はじめにトレジャーデータが創業した 2011 年年から今⽇日までの 4 年年間、データ分析を取り巻く世界は⼤大きく発展しました。特に「データ収集」、「データストレージ」、 Hive や Presto などの「分散処理理エンジン」の進歩は⽬目まぐるしいものがあります。インフラシステムやデータ収集、分析エンジンに関連する技術の進歩により、従来は本腰を⼊入れることのできなかった「データ分析」、またそれを担う「データ分析者」の重要性が理理解されるようになってきました。あるいは理理解というより、分析者にとっては過度度な期待による「プレッシャー」という⾔言葉葉が適切切かもしれません。分析者が感じるプレッシャーの１つに、企画者や経営者・あるいは顧客といった結果を活⽤用する⼈人々（＝意志決定者）の、「これだけ材料料（データ）が揃っているのだから、そしてこれだけコストをかけたのだから、新しい知⾒見見や発⾒見見が⽣生まれ、多くの課題が解決できるはずだ」という期待がありますが、実際にはいくら⼤大量量のデータが揃っていたとしても、経営が⼀一気に改善できるような最善結果をすぐにもたらすのは⾮非常に難しいのです。もちろん分析者の使命は「データから重要な知⾒見見と改善点をもたらし続けること」であるので、このプレッシャーから⽬目を背けるわけにはいきません。今回は、より良良いアウトプットを出すために分析者が意識識したい視点や姿勢について、⼤大切切なことを 3 つご紹介したいと思います。 1.「当たり前の結果」をたくさん出すことデータ分析において、「当たり前の事をきっちりやる・当たり前の結果をたくさん出す」事は⾮非常に重要です。ただし分析者という専⾨門的な⽴立立場である以上、「何も有⽤用な結果が出てこなかった」「当たり前の結果しか出てこなかった」という事に肩を落落としてしまうかもしれません。中には常に「何か新しい発⾒見見をしないといけない」という焦燥感にとらわれながら仕事をしている⼈人もいるかもしれません。時にデータ分析は、機械学習を含む⽂文脈において「データマイニング」と呼ばれることがありますが（この「マイニング」＝「発掘」という⾔言葉葉は絶妙で、鉱⼭山や油⽥田のようにむしろ発掘できる⽅方が稀である、しかしもし発掘できれば⼤大成功、という含蓄があります）、「意味のある考察」や「新しい発⾒見見」をもたらすためには「当たり前の結果」を積み重ねる必要があり、その事を意識識して分析業務を⾏行行うことは⾮非常に重要なのです。 a. その当たり前は本当に当たり前なのかまた、「当たり前の結果」と⾔言っても、分析者の考える当たり前と、意志決定者の考える当たり前は同義ではありません。「分析者の考える当たり前の半分は意志決定者にとって当たり前ではなく、またその逆もしかりである」という事です。分析者が当たり前と思って⾒見見せた結果に「へえ、意外に××なんだ、⾯面⽩白い」という反応が返ってくることもあれば、新しい知⾒見見が出たと思って⾃自信ありげに⾒見見せた結果に、「やっぱりね」「そりゃそうだよ」という素っ気ない反応が返ってくることもあります。ここで重要なことは、分析者がたいしたこと無いと思っている結果が、実は意志決定者にはとても貴重な情報となるケースが多くあるという点です。ただ実際には、分析者はそうした（⾃自⾝身にとって当たり前の）結果をわざわざ報告したりしませんので、多くの意志決定者にとって重要な結果が⾒見見す⾒見見すスルーされてしまうことも稀ではありません。その意味で分析者が「当たり前の結果をたくさん出していく」という意識識を強く持つことはとても重要です。では具体的にどうするかというと、例例えば • 出来るだけたくさんの分析結果を出す • わかりやすい表やグラフの形でアウトプットする • 当たり前と突き返されても、めげずにこまめに共有を⾏行行う • 「意思決定者にとって何が当たり前か」＝「彼らの経験や勘による部分はどこか」を明確にするといった事が挙げられます。こうした試⾏行行の繰り返しによって初めて、意思決定者が何を求めているのか、どの結果にどういう意味があるのか、といった点が⾒見見えてくるのではないでしょうか。「新しい知⾒見見」というのは、「当たり前の」繰り返しによって積み上げられたベースの上で初めて得られるものなのです。 b. 意思決定者にとって当たり前の結果も惜しまずに提供するまた、本当に当たり前の結果、つまり意志決定者が「まあそうだよね」という結果には意味が無いのかといえば、決してそんな事はありません。意志決定者の頭の中にあるイメージを数値やグラフで裏裏付ける事はそれ⾃自体とても有意義です。意思決定者にとって、⾃自分の考えている事がデータによってきちんと検証される事で得られる安⼼心感は意外に⼤大きいものです。そしてそのことが意思決定の精度度向上や、戦略略策定のスピード向上を導出します。意思決定者に安⼼心感を与えるのも、分析者の仕事の内なのです。 c.「勘と経験」を KPI やモデル式に落落とし込み、継承するデータ分析はもう 1 つの側⾯面として、⼈人間の勘や経験を確証する役割も持っています。特に製造業や⼩小売業において、データ分析の⼒力力は、現場で⻑⾧長らく前線を張り続けて来た社員の経験と知識識と勘に及ばないこともしばしばあります。ただし、そうした現場のプロの頭の中にある資産を、将来のマネージャーが模範できるように KPI やモデル式にまで落落とし込み、他の⼈人でも再現可能なものにしていくのは分析者の業務です。意思決定者の勘やひらめきは、分析者が⽣生み出すたくさんの「当たり前の結果」によって裏裏付けられるのです。 2. 誰のため・何のために分析するのかを意識識することデータ分析の業務を⾏行行うにあたり、以下の意識識を常に持っておくことは⾮非常に重要です。⼈人間の意志決定を⽀支援するために解析をすること・「解析結果＝意志決定」ではないこと Amazon や Google など多くのデータ分析先進企業では、例例えば「リコメンデーション」「ページランク」「需要予測システム」など、分析結果それ⾃自体が意志決定に繋がるようにデータが活⽤用されています。この⽬目的においては機械学習や確率率率統計モデルといった⾼高度度な⼿手法が駆使され、データから機械的に解を導き、更更にそれが⾃自動的にサービスに還元されていきます。これらは基本的に⼤大規模なデータセットの集計によって成り⽴立立ったり、リアルタイムで計算式に反映していったりするものなので、ある意味では⼈人間の意思の及ばない領領域をカバーしていることになります。⼀一⽅方でデータ分析のより原始的な側⾯面として、機械、およびシステムでは無く、「⼈人間の意志決定を⽀支援するための（好・悪）材料料をもたらすことに注⼒力力する」点があります。そしてそのために、「分析結果をいかにわかりやすく⼈人に提⽰示できるかを常に意識識する」事は⾮非常に重要です。多くの分析シーンでは意思決定を⼈人間が⾏行行っており、そしてその意思決定者がデータ分析のスペシャリストでない場合が⼤大半である状況を考えれば、分析者にとってはいかに簡潔に解析結果を⽰示すことができるのかが重要になってきます。加えて、分析結果を少しでも解りやすく提⽰示する姿勢は、時にその正確さよりも歓迎されます。例例えばクラスタリング⼿手法を⽤用いれば、ユーザーの⾏行行動に基づいたセグメント分類を⾃自動的に⾏行行ってくれます。しかし、その際の判別結果は「課⾦金金額：687.3 円〜～3456.7 円、プレイ期間 3.4 ⽇日〜～8.9 ⽇日のユーザークラスタ」といった⼀一⾒見見解りにくいものになります。このような微妙な境界をもった分析結果が得られても、それを受けた所で迅速な解釈やそれに次ぐ意志決定ができるでしょうか？逆に、多少厳密性を⽋欠いても、「課⾦金金額 1000 円〜～5000 円・プレイ期間 1 ⽇日〜～7 ⽇日のユーザークラスタ」といったわかりやすい境界で提⽰示する⽅方が、意思決定者にとっては有意義であるように思われます。そしてそれをきちんと可視化し、意思決定者の視点や基軸で集計し直すというサイクルを、⾼高速に回していくのです。今や有名な⼿手法となった RFM 分析も、Recency、Frequency、Monetary すべてを⼀一度度に表⽰示させるのではなく、上図のように（Frequency×Recentry、 Frequency×Monetary 等）適切切な区切切りをつけることにより、⼈人間にとって分かり易易い形で表⽰示するのが⼀一般的です。 3. 1 ⼈人で全てを背負わないことデータ分析者が、データの収集・蓄積から分析、可視化という⼀一連のフローの中でどこまでをカバーするのかは企業によりますが、もしその業務範囲の中に、インフラシステムやダッシュボードの保守・運⽤用が含まれているとすると、これらのタスクを全て 1 ⼈人で背負う事は⾮非常に危険であり、多くの場合、分析者の過負荷を招きます。⽇日々増え続けるデータ・変わり続けるサービスの全てを把握するのは困難もし周囲に助けを求められない場合、⾃自社・あるいは顧客先のデータ分析業務を、収集から分析まで⼀一⼿手に引き受けなくてはなりません。そして特に Web サービスにおいては、⾮非常に早いペースでサービスがリリースされ、取り込むデータの内容も絶えず変更更されていきます。ログ収集のスクリプトを管理理し、データベースのテーブル構造を逐次変更更しながら、システム障害時には昼夜問わず対応を迫られるような環境で、良良い分析アウトプットを出すことなど実質的に不不可能です。したがって、以下の決め事に則ることは分析者、意思決定者双⽅方にとって肝要です。貴重なリソースは分析環境の構築・運⽤用ではなく、分析そのものに使うその意味で、データ収集ツールや蓄積する器、分析エンジンといった⼿手のかかる部分をトレジャーデータのようなクラウド上のプラットフォームに任せるのも有⼒力力な選択肢となりますし、あるいは社内のインフラエンジニアやソフトウェアエンジニアに協⼒力力を仰ぎ、⾃自社⽤用に解析プラットフォームを構築する⼿手⽴立立てもあるでしょう。ただ、こうしたプラットフォームを⼀一から構築するにあたっては多くの場合、甚⼤大な費⽤用と時間がかかりますので、まずは既存のプラットフォームサービスで希望するインフラ環境が構築可能かどうか、調査検証してみることをお勧めします。 ※トレジャーデータの無料料トライアルはこちらから： <https://console.treasuredata.com/users/sign_̲up>