SHOEISHA iD

※旧SEメンバーシップ会員の方は、同じ登録情報(メールアドレス&パスワード)でログインいただけます

おすすめのイベント

おすすめの講座

おすすめのウェビナー

マーケティングは“経営ごと” に。業界キーパーソンへの独自取材、注目テーマやトレンドを解説する特集など、オリジナルの最新マーケティング情報を毎月お届け。

定期誌「MarkeZine」

第78号(2022年6月号)
特集「現場に再現性をもたらす マーケターが知っておきたい手法&フレームワーク」

定期誌購読者なら
誌面がウェブでも読めます

翔泳社の本

データ利活用に必要な知識とスキルは? マクロミルの知見が解説された『データ利活用の教科書』より


 データを活用しているが、思ったほど成果につながっていない。それは、ビジネスの利益になるようにデータを用いて活かす「データ利活用」ができていないからかもしれません。そのための知識を体系的に学ぶとき、参考にしたい書籍が『データ利活用の教科書』(翔泳社)です。著者は様々な生活者データを柱にマーケティング支援事業を行うマクロミルのコンサルタントである渋谷智之さん。今回は本書から、データ利活用にどんな知識・スキルが必要なのかが解説されたパートを紹介します。

本記事は『データ利活用の教科書 データと20年向き合ってきたマクロミルならではの成功法則』(マクロミル、渋谷智之)の「はじめに」と「第2章 データ利活用に必要な知識・スキル」から一部を抜粋したものです。掲載にあたって編集しています。

大事なのは、データの「活用」ではなく「利活用」

 DXの進展により、組織に蓄積されたデータを統合し、ビジネスに活用していく動きが活発になっています。ただ、思うようなビジネス成果に結びついていないケースが散見されます。

 その理由として、データ「利活用」ではなく、「活用」に留まっていることが大きいと感じています。辞書で調べると、活用は「活かして用いること」、利用は「利益になるように用いること」とあります。データの文脈では、データ活用は「今あるデータを活かすこと」、データ利活用は「(今あるデータを問わず)利益になるようにデータを用いて活かすこと」と捉えることができます。

 目的に応じて、組織に蓄積されたデータだけでなく、新たに計測・収集するなど、データを創り出していくことも必要です。データ活用に留まっていると、ビジネス成果に結びつかない可能性が高くなります。

データは「手段」。出発点は「課題の明確化」

 「データがあるから有効な活用方法を考えてほしい」「社内に蓄積されているデータを使って、何か面白いことはできませんか?」。データ利活用に関する相談でよくある悩ましい言葉です。

 今あるデータありきでデータ利活用を考えると、途中で頓挫するか、担当者に分析結果を出しても「それは知っていることだから、他に何か新しい発見はないの?」と言われる確率が高くなります。

 データ利活用とは「ビジネス課題を解決するために、データを収集・蓄積・加工・分析・活用していくプロセス」です(図2.1.1)。

図2.1.1 データ利活用の定義、プロセス
図2.1.1 データ利活用の定義、プロセス

 最初に考えるべきは、「解決すべき課題は何か?」といった「課題の明確化」です。その課題の中で「データを活用できるところはないか?」と考えていきます。データはビジネス課題を解決するための「手段」です。今あるデータを使うことを前提に考えると、無意識のうちに視野が狭くなります。

 データ分析に基づいて問題解決を行うステップに「PPDACサイクル」があります(図2.1.2)。これは小学校の学習指導要領にも使われています。自ら問題を設定して、計画を立ててデータを収集する。そして、結論を考えることを小学生に求めているのです。大人のデータ利活用も全く同じです。

図2.1.2 PPDACサイクル
図2.1.2 PPDACサイクル

「マーケティング視点」でデータ利活用を考える

 ビジネスの世界では、データ利活用の課題として、どのようなものが設定されるのでしょうか。企業が持続的に成長していくためには、既存事業の「売上を増やす」もしくは「費用を下げる」ことが必要です。また、「新規事業を創出する」ことも企業の成長には不可欠です。これらはマーケティングの領域です。つまり、マーケティング視点でデータ利活用を考えていくことが成功の鍵を握ります。

データサイエンティストに求められるスキル

 米国LinkedInが2019年に発表した「有望な職種ランキング」において、データサイエンティストは第1位を獲得しています。日本でもデータサイエンス関連の書籍やセミナーが活況を呈しています。

 ただ、データサイエンティストのイメージは、人によって様々です。データサイエンティスト協会(DS協会)は、データサイエンティストを「データサイエンス力、データエンジニアリング力をベースにデータから価値を創出し、ビジネス課題に答えを出すプロフェッショナル」と定義しています。

 上記を踏まえ、DS協会はデータサイエンティストに求められるスキルとして、「ビジネス力」「データサイエンス力」「データエンジニア力」の3つをあげています(図2.2.1)。

図2.2.1 データサイエンティストに求められる3つのスキル
図2.2.1 データサイエンティストに求められる3つのスキル

 図2.2.2に、各スキルで必要とされるスキルカテゴリーを整理しています。求められるスキルが多岐にわたるため、いずれかに軸足を持つメンバーでチームを構成して運用することが多いです。

図2.2.2 各スキルで必要とされるスキルカテゴリー一覧
図2.2.2 各スキルで必要とされるスキルカテゴリー一覧

データ利活用の全体を俯瞰できる人材が必要

 従来は、ITシステム部門などのデータを蓄積する側がデータ利活用を主導することが多く、データ統合しても活用に結びつかないケースが散見されました。最近では、Chief Data Officer(最高データ責任者)を設置する企業が増えています。ビジネス課題の解決にデータを利活用することを考慮すると、ビジネス力に優れたリーダーが就任することが望ましいです。

 現場でも、ビジネスに精通した人材が全体を俯瞰し、データ利活用を推進していくことが望ましいです。チームメンバーも、ビジネス力、データサイエンス力、データエンジニア力のいずれかに強みがあることを前提に、各領域を最低限理解し、共通言語のもとに仕事を進めていくことがデータ利活用の成功には重要です。

統計解析、分析手法・ツールを学んでも意味がない?

 データ利活用、データ分析のスキルを高めたいとき、統計解析や分析手法・ツールの勉強を頑張る方も多いと思います。その努力は素晴らしいですが、思うような結果が得られないことも多いのではないでしょうか。

 統計学の有名な言葉に「GIGO(Garbage In Garbage Out)」があります。ゴミを入れれば、ゴミが出てくるという意味です。インプットするデータがゴミならば、どんなに素晴らしい解析をしても、出てくる結果はゴミになります。つまり、インプットするデータを価値あるものに高めていくスキルが重要なのです(図2.3.1)。

図2.3.1 GIGO(Garbage In Garbage Out)
図2.3.1 GIGO(Garbage In Garbage Out)

データ利活用に必要な知識・スキル

 図2.3.2に、データ利活用に必要な知識・スキルを掲載しています。各ステップについて説明していきます。

図2.3.2 データ利活用のために必要な知識・スキル
図2.3.2 データ利活用のために必要な知識・スキル

 【①課題を設定する】ステップでは、売れ続ける仕組みを構築するマーケティングの理解が必要です。また、ロジカル・シンキング、仮説思考、問題解決ステップなど、課題を正しく考えるためのスキルも必要になります。これらはデータ分析においても非常に役立つスキルです。

 【②データを収集・蓄積する】ステップでは、課題解決に必要なデータを計画・収集し、データ統合基盤に集約・整理していきます。足りないデータは、自ら企画して1次データを収集する必要があります。

 【③データを加工・分析する】ステップでは、分析目的・課題に合わせてデータを加工・分析します。機械学習の理解も必要になります。

 【④適切に伝える】ステップでは、優れた分析結果も活用されないと意味がありません。ロジカル・コミュニケーション、レポーティング、プレゼンのスキルをもとに、分析結果をわかりやすく伝えていく必要があります。

 本書は「データ利活用の共通言語を体系的に整理した基本書」です。なお、一冊で全てを説明するには限界があるため、各領域の深い知識・スキル、ツールは専門書を参照してください。

データ利活用に必要な知識・スキルの習得ステップ

 本書は、データ利活用のプロセスに沿って章立てしています。本節では、これからデータ利活用のスキルを高めていきたい人向けに、知識・スキルの習得ステップを説明します(図2.4.1)。個々人、環境が異なるため、参考としてお読みください。

図2.4.1 データ利活用に必要な知識・スキルの習得ステップ
図2.4.1 データ利活用に必要な知識・スキルの習得ステップ

最初に「データ分析の流れをざっくり理解する」

 出発点は、9.2、9.6で「データ分析のステップ」「クロス集計」を理解します。データ分析は「クロス集計の表側と表頭に、何の数字を設定して、どのような意味合いを抽出するか」に帰結します。自社データ、調査会社の自主調査などを使って、クロス集計に慣れることが重要です。

 その後は、第4章「ロジカル・シンキング、コミュニケーション」を勉強します。クロス集計の前後に必要な「問いの設定」「So What?、根拠の展開パターン」を理解することで、データ分析の流れをざっくり掴みます。

ベースを作ったら「課題を設定する」ための知識・スキルを身につける

 最初に、第3章「マーケティング」を勉強します。マーケティングの至る所で、データが利活用されています。顧客を起点に考える思考法を理解し、リサーチを中心とするデータ利活用のイメージを掴みましょう。特に、クロス軸に該当する「セグメンテーションの切り口」は暗記しましょう。

 その後、第5章「仮説思考」、第6章「問題解決ステップ」を勉強します。仮説思考は、良い仮説の条件、仮説を生み出す発想法を理解します。問題解決ステップは、ステップごとのデータ活用イメージを掴みましょう。

【STEP3】で「データ分析の全体像」を押さえる

 第9章「データ分析」、第10章「レポーティング、プレゼン」を勉強します。データ分析関連の書籍は、統計解析や分析手法の説明が多いですが、「空・雨・傘」による意味合いの抽出まで理解することが重要です。

 また、調査会社が公開している自主調査を使って、レポートを作成し、プレゼンする機会を設けることをお勧めします。筆者がアンケートを推奨するのは、データの前処理が少なく、集計が簡単にできるためです。奇麗なデータで何度も練習するのがデータ分析を上達させるポイントです。

最後に「必要なデータを収集・加工する」必要性、ツールを覚える

 データを利活用するには、必要なデータが手元にあることが前提になります。ただし、実際はデータが不足している、前処理が必要になることが大半です。そこで、第7章「データ統合基盤・データ活用規制の動き」、第8章「リサーチを活用した1次データの収集」を勉強します。SQL、Pythonなどのツール類は、オンライン学習などを活用して、目的に合わせて使えるようにしておきましょう。

データ利活用の教科書

Amazon SEshop その他


データ利活用の教科書
データと20年向き合ってきたマクロミルならではの成功法則

著者:マクロミル、渋谷智之
発売日:2022年3月9日(水)
定価:2,420円(本体2,200円+税10%)

この記事は参考になりましたか?

  • Facebook
  • Twitter
  • Pocket
  • note
翔泳社の本連載記事一覧

もっと読む

この記事は参考になりましたか?

この記事をシェア

MarkeZine(マーケジン)
2022/05/12 17:20 https://markezine.jp/article/detail/38472

Special Contents

PR

Job Board

PR

おすすめ

イベント

新規会員登録無料のご案内

  • ・全ての過去記事が閲覧できます
  • ・会員限定メルマガを受信できます

メールバックナンバー

アクセスランキング

アクセスランキング