駆動力は、私たちの市場で議論されているビジネスコンセプトです。データが生産要素となるにつれ、データ駆動型ビジネスが登場しています。しかし、データ駆動型ビジネスとは一体何であり、どのような機能を持つのでしょうか？

「データドリブンビジネス」は流行り言葉ですが、多くの人にとって頭の痛い問題でもあります。なぜなら、目に見えてはいるものの、実際には理解しにくいからです。「ドライブ」という言葉はよく耳にしますが、実際にどのようにドライブすればいいのか、よく分からないのです。

さらに、私が質問をするとビジネスチームから批判され、私の提案も聞き入れてもらえません。データ分析が十分に深くなく、提案も具体的ではないといつも文句を言われます。どうすればいいでしょうか？

I. ドライバーとはいったい何でしょうか?

推進力といえば、最も典型的なのは御者が馬車を操る場面です。馬が馬車を引っ張り、御者が鞭を持ち、「さあ、行こう！」と叫ぶと、馬が馬車を前に進めます。では、御者はどのようにして馬を操り、馬車を引っ張るのでしょうか？
ちょっと考えてみてください
最も直感的に考えられるのは次のことです。

• 方向を指し示す：馬を正しい道に導く。
• スピードを上げる: 鞭で馬の尻を叩きます。
• 供給を増やす: 馬にもっと餌を与えましょう。
• 警告: 穴を見つけたら、そこに馬を止めてください。

これが直感性を高める方法です。
これら 4 つのポイントは、実際には次の 4 つの主要な問題に対応しています。

• 客観的な質問：出発点、終点。
• 方法論的な問題: どうすればもっと良くできるでしょうか?
• 入力の問題: どれだけのリソースを投資すべきか?
• 制限の問題: 制限条件の影響下で何か問題が発生するでしょうか?

同じことがビジネスにも当てはまります。ビジネスの成長を促進するために、対処すべき主な課題は次の 4 つの主要な問題です (下の図を参照)。

II. 運転におけるデータの役割

ただし、一見単純な操作は実行が簡単ではないことに注意してください。

• 方向を示すということは、出発点と目的地を明確に定義することを意味します。
• スピードを上げるには、馬がどのくらいの速さで走れるかを正確に知っておく必要があります。そうでなければ、ただ鞭を振り続けるだけでは、馬はあまりにも苦痛で走れなくなってしまいます。
• 供給量を増やす：馬が1日の走行に必要な干し草と飼料の量、そして1回の食事でどれくらいの量を食べるべきかを正確に把握する必要があります。満腹になると膨満し、空腹すぎると力が出なくなります。
• 危険の警告: 道路のどこに穴があるのか​​、車両がどのような衝撃に耐えられるのかを知っておく必要があります。

ご覧の通り、4つの質問はすべてデータに関連しています。最も重要なのは、目標を定量化することです。出発点と終点は、どの道を選ぶべきか、いくつの道があるのか​​、その過程でどれだけの材料を用意すべきか、そしてどのような落とし穴があるのか​​を直接決定づけます。

したがって、明確な目標がなければ、すべては無意味です。目標は明確に定義されるだけでなく、明確である必要があります。そうでなければ、「若強県を案内してください」と言うだけで十分ですが、実際に行ってみると、この県は浙江省の2倍の広さがあることに気づきます！探索し尽くすことは到底できないでしょう。

問題はこうです。もし馬車を運転したことがなかったら？このルートを走ったことがなかったら？モンゴル馬からアラブ馬に切り替えたら？これらはすべて、データがない新しい疑問です。データがなければ、まずはテストをすることができます。短い距離を走って路面状況を確認し、馬のスタミナを観察し、馬車の引き方を学ぶのです。

これらは、データ駆動型アプローチの 2 つの基本モデルです。

1. すでに慣れているタスクについては、経験を要約し、問題を特定し、バグを排除します。
2. 新しく開始したビジネスについては、結果をテストし、グループを比較し、パターンを特定します。

III. 高度なデータ駆動型戦略

注：上記の議論は、「馬と荷車は交換できない」という前提に基づいています。もし運転手の目的が「馬を操ること」ではなく「荷車を操って、より早く、より安く、目的地まで商品を届けること」だとしたら、できることはもっとたくさんあります。

• 適切な馬の選択: どの馬が最も速く、最もスタミナに優れているでしょうか?
• 代替車両：車軸潤滑、車体補強
• 貨物の容積を割り当てます。複数回に分けて運搬し、1 回の移動で疲れないようにしてください。
• 最も安価なオプションを使用する: 貨物所有者に余裕がない場合は、より安価なロバに切り替えます。

これは進歩を推進するより高度な方法です。手段ではなく目標から始め、目的を達成するためにより適切な方法を選択します。

IV. データ駆動型ソリューションへの脳死的アプローチ

質問: ある日、人力車の運転手を見かけたら...

• 袖をまくって自分で荷車を引けばいいのに、なぜ馬を使わなければならないのでしょうか?
• 豚を荷車につなぎ、鞭を使って豚に荷車を引かせます。
• 彼らは死んだ豚をトラックに乗せて、どうやってそれを生き返らせるか考え出しました。

質問：この御者は強力な宇宙の力を持っていると思いますか、それとも狂人だと思いますか？もちろん狂人です！馬車、馬車、馬が引いている馬車だけが馬車と呼ばれます。

御者は馬の操縦方法や馬車の強化方法を研究せず、馬のように走ろうとする。馬鹿げていると思いませんか？豚が馬車を引っ張るなんて、当たり前のことなのに。豚を馬車にするのは馬鹿げています！死んだ豚を生き返らせようとするなんて、もっと馬鹿げています！もし死者を生き返らせることができるなら、なぜ御者になるのでしょう？

しかし、御者がデータ分析者になり、馬車を運用、マーケティング、計画に転換し、鞭を「ビッグデータ」「人工知能」「アルゴリズムモデル」に変えるとなると...

年老いた雌豚を鞭打って荷車を引かせようとするアイデアは、さまざまな企業でよく見られる面白い現象であることがわかります。

多くの企業は、「データ駆動型」という言葉を聞くと、すぐにすべての業務を放棄し、すべてをデータだけに頼ってしまいます。

多くの企業は、他の可能性を考慮したり、緊急時対応計画を立てたりすることなく、「100% 正確な予測」にすべての希望を託しています。

多くの企業は、「データ分析は具体的である必要がある」と長々と話し、その後、複数のページを作成し、いくつかのボタンを描画して、すべてをデータに押し付けます。

多くの企業はプロセスに問題があり、製品の品質も低いのですが、改善を怠り、「正確なデータプッシュ」に全面的に頼っています。

これは運転手が荷馬車を引いているようなものではありません。死んだ豚に鞭打つようなものでもありません。ましてや、基本的なデータさえ収集せず、データ分析を怠り、ビジネス目標さえ理解していない人たちもいます。

「パフォーマンスを改善したいので、具体的な方法を教えてください」と叫んでくる人たちは、言い換えれば、お寺で仏様に祈るとき、「100万稼げますように」とか「息子を授かりますように」など、具体的なお願い事をしなければならないようなものです。そもそも、あなたのデータアナリストは仏様ではありません。

V. データ駆動型ソリューションへのもう一つの愚かなアプローチ

質問: ある日、人力車の運転手を見かけたら...

• 彼は馬の長い耳を指差しながら言いました。「僕たちが走るにはどんな走り方が一番いいかな？」
• 馬車を捕まえる？馬車を捕まえるには、「さあ、行こう！」「さあ、行こう！」と叫ぶだけで、叫んだ途端に馬は逃げてしまいます。
• WeChatグループで聞いてみよう：Touさん、Tengさん、Aさんみたいな高級ドライバーはいますか？質問があれば、お金を払ってもいいですよ！
• 「21日間でバスキャッチをゼロからマスター」の PDF リソースをオンラインで検索します。

この御者は馬車を操る科学者でしょうか、それとも本の虫でしょうか？もちろん、本の虫です！体系的に学べる本があるのは基礎科学だけです。馬車を引くような実践的な作業は、実際に行って観察しなければ、誰かに教えてもらっても意味がありません。リトル・マの名前に「馬」という文字が含まれているからといって、従業員全員が馬車を運転できるわけではありませんよね？

本に縛られたり、教科書の知識を実際の問題の解決に応用しようとしたり、いわゆる「大企業」や「先輩」を盲目的に信じたりすることは、多くのデータ初心者が犯す一般的な間違いです。

しかし、ビジネスを理解すると言うと、多くの新人は正反対の行動に出ます。何も考えずに質問をし、言われたことを何でも信じてしまいます。「データはどうだった？」「検証はどうだった？」「要約はどうだった？」と、すべて忘れてしまいます。そして後になって、「ビジネスとコミュニケーションをとった！」と得意げに自慢します。もしかしたら、販売員のお金を数えるのを手伝いながら、売り飛ばされてしまうかもしれません。

したがって、データドリブンビジネスには、データと業務オペレーションの連携が不可欠です。業務オペレーションには明確な方向性が必要であり、デザイン、オペレーション、グラフィックデザイン、製品開発といった各分野の能力向上に努める必要があります。一方、データオペレーションは、最大限の効果を上げるために、データの継続的な収集、プロセスのモニタリング、結果のレビュー、経験の集約、そしてイノベーションの検証に取り組む必要があります。

しかし、ここ2年間の人工知能（AI）という概念の普及により、データドリブンビジネスはますます混沌としています。今流行しているのは、企業が考えるのを面倒に思い、「100%正確な予測」モデルの魔法に頼って、自分たちの視点を見出そうとしているという状況です。

そしてデータ担当者は、テンセントのような天才を見つけて「ゼロから100%の予測を実現する21日間」のPDFを入手し、自分のコンピュータのDドライブの「Dry Goods」-「Data Mining」-「Algorithm Models」フォルダに保存すれば、「100%正確な予測」ができると考えた。もちろん、その結果は「誰かを呪いながら盲目の馬に乗る」か「真夜中に深い池に近づく」という典型的な例だった。

著者：地に足のついた教師チェン

出典：WeChat公式アカウント「地に足のついた陳先生」