データ分析の分野において、スキルを体系的に向上させ、効果的に問題を解決するにはどうすればよいでしょうか。この記事では、人材分野から生まれた「知識（Knowledge）」「スキル（Skills）」「能力（Abilities）」という3つの主要な側面を網羅するフレームワークであるKSAモデルを紹介します。

「仕事で成果を上げたい／良い就職をしたいから、データ分析をしっかり学びたい」と考える学生が多いようです。では、どうすればデータ分析をしっかり学べるのでしょうか？ここでは、目標を明確にし、タスクを細分化するためのKSA法の活用をおすすめします。え？聞いたことない！？今日は体系的に解説していきます。

01 KSAとは何ですか?

KSA は人事分野の概念であり、もともとは人の能力を評価するための 3 つの側面を指します。

1. 知識: タスクを完了するために必要な理論的な知識。
2. スキル: タスクを完了するために必要なツールと操作スキル。
3. 能力: タスクを完了するために必要な思考力、コミュニケーション能力、調整能力。

簡単な例として、チェン先生の家族の 4 歳の子供であるココは算数を学んでいます。

お父さんが尋ねました。「1+1はいくつ？」ココは答えました。「2！」これは知識です。
食料品の買い物に行ったとき、ココはニンジンを1本拾いました。お父さんが「2本必要だよ」と言ったら、ココはまた1本拾いました。すごい技術ですね。
親戚や友人を訪ねているとき、お父さんはみんなの前で「ココ、1+1はいくつ？」と尋ねました。ココは大きな目を瞬きしながら、大きな声で「2！」と答えました。みんなから承認の視線が向けられました。これは能力の表れです！

要するに：

知識は記憶可能であり、客観的な評価基準を有します。自然科学の知識には単一の正解があるかもしれませんが、社会科学の知識には単一の正解はないかもしれませんが、一定の範囲内での慣習的な理解や解釈は存在します。

スキルを習得するには、操作、練習、そして繰り返しのトレーニングが必要です。スキルは知識に依存し、実践するためのツールが必要です。ツールによって必要なスキルは異なり、ツールが強力であればあるほど効果は高まります。例えば、小さなココはすでに様々な足し算、引き算、掛け算、割り算の問題を学習しており、すぐにSiriに助けを求めます。ココは「良い経験になった」と言います。

╮(╯▽╰)╭

能力には洞察力と理解力が必要です！興味深いことに、現実世界の問題に直面したとき、知識やスキルよりも、理解力、コミュニケーション能力、共感力、そして協調性といったスキルの方が直接的な影響を与えることが多いのです！例えば、親戚の前で子どもに質問をするとき、本当の目的は見栄を張って面目を保つことです。このような状況で積極的に協力する子どもは良い子です！そうでなければ、どれだけ多くのことを学んでいても、どれだけ能力があっても、知識を活用できなければ、やはり恥ずかしいものです。

この理論はもともと人事部門が採用資格を評価するために用いていた手法です。しかし、一度習得すると、職場で非常に役立つことが証明されました。職場において、問題解決に必要なKSA（キー、スキル、能力、満足度）のどの要素を明確に見極められるかが、仕事の効率と質を大きく向上させるからです。

02 職場におけるKSAとは何ですか?

簡単な例として、KSA を使用してタスクを細分化し始めると、次のような多くのことがすぐに理解できるようになります。

なぜ大学で文系は役に立たず、理系は役に立つとよく言われるのでしょうか？これは基本的に、KSA（知識、スキル、能力）が教育と職場でどのように応用されるかの違いに起因しています（下図参照）。

多くの大企業のプロフェッショナルなマネージャーは、何も知らず、何もしていないように見えるにもかかわらず、なぜ成功を収めているのでしょうか？それは基本的に、KSA（主要成功要因）が目標達成のために様々な手法を採用しているからです（下の図をご覧ください）。

したがって、KSA の原則を理解し、KSA を分解する方法を習得することは、職場、特にデータ分析業務をナビゲートする上で非常に有意義です。

03 データ アナリストの求人応募において KSA が重要なのはなぜですか?

データ分析に適用すると、KSA は次のように現れます。

1. 知識: 数学、統計学、経営科学、オペレーションズ・リサーチ、機械学習
2. スキル: Excel、ppt、sql、python、tableau、hadoop、spark...
3. 能力: 要件の伝達、ユーザーの洞察、論理的推論、実験設計、要約およびレポート作成...

興味深いことに、詳しく見てみると、データ分析はKSA（分析のための知識ベース）の知識が溢れている唯一の職種であることがわかります。一般的に、営業、製品管理、オペレーション、マーケティングといったビジネス関連の仕事は、アナリティクス（A）に偏り、アナリティクス（S）はそれほど重視されていません。一方、研究開発の仕事は、アナリティクス（S）に偏り、アナリティクス（A）はそれほど重視されていません。しかし、データ分析はビジネスとテクノロジーの中間に位置し、両方を包含しています。そのため、学ぶ意欲があれば、KSAに関する書籍は数多く存在します（下の画像をご覧ください）。

こうなると、おかしな状況に陥ります。この分野の初心者は、何十冊もの本を熱心に読みふけり、集中的に勉強するのですが、結局は集中力が続かず、何も覚えられず、面接で惨敗してしまうのです。採用担当者が本当に求めているスキルを考えるどころか、「データ分析にはどんな本を読めばいいの？」とインターネットで検索し続け、さらに本を買い漁ってしまうのです。勉強すればするほど、混乱してしまうのです。

データアナリスト間のギャップは、データとオペレーション、製品、研究開発間のギャップよりもはるかに大きいことを理解することが重要です。志望企業の要件を綿密に調査せず、面接のどの段階に直面しているのか、どのような質問に不合格になるのかを把握せずに、盲目的に学習を進めても混乱は募るばかりです。綿密な準備をすることで、少なくともどこで間違えたのかを理解し、より効果的に問題に対処できるようになります（下の図を参照）。

04 KSAがデータ分析作業にとって重要な理由

データ分析を始めると、データを理解している人々と理解していない人々の目にはデータアナリストの役割がまったく異なることがわかります。

データを理解する人にとって、データ分析は最も複雑な側面を伴います。データ収集、データクリーニング、データウェアハウスの設計は、どれも地道で骨の折れる作業であり、信頼できるデータを得るためには根気強い努力が必要です。

データを理解していないビジネス関係者の視点から見ると、データ分析こそが最も重要な要素です。彼らは「根底にある思考」「コアとなるつながり」「社内スキル」などと口にしますが、データの出所や正確性といった最も基本的な問題さえ考慮していません。

データに馴染みのない初心者にとって、データ分析は複雑なテーマに思えます。多くの人は、すでに答えが書かれた本がどこかにあると信じ込んでいます。問題に直面すると、彼らは常に「標準的な方法、従来型の方法、そして高度な方法って何？」と自問します。

この違いは、データ分析における特有の課題につながります。業務部門が直接求めているのは、単純で単発的な数値ではなく、空想的で即効性のある万能モデルです。データアナリストが毎日1つか2つの単発的な数値の分析に終始してしまうと、深層分析を行うことができず、最終結果も受け入れられません。一方、データアナリストが頑固になり、空想的で非現実的なモデル要求をそのまま受け入れてしまうと、必ずやその実行に失敗し、成果を上げることができず、結局は非難されることになります。

したがって、良い仕事をするためには、具体的な問題を深く分析し、ビジネス側の期待とデータ構築の品質のバランスを取り、このプロジェクトで K がいくつ使用されるか、S のパフォーマンス要件は何かを明確にし、最後に A を使用してあらゆる種類の厄介な問題を処理および調整し、プロジェクトの成功を確実にする必要があります (下の図を参照)。

多くの学生が、KSA（知識、スキル、能力）を活用する能力をどのように伸ばすかに関心を持っています。厳密に言えば、どんな能力を伸ばすにも、突発的なひらめきと長期的なトレーニングの両方が必要ですが、ここではシンプルな開始方法をご紹介します。

相手が技術的な知識に乏しく、コンピュータサイエンスや数学の知識もデータ分析の経験もない場合、「分析モデル」「ユーザーペルソナ」「正確な予測」といった主張を安易に信じてはいけません。彼らはおそらく、キーオピニオンリーダー（KS）とは関係のないことを話しているのでしょう。ここで必要なのはA（コミュニケーションスキル）です。つまり、質問の文脈、期待する成果、そして直面している具体的な問題から始めて、相手のニーズを理解することです。

相手が技術的なバックグラウンドを持ち、具体的な技術的概念を述べている場合は、まず技術的な問題（S問題）そのものについて話し合いましょう。技術的なアプローチは適切であるにもかかわらず、同僚や上司に受け入れられない場合は、A問題の可能性が高くなります。この時点では、技術的な詳細にとらわれすぎず、相手の職場環境、プロジェクトの目標、上司の姿勢を分析してみましょう。多くのことを学ぶことができます。包括的なデータ分析学習については、最近、垂直アプローチと水平アプローチの両方に基づいた戦略をまとめました。

垂直方向：分析ロジックの構築と分析手法の選択。これには以下が含まれます。

1. 基本的なデータ分析手法

2. データインジケーターシステムとタグ付けシステムを構築します。

3. ビジネス分析フレームワークを開発する

4. 意思決定の最適化にオペレーションズ・リサーチの手法を活用する

5. 統計的手法を使用して A/B テスト/因果推論を実行します。

6. 機械学習手法を使用して分類/予測モデルを構築する

水平的：様々な業界にまたがる具体的な分析シナリオ。データ分析には「ビジネスを理解する」ことが必要だとよく言われますが、これは具体的な分析シナリオを理解することを意味します。一般的な例としては、以下のようなものが挙げられます。

1. ビジネス分析：経営に特化した企業全体の分析。

2. 専門トピック分析：販売チャネル、プロモーション活動、マーケティング活動、製品の特徴など

3. 業界別分析：SaaS顧客の成功、インターネット製品の改善、従来型エンタープライズ営業担当者の分析