データ分析とデータ操作の違い（データ分析は科学ではなく、人間の本質である場合もあります）

データ分析は科学ではなく、人間の本性である場合もある

この記事の著者は、長年のデータ分析の経験に基づいて、作業処理に関するいくつかの経験を共有します。職場では、ニーズの分析は厳格なデータよりも有意義であることが多いです。著者は、すべての人に役立つことを願って、その理由を分析し、提案をしています。

私はデータ分析の分野に8年間携わり、さらにセルフメディアの分野で2年間働いており、さまざまなシナリオや事例に遭遇してきました。

今日は、業界に入ったばかりの学生たちに、業界関係者の視点からいくつかの洞察を共有したいと思います。

もちろん、どの家庭にもそれぞれの問題があります。製品マネージャーが非難されることが多く、プログラマーも製品と競争しなければなりません。次に私が言いたいのは、データ分析が無価値だとか、皆を落胆させたいということではなく、問題を明らかにすることによってのみ、問題を解決できるということです。

中国におけるデータ分析の波は、2015年にシリコンバレーからグロースハッカーが導入されたことから始まりましたが、ほとんどの企業のインフラが追いついておらず、データアナリストが困難な立場に立たされることがあります。

その大多数を占める中小企業の現状は次の通りです。

まず第一に、さまざまな要求当事者との「矛盾」がある。

データ分析結果が有用かどうかについては議論しないことにしましょう。

ただそれについて話すことに何か論理があるのでしょうか?実際、多くの場合、最終決定権は上司にあります。上司がノーと言ったら、どんなに厳密な統計的確率法を使っても、それはノーです。

その結果、データ分析は基本的に上司に向けられ、上司の考えに応えるものになります。

上司と似ていますが、上司には社内政治という別の属性があります。

たとえば、会議は上司の前でのパフォーマンスであり、上司はあなたの視点を裏付け、あなたのパフォーマンスを示すためにデータ分析を必要としています。

さらに、独立したデータ部門では、上司がデータアナリストにビジネス部門にあまり多くのことを伝えないようにする、という奇妙な現象が起こります。繰り返し発生する問題はテンプレートを作成することで解決できる場合もありますが、なぜ解決できないのでしょうか?とても簡単です。テンプレートを入手して分析ロジックを学習すれば、企業が自ら分析を行えるのであれば、なぜデータ分析部門が必要なのでしょうか?価値がなくなった？したがって、データ部門用の堀を手動で構築する必要があります。

データサイエンスには「説明可能性」という概念があります。これは、アルゴリズムのロジックを含む分析方法を明確に説明できない場合、上司だけでなく同僚からも受け入れられないことを意味します。

しかし、多くの場合、特にアルゴリズムに関しては、それはブラックボックスです。あなた自身はよく知っているかもしれませんが、ビジネス上の同僚はそれを理解していないか、データに基づく思考さえ持っていないため、解決策はありません。

同僚が自分の間違いを認めない場合、どのような結果になるでしょうか?

データ アナリストが妥協して分析ロジックを単純化することで、結果が不正確になり、エラーが大きくなりますが、ビジネス側はこれを受け入れることができます。

あるいは、ビジネス上の同僚が分析の結論や提案の実装を支援してくれない場合もあります。

人事部でさえ、あなたの欠点を見つけ、あなたの仕事に価値があるかどうかを問うでしょう。

価値はどこから来るのでしょうか?テストできる場所はただ一つ、ビジネスの成長です。

この時点で、前のポイントを理解したことになります。ビジネス上の同僚が実装を支援してくれなければ、分析は宙に浮いたまま価値がなくなります。

もちろん、あなたの仕事は完全に価値がないわけではありません。

• 間接的な価値: 提供される分析的洞察は、ビジネスに新たな洞察をもたらす可能性があります。
• Python または RPA を使用してプロセスを自動化し、ロボットを開発して、企業の時間を節約します。
• BI レポートは、データ製品の観点から見ると、製品が作成され、ビジネスで使用されるときに価値があるとみなすことができます。これは、BI が急速に発展している理由でもあります。

さて、外部の問題について話しましょう。実際、多くの新人データアナリストも、自身の知識構造に「矛盾」を抱えています。

多くの初心者は、Python と SQL を知っていればデータ アナリストになれると考えています。実際、これらのテクノロジーには閾値がなく、今後 5 ～ 10 年間はコアな競争力にはなりません。ビジネスに対する洞察力は です。

データ分析と比較すると、データ操作は実装が容易です。なぜ？後者はビジネスチーム内にあるのに対し、前者は独立した部門、またはビジネスから遠く離れたミドルオフィス部門であることが多いためです。

これはどこへ導くのでしょうか?分析ロジックはビジネスの現実から乖離しており、提示された提案はビジネス目標からかけ離れています。

非常に単純な真実をお伝えしましょう。常にお金に最も近いことをしてください。そしてお金はビジネスから生まれます。

もっと大げさに言えば、ビジネスを理解していなければ、指標システムを構築することすらできないのです。

どうすればいいですか？

冒頭で述べたように、私たちは問題を解決するために問題を明らかにします。そうすれば、価値を創造できるデータアナリストになれます。

最前線に行くか、あるいは最前線に回って商品を販売し、手を汚すことによってのみ、ビジネスがどのように行われるかを理解することができます。次に、点、線、面、立体の考え方を組み合わせて、ビジネスプロセスを整理し、ビジネスモデルを構築します。

私は通常、仕事仲間と良好な関係を維持しています。もし彼らが喫煙者なら、私は彼らにタバコを渡し、彼らは私の良き友人になるでしょう。でも私はタバコを吸わないし、お昼に一緒にランチを食べることでお互いにたくさんのことを学べます。

まず第一に、上司を理解する必要があります。上司が部門長であれば、上司の立場は部門の価値を反映し、他部門から裏切られないようにするためのものであることを理解する必要があります。上司であれば、彼が何を望んでいるのか理解しなければなりませんか?

最初の 3 つのポイントから得られた情報をどのように活用すればよいでしょうか?データ分析のロジックを理解する必要があります。

1) 分析ロジックはビジネス知識と統合する必要があります。例えば、買戻し率の計算。この指標を計算する方法は多数あります。どれを選ぶべきでしょうか？ビジネス属性に基づいています。

2) 分析をプロジェクトとして扱い、プロセスにビジネス部門を関与させます。ビジネス部門とタイムリーに同期して、プロセス中に見つかった問題を分析し、考えられる原因について話し合い、一緒に提案を作成します。分析ロジックを理解できるように、ビジネス部門が関与していると感じさせます。

3) 結論 人脈をビジネスKPIに紐づけて構築する理由は、ビジネスを理解するだけでなく、月次レポートで明らかになった問題点や四半期目標、事業ライン計画など、最新のビジネス動向を把握するためです。分析の結論によってこれらの問題を解決できる場合でも、ビジネスが実行されないことを心配しますか?

4) リーダーが負担を分担できるよう、上向きの管理ツールをタイムリーに活用する

• リーダーに安心感を与えるために、定期的に報告してください。
• 問題を上位の視点から考え、点、線、面、立体の理論から考え、つまり「面」で考え、さらに一歩先を考えます
• 業務とのコミュニケーションの過程で問題がある場合は、上司を呼び出してプレッシャーをかけましょう。提案が確実に実行されるようにしてください。そうすることで、プロジェクトの分析が価値あるものとなり、リーダーが会議で発言できるようになります。

著者: ブラザービスケット;公式アカウント：ブラザービスケットデータ分析

この記事はもともと @CookieBrother によって Everyone is a Product Manager に掲載されました。著者の許可なく複製することは禁止します。

タイトル画像は、CC0 プロトコルに基づいて Unsplash から取得したものです。

この記事で述べられている意見は著者自身の意見のみを表しており、人人士品夢家プラットフォームは情報保存スペースサービスのみを提供します。