2022年度最初の「データ分析活用」セミナーです。

ビジネスパーソンが業務で活用し、成果を出せる「データ分析」に必要な要素は、高度なソフトウェアやツール、統計知識ではありません。

本講座では、多くのビジネスパーソンが「日々の業務でデータを活用するために必須となる考え方」と「データ分析の基礎的な手法」を、データ分析に必要な一連のプロセス全体を網羅しながら解説します。

具体的には、「6つのステップで行うデータ分析」を基本的なユニットとしています。

１:ゴールを適切、具体的に定義する
２:ゴールに向けた仮説（適切なデータとその見方）を組み立てる
３:データを分解して問題を具体化する
４:データからその特徴を多面的に引き出す
５:データ間の関係性に着目し、要因を掘り下げる
６:データの関係を数値化し具体的な意思決定に繋げる

すでに8年目を迎えるロングセラーセミナーです。双方向オンラインでじっくりと取り組み、学んで頂くことができます。

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

直接講師である私に、普段の業務でのお悩みなど聞いて頂くことも可能です。

通常、企業向けにご提供している本プログラムをオープンセミナーの形で受講頂ける機会を是非活かしてください。

当日お会いできることを楽しみにしております。

“恣意的なデータ分析”の悩み

企業研修の中で時々次のような質問を受けることがあります：

 「最初から結論有りきで、恣意的なデータで恣意的な分析をしなければいけないときはどうしたら良いのですか？」

 財務省での問題と同じ状況ですね。サラリーマンだった私にもよく分かります。

 
でもここは「データ分析でこれを解決できる」期待は捨てたほうが良さそうです。

 データ分析は、あくまで（正しく行う前提で）客観的な答えを出すことです。

 

「その客観的な答えをそのまま出すか否か」は、データ分析の外の話であり、分析者の裁量の範疇です。

データ分析に責任はありませんし、それを解決する魔法のツールでもありません。

 私はいつもこう答えています：

 「それはデータ分析云々の話ではありませんよね。あなたの価値観、生き様、職業観の話だと思います。」

事例から学ぶ地方創生セミナー登壇です



 



3月2日に東北経産局が主催する、地方自治体向け、自治体・行政におけるデータ活用のオンラインイベントに登壇します。



今回は私の基調講演に加え、今年度サポートさせて頂いた新潟県燕市役所のプロジェクトチームの皆さんにも成果を発表頂くことになりました。



今年のテーマは「地域の高齢者の交通手段」。これに対して非常に客観的で説得力のある成果が出ましたので、それを発表致します。



昨今、行政の世界を中心に話題になっているのがEBPMという言葉です。



これはEvidence-Based Policy Making（証拠に基づいた政策形成）という意味です。特に地方創生の中で、限られたリソース（時間やお金、人的負担など）を効果的、効率的に使うためにも、「なぜそれが有効なのか/必要なのか」といった選択と優先順位付けが必要です。



それを行うために客観的なもの（つまりデータ）に基づくべき、という考え方です。



 



これを実践する事例として、「データの使い方」を本イベントで追及したいと思っています。



　全国の自治体の皆様からも既に令和3年度の御依頼が入り始めています。



ご興味がある方は是非ご相談下さい。


組織としてのデータ活用は分析者本人の問題だけではありません



 



恒例になりました、データ分析のアウトプットを”受け取る”人にとって必要なデータリテラシーのセミナーです。



 



データ、データとは言うものの、部下が出してきたそのグラフ、どこをどうチェックすれば良いのでしょうか。分析者本人が気づきにくい盲点や、大事なポイントは何なのか。



 



具体的な事例を豊富に取り入れた大好評のセミナーです。



 



組織としてのデータ活用リテラシーを高めたい方は是非ご参加ください。



会場でお会いできることを楽しみにしています。



https://www.nikkeibp.co.jp/seminar/atcl/nxt/nc190610/




課題指標と分析データはマッチしていますか？



 





 



 



先日、とあるメーカーにて実際の業務課題を用いたデータ分析による課題解決ワークショップを行いました。



その中で、同じ”売上減“という課題をどういう指標で捉えるかによって、その後の分析の成否が大きく変わることを実感頂きました。



 



皆さんは、“売上減”の課題をデータでどう表現するでしょうか？



 



「売上の（対前年）変化率」ですか？



「売上額」そのものを使いますか？　



 



実はこの選択一つで、「悪者はだれか」が変わってきます。



 



例えば、「変化率（減少率）」の大きさだけである商品の良し悪しを評価すると、下落した売上額が少なくても、その率が大きければ“悪者”と認定されます。「売上額」の大小を評価軸とすると違う結果が出ます。



 



でも問題は“結果が変わる”ことだけではありません。



 



この差を意識せずに、「変化率」で特定された悪者について深掘りするとどうなるでしょう。



例えば、その商品の顧客属性や、販売のロケーションなど（静）的なデータ、つまり変化しない固定情報を調べても、変化率という（動）的な指標との関係とうまくつながりません。



 



このように目的と分析対象の指標前提がマッチしないまま分析を進めるうちに、「分析してもどうも良い結果が得られない」となってしまうのです。



 



「顧客層が変わった」「販売ロケーションを変えた」といった（動）的な情報とであれば”変化率“という結果をうまく説明できるかもしれません。



 



みなさんは、上位の指標と個々の分析指標の概念をマッチさせて分析できているでしょうか。


PAGE TOP