女性職員のためのマネジメント研修、11月にJIAMで開催！

全国市町村国際文化研修所（JIAM）では、2025年11月に『リーダーのためのマネジメント研修～女性職員に向けて～』が開催されます。自治体で働く女性職員のリーダーシップを育むことを目的とした本研修は、現場での課題に即した実践的なプログラムが魅力です。

その中でも注目したいのが、政策形成の新たなアプローチとして注目されている「EBPM（Evidence-Based Policy Making）」に焦点を当てたセッション。タイトルは――

『EBPMってどう実現するの？～根拠に基づく政策形成の実践～』

このプログラムでは、政策立案において「経験や勘」だけに頼るのではなく、データや根拠に基づいた意思決定をどう現場で実現していくかを、具体的な事例や手法を交えて学びます。

???? 行政の透明性や説明責任が求められる今、EBPMは単なる流行語ではなく、政策の質を高めるための重要な視点です。特に、現場でリーダーとして意思決定に関わる女性職員にとって、実践的な知識とスキルを身につける絶好の機会となるでしょう。

https://www.jiam.jp/workshop/tr25502.pdf

施策の効果が出るのはいつなのか？（相関分析の応用）

プロモーションやディスカウントなど、何かしらの効果を期待して行う様々な施策。

「一体効果はあったのか？」という基本的な疑問だけでなく、効果があることを前提に「いつ効果が発揮されたのか」を知りたいと思うこともあります。

 2つのデータ間の関係性の強さを数値化する”相関分析“の応用として、次のようなケースが考えられます（実際にはここまではっきりと結果が得られることは稀ですが、考え方として知っていて損はないしょう）。

 「宣伝費用」とその効果と考える「売上」のタイミングを1週間ずつずらしていって、両者の相関の有無を相関係数から見てみました。

この例では、効果（売上）が出るタイミングが宣伝と同じ週だと想定すると、相関係数は-0.15でほとんど相関（＝関連）が見られません。

売上の1週間ずらしたデータでは、それが0.61となり、2週間では0.40となりました。

つまり、宣伝の効果は1週間後の売上に対して効果があり、程度は少ないけれど2週間後にもその効果の一部が見られると推察できます。

目の前で起こっているであろうことをイメージして、分析の可能性を広げることが重要なことがわかりますね。

学問としての「データサイエンス」は今どうなっているのか(AIによる分析）

一時盛り上がった、大学における「データサイエンス学部」や「データサイエンス学科」について、私もそれらのコースを取っている学生を教えることがあり、世の中のニーズとの「ズレ」を感じる場面が少なくありませんでした。

そこで、AIに私のモヤモヤについて聞いてみました。以下がAIによる回答です。
多くが私の懸念と一致しています。もちろん、私のプログラムではこれらを踏まえて「成果を出せる」スキルをご提供しています。
ーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーー

日本でもここ数年「データサイエンス学部」「データサイエンス学科」が各大学に新設され、当初は注目を集めましたが、今は「分析屋を大量に欲している」という状況ではなくなってきています。

理由を整理するとこんな背景があります：

1. 供給過多と現実のギャップ

• 「データサイエンスを学べば即戦力」という期待で学生が集まりましたが、統計やPythonを学んだだけでは実務で役立つ人材になりにくい。
• 実際の企業が求めるのは「ビジネス課題を理解し、データを活かして改善できる人」であり、単なる分析スキルの持ち主（いわゆる“分析屋”）だけでは力不足。

2. ツールの進化による自動化

• BIツールやAI（AutoML, ChatGPTなど）が高度化し、「回帰分析」「クラスタリング」といった基本的な分析は専門家でなくても実施可能になってきた。
• そのため「単純分析要員」の需要は縮小。

3. 求められるのは「翻訳者」や「実装者」

• 分析の技術そのものより、「現場の言葉」をデータ課題に翻訳する人材や、結果を業務フローに落とし込める人材が不足している。
• いわゆる「データサイエンス × ドメイン知識 × 経営感覚」を持つ人が強く求められている。

4. データ基盤や組織体制の問題

• 日本企業はまだまだデータ整備や活用文化が不十分。
• 「分析屋」だけを雇っても土台がないため、成果が出にくい → 結果的に「分析屋はいらない」という評価になりやすい。

➡結論として
世の中が欲していないのは「分析だけする人」であって、
「ビジネス課題を理解し、データを使って価値を生み出せる人」への需要はむしろ高まっています。

「大学のデータサイエンス教育と社会のニーズのズレ」

1. 教育の中身が「分析技術寄り」に偏りすぎ

• 多くの大学のデータサイエンス学部は、統計学・機械学習・プログラミング（Python、Rなど）を中心にカリキュラムを組んでいます。
• しかし、社会で求められるのは 「どう課題を設定するか」「どう結果を活用するか」 の部分。
• 学生は「回帰分析はできるが、何を分析すべきか分からない」という状態になりやすい。

2. ビジネスや社会課題との接続不足

• 欧米では「データサイエンス教育＝ケーススタディ＋企業との共同研究」が多いですが、日本ではまだ講義中心。
• 結果として、「即戦力人材」として送り出すはずが、**実務で使えない“理論屋”や“分析屋”**を育ててしまう。

3. ツールの民主化とのミスマッチ

• 学生が大学で苦労して習う内容（基本的な統計解析やモデル作成）は、すでにBIツールやAutoMLでかなり代替可能。
• つまり「大学で教えている技術」＝「現場ではツールに置き換わる部分」であり、差別化にならない。

4. 本当に必要な教育が手薄

• 社会が欲しているのは以下の力：
  • 課題設定力（問題をデータで解ける形に落とし込む）
  • ドメイン知識との融合（医療、金融、製造など）
  • データ活用の倫理・ガバナンス（個人情報、AIバイアスなど）
  • 伝える力（可視化・ストーリーテリング）
• これらは多くのカリキュラムで「補足的」にしか扱われていない。

5. 日本特有の事情

• 多くの大学は「国策でデータサイエンス学部を作った」経緯があり、社会の実ニーズに基づいて作ったわけではない。
• そのため「人材が輩出されても企業側の受け皿や役割設計が曖昧」で、学生が「分析屋止まり」になりがち。

➡まとめ
大学のデータサイエンス教育は、社会のニーズである「課題解決」「実装力」「現場適用力」よりも、「数理・分析技術」に偏りすぎているため、結果的に社会にマッチしていない。
→ “分析ができる人”ではなく、“データで事業や社会を動かせる人”を育てる方向にシフトすべき。

最近の「データ分析/データサイエンス」はどういう傾向？

AIに「最近の”データ分析”や”データサイエンス”」に関するここ数年の傾向について聞いてみました。

私が思っていた通りの回答でしたが、「やはり」という感じがします。
その内容は以下の通りです：

（１） 「分析だけでは成果が出ない」気づき

データを可視化・分析しても業績に直結しにくいと感じた企業が多く、数年前の熱気が落ち着きました。

その結果、「データ分析部門を作ったけれど活用できていない」「ダッシュボードが使われていない」という反省が出てきています。

（２）関心が「個別の分析」から「意思決定や業務への組み込み」へ

単発の分析やレポートよりも、分析結果を業務フローや顧客接点に埋め込むことが重視されるようになっています。

つまり「分析屋」ではなく「ビジネスに成果を出せるデータ活用」への関心に移行。

いかがでしょうか。単発の分析を行う手法や知識を積み上げても、結果的に課題や業務へのインパクトが見られず、関心が薄れていくという方向性は、私が10年以上その傾向に警鐘を鳴らすと同時に、そうならないためのソリューションを提供し続けてもいます。
結論としては、「データ」や「分析手法」から入ってしまうと、上記のようなことになってしまうのです。
データで成果を出すには、データの扱い方ではなく、上流の考え方をしっかりさせることが重要です。

「データドリブン」ではなく「ゴールドリブン」で。

皆さんの職場ではどうでしょうか？

「データ活用」とは一体何がどうできていることを指すのか

「データ活用」という言葉から連想される、その「期待」や「効果」、「アウトプット」について、実際に聞いてみると人によって大きく異なることがわかりました。

では、”業務における”「データ活用」とはどうあるべきなのでしょうか？

私のプログラムでは「あなた（の業務）にとって、”データが活かされている”とは具体的に何がどうできている状態なのでしょうか？」という問いかけから始まります。

その結果について、以下のような大まかな分類ができます。

一番多い答えが（A）です。
ただ、これは「データ分析」とも「データ活用」とも言えず、単なる「データ整理」でしかありません。
残念ながら、これをもって「データを使っている（活用している）」となっているケースが多数あります。

一方で、「DX」とセットまたはDXという文脈の中でよく耳にするのが（B）です。
「DX」を単なる、アナログ業務のデジタル化だと誤解しているのと同様、「デジタル化」によって、扱うデータ（デジタル情報）が増えたことを持って「データ活用」と言い換えているだけのケースです。

また（C）のように、役員や上司など、説明資料にできるだけ「数字」を織り込む努力がなされています。これは決して間違った方向でもなく、悪いことでもありません。
是非積極的に取り組んで頂くと良いと思いますが、残念ながらこれ自体は「データ活用」と呼ぶには事足りません。「定量化」と呼ぶべきものです。

私が考える（そして全てのプログラムで目指している）「データ活用」とは、

その結果から”直接的に”何かしら判断や行動に繋がるアウトプットがデータから得られていること

と明確に定義しています。

ただグラフをみて「へぇ～」や「ほぉ～」と頷くだけでは「データ活用」には至っていません。それがどんなに高度な統計学やデータサイエンスを使っていようとです。

では、その「データ活用」が適切にできていないのはなぜなのでしょうか。

一つには、上記のような「データ活用」とは具体的にどのような成果で、何を目指すべきものか、の理解が明確化されていないこと。
もう一つは、その「実現方法」を学んでいないことが挙げられます。