会社を変える分析の力 (講談社現代新書) [Kindle]

著者 : 河本薫

• 講談社 (2013年7月20日発売)

感想・レビュー・書評

[Tomoさんの感想 · 2022年7月22日]

■全体感想
分析の価値は企業に価値をもたらす意思決定を支援する事目的に行われ、それに寄与しない分析は無意味だというスタンスで分析者が持つべきマインドセットや姿勢を具体例と共に解説する本。
「課題定義や意思決定による変革価値にコミットする分析プロフェッショナルになる為には」という観点で書かれている為、論点設定と現場を巻き込む為の話が多い。個人的には分析結果をもってどの様に組織を動かすかについて学びが多かった。

■エッセンス
(1) WHAT - この本を一言で
真に価値をもたらす分析プロフェッショナルの姿勢を述べた本。

(2) WHY - 読む目的
データ分析の手法を学ぶため。
分析の具体的な手法は記載されていなかったが、分析の真の価値が何かを改めて理解できてよかった。

(3) THINGS LEARNED - 学んだ事
・分析の価値 = 意思決定への寄与度*意思決定の重要性(経済的インパクト)

・データ分析成功までの壁
B以外は分析前に精査可能なので、分析着手前に課題有無を確認すべき。
A) データ
- 分析に必要なデータが揃うか
B) 分析
C) KKD(勘・経験・度胸)
- 期待通りの分析結果を得られたとして、ビジネスの現場で使ってもらえるか。現場のKKDに負けない為に揃えるべき情報を事前に整理すべき。
- 企画・戦略系はロジックで通りやすいが、オペレーション系は特にこの壁が高い。
D) 費用対効果
- 分析結果による意思決定がもたらす価値が分析コストを十分に上回るか。分析にはデータ整備や、リアルタイム分析用システム導入コストなど。

・分析結果を基に人を動かす時に伝えるべき情報は(1)分析モデルの説明　(2)改善数値 (3) 解決出来る課題 (4) 分析モデルが使えない場合や不測の事態におけるコンチプラン

・分析プロフェッショナルとして持つべきマインドセット
(1) 常に自分に問うべき問いは以下の四つ。
A) その数字にどこまで責任を取れるか。
ここで躊躇うなら甘い。
分析者の仕事は意図通りに正しく分析を行い、
正しい数字を出す事。数字が間違えば会社に損害
を与えるのが分析である為。
B) その数字から何が分かったか。
C) その数字は意思決定にどの様に使えるか。
D) その数字はビジネスにどれ位役に立ったか。

(2) 大切にすべき事
A) 人脈
課題設定力に於から大きな差別化要因として情報量が有る。常日頃から情報収集をするは勿論だが、本当に違いが出て来るのは個人の人脈から得る情報である。自らも有益な情報を発信する事で、周りから役に立つと認識される事で定期的な情報交換の場を設けるなど能動的に動く必要がある。

B) オリジナリティ
過去の分析手法に囚われず、新しい分析手法に挑戦する姿勢を持つ事。これにはなかなかの精神力を要するが、過去の事例に頼り切りの人間は本当に適切な分析手法を考えたり、生み出す事は難しい。


(4) HOW - どの様に学びを実践するか
今今でデータ分析をする事は現職ではないので、一旦以前読破した2冊の分析手法を頭に入れる事から始める。

ただし、人脈を通じた情報収集については早速自ら情報発信していく事を始めたいと思います。Twitter @TomoUiPath で発信を継続する事に加えて、どんどん人脈広げて行きたいと思います。
これはThreeアプリでオンラインランチガンガンして行きます。


(5) AOB - その他コメント
小石が結局データ分析手法云々よりも論点設定が大事だと言っていたが、それがひたすら述べられた本だった。改めてその点を認識できたのでよかった。


[syuulouさんの感想 · 2024年4月12日]

分析は、複雑な数式を使うとか、膨大なデータを使って、というよりは、目的をどう持っているか。分析結果を使って何ができるか。それに尽きると、学ぶ。

[たまなびさんの感想 · 2022年4月15日]

- 解くときに、分析者が陥りやすい罠が二つあります。「細かく解く罠」と「小さく解く罠」です。いずれも、分析者の中に多い完璧主義者が陥りやすい罠です。
- 意思決定者は、正しいデータ分析を欲しているのではなく、正しい意思決定を欲しているのです。全体問題を解くだけのデータが揃っていないからといって、データが揃っているレベルに問題領域を縮小してしまうと、正しい分析だけれども、意思決定の手掛かりにはならない分析結果が得られるだけです。
- 誤解しないでほしいのですが、予測結果や判別結果が当たるかどうかに責任を取れと言っているのではありません。神様でもない限り確実に当てることはできません。分析者ができるのは、たかだか、最もありえそうな答えを出すことだけです。それが当たっても当たらなくても結果論です。分析者が責任を持たなければならないのは、当たるかどうかではなく、分析が意図通り正確に行われているかどうかです。端的に言えば、分析ミスをしていないかということです。
- 改めて、あなたが最近行ったデータ分析を思い出して、「データ分析によって意思決定はどう変わったか？」と「意思決定が変わったことでビジネスにどれだけ貢献したか？」の二つを自問自答してみてください。できるだけ具体的に、後者については可能な限り金銭換算して答えてみてください。

[dekadannaさんの感想 · 2021年7月23日]

データサイエンスを分析手法に陥りがちな状況から、問題解決のツールとして再注目させてくれる本。 データ分析を駆使したボトムアップ型経営という言葉が心に染みる。
分析を真に役立つものにするために、心得ておくべきことをまとめてくれている。つい、数値計算だけして分析した気になってしまう風潮に、警鐘を鳴らしてくれている。 技術者の端くれとして、常に心しておかなければならないことであることを、思い出させてくれる本である。
分析力を武器とする企業を目指すための方法論として、 データ分析でビジネスを変革するサクセスストーリーの青写真を描くことや、 ビジネスやデータに関する情報を蓄積してこそ、発想は生まれることを説いてくれている。情報収集は、分析プロフェッショナルにとって大変重要であることを強調していた。

[n3104さんの感想 · 2021年1月11日]

https://n3104.hatenablog.com/entry/2021/01/11/200824

[t4learningさんの感想 · 2020年11月18日]

基本だった。おさらいとして。

[toshimanaplus1さんの感想 · 2020年9月22日]

データ分析に携わる人が初めに読む一冊としてお勧めできる本です。
「データ分析をどうやるか」は様々な本が出版されていますが、「データ分析をどう使うか」はあまり語られないように思います。この本はデータ分析をビジネスにどのように役に立たせるか、に焦点を置いて書かれています。
データ分析の仕事をしていると、狭く深い方向に意識が引っ張られてしまいます。本書で書かれているようなビジネスとデータ分析の繋がりを学んでおき、定期的に立ち返ることで、実際に役に立つデータ分析を目指せるようになると感じました。

[mogmog26さんの感想 · 2020年8月30日]

7年前の本なので新しい情報を得ることは期待していませんでした。これを推奨したとあるニュースサイトもちょっと推奨理由が的確でなかったように思います。

　一貫して書かれていたのはデータ分析の目的をはっきりとさせ、ビジネス成果に結びつけること、それがデータプロフェッショナルとして重要なことで、単なるデータ分析の域をこえなければいけないということ。

　多くの人はデータ分析に満足してどう役立てるかに力を割かない。あるいは現場の声をきかないために分析をビジネス成果に結びつけることができない。モデルの改善には現場の人の声をきく必要がある。一度行った分析を改善する視点は現場との会話から得られる。

　最後にもう少し具体的な分析の話をしてほしかったかなというのがあります。ツールは最も重要なことではないというのは理解しますが、全く紹介がないのもどうかなと思いました。

上記のような内容だったため、最初の章はしっかり読みましたが同じようなことを主張されているので残りの2～4章のほとんどを読み飛ばしました。

[kenichi-hasegawaさんの感想 · 2019年10月12日]

○「データ分析」について「意思決定に役立つ」という目的まで遡って考えれば、それに求められる能力が見えてきます。
○どれだけデータ収集して数値計算しても、問題解明につながらなければ、データ分析とは呼べないということです。
○問題解明につなげる意図なしにデータ収集や数値計算を行っても、それはデータ分析ではなく「数字遊び」に過ぎません。
○「問題を解明する」という意識の低い人は、「問題を解明する」という難題から逃避して、「やみくもに計算結果を出す」ことに没頭してしまうのです。
○データ分析は、「データで問題を解明すること」。データと問題があるところでは、どこでもデータ分析は活用できます。手法や問題に関するこだわりを捨てて自由になれば、データ分析を用いる機会は増えてきます。
○データ分析に数学的能力は不可欠ではなくなったのです。
○分析手法を使いこなすには、各種分析手法の意味合いを解釈できる程度の「理解力」と分析結果を定量的に洞察できる「数字力」は必要です。
○分析力によりビジネスを変革していこうというマインドを持つ人材なのです。
○分析の価値とは、端的に言えば、「その分析により意思決定を改善することで得られる効用」です。 「分析の価値」＝「意思決定への寄与度」×「意思決定の重要性」
○意思決定への寄与度とは、数多くの判断材料の中でどれだけ重要な材料になれるかです。
○データ分析の成果は、報告書の厚みでも、高度な分析手法でも、データの規模でもありません。何がわかったか、それは意思決定にどう役立つのか、それだけなのです。
○有意義な分析を行っても、それをビジネスに使ってもらうまでには二種類の壁が立ちはだかっているのです。 一つ目は、「費用対効果の壁」です。 二つ目は「心理的な壁」です。
○分析で気をつけなければならないのは、一つ目は「不確実性の軽視」です。二つ目は「分析への過剰期待」です。三つ目は「結果への事前期待」です。
○データ分析は、人間の洞察力を補完するものに過ぎない。
○データ分析を行うには、現実の複雑な問題をもっと単純な問題に変換しなければなりません。
○分析者は、分析モデルを常に意識して、分析モデルがどのような前提に立っているか、裏を返せば分析モデルでは何を捨てているかを念頭に置いて、分析結果を解釈しなければなりません。
○分析モデルに関する最大の勘違いは、分析モデルを作り込めば現実をほぼ再現できるという思い込みです。
○対数正規分布モデル
○突発的な現象や稀有な現象を無視できるぐらいの単純なモデルのほうが良い
○分析モデルを細分化することで、このようなミクロな現象の影響が顕在化するぐらいならば、ミクロな現象の影響を無視できる程度まで分析モデルを単純化するほうが良いのです。
○医療業界では、すべての患者のカルテやレセプトデータを統合し分析することで、診断や投薬の判断を支援する仕組み作りに取り組んでいます。
○部分計測ではなく全数計測できると、。データ分析の方向性が、「因果関係の探求」から「相関関係の探求」へと変わる
○実際には、それほどうまくいってないよう 、一点目は、必要なデータがすべて揃っている訳ではないことです。二点目は、説明責任を果たせないことです。三点目は、「ビッグデータ」は、打出の小槌ではないからです。
○診断や投薬の確度を上げよう、
○「（単に）データ分析する力」と「データ分析でビジネスを変える力」は異なることに気付いていない
○「ビジネス課題→分析問題」と「知識→ビジネスの意思決定」がなければ、データ分析力はビジネスにつながりません。
○データ分析でビジネスを変えるのに必要な三つの力 、
１　データ分析でビジネスを変革するには、第一幕から第三幕まで主人公を務め通すだけの気概が必要なのです。
２　目の前にある顕在している課題や容易な課題は解決できても、潜在的な課題や困難な課題は解決できません。
３　もしあなたがデータ分析でビジネスを変革していこうと考えるならば、あなた自身が「見つける力」「解く力」「使わせる力」の三つの力を身に付け、第一幕から第三幕までの主人公を務める気概を持ってもらいたい。
○企業も個人も「解く力」の育成ばかりに力を入れて、「見つける力」と「使わせる力」を疎かにしている。
○データ分析でビジネスを変革するには、「見つける力」と「解く力」と「使わせる力」のすべてを併せ持つことが必要です。私は、これら三つの力を総称して「データ分析でビジネスを変える力」と呼びたいと思います。
○日頃から、ビジネスに悩み、データに関心を持ち、データ分析を活用する機会を貪欲に探している、そういった土壌でヒラメキが生まれるのです。
○必要なのは、ビジネスとデータへの関心、そして、データ分析でビジネスを変えたいと思うマインドです。
○ビジネス（意思決定） をこのように変えてはどうか」というビジネス側からの発想スタイルで考えるべきです。
○データ分析に着手する前に、思い描いた通りにデータ分析を進めることができるか、仮に思い通りにデータ分析を進めることができたとして分析結果はビジネスにどれだけ役立つかを「目利き」すればよいのです。
○データ分析に着手する前に、「データの壁」「ＫＫＤの壁」「費用対効果の壁」について越えられるかどうかを吟味し、一つでも越えられなければ、データ分析に着手することを再考すべきです。「データの壁」とは、データ分析に必要なデータが揃うかどうかということです。「ＫＫＤの壁」のＫＫＤとは先述の通り、「勘と経験と度胸」のことです。「費用対効果の壁」とは、データ分析結果が意思決定に活用されたとして、それにより得られる効果は、データ分析を実施するのに必要な費用を十分に上回るかどうかということです。
○「ビジネス課題をデータ分析で解決すること」は、「試験でデータ分析問題を解くこと」とは何が違うのか整理してみましょう。一点目は、分析する問題を自ら設計しなければならないことです。下手な問題設定をすると、苦労して解いても、実用的でなかったり効果的でなかったりします。二点目は、解き方を発想し、選択しなければならないことです。三点目は、むやみに精度や分解能を高くしても、逆効果ということです。
○ビジネスにおいては、むやみに精度や分解能を高めると副作用を伴います。「複雑さ」という副作用です。「複雑さ」は、理解を困難にし、運用を難しくします。
○分析ミスをしたら、「減点」ではなく「損失」になることです。
○分析者は、自分で分析問題（どういうデータからどういう解を求めるか）を設定しなければなりません。
○解き方のヒントは、ビジネスの現場にあるのです。解き方を考えるときにも、分析結果を解釈するときにも、その手掛かりは現場にあります。ですので、解くためには、ビジネス担当者とコミュニケーションを図り、解くための手掛かりを聞き出す力が不可欠なのです。
○「細かく解く罠」とは、誤差を少しでも小さくすることだけに気を取られて、不必要に細かく解いてしまうことです。もう一つの罠は、「小さく解く罠」です。「小さく解く罠」とは、入手できるデータが限られている場合などに、本来解くべき問題領域を小さくして解いてしまうことです。
○ビジネスでデータ分析をする場合、絶対に分析ミスをしない覚悟で臨まなければなりません。分析ミスは間違えた意思決定につながり、会社に多大な損害を与えるかもしれない、そういった意識を強く持たなければなりません。その意識をどう行動につなげるか。一つは、分析ミスをしないように注意を払うことです。それを補うには、「検算力」を身に付ければ良いのです。データ分析における効果的な検算方法は、最初と最後を比べることです。
○「解く力」はコモディティ化していくかもしれません。
○「使わせる」とは、データ分析で得られた解をビジネスの意思決定に使わせることです。一つ目は、分析結果が意思決定に役立つか否かを判断することです。二つ目は、ビジネス担当者に向けて、分析結果を意思決定にどのように使えるかを説明することです。三つ目は、ビジネス担当者が分析結果を実際の意思決定に使いやすいように支援することです。
○人間は、分析力をどれだけ駆使しても、当てる確率を高めるのが精一杯で、完全に当てることはできません。
○多くの人は、「どれぐらい外れそうか」を甘く見てしまいます。外れを甘く見てしまうのは、「外れを想像する力」に欠けているからです。解が外れる要因として、① 分析モデルが誤差を伴うこと、 ② 予測に用いる予測値が外れること、③ 分析モデルの前提条件が崩れることが挙げられます。
○データ分析とは、過去（既知） の延長上に将来（未知） もあるという世界観の中で、将来をできる限り正確に予測ないし判断するためのプロセスです。
○『ブラック・スワン──不確実性とリスクの本質』
○意思決定者が感じる「半信半疑」と「面倒くささ」を解消することを手伝い、分析結果をビジネスに活用するように背中を押す必要があります。
○問いの一　その数字にどこまで責任を取れるか？
もし、間違えていても会社に損害を与えないようなことならば、そもそもその分析は価値がありません）。「この数字に責任を取れるか？　この数字で会社が意思決定をしても、後悔しないか？　もし、会社のお金ではなく自分の全財産を投資するならば、自分の分析結果を信用して判断するか？」
問いの二　その数字から何がわかったか？
問いの三　意思決定にどのように使えるのか？
予測や判別は、意思決定ではなく、意思決定の材料に過ぎません。大切なのは、そのような予測や判別が意思決定にどのように使われるかです。
問いの四　ビジネスにどれぐらい役に立ったか？
分析の価値」＝「意思決定への寄与度」×「意思決定の重要性」
○自身の分析者としての不足点を明確にして、Ｅタイプになれるように努めてください。
○正しい動機を持とう 　ビジネス部署の中でデータ分析をする場合、周囲からの暗黙のプレッシャーを受けて、こういった動機は生まれます。身勝手な意思決定者の根拠を繕うために、詭弁を強いられているようなものです。よく見かけるのは、もっと簡単な分析手法で事は足りるのに、わざわざ高度な解析手法や複雑な分析モデルを用いて、それをことさらに自慢するような人たちです。
○大切なのは、そのパターンや関係は真実なのか錯覚なのかを見極める力です。だからこそ、私たちは、三〇年前にはそれほど必要とされなかった「真実か錯覚かを疑う力」を求められるのです。
○専門家の予測力の優劣を分ける要因の一つは、自分が正しいということに自信を持っているか否かであると述べています。ダン・ガードナーによれば、自分が正しいことに自信がある専門家の予測は、素人よりも当たらないそうです。
○データ分析とＫＫＤは、どちらが優れているかといった関係ではなく、相補的な関係にあります。データ分析だけに頼ると、イレギュラーな状況や定量化が難しい現象に対応することはできません。ＫＫＤだけに頼ると、大雑把な判断しかできません。
○意思決定問題に関わっていくポイントを整理したいと思います。一つ目は「意思決定問題は正しく問題設計されているか吟味する」ということです。二つ目は「データ分析の力を効果的に活用できるように意思決定問題を見直す」ということです。三つ目は「成功を手掛かりに、（データ分析を活用できる） 次の意思決定問題を探す」ということです。
○人は、しばしば選択肢を狭く捉えてしまう傾向にあります。
ビジネスにおいて意思決定問題を考える場合には、会社の立場に立って判断基準を想像しなければならない。そういう状況で、人はよく判断基準を見落としてしまう傾向にあります。
ビジネス担当者は、ビジネス課題を十分に追究しないままに意思決定問題を拙速に決めてしまい、本来は考えるべき選択肢や判断基準を見落としてしまうことが多いのです。
○データ分析で釣れる次の獲物は、どこに潜んでいる可能性が高いのでしょうか？　有力な候補は二ヵ所あります。一つは、あなたが行ったデータ分析の近くです。もう一つは、あなたのデータ分析が活用された意思決定問題の近くです。
○活躍できる分析者に共通する行動パターンを習慣づければ、分析上手になる早道となるでしょう。
一、ビジネスの現場に出よう、ビジネス担当者とコミュニケーションしよう
データ分析の三種の神器、「チャンス」と「ヒント」と「ゴール」は、ビジネスの現場に眠っているからです。
三つ目の神器は、データ分析の「ゴール」です。
○整理整頓すれば分析力がアップします。
データ分析でも、分析ファイルを整理整頓せずに分析を進めると、次のような問題点が生じます。① 入力ミスをしたり、プログラミングミスをするなど、ミスを起こしやすくなる。 ② データや数式の所在がわからず、それらを探すことに時間を浪費する。 ③ 自らが作った分析ファイルを構造的に理解できなくなり、改良や修正が困難になる。 ④ 時間が経過すると分析ファイルの中身を理解できなくなり、再作業は困難になる。 ⑤ 別の人に業務を引き継ぐときに、分析ファイルを引き継ぐことができない。
○整理整頓の方法　① データと計算式は、混在させずに分ける。 ② 計算式のパラメータは直接セルに入力せず、外出しする。 ③ データには、単位をつける。 ④ 数式には、数年後に振り返っても理解できるように注釈をつける。 ⑤ シート間のリンクやファイル間のリンクは、一方向のツリー構造とする。 ⑥ 不要になったデータや数式は消す。 ⑦ ファイル名称は、それを見れば何のファイルかわかるような名称にする。
○どれだけ分析手法やＩＴに詳しくても、考えることを怠れば、もはや「分析者」ではなく「分析作業者」です。
○統計値だけしか見なければ間違った解釈をする可能性があります。そのような間違いを回避するには、統計値を出すだけでなく、グラフを用いてデータをビジュアル化しなければなりません。
○他人のデータを活用する場合には、その妥当性を吟味する習慣をつけなければなりません。
他人のデータを用いて分析するということは、あなたはそのデータの信憑性に責任を持つということです。統計局や気象庁などの公的な機関のデータでない限り、まずは疑う習慣をつけましょう。特に、データの収集方法および誰がどういう目的で収集したかを確認しましょう。
○不必要に複雑な分析モデルを用いれば、難解になるだけです。素人には馴染みのない専門用語を用いて説明すれば、聞く気が失せるだけです。むやみに報告書を分厚くすれば、読む気が失せるだけです。同程度の効果を得られるならば、モデルも説明も報告書も単純明快なほうが良いに決まっています。
○文章を書いてみてください。データ分析から何がわかったのかを文章にまとめてみてください。
○大切なことは、データ分析で解決できないことを悟った後のアクションです。目的に立ち戻ることが重要です。
○分析プロフェッショナルであるための要件として、以下の三つを挙げたいと思います。
① 成果指向
分析結果がビジネスにもたらした効果こそが成果です。分析プロフェッショナルは、この「分析の価値」の尺度を持ってクライアントに臨まなければなりません。
② 実績と信頼
分析プロフェッショナルが分析スペシャリストと違う二つ目の点は、実績や信頼が不可欠である点です。
③ 売り物になる専門性
分析プロフェッショナルと分析スペシャリストが違う三点目は、専門性です。
誰にも負けない分野を持たなければなりません。
○『分析力を武器とする企業』
○分析プロフェッショナルに向いている人とは、どのような適性を持った人でしょうか？　筆者は、 ① 論理的思考力、 ② 右脳的思考力、 ③ 感受性の三つを挙げます。
○ここでの論理的思考力とは、分析結果は何を意味するのか、相関と因果の区別、分析結果の前提条件や不確実性、分析結果と意思決定の関係、こういったことを理路整然と理解して説明できる力を指しているのです。
○現場の心を理解する感受性がなければ、ＫＫＤ（勘と経験と度胸） とデータ分析の溝を埋めることはできず、現場の人と対立的な関係になるかもしれません。
○優れた分析プロフェッショナルと並みの分析プロフェッショナルの違いは何でしょうか？それは「課題発見力」と「仮説力」の強さです。
○ビジネスに関連する専門知識を身に付けよ
一つは、再三申し上げているように、ビジネス現場に行ってビジネス担当者から話を聞くことです。日頃から学ぶ習慣をつけることです。
○世の中にあるデータを知ろう
ビジネスに関連する専門知識に加えて、データに関する知識も身に付けるべきです。
○良い人脈を大切にしよう
先ほど申し上げた通り学び続けることが重要です。
あなたから先方に対して有益な情報を提供できるように努めなければなりません。
○医療分野で活躍する分析プロフェッショナルは、大量の患者データを分析することで治療や投薬を最適化できれば、患者の健康や生存に役立ったと実感できるでしょう。

[suburibillyさんの感想 · 2018年11月4日]

「データ分析は意思決定に役立たなければ意味がない」ということの繰り返しだけの本。手法への言及もほしかった

著者プロフィール

大阪ガス情報通信部ビジネスアナリシスセンター所長。京都大学工学部数理工学科を卒業し、同大学大学院工学研究科応用システム科学専攻修了後、1991年に大阪ガス入社。2005年、大阪大学にて博士号(工学)を取得。この間、米国ローレンスバークレー国立研究所の客員研究員としてエネルギー消費データ分析に携わるなどの経験がある。2013年、「第１回 データサイエンティスト・オブ・ザ・イヤー」（日経情報ストラテジー）を受賞。著書に『会社を変える分析の力』（講談社現代新書）

「2014年 『真実を見抜く分析力』 で使われていた紹介文から引用しています。」