このアナリストはどのようにして直感を頼りにすることから、データを使って意思決定をサポートするようになったのでしょうか?

なぜアナリストはデータドリブンな意思決定ができるのでしょうか？この記事ではその理由を探ります。データ分析に携わる方にはぜひ読んでいただきたい一冊です。

データドリブンな意思決定は、誰もが毎日口にする流行語です。しかし、データは具体的にどのようにこれを推進するのでしょうか？そのプロセス全体を実際に目の当たりにした人はほとんどいません。中には「まるでデータを求めて追い回されているような、まるで自分が追い回されているような気がする」と疑問に思う人もいます。今日は、単なる群衆の流儀にとらわれることなく、体系的に説明していきます。

I. 最も基本的な意思決定プロセス

まず、物事を成し遂げるためにデータは絶対に必要なのでしょうか？答えは「絶対に必要ではない」です。理論的には、物事を成し遂げるには2本の水平線と1本の垂直線さえあれば十分です。とにかく、実行すればいいのです！つまり、物事を成し遂げる最もシンプルで直接的な方法は（下の図に示す通りです）。

しかし、誰もが知っているように、そのような空虚な激励やスローガンは、従業員をうんざりさせるだけの無駄な手段です。あまりにも無意味だからです。従業員は何をすべきか、どのようにすべきか、そしてどのような結果になるべきかを全く理解していません。

II. 科学的意思決定の萌芽的形態

したがって、この最初の意思決定プロセスは、すぐに第 2 段階、つまり 3 段階の段階に進みます (下の図を参照)。

この三段階の意思決定プロセスは、科学的管理法の基礎を既に備えており、1980年代後半から1990年代初頭にかけて契約責任制度が普及したことで大きく発展しました。そのため、1950年代、60年代生まれのリーダー、そして彼らの影響を受けた1970年代、80年代生まれのリーダーの多くは、今でもこの三段階アプローチ（何をすべきか、どのようにすべきか、そしてどのような結果を望むべきか）を好んで用いています。また、記事や書籍でも非常によく見られます。

しかし、これはあまりにも粗雑であるため、真の科学的経営とは言えません。特に何をすべきかという点において、リーダーたちはしばしば気まぐれに意思決定を下します。彼らの口癖は「まずは小さな目標を達成して1億円を稼ぐ」です。なぜ1億円なのか、なぜ市場を掌握するのではなく利益を上げなければならないのか、といった点について、深い分析や説明は一切ありません。こうした衝動的な意思決定の結果、彼らは守れない約束をし、物事がうまくいかなくなった時に後悔することになります。そのため、「三平手打ち」（気まぐれで衝動的に下される意思決定を指す）というあだ名が付けられました。

III. 広範囲から集中的へ

意思決定の精度を向上させるには、データの測定と分析を導入する必要があります。実際、データ分析は本来、科学的管理を目的として設計されています。データの支援があれば、より洗練された管理が可能になります。

決定を下す前に:

収益、費用、利益など現在の経営状況を定量的に評価します。
市場、競合他社、消費者データに基づいて機会と脅威を評価します。
過去のパフォーマンス傾向を分析し、自然な変化のパターンを特定することで、より合理的な目標を設定できます。

意思決定プロセス中:

代替ソリューションに必要な時間、人的リソース、および物的リソースを定量的に評価します。
過去の実績を基に、提案された計画の実現可能性を定量的に評価し、予想される完成率を評価します。
過去のパフォーマンス傾向を分析し、自然な変化のパターンを特定することで、より合理的な目標を設定できます。

決定後：

実装プロセスを定量化して監視し、実装の問題を特定します。
実装方法を分析し、最適化と調整のための対策を評価します。
実行結果をレビューし、実際の目標達成を確認し、経験をまとめます。

この段階では、データ駆動型の意思決定とデータ駆動型経営が実現されています。この段階で最も典型的なアプローチはPDCA（Plan-Do-Check-Act）理論です。この理論では、意思決定プロセスを4つの段階に分けます。

プラン
実行する
チェック
行為処理

反復的なプロセスを通じて、目標が達成され、品質が徐々に向上していくことを確認します (下の図を参照)。

これはデータ駆動型意思決定の終焉のように聞こえるかもしれません。原則的には確かにその通りで、多くの古典的な経営理論はこの段階を基盤としています。その後の大きな進化は技術面にあります。データの取得は本質的に非常に困難な作業であり、多大な技術的支援を必要とするため、技術手段の質が経営理論の実現可能性とイノベーションの実現可能性を直接左右するのです。

AIDMA、PSM、二重盲検法（ABテスト）といった多くの古典的な管理モデルは、アンケートや質問票に基づいています。アンケートは理論的には利用可能なすべてのデータを収集できますが、固有の限界があります。

人間の記憶には限界があり、データの精度は高くありません。
人間のエネルギーには限りがあります。質問や選択肢が多すぎるのはよくありません。
人間は怠惰になりがちです。オプション A は常に最も多く選択され、3 ポイントオプションと 5 ポイントオプションの割合は常に最も高くなります。

上記の制限により、質の高いアンケートはコストがかかり、時間がかかり、データの取得に非常に時間がかかります。

そのため、その後の管理方法の改善は、データ収集方法の進歩を伴って大きく進み、ますます洗練されたものになってきています。

IV. より洗練されたデータ駆動型プロセス

より洗練されたデータ駆動型の方法はすべてテクノロジー主導です。

OMS/CRM システムを使用すると、トランザクションとユーザーデータをより迅速に収集できます。
アプリ/ミニプログラムとデータ追跡により、ユーザーの行動データを収集できます。
豊富なデータがあれば、ユーザープロファイルを改良し、予測モデルを構築できます。
CDP/ECRM などのツールを使用して、データを直接ビジネス実行にプッシュできます。

技術的なサポートにより、管理の詳細もより充実します (下の画像を参照)。

前のステージと比較した主な追加点は次のとおりです。

全体目標を部門別・ステージ別のサブ目標に細分化し、各レベルで実行します。
指標と判断基準をより明確に区別するために、総合的な評価方法を導入しています。
CDP（旧手法の選択）とABテスト（新手法のテスト）が追加されたことで、より適切な手法を選択しやすくなりました。

プロセス全体については、以下の画像に示す詳細な説明をご覧ください。

この段階で最も人気のあるアプローチは、指標を段階的に分解して定量化することで意思決定の実施を推進する OSM (Optical Sequence Management) メソッドです (下の図を参照)。

注：推進効果を達成するには、意思決定プロセスの各段階で適切なデータツールを設定し、各ツールがそれぞれの役割を果たせるようにする必要があります。これは、強力な結果を算出する単一の強力なモデルや数式ではなく、複数のツールの組み合わせです。

プロジェクト全体を通して最大の技術的課題はデータ収集でした。プロジェクト全体のスケジュールを遅らせることなく、高品質で多次元的なデータ収集を確保することは極めて困難でした。最大のビジネス上の課題は合意形成でした。議論を避け、合意を得ることが鍵となりました（下図参照）。

これで導入は終わりです。しかし、学生の中には「この経営理論は複雑そうに見えないのに、なぜ現実にはそれが見えないのか？」と疑問に思う人もいるかもしれません。それは、理論と現実の間には常にギャップがあるからです。会社では、様々な奇妙な人や出来事が常に起こります。

V. データに基づく意思決定の影響を感じない理由

問題 1: 時代遅れの人材/システム/メカニズム。

多くの企業は、データ開発、特にデータ収集とプロセスの標準化に十分な注意を払っていません。
多くの企業システムはまだ初期段階にあり、急速な拡大と発展に重点を置いています。
多くのビジネスリーダーは依然として残酷な経営手法を採用しています。

時代は変わりましたが、人々、システム、制度は同じままです。他の何も変わりません。

質問 2: 利己心が強すぎて、データを故意に歪曲しています。

多くのリーダーは口先では「データドリブン」思考を謳いますが、実際にはデータをただ見せかけに使っているだけです。より魅力的な数字を書き出し、魅力的でない数字をもっと魅力的に見せる方法を探します。それでもうまくいかないと、「自社の人工知能とビッグデータ分析能力の不足」のせいにします。このようなアプローチでは、データドリブンな成果は絶対に得られません。単なる数字ゲームをしているだけです。

質問3:人工知能とビッグデータを盲目的に信じている。

注：データ駆動型アプローチの進化からもわかるように、データ駆動型の成果を達成するには、レポート、管理モデル、アルゴリズムモデル、テストプラットフォーム、テーマ分析など、プロセス全体にわたる分業が必要です。これは、単一の強力な「インテリジェントモデル」によって実現できるものではありません。しかしながら、コンピューターの中に万能の「モデル」が存在し、一撃ですべてを解決できると信じている懐疑的な人もいます。これは必然的に、様々な悲劇的な結果をもたらします。

質問4: 指標を重視しすぎて、基準の開発を軽視しています。

これはデータアナリストによくある問題です。分析について語る際、彼らは何十ものデータ指標を並べ立てますが、どれが主要な指標で、どれが二次的な指標で、どれが参照指標なのかを判断できません。どの指標を組み合わせれば良いのか、どの値が良いのか悪いのかさえも理解していません。明確な基準やビジネス部門とのコンセンサスも確立されていません。結局、彼らはただデータを羅列するだけで、結論を導き出すことができません。

質問 5: 業務オペレーションから切り離されており、業務プロセスのデータ蓄積が不足しています。

これはデータアナリストによくある問題です。彼らはGMV、トラフィック、DAU、MAU、コンバージョン率といった指標をただ眺めるばかりで、ビジネスプロセスを理解したり、様々なビジネス手法の効果を観察する経験を積んだりしていません。結局、彼らにできるのは、同じ指標を何度も繰り返して「増やす必要がある」「維持する必要がある」などと言うことだけで、意思決定を促すには至りません。

VI. 要約

データドリブンな意思決定には、ビジネスプロセスとデータの緊密な連携に加え、リーダーシップの関与と推進が不可欠です。全知全能の天才が「ママ、ママ、ブーーン！」といった呪文を唱えて画期的な結論を導き出すようなものではありません。それは基本的な常識です。

時代遅れの人材、時代遅れのシステム、時代遅れのプロセスは、いずれも表面的なデータしか生み出しません。ですから、すぐに成果が見えなくても、信念を失わないでください。時代遅れの人材や物事は、いずれ歴史に埋もれてしまうでしょう。実務家として、私たちはより良いプラットフォームに参加し、より良いプロジェクトを創造する機会を得るために、自らの能力開発に注力すべきです。互いに励まし合いましょう。

著者：地に足のついた教師チェン

出典：WeChat公式アカウント：地味な陳先生（ID：773891）

Haozao