データ分析の「方法の知識」ではなく、「活用の仕方」を学ぶ唯一のセミナー!

多くの企業でデータ活用が進まない理由は、統計知識やデータサイエンスへの理解の不足ではなく、「目的や問題が定まる前に、データに手をつける」ことが主要因と言えます。

その状況を打破するために必要なことは、“更なる知識や方法論の習得”ではありません。

本セミナーでは、「データ分析の手法や統計学の知識」を増やすことを目的とせず、「データを活用するとはどういうことか」を知り、実践するための考え方やプロセスなどについて学び、習得いただきます。

https://event.shoeisha.jp/bza/data-online/

オンラインで実施を開始して既に1年が経ちました。

私自身がこの間、ハーバード大学院ビジネススクールにおける「Data Science for Business」カリキュラムを修了しており、本講座の内容についても私自身がその最新の内容に基づき検証したものになっていますので、是非ご参加ご検討下さい。

皆様とオンライン上で当日お会いできますことを楽しみにしております。


あなたは本当にデータサイエンティストになりたいのか

「データ分析の専門家として、少しでも精度の高い計算結果を大量のデータから導くこと」すなわちデータサイエンスと、一般の実務家が自分の業務でデータやデータ分析を活用して、必要な知見を得ること(問題解決やロジカル、客観的な提案など)とは本質的に違います。

その違いを、米国ハーバード大学院ビジネススクールのData Science for Businessカリキュラムを修了した経験から紐解きたいと思います。

こちらの絵を作成致しました。データサイエンスといってもその範囲は広いのですが、その中でも代表的な機械学習(Machine Learning)を例として考えてみます。

左側が、実務家が自分の業務でデータやデータ分析を活用してその成果の質を上げるイメージです。
まずは自分が何をしたいのか(ここでは例えば、目の前の実務課題の根本要因を見つけたいという目的を、「ダイヤモンドを見つけたい」と置き換えてみましょう)が明確にあります。

その目的(ダイヤモンド)を、手にすくった砂(データ)の中から見つけ出すためには以下のステップを踏みます。

(1)目的の確認(=ダイヤモンドを見つける)

(2)探す対象のデータを定義し集める(=適切な砂を見極めて集める)

(3)探し当てるための方法論や仮説を考える(=砂の中のどこからどうやって探し当てるか考える)

(4)その方法に沿って分析作業をする(=実際に砂の中から探す)

ここで、相対的に重要且つスキルや求められるのは(1)~(3)です。((4)のスキルは不要ということではありません)

一方で、右側が機械学習などを例とするデータサイエンスです。

ここでは、目の前にまず大量の砂や岩があります。そこに何が埋まっているのか、もっというと自分が何を探そうとしているかすら曖昧(決まっていない)です。

でも「きっと何かあるだろうから」その砂や岩を、ものすごい作業効率で見ていく必要があります。

そのまま見ていても良く分からないので、何か洗練されたアルゴリズムで、”カテゴリーに分類”していきます。

どうやってそのカテゴリーを決めるのか、はそのアルゴリズムが「良い」と思ったものに原則お任せです。その意味ではブラックボックスです。

でも何か良くわからないけど機械が「良い」という分類で砂や岩に含まれている成分や素材が整理されました。これを人が人力でやろうとすると効率的にも、人が当てはめられるアルゴリズムという観点からも手に負えません。

洗練された手法で分類はできるのですが、その先には問題があります。「はい、分類できましたよ」は良いのですが「で、これをどうするの?」に繋がらない可能性がある程度高いはずです。なぜなら、「何を目的に何が必要なのか」というゴールがそもそもない中で分析が走るケースが多いからです。

確かにこういった分析(データサイエンス)が、特にアカデミックな世界では必要とされることは十分理解できますし、その威力は確かにあります。そして、純粋に学問的には(私個人としては)面白いです。ただ、Practicalかと問われると、「YES」とは言えないところですね。

ですので、ハーバードという世界最高峰のプログラムでデータサイエンスを学んだ後も、私は迷わず図の左側(実務におけるデータ分析活用)を追求していくのです。


7/21 内閣府講演「EBPMで成果を出す“本当の”データリテラシー」

地方創生とEBPMをキーワードとしたオンラインの講演を当日夜20:30から22:00まで行います。

登録頂ければ、無料でご参加頂けます。普段、自治体向けの研修などでお話している内容のエッセンス(短い時間なので、本当に触りだけになってしまいますが)をお伝えできればと考えております。

難しい学問的なお話は致しません。「行政業務でデータを活かすとは何が本当に必要なのか」を地に足の付いた内容としてお話させて頂きます。

ご登録はこちらの内閣府のページからお願い致します。

https://form.cao.go.jp/chiiki/opinion-0182.html

地方自治体職員の方など是非ご参加頂ければ幸いです。 よろしくお願い致します。


「結局、問題解決もデータ分析も最初に立てた仮説次第ですよね」

私のデータ分析活用の研修を受けられたクライアントの方々からこの言葉をよく耳にしますし、私も“その通り”だと思います。

成果を大きく左右する「仮説」について、その良し悪しはどう決まるのか、できるだけ「良い」仮説を作るためにはどのようなスキルや考え方が必要なのか、多くの演習を通じてお伝え致します。

https://www.nikkeibp.co.jp/seminar/atcl/nxt/nc210908/

良い仮説って何でしょう?そこに近づくためには、何をどう考える必要があるのでしょう。

本内容は、本プログラムおよび個別の企業研修でしか受講頂くことができません。

皆様とライブオンラインでお会いできることを楽しみにしております。


「データ分析で結果が出ない」よくある原因

 「分析しても思ったような結果が得られない」

このよくあるお悩みの原因の一つは、分析そのものではなくその前段階にあったりします。

 

研修の質を測るアンケート指標で考えてみましょう。

よくある指標の一つに「難易度」があります。

5)大変難しかった

4)難しかった

3)ちょうどよい

2)簡単だった

1)大変簡単だった

 

このスコアを集計して、難易度を知り改善につなげようとします。

恐らく何かしらの集計結果は出ることでしょう。

 

でもちょっと待ってください。

 

「難しい」の評価は皆同じ前提でできていると言えるでしょうか。

 

「難しい」には、

①講師の説明がわかり辛かった

②内容そのものが理解できなかった

③内容の理解はできたが、自分で実践するには難しいと感じた

④内容の理解はできたが、そもそも難しいトピックだと思った

 

などがあります。これらの前提が混在した上での回答データを集計して何かしら有効な示唆が得られるとは思えません。

正しいインプットの定義ができていないまま、前提がごちゃまぜのデータを集計・分析したところで「思ったような結果」は得られないのです。

PAGE TOP