、データ分析は路頭に迷ってしまうケースが多いです。

データ分析における道しるべ

 

なぜデータ分析にはそんなに「道しるべ」が必要になるのでしょう?

それは、「道しるべ」は次の2つのことを実現するからであると私は考えています。

 

1-1 分析結果を活用しやすくなる

第一に目的を明確にすることから始まったデータ分析は、分析結果を上手く活用しやすい、と私は考えています。

実際にデータ分析で得た結果を元に行動できるか否かで大きな差が出てくる事も判明しています。

Forrester Research 社が2018 年に発表した『Insights – Driven Businesses Set The Pace For Global Growth』によると分析から得たインサイトを出発点をして行動している組織は世界のGDP成長率の7倍のスピードで成長しているという結果も出ています

 

インサイト主導の組織は世界のGDPの7倍の速度で成長

 

前提として、データ分析とは、ビジネスでのある目的を達成するための一つの手段に過ぎません。

例えば、
「自社の通販サイトのA商品の購入ページの離脱率を下げたい」という目的について、webサイトのデータを使用できそうという事で、データ分析を手段として使う、など。
ここでは目的決めてから手段を決めていますよね。

一方、目的を決めずにデータを見ることから始めてしまうと、分析する人は何をすればよく分からないままで取り敢えず今取り扱えるデータで作業を進めていきます。

また
・何をしたいか決まってないから、そもそも何を分析していいか分からない
・何を分析するか決まっていないから、どの分析ツールを使っていいかわからない
・どうやって分析するか分からないから、誰が分析すべきか分からない
の様にいくつもの壁にぶち当たってしまいます。

そして仮に苦労して分析レポートを作成しても「だから何?どの業務に使えるの?」という結果に終わってしまう事が多いのです。
目的なしに得た分析結果はただの雑学である、とも言えますね。

つまりここでは、レポートを作ること等、データ分析する事自体が目的になってしまっていると言えます。

  目的のないデータ分析プロセス

このようなデータ分析の手段の目的化を防ぎ、データ分析で得た結果を上手く活用する為には目的を明確にする→データ分析作業→分析結果の解釈と言った「考える」プロセスと「作業する」プロセスを交互に繰り返していくことが大切です。

  データを見ると考えるを交互に繰り返すプロセス

 

1-2 複数のチームがそれぞれの強みを活かして分析ができる

データ分析の明確な目的が組織で共有されていると、それぞれの得意分野・専門性を生かしつつ、一つのチームとしてデータ分析を進める事が出来ます。

例えば、ビジネスドメインに詳しい知識を持つAチームと「技術力が高く実際にデータ分析を行うBチームの二つのチームがあったとしましょう。

この二つのチームの得意領域、苦手領域は次のようなケースが考えられます。

チーム名

得意領域

苦手領域

Aチーム

自社ビジネスに詳しいので、会社として何を今やるべきなのか知識が豊富である

データ分析には疎く、自身で行うのは辛い

Bチーム

技術力が高いので、分析業務は得意

自社ビジネスに詳しくないので、何を対象に分析をすると有効なのかイマイチ分からない

 

そして「次に注力すべきターゲット顧客を決めて、適切な施策を考えたい」という明確な目的を、両者が議論を重ねて定めることでお互いがお互いの弱点を補いながら、分析を進めていく事が可能となってきます。

Aチームは分析結果を元に意思決定を行い、Bチームは実際にデータ分析をして示唆を生み出すというようなコラボレーションです。

仮に組織の中でチームが別れている、部署を超えて議論する事がない、という場合であっても自身の専門分野を把握するという観点自体は非常に大切です。

確かに、ひとりの人が目的の明確化からデータ分析、そして実際に組織にとって良い結果を生み出すような意思決定を下すまで、全て出来ることが良いに越した事はありません。

しかし、実際にはそんなスーパーマンのような人は多くは無いですし、データ分析は「チームスポーツ」として進めていくのが現実的でしょう。

 

互いの強みを分析に活かす

 

データ分析を「チーム」で進めていくのに気をつけるべき事

ここで一つ気をつけておきたい事は、「自分は実際に分析業務をしないからデータ分析には関係ない」と思わない事です。

データ分析する人にも苦手領域があり「何でも屋」では無いので、「取り敢えず分析をしておいて」とデータ分析業務を丸投げするのは避けるべきだと私は考えています。

分析者はデータ分析に入るにも、まずデータ分析の目的の設定も0から始めなければならない、となると負荷が増してしまいます。
挙げ句の果てには、「取り敢えず何か結果をださなければならない」を焦ってしまい何も有効な結果を出せないで終わってしまうことも少なくありません。

ですので、データ分析の結果に基づき意思決定をしていく以上は、全ての人がデータ分析に携わっていると意識することがまず何よりも大切です。
そしてデータ分析に携わる全ての人を職能の観点から捉えてお互いの専門性を活かしながら、チームとしてデータ分析を進めていくのが、データ分析の結果を最大限に活かす鍵であると信じています。

 

データ分析のチーム定義

 

それぞれの得意分野・専門性を生かしつつ一つのチームとしてデータ分析を進める事が重要です。

ビジネスの問いの決定をする人と分析をする人を明確に定義しておく必要があります。

 

2 明日から使える「目的の明確化」の手法

ここでは「データ分析の目的を明確にする」手法をご紹介します。
実際にツールを扱いデータ分析を進める前に、徹底的に定義をする大切なステップです。

データ分析から得られる成果は「目的を明確にすること」を如何に上手く決定できるかどうかに大きく影響されることは述べました。

次の図は今回ご紹介する、手法の全体図を示したものです。

 

目的の明確化ステップ

 

重要なのは、ステップ自体が循環したり、行き来すること。

一方的にステップを進めていくのではなく、ステップを戻ったり繰り返すことで「目的」の精度を上げていきます。
この方式はアジャイル方式とも言います。

環境の変化、体制の変化、組織の変化等の影響を受け、常に「データ分析で達成したい目標」「データ分析で解決したい課題」も変化するため、「目的」を再定義していくことが必要です。一度決定をしたら、それは完璧であるとは限りません。

 

2−1 目的を特定する

まず、自分たちが「達成したい目的」を決定します。

「売上状況を知りたい」「A部署の成績を知りたい」「キャンペーンBの効果を知りたい」など、最初はまだザックリとしたもので構いません。3-2以降のステップで精度を上げていきます。

目的を決める時に意識したいことは「今特に答えが欲しいこと」「組織が最も求めていること」といった業務において優先度が高いものを特定する事です。

 

2−2「質問」へ落とし込む

ある「目的」に対して、達成するための答えを出す必要があります。

そこで、「データ分析で解答を出せる質問」を設定します。

回答するのが困難であるのは良い質問とは言えません。
また目的を設定するだけでは行動に繋げることは困難です。

例えば「売上は最近どう?」という質問は曖昧としており、「最近は調子が良いです」「去年より20%減です」「競合参入に大きく影響を受けています」など、答えが定まりません。

何故なら、この質問は事実を聞いているに過ぎず、「分かったところで、行動に移せるのかな」となりかねないためです。
結果として、ビジネスにおいて役に立たなかったとなってしまいます。

ですので、分析の目的に対して回答を出せるように「質問」へ上手く落とし込んでいくことが重要だと私は考えています。

そして、その「質問」とは大きく分けて「Yes or No式」と「複数式」に分類することができます。

Yes or No

YesもしくはNoと回答することのできる質問です。
「今回のキャンペーンは成功だったか?」「2月の目標は達成したか?」などが該当します。

複数式

複数の選択肢から1つの選択肢を選び出す質問です。
「最も売れた商品はどれか?」「次に注力すべき商品はどれか?」などが該当します。

質問の形にした事で、データ分析の目的に対して何らかの答えを出せる形になりました。
しかし、とりあえず質問にしたからと言って必ず回答な形になるとは限りません。

そこで次のステップで、さらに定義を明確にしていきます。

 

2−3 数値と判断基準を明確にする

2-2で設定した「質問」をさらに明確にする上では以下の2点が重要な要素となります。

まだ漠然としているケースもありますし、そもそも「質問」へ上手く変換できていない場合の対処法とも言えます。

数値

分析する際に取り扱う数字の事を指します。

「データ分析」ではデータ=数字を指す事が多く、数字はメインキャラクターになります。

「売上」「利益」「成長率」「発注数」などが該当します。

判断基準

「質問」に答えを出させる為の前提条件の事を指します。

数値さえあれば、分析が出来るように思えますが数値単体では答えを出すことが出来ません。

というのも質問の答えは、ビジネスにおける前提条件によって千差万別である為です。

 

「売上が20%上昇」という数値があったとします。

数値は絶対的なものですが、判断基準により「質問」の答えが変化してきます。

数値は同じでも判断基準によって答えは異なる

 

判断基準としては次のような基準を想定していました。

A社は売上+15%以上ならばプラス評価

B社は売上+25%以上ならばプラス評価

 

判断基準の違いで全く異なる答えが出ていますね。
そして、判断基準無くしては、「質問」に答えを出すことは困難になります。

ですので質問を明確に定義していくにあたり「数値」と「判断基準」をセットにして考えていく必要があります。

 

今回使用した例を当てはめてみると次のようになります。

・数値:売上の成長率

・判断基準:売上+◯◯%以上ならばプラス評価とする

→質問は「売上の成長率は+◯◯%以上か??」にすると答えが定まる

ですので仮に「質問になっていない!」という場合は、まだデータ分析に最適になっていない場合があります。

その場合はデータ分析を始める前に、本当に知りたい事を徹底的に議論したのち「質問」の形に落とし込んでいきましょう

 

2−4 繰り返す

「問いの決定」のステップは、2-3まで進めば終わり、というわけではありません。

2-3で絞り出した問いが、自分たちの求める本当の問いなのか徹底的に議論をします

議論を進める中で、2-1の「本当に知りたいこと」が変わることもありますし、2-3の「数値」を変更する場合もあります。

「東京都における商品Aの売上の、去年と同じ月と比べた成長率は+◯◯%以上か??」と言う問いに対して、「知りたいのは成長率ではなく、去年との差」「比べたいのは去年と今年ではなく、商品Aと商品B」など、問いは常にブラッシュアップすることも心掛けましょう。

ご自身の状況に置き換えて実践してみてください。

徹底的に議論をするとよりよい「問いの決定」が出来ると私は考えています。

目的を明確化し、分析で答えを出すことができる質問を設定しましたが、以下の項目を満たしてるかどうかを私はよく自問自答しています。

  • データ分析する目的は、今の業務課題と関連するものか
  • 目的を「質問」の形に落とし込めているか
  • 「質問」は数値と判断基準が決まっているか
  • 「質問」で得る答えは、行動に繋げる事ができそうか

 

3 一歩先の実践的なテクニック

ここでは具体的なデータを用いて「目的の明確化」を実践し、分析結果に到るまでの過程や一歩進んだテクニックをご紹介します。

テーマを「営業活動の改善」とし、分析結果として以下のようにデータを可視化しました。

商談状況の分析折れ線グラフ

一見シンプルなグラフに見えますが、取り敢えず折れ線グラフを作ってみた、というわけではなく「目的の明確化」をしっかりと行った賜物です。

では実際に、その過程を紐解いていきます。皆さんも、手を止めながら考えてみて下さいね。

 

あなたは、株式会社A会社の営業マネージャーであると仮定して下さい。
ある時、「営業活動をもっと効率化したい!データを用いて実現できないかな?」ということが営業部の中で議題として上がりました。

ここからデータ分析がスタートします。

データ分析の目的

 

質問へ変える

まず、「営業活動を効率化する」という目的を叶える為に答えを出せる形へ変えていきましょう。

A会社には沢山の営業マンが勤務していますが、勘と度胸に頼る営業活動が多、くそれぞれの成果にバラつきがありました。
そしてまず現状の把握ということで次のように質問を設定しました。

質問設定

 

最初は一度質問に落とし込んで終わりでもいいのですが、ここではもう少し考えてみようと思います。

 

まず「成績がトップの営業マン」と「成績が良くない営業マン」の答えを出来たところで、それは目的の達成のためになりそうでしょうか??

確かに、それぞれ面談をするなどもアイデアの一つですが「営業を効率化する」という目的には少し遠い気がしますね。何か別の形に質問を変えることは出来ないでしょうか??

別の形に質問を変える

 

では、更に深掘り「成績がトップの営業マンと、良くない営業マンのどの営業活動にもっとも差があるか」としてみたらどうでしょうか。
何か改善策が浮かぶかもしれません。

 

ですので「質問」は次のように再定義する事ができます。

質問の再定義

 

一度定義した「質問」は、本当に目的を達成してくれるような答えをだしてくれるのか、疑ってみることも大切ですね。

 

数値と判断基準を決める

数値を判断基準を決め、データで答えを出しやすくしていきましょう。

まず数値から。
データ分析するチームと議論をしていると、「商談のフェーズごとにお客さんの数をデータで記録しています」との指摘がありました。
ですので、数値は「顧客数」として設定します。

 

数値が決まったので、次は判断基準を決めていきます。

ここでは「顧客数」のうち、どれの営業フェーズで最も差が出ているのか知りたいので、判断基準は「顧客数の差が最も大きい」となりますね。

数値と判断基準

 

なので次のように「質問」をより明確にすることが出来ました。

質問の明確化

 

データを用いて解を出す

折角ですのでデータ分析の醍醐味であるデータから「答え」を出す作業をしていきます。

まず、分析するデータを決める必要があります。

最終的に質問は「トップ営業マンと普通の営業マンで、顧客数の差が最も大きい営業フェーズはどれか??」となりましたが、どのようなデータが必要になるでしょうか??

 

コツは質問を次の2つの要素に分類していくと、自然と必要なデータが見えてきます。

切り口:「数値を見るデータの切り口」を示す。商品別・日別・部門別など

数値:「単一の数値そのもの」を示す。売上・利益・予算・顧客数など

実際に設定した質問を分類すると次のようになります。

質問の分類

 

これをまとめると、必要なデータの項目は次のようになります。

切り口:営業マン(トップ営業マンと普通の営業マン)

切り口:営業フェーズ

数値:顧客数

以上を元に用意したデータは以下の通りです(サンプルのデータです)

サンプルのデータ

 

質問の解を説明可能にする

用意したデータは表形式の数値の羅列に過ぎないので、説明が出来るように可視化をしていきます。

商談状況の分析折れ線グラフ

 

Aさん(青色)Bさん(オレンジ色)で営業フェーズごとの数値を線グラフで可視化をしました。
数字同士で比べるより、ひと目で差が分かりやすくなっていますね。

 

目的を達成する計画を立てる

「データ分析は目的を達成する手段である」と繰り返し述べて来ました。最後にデータ分析か得た解をヒントに行動に移していきます。

棒グラフを見ると、「問い合わせ数」「アポ獲得数」「デモ実施数」についてはあまり差があまりないので問題はなさそうです。

しかし「クロージング数」になった途端は大きく乖離し始めているので、デモ実施クロージングのフェーズに問題がありそうです。

「デモを実施した後に、スムーズにクロージングに移れていないのでは?」
「デモを実施したのは良いが、上手くお客さんにプレゼンできていないのでは?」
などの仮説が思い浮かびます。

今はこれ以上の分析はできませんが、仮説を検証する為にデモを実施後のクロージングまでの日数を分析することや、プレゼンの指導をするなど次の計画を策定できます。

更なる分析で、原因の特定や具体的な対策を決めていけそうです。

 

4 「目的の明確化」する力を上げるための良記事

今回は「目的の明確化」をテーマとしてきましたが、最後に私が実際に何度も繰り返し読んだ勉強用のコンテンツをご紹介します。

もちろん参考になるコンテンツは多数ありますが、以下のものは目を通すことは必須と言っても過言ではありません。

分析とはひとことでいうと◯◯◯である|樫田光 | Hikaru Kashida|note

そもそも「分析」とは何か、をテーマに非常に分かりやすく解説してある記事です。今回ご紹介した、「質問」形に変える、というのは樫田さんの記事からヒントを得て、私が今実際に業務で使っている形にアレンジしたものです。

問いの「因数分解」から見えてくる、問いの5つの基本性質|安斎勇樹|note

データ分析において目的を設定しても、次に何をしたらいいか分からない、どんなデータを用意したらいいか分からない、そんな時に私にヒントをくれた記事です。この記事では、「問いを因数分解する」というテーマのもと設定した「問い」の要素を明文化する考え方がつまっています。

データサイエンティストはこうやってデータ分析の仕事をしている(自分の経験と見聞談をもとに)

データサイエンティストなど、データ分析を実際に行う人は「ただ作業をひたすらする人」と度々思われがちですがそうではありません。この記事は実際にデータサイエンティストとして働く方が、現場ではどのような分析業務を行っているのか、段階で分かりやすく解説しています。

なぜ「データ分析力」ではなく「データ活用力」が必要なのか? これから身につけるべきスキルとは

本記事で「目的の明確化」をしてからデータ分析をするのが大切だと述べましたがこの記事では「目的を決めたからデータ分析をする能力」を「データ活用力」とし鍛えるために必要なスキルを解説しています。私としても自分に足りないものを把握する助けとなりました。

Making data analytics work for you–instead of the other way around

ここではデータを上手く活用していくための心構えを8つに分けて解説しています。マッキンゼーによるレポートなので内容は英語になりますが、国内だけでなく海外でもデータを上手く活用する方法は活発に研究されていることが分かりますね。ちなみに、本記事と関連する内容も書かれ「Purpose-Driven Data(目的ありきのデータ)」と表現されています。

 

まとめ

 今回はデータ分析の基本である、「目的の明確化」中心にまとめてきました。

データ分析で得た結果を、効果的に組織で活用して行くためには高度な分析手法といった手段にこだわる前に
「そもそもデータ分析で何をしたいのか」
「データ分析で得た結果で解決したい業務課題は何か」
を明確にすることが何よりも重要になってきます。

 

「目的はふわっと決めて入ればあとで何とかなる」
「分析ツールが高性能だから何となく操作して入れば結果は出る」
と私もデータ分析の業務に携わっていた当初はそう楽観視していました。

しかしこの業務を初めて一年半近くたった今、振り返ってみると「目的の明確化」をせずに上手くいったデータ分析は一度もありません。

 

データ分析というとハイテクなイメージがありましたが、実は「自身の脳でひたすら考える泥臭さ」が重要であると痛感しています。

この記事をもとに、皆さんも実際に手を動かしデータ分析に入る前に組織で「目的の明確化」を実践してみて下さいね。

 

 

データのことなら、高い技術力とビジネス理解を融合させる私たちにご相談ください。

当社では、データ分析/視覚化/データ基盤コンサルティング・PoC支援に加え、ビジュアルアナリティクス、ダッシュボードレビュー研修、役員・管理職向け研修などのトレーニングを提供しています。組織に根付くデータ活用戦略立案の伴走をしています。

PATHコーポレートサイト

お問い合わせ

サービスに関するご質問や講演依頼など、お気軽にお問い合わせください。2営業日以内にお返事いたします。

お名前【必須】
メールアドレス【必須】
希望するサービス
ご希望の納期【必須】
詳細