「実践:データドリブン思考の鍛え方」NewsPicksアカデミアイベント

こんにちは、”朝5時ブログの女” なつみっくすです。

昨日は、NewsPicksアカデミアのこちらのイベントに参加してきました。

本間充「実践:データドリブン思考の鍛え方」

テーマは「実践:データドリブン思考の鍛え方」

テクノロジーが進化し、ビッグデータを活用したデータ分析の重要性は高まり続けている。文系理系問わず、今後ビジネスパーソンにとってデータ分析は必須スキルの一つになるだろう。

本イベントでは、MOOCの人気講師でもある、マーケティング・サイエンティストの本間充氏が登壇。

インターネット黎明期から、花王やアビームでウェブサイトをはじめとしたデジタルマーケティングを切り開いてきた本間氏が、MOOC内で語られた7つのステップをワークショップを交えながら解説する。

イベントページから引用

ちなみに、本間さんのデータアナリティクス入門のMOOCが、こちらのツイートから観れます。ものすごく分かりやすいです。

https://twitter.com/NewsPicks/status/1161925746908180482?s=20

本間さんのお話はすごく分かりやすかったです。「データサイエンス」と聞くと「難しい」イメージがあるのですが、データから読み解くおもしろさが伝わってきました。そして、データありきではなく、「自分がやりたいことができるか?」という目的仮説の大切さを知りました。

今日は、こちらのイベントで学んだことを書いていきます。

「自分のやりたいことができるか?」という目的がスタート地点

本間さんが、なぜ「データアナリティクス入門」のMOOC講座をやったか?

データありき、データがスタート地点ではなく、

「自分のやりたいことができるか?」がスタート地点である

ことを伝えたかったから。

データが大切、というのは耳にタコができるほど聞きますが、データありきで、データをひたすら眺めるとか、データを集める、分析すること自体が目的化してしまうことが多い。そうではなく、「自分のやりたいことができるか?」という目的がスタート地点である。

データから何かが見いだせるというのは間違い

と言い切られていたのも、データが目的化してしまっていることへの注意喚起と捉えました。

日本では「データサイエンティスト」が不足

データサイエンティストは、そもそもどういう人か?

データサイエンティスト協会の資料に、レベル分けの定義が書かれています。

本間さんが問題と思われているのは、「棟梁レベル」が少ないこと。

「棟梁レベル」とは、ざっくり言うと「統計の問題に置き換える能力」を持っている人。

目的に対して、シンプルな仮説を立てて、答えを先に考える。「やっぱり、そうだよな」という統計の問題を解いていく。柔軟にデータを使って、他者とコミュニケーションをしていける能力が必要。

データサイエンスのステップ

ざっくりですが、本間さんが言われていたデータサイエンスのステップです。

  1. 目的を決める →「自分が何をやりたいか?」 例:広告宣伝費を下げながら、売上を上げたい等
  2. シンプルな仮説を立てる(みんなでブレスト) → 例:タクシー広告をしたら、売上が上がる等
  3. 必要なデータは何か(みんなでブレスト)
  4. データを集める
  5. データを分析する
  6. データを使って、ストーリー/プレゼンテーションを創る

「データサイエンティスト」と言うと、統計の知識だけ必要と思われがち。でも、「社内で丁寧にコミュニケーションをしてデータを集める」とか、データをどうストーリーにして、プレゼンテーションをするかという能力も大切になる。

「データを、もっとおもしろく」。みんなが興味を持ってもらえるように、おもしろくコミュニケーションしていけるか? この視点を持つこと。

データを使ったストーリー、プレゼンテーションは、どうすればポジティブに捉えられるか?ネガティブに捉えられるか? NewsPicksと他メディアの記事でも、タイトルやグラフの見せ方が違うことがある。ここに目を向ける。

たとえば同じ売上げアップでも

  • 5%アップ
  • 500万円アップ

で印象が違ってくる。

アップ(上昇)の棒グラフのイラスト

“戦略的”とは何か?

「目的を決める」、「シンプルな仮説を立てる」これができることを”戦略的”と言う。

たとえば、小学生のときに「朝顔のタネを植えて、観察日記をつける」というお題をする。

ここから先、どのように朝顔が成長していくか、仮説を立てる。そのイラストを書いていく。このステップが大切になる。

「朝顔 イラスト」の画像検索結果

仮説を立てるからこそ、双葉が出たときにびっくりしたり、双葉のあとに本葉が出ることに気づく。

あさがおの芽

いつも日常生活から、データサイエンスに置き換えて考えてみる、ということをされている本間さんならではの例えだと思い、おもしろかったです。

日本人が陥ってしまうPDCA

いつものPDCAではなく、皮肉的に言われる日本人のPDCAの話が面白かったです。

  • P  :Plan(計画する)
  • D :Delay(遅れる)
  • C :Cancel(キャンセルする)
  • A :Apologize(謝る)

「KKD」という言葉もあるようで、K(勘)K(経験)D(度胸)に頼ってしまう傾向もある。

日本人の特性として「最初から完璧を求めすぎてしまう。」

これに対しての本間さんのアドバイスは、

  • 100%合っている統計は無い
  • 最初から100点を目指さない
  • 取れているデータを活用
  • 取れていないデータは仮説と予測で補う
  • 3つくらいのデータから始める(完全なデータじゃなくていい)
  • トライアルしてみる

たとえば、「どんな人がカワイイと思われるのか?」ということをデータサイエンスするとき、「口角」「目」「表情の豊かさ」の3つが重要ではないか?という仮説を立てて、この3つのデータに絞って、分析をする。

顔のデータは無数に取れるけど、3つくらいの重要そうなデータから始めてみる。

あなたは「降水確率」何%だったら、傘を持っていく?

本間さんから、会場の参加者に対してこのような問いかけがありました。

あなたは「降水確率」何%だったら、傘を持っていく?

天気予報はどれくらい当たるのか?

会場で手を挙げましたが、答えはバラバラ。

ここで本間さんが言いたかったのは、

データがあっても、「判断」が大切。

判断できるのは、人間。

データを目的化するのではなく、あくまでも私たち人間が主役。

いろんな例えがあって、おもしろかったです。データを使って、こんなにおもしろい話ができるのか、と目からウロコでした。ありがとうございました。

記事が気に入ったらシェアお願いします!

コメントを残す

メールアドレスが公開されることはありません。 が付いている欄は必須項目です

CAPTCHA


このサイトはスパムを低減するために Akismet を使っています。コメントデータの処理方法の詳細はこちらをご覧ください