データドリブンビジネスの時代において、データ分析は企業の意思決定に不可欠なツールとなっています。しかし、数多くの複雑なデータ分析手法が存在するため、現実のビジネス課題を解決するための適切なツールを選択することは困難になっています。

学生から次のような質問がよく寄せられます。

最高レベルのデータ分析方法とは何ですか?

「面接中に『どのような方法を使いましたか？』と聞かれたら、どのように答えるべきでしょうか？」

私が使用している分析方法はなぜ単純すぎると考えられるのでしょうか?

今日はデータ分析の方法を体系的に復習し、全員が自分のレベルをチェックして、どれだけうまくプレゼンテーションできるかを確認できるようにします。

まず、「分析」という言葉が付くものすべてがデータ分析手法というわけではありません。多くの「分析」手法は、統計学、オペレーションズ・リサーチ、数学といった専門分野のツールであり、ビジネス上の問題に直接答えを提供するものではありません。「分析手法にはどのようなものがありますか？」と尋ねる人は、結論を導き出せる手法を聞きたいと考えている可能性が高いでしょう。

したがって、この質問に適切に答えるには、「データ分析は実際にはどのようなビジネス上の問題を解決するのか」という点に立ち返る必要があります。

ビジネスの観点から見ると、データ分析は主に 5 つのカテゴリの問題を解決できます。

1. いくら（データの説明）

2. データ標準の確立とは何ですか?

3. なぜ（問題の原因を探る）

4. 何が起こるでしょうか（ビジネストレンドを予測）

5. そして（状況を総合的に評価する）

それぞれの問題のシナリオには、特定の方法の組み合わせがあります (下の図を参照)。

I. 「いくら」の問題を解決する方法。

データを用いて状況を説明するには、包括的なデータ指標システムを構築する必要があります。このようなシステムを構築するには、データ指標間のロジックを明確にする必要があります。データ指標間のロジックには、シーケンシャルロジックとパラレルロジックという2つの基本的なタイプがあり、これらを基にファネル分析と指標分解という2つの基本的な分析手法が導き出されます。

ビジネス プロセスがさらに細分化されるにつれて、特定のデータ メトリックを次のような固定の組み合わせで使用できることがわかってきました。

• ユーザー操作シナリオ: AARRRメトリクス、RFMメトリクス
• 小売店のシナリオ: 人、商品、場所の指標
• 製品管理シナリオ: 購買、販売、在庫指標

これらは一般に分析モデルとも呼ばれます。

ただし、これらは単なるデータのプレゼンテーションであることに注意してください。

分析による結論を導くには、データと判断基準が不可欠です。判断基準の分析には、問題の種類を特定することが含まれます。

II. 「何が」という問いを解決する方法

判断基準は、上司からの指示、KPI要件、過去のデータなど、非常に単純なものになる場合があります。これらは総称して「単純基準」と呼ばれます。しかし、指標の傾向が正常であるかどうかは、明確なKPI制約に左右されない場合が多く、たとえKPIが達成されていても、異常な傾向は依然としてリーダーの懸念材料となる可能性があります。このような場合、代替的な基準が必要となり、一連の分析手法が開発されることになります。

例えば：

• ビジネスの固有のパターンと比較して品質を判断する：ライフサイクル法、自然循環法
• 同時期に展開した類似事業との比較：同時クラスター分析
• 他の事業体との比較：層別分析

この比較により、たった一つのデータ指標からでも良し悪しを判断することができます。事業開発が過去のパターンから逸脱し、他の個々の事業よりも著しく悪い場合は、「悪い」と判断できます。

もちろん、2 つの指標を使用することもできます。たとえば、2 つの指標の相互参照と 2 つの指標の平均を使用して 4 つのタイプのビジネスを分類し、それによってそれらの良し悪しを判断する古典的なマトリックス分析法などがあります。

一般的に用いられるK平均法クラスタリングなど、より多くの指標を使用することも許容されます。まず複数の指標を用いて個々のビジネスエンティティをクラスタ化し、その後、各タイプのパフォーマンスを比較することができます。

これらの方法はすべて、良いビジネスと悪いビジネスを区別することができ、ある程度判断に役立ちます。

III. 「なぜ」の問いを解決する方法

「この問題の原因を分析してください...」というのはよくある要求であり、これは「なぜ」という質問です。

「なぜ」問題を解決するには、2 つの基本的なアプローチがあります。

1. 結果の推論: 問題が発生した後、さまざまなデータを使用して矛盾を見つけ、仮説を立てます。

一般的な例としては次のようなものがあります:

• 構造解析手法：構造解析により問題箇所を特定します。
• タグ分析: 個々のケースにラベルを付けて比較することで、問題の根本原因を特定できます。
• 相関分析: 指標間の相関を計算することで関連する指標を特定し、仮説を立てます。
• MECE メソッド: 複数のビジネス上の仮定を述べ、MECE の原則に従ってそれらを分析ロジックに組み合わせ、1 つずつ検証します。

結果推論は、「これはXXの理由によるものだと思う」といったビジネス上のステートメントを、データ検証可能な仮説へと抽象化できるため、非常に幅広い応用が可能です。しかし、結果推論は結果からの一方的な帰納的推論に過ぎず、バイアスが含まれている可能性があり、実験による検証が依然として必要です。

2. 実験的推論: まず仮説を立て、次に実験/グループ比較を通じて仮説を検証します。

一般的な方法には、ABtest、DID、PSM、RDD、Uplift などがあります。

これらの方法は従来の統計実験に近いもので、そのほとんどには次のものが必要です。

1. 仮説を検証するためのデータ実験を実施する
2. 対照群と実験群があり、対照群と実験群の特性が類似しているとします。
3. 制御変数と環境変数を区別し、制御変数の影響の測定に重点を置きます。

実験推論は統計的証拠に基づいており、計算プロセスが複雑であるため、より定量的であるように見えます。しかし、実験条件に対する要求は非常に高く、例えば、大規模なプロモーションなど総力を挙げて取り組むビジネスシナリオ、商品や店舗といった環境が制御不能なビジネスシナリオ、販売員の行動やコンテンツの発信といったデータ収集が難しい領域では、活用が困難です。

理想的には、両方のアプローチを組み合わせ、事実、仮説、検証という継続的なサイクルを通して真実に近づくべきです。しかし、現実は様々な条件によって制約されることが多く、私たちのアプローチは一つの角度に限定され、徐々に真実に近づくことになります。IV. 「もし～だったら」という問いを解決する方法

予測問題は誰もが関心を持つテーマであり、統計やアルゴリズムが最も活用される分野でもあります。唯一の制約要因は、利用可能なデータの量と、業務担当者の関与が必要かどうかです。

ビジネス担当者が予測プロセスへの参加を強く希望する場合、選択肢はビジネス仮定法かローリング予測法のみとなります。これらの手法では、結果に影響を与えるすべてのパラメータがリストアップされるため、ビジネス担当者は推論しやすくなり、「自分がどれだけの作業を行う必要があるか」を明確に理解しやすくなります。

業務担当者が関与していない場合、アプローチはデータの量によって異なります。データが少ない場合は時系列予測を使用できますが、データ量が多く、結果に影響を与える因果関係のあるデータがある場合は、回帰モデルなどのアルゴリズムを使用して予測を行うことができます。

V. 「しかし」問題を解決する方法

包括的な評価とリソースの配分は、総称して「What-if」の質問と呼ばれます。これは意思決定の最終段階であり、事業に対して何らかの措置を講じるかどうか、そして講じる場合はどの程度の措置を講じるかを決定します。営業担当者に、業績目標を達成できなかった場合は解雇されるという免責同意書に署名してもらうなど、簡単な評価であれば容易に実施できます。

しかし、多くの場合、評価は複雑で、多くの側面を考慮する必要があります。ここで最も大きな違いは、リーダーの主観的な意見を考慮するかどうかです。考慮する場合は、主観的な採点方法を積極的に採用しましょう。リーダーの採点基準を満たすことが最優先事項です。そうでない場合は、教師あり機械学習アルゴリズム、または因子分析やDEA（相対的な効率性を追求する）などの客観的な手法の使用を検討してください。

どれだけのリソースを誰が担当すべきかという問題は、より複雑です。適切なリソース配分を行うには、まず前述の分析ステップを完了し、各事業ラインの基本的な能力を徹底的に理解した上で判断を下す必要があります。ここでは、線形計画法を用いてこのアプローチを支援できます。

6. なぜ方法が使われていないように感じるのでしょうか?

結論として、データ分析手法は数多く存在します。しかし、なぜ多くの学生がそれらを効果的に活用できていないと感じるのでしょうか？それは、それぞれの手法がビジネスシナリオ、リーダーシップスタイル、そしてデータ品質と密接に関連しているからです。

たとえば、因果推論アルゴリズムのほとんどはグループテストに基づいていますが、実際のビジネスでは、原因を見つけるために、二度目の実験の機会を与えることなく、事後に因果分析が行われることがよくあります。

たとえば、多くの企業では、配分計画はリーダーの気まぐれで決定されるだけで、アナリストがアルゴリズムを使用する機会はありません。

たとえば、予測に関しては、多くの企業では蓄積するデータが足りず、販売記録が 1 つしかないため、せいぜい時系列分析しか使用できません。

この理想と現実のギャップは、多くの学生に大きな苦悩をもたらします。一方では、これらの方法をどのように適用すればよいのか分からず、他方では、ビジネスの要件を満たす方法も理解していません。面接や仕事は非常に困難になります。