001_kmi_ids_20181122_2

オープニング講座｜要素技術実習（その他－2）【ゼロから学ぶデータ分析】　ビジネスケースで鍛える“データサイエンス”力・超入門

Transcript

1. © ICHIRO TAKAHASHI オープニング講義
2. © ICHIRO TAKAHASHI 2 Introduction はじめに 1 Main Subject データが導く未来へ ビジネスアナリティクス概論 2 Finale 明日以降のお話し 3
3. © ICHIRO TAKAHASHI 3 Introduction はじめに 1 3 2 Main Subject データが導く未来へ ビジネスアナリティクス概論 Finale 明日以降のお話し
4. © ICHIRO TAKAHASHI 4 いきなりですが、２つの質問があります
5. データ分析をすでに （レベルは問いません……） 仕事でしているものの その活用に悩んでいる人？ 5
6. これから本格的に データ分析を活用 しようと思っている人？ 6
7. © ICHIRO TAKAHASHI 7 ところで お前、誰 だよ！！！
8. © ICHIRO TAKAHASHI 8 ということで、私（講師）の自己紹介 別資料
9. © ICHIRO TAKAHASHI 9 Introduction イントロダクション 1 1-1. 皆さまに持ち帰って頂きたいこと 1-2. ビッグデータブーム狂騒曲 1-3. 当講座の全体像と進め方
10. © ICHIRO TAKAHASHI ワーク① 10
11. © ICHIRO TAKAHASHI ワークの流れ 質問① 質問② あなたの「当講座の受講目的」は何ですか？ （もしくは、何を期待していますか？） あなたは、どのようなデータ活用 を、すでにしていますか？ （もしくは、したいと考えていますか？） 2～3分 2～3分 共有 あなたの回答を、自己紹介も兼ね、グループ内で共有しましょう 5分 11 発表 あなたの回答を、自己紹介も兼ね、皆さんに発表しましょう 1分/人
12. © ICHIRO TAKAHASHI あなたの「当講座の受講目的」は何ですか？ （もしくは、何を期待していますか？） 上の枠に、自由に記入してみましょう 12
13. © ICHIRO TAKAHASHI あなたは、どのようなデータ分析 を、すでにしていますか？ （もしくは、したいと考えていますか？） 上の枠に、自由に記入してみましょう 13
14. © ICHIRO TAKAHASHI 14 データ分析・活用で、よくある疑問
15. © ICHIRO TAKAHASHI 15 よくある疑問 【疑問 1】 データ分析して、何が嬉しいの？ 【疑問 2】 どのようなデータ分析をすればいいの？ 【疑問 3】 その実現に向けて、先ず何をすべき？
16. © ICHIRO TAKAHASHI 16 そのような中、皆さまに持ち帰って頂きたいこと
17. © ICHIRO TAKAHASHI 17 皆さまに持ち帰って頂きたいこと 【お土産 1】 データ分析・活用の効果効能の理解 【お土産 2】 分かりやすい事例でデータ分析を体感 【お土産 3】 データドリブンな組織に向けた動き方の理解
18. © ICHIRO TAKAHASHI 18 Introduction イントロダクション 1 1-1. 皆さまに持ち帰って頂きたいこと 1-2. ビッグデータブーム狂騒曲 1-3. 当講座の全体像と進め方
19. © ICHIRO TAKAHASHI 19 IT化の副産物としてデータ流通量が激増
20. © ICHIRO TAKAHASHI 20 データから付加価値を生み出せない日本という国
21. © ICHIRO TAKAHASHI AIに不可欠 データ人材争奪戦 求人、1年で6倍 日本経済新聞（2018/1/19） https://www.nikkei.com/article/DGXMZO25886920Z10C18A1I00000/ 日立、データサイエンティスト4倍の3000人に 日本経済新聞（2018/6/21） https://www.nikkei.com/article/DGXMZO32066320R20C18A6TJ2000/ SOMPOHD、ビッグデータ活用で新組織 日本経済新聞（2018/6/11）https://www.nikkei.com/article/DGXMZO31596780R10C18A6EE9000/ ブリヂストン、データ分析プロの社内認定制度を年内に運用 産経新聞（2018/3/20） https://www.sankei.com/economy/news/180320/ecn1803200004-n1.html あずさ監査法人、データ分析人材3割増 監査品質向上 日本経済新聞（2017/8/15） https://www.nikkei.com/article/DGXLZO19985780U7A810C1TJ2000/ 東電、データ分析人材を育成 海外VBに社員派遣 日本経済新聞（2017/2/3） https://www.nikkei.com/article/DGXLASDZ27IB6_T00C17A2TJC000/ 21 ただ今、社内DS（データサイエンス）人財急増中
22. © ICHIRO TAKAHASHI データ活用の上手くいっている企業、どんな企業？ ワーク② 22
23. © ICHIRO TAKAHASHI 質問① 質問② ワークの流れ データ活用の比較的上手くいっている企業、どのような企業 だと思いますか？ （具体的な企業名でも、漠然としたイメージでも構いません） その企業は、どのようなデータを用いて、どのような成果を得ていると思い ますか？ （イメージで構いません） 2～3分 2～3分 23 共有 あなたの回答を、グループ内で共有しましょう 5分
24. © ICHIRO TAKAHASHI データ活用の比較的上手くいっている企業、 どのような企業 だと思いますか？ 上の枠に、自由に記入してみましょう 24 （具体的な企業名でも、漠然としたイメージでも構いません）
25. © ICHIRO TAKAHASHI その企業は、どのようなデータを用いて、 どのような成果を得ていると思いますか？ 上の枠に、自由に記入してみましょう 25 （イメージで構いません）
26. © ICHIRO TAKAHASHI 26 さる公的な調査によると……
27. © ICHIRO TAKAHASHI 引用元：一般財団法人 商工総合研究所『中小企業のIT活用』（2016年） データ活用の成否に 業種は関係ない データ活用の成否に 企業規模も関係ない データ活用は 売上に好影響 約50%がデータ活用にチャレンジし、 内50%超（全体の27%）が データ活用で成果を上げている 27 データ活用の取り組み状況
28. © ICHIRO TAKAHASHI 企業活動していれば、 どのような企業でも溜まるようなデータが多い （もちろん、業種業態によって異なるが……） 引用元：一般財団法人 商工総合研究所『中小企業のIT活用』（2016年） 28 活用し成果を上げているデータ
29. © ICHIRO TAKAHASHI 効率化 と 収益拡大 につながる 成果をあげている 29 データ活用の成果 引用元：一般財団法人 商工総合研究所『中小企業のIT活用』（2016年）
30. © ICHIRO TAKAHASHI 30 上手くいっている企業を見てみると…… 業種業態・企業規模は関係ない ……ことが分かる
31. © ICHIRO TAKAHASHI 31 そして…… 企業規模が大きくなるほど失敗 ……する割合が大きくなることがわかる
32. © ICHIRO TAKAHASHI 32 Introduction イントロダクション 1 1-1. ビッグデータブーム狂騒曲 1-2. 皆さまに持ち帰って頂きたいこと 1-3. 当講座の全体像と進め方
33. © ICHIRO TAKAHASHI 33 全体カリキュラム 12/3(月) 12/4(火) 12/5(水) 12/6(木) 12/7(金) 10:00-11:30 哲学科卒でも 1週間でできた！ 時系列解析超々入門 サルでもわかる 異常検知 サルでもわかる 将来予測 Shinyで作る Webアプリ 11:30-13:00 休憩・自習 13:00-14:30 オープニング 講義 R＆RStudio 超入門 RAnalyticFlow 超入門 Shiny入門 好きなWebアプリ を作ってみよう！ 14:30-14:45 休憩 14:45-16:15 オープニング 講義 哲学科卒でも 1週間でできた！ 時系列解析超々入門 サルでもわかる 要因分析 サルでもわかる 評価決定 ラップアップ 16:15-16:30 休憩 16:30-18:00 自習（1日の復習にご活用ください） or 予備（16:15分で終わらなかった分を回す） ※あくまでも目安です。基本、大幅に時間配分が変わります
34. © ICHIRO TAKAHASHI 講義 レクチャー （講師） 演習 ブレイン ワーク （各個人） 共有 シェア （グループ） PCを使った演習はいたしません （紙と鉛筆を頭を使います） 34 進め方（ブレインワーク）
35. © ICHIRO TAKAHASHI 35 グループ内での「共有（シェア）」のイメージ グループの中で 一番スクリーンに近い人 最初の人 最初の人
36. © ICHIRO TAKAHASHI 説明 レクチャー （講師） 実演 PCワーク （講師＆受講生） 演習 PCワーク （各個人） R言語を用いたデータ分析を体感していきます 36 進め方（PCワーク）
37. © ICHIRO TAKAHASHI 37 3 1 Main Subject データが導く未来へ ビジネスアナリティクス概論 2 Finale 明日以降のお話し Introduction はじめに
38. © ICHIRO TAKAHASHI 38 Main Subject データが導く未来へ ビジネスアナリティクス概論 2 2-1. データ分析という武器 2-2. データ分析は誰でもできるQC7つ道具から始めよ 2-3. 知っていて損のないトピックス
39. © ICHIRO TAKAHASHI 39 2-1. データ分析という武器 2-1-1. データ分析の効果効能 2-1-2. データサイエンティスト今昔物語とその後（キャリアパス） 2-1-3. データ分析プロジェクトの進め方 2-2. データ分析は誰でもできるQC7つ道具から始めよ 2-3. 知っていて損のないトピックス 2 Main Subject データが導く未来へ ビジネスアナリティクス概論
40. © ICHIRO TAKAHASHI 2-1-1. データ分析の効果効能 40
41. © ICHIRO TAKAHASHI 41 データ分析・活用の歴史は古く紀元前からある 今も昔も最先端を走っているのが安全保障系の世界
42. © ICHIRO TAKAHASHI • レッド・オクトーバーを追え （映画版『レッド・オクトーバーを追え!』） • 愛国者のゲーム （映画版『パトリオット・ゲーム』） • クレムリンの枢機卿 • いま、そこにある危機 （映画版『今そこにある危機』） • 恐怖の総和 （映画版『トータル・フィアーズ』） • 日米開戦 • 合衆国崩壊 • 大戦勃発 • 教皇暗殺 • デッド・オア・アライヴ • ライアンの代価 • 米中開戦 • 米露開戦 など 出典：Amazon 42 米国大統領にもなったスーパー分析官
43. © ICHIRO TAKAHASHI 2,500年たっても本質は変わらないはず…… 孫武 「孫子」 クラウゼビッツ 「戦争論」 宮本武蔵 「五輪の書」 43 分析官必読の世界三大古典 Amazon Amazon Amazon
44. © ICHIRO TAKAHASHI 44 孫武（孫子） • 孫 武（そん ぶ、紀元前535年? - 没年不詳）は、 中国春秋時代の武将・軍事思想家 • 兵法書『孫子』の作者とされており、兵家の代表 的人物 • 斉国出身 • 「孫子」は尊称である 出典：wikipedia
45. © ICHIRO TAKAHASHI 45 クラウゼビッツ 出典：wikipedia • カール・フィーリプ・ゴットリープ・フォン・ク ラウゼヴィッツ（1780年 - 1831年） • ナポレオン戦争時の、プロイセンの軍人（少将） で軍事学者（陸軍大学校校長） • 改革派 • 彼の死後1832年に『戦争論』が発表
46. © ICHIRO TAKAHASHI 46 宮本武蔵 出典：wikipedia • 宮本 武蔵（1584年 - 1645年） • 江戸時代初期の剣術家、兵法家、芸術家 • 二刀を用いる二天一流兵法の開祖 • 13歳で初めて新当流の有馬喜兵衛と決闘し勝利し、 以来29歳までに60余回の勝負を行い、すべてに 勝利した
47. © ICHIRO TAKAHASHI ところで、孫子らはミラクルを起こすのか？ 47
48. © ICHIRO TAKAHASHI ワーク③ 48
49. © ICHIRO TAKAHASHI 質問① 質問② ワークの流れ データを活用するメリットは何だと思いますか？ あなたの業務（もしくは、日常生活）から考えてみてください そのメリットを得るためには、どのようなデータがあると得られますか？ あなたの業務（もしくは、日常生活）から考えてみてください 2～3分 2～3分 共有 席の近いかた（隣や前後など）とあなたの回答を共有しましょう ※今回は自己紹介も兼ねてください 5分 49
50. © ICHIRO TAKAHASHI データを活用するメリット は何だと思いますか？ あなたの業務（もしくは、日常生活）から考えてみてください 上の枠に、自由に記入してみましょう 50
51. © ICHIRO TAKAHASHI そのメリットは、どのようなデータがあると得られますか？ あなたの業務（もしくは、日常生活）から考えてみてください 上の枠に、自由に記入してみましょう 51
52. © ICHIRO TAKAHASHI 52
53. © ICHIRO TAKAHASHI 孫武 「孫子」 53 • 彼を知り己を知らば、百戦殆うからず • 天を知り地を知れば、勝は乃ち全うす など ↓ • 先に戦地に処りて敵を待つ者は佚し 先に戦場で待ち受けているものは、他に振り回されず思うままに楽に戦 うことができる • 後れて戦地に処りて戦いに趨く者は労す 遅れて戦場にくると、他に振り回されて非常に苦しい戦いになる など 現在のデータ分析に応用すれば、「過去の振り返り」と「現在の状 況把握」、「未来の先読み」により、過去の失敗を二度 と繰り返さず、勝つためのベクトル（方向性 とリソース投入量など）を決め、データ分析 活用を実践することになる 出典：Amazon
54. © ICHIRO TAKAHASHI データ分析をしていて、このような体験をしたことはないだろう か？ 分析結果同士が矛盾している。分析結果が、現実に起こって いることと整合しない。そもそも、集めたデータからして違 和感がある。 クラウゼヴィッツは『戦略論』の中で、情報の危うさを指摘してい る。 情報のほとんどは霧の中に包まれ分からず、情報のいくつか は間違っており、そして矛盾もある。したがって、人が正し い判断ができるように、精神の均衡を保つ必要がある データ分析活用は結局は人である クラウゼビッツ 「戦争論」 54 出典：Amazon
55. © ICHIRO TAKAHASHI 宮本武蔵 「五輪の書」 55 物事の景気と云事は 我が智力強ければ必ず見ゆる所なり 物毎につき拍子は有ものなれども 取分け兵法の拍子鍛錬なくては及びがたき所なり データ分析・活用は天賦の才だけではない 後天的な鍛錬可能なスキルである 出典：Amazon
56. © ICHIRO TAKAHASHI 何のためにデータを分析し活用するのか？ 56
57. © ICHIRO TAKAHASHI 少なくとも、今までにないミラクルを起こすわけではない 57
58. © ICHIRO TAKAHASHI 16世紀イタリアの 伝説のギャンブラー ジェローラモ・カルダーノの著作 確率理論による 世界最古のデータ分析の本 （たぶん……） 彼の死後、出版された ギャンブラー秘伝の書 「さいころあそびについて」 58 世界最古のデータ分析の本 （たぶん……） 出典：Amazon
59. © ICHIRO TAKAHASHI 59 1,000万円を投資するなら、どの銘柄？（1/2） 銘柄 リターン（投資収益） 平均値 標準偏差 振れ幅 銘柄A 100万円 60万円 -20万円～220万円 銘柄B 25万円 10万円 5万円～45万円 銘柄C 50万円 25万円 0万円～100万円 銘柄D 50万円 10万円 30万円～70万円 ※振れ幅：平均値－２×標準偏差～平均値＋２×標準偏差 上方管理限界 下方管理限界 • リターン最大化（平均値が大きいほど良い） • リスク最小化（標準偏差が小さいほど良い） データ分析的に目指すは……
60. © ICHIRO TAKAHASHI 60 1,000万円を投資するなら、どの銘柄？（2/2） A銘柄 B銘柄 C銘柄 D銘柄 平均値 上方管理限界 下方管理限界 50 250 200 150 100 0 -50 データ分析的には 銘柄Dをレコメンド
61. © ICHIRO TAKAHASHI ミラクルを起こすためではなく 着実に何かを得るためにデータ分析・活用する 61
62. © ICHIRO TAKAHASHI • 独立と平和（国防）の実現 • 利益（企業）の実現 • 幸福（個人）の実現 その何かとは、例えば以下のような命題 62 （具体化したのが課題、定量化したのがリターン）
63. © ICHIRO TAKAHASHI 63 × 0 → 1 〇 1 → 10 → 100 無から有ではなく、より良い有のため （データ分析 の コールド・スタート問題）
64. © ICHIRO TAKAHASHI • リスク最小化 • リターン最大化 データを使うことで、設定した課題に対し より確実により良いリターンを得ることができる 64 データ分析の効果効能
65. © ICHIRO TAKAHASHI 課題解決アプローチから考えると…… 65
66. © ICHIRO TAKAHASHI 66 データ分析を活用した場合の「課題解決アプローチ」 ①問題発見 ②課題設定 ③施策検討 ④施策実行 ⑤実行評価 現場で起きる「問題」（改善 or 変革）の発見 ※人間の頭脳＋データ分析 現場とデータから「課題」を設定 ※データ分析・活用のテーマ その課題に対する「施策」を評価 ※リターン最大化・リスク最小化を目指す 現場で、決定した施策を「実行」 ※データ分析の活用、新たなデータの蓄積 実行した結果を指標を用い定量的に「評価」
67. © ICHIRO TAKAHASHI 2-1-1. データ分析の効果効能 67
68. © ICHIRO TAKAHASHI 管理 施策 結果 データ アイデア やモデル 施策実行 机上 現場 データ分析 モデル構築 68 データ分析・活用の構造
69. © ICHIRO TAKAHASHI ①開発・整備機能： データ分析・活用の武器を開発・整備する機能 ②レコメンド機能： 運用時に、データ分析結果などを提供する機能 ③活用の現場： データ分析・活用の現場 ④全体管理機能： データ分析・活用の全体管理 69 4つの機能 ① ② ③ ④
70. © ICHIRO TAKAHASHI 70 4つのイシュー（1/2） ① ② ③ ① どのようなデータ分析をしたり モデル構築すればいいのか？ ② どのように分析結果などを現場 に渡すのか？ ③ 分析結果などを元に、どのよう に現場が動き、その結果を計測 するのか
71. © ICHIRO TAKAHASHI 71 4つのイシュー（2/2） ④ ④ ①②③をどのように進め、どの ように管理するのか • マイルストン • ホップ（現実的な短期的な目標） • ステップ（現実可能な中長期的な目標） • ジャンプ（夢のような目標） • 目的／目標設定 • 目的（定性的な大義名分） • 目標（定量的に計測可能な指標） • スケジュール（誰・タイミング・何・方法・ 目標値など）
72. © ICHIRO TAKAHASHI ① ② ③ 某大手アパレルチェーン － 販売促進 － ②レコメンド機能 ③活用の現場 72  データ分析部 • 販促施策評価モデルの開発 • BIツールの導入 • BIツールのダッシュボード設計 など  BIツールのダッシュボードで情報提供 • 過去評価（前月、当月、昨年同月） • 収益の将来予測（1か月） • 広告販促の最適投入量 など  広告宣伝部（マス媒体など）  販売促進部（チラシなど）  店長（タイムセールなど） など ④ ①開発・整備機能  経営企画室  データ分析部  各部マネジャー1名 など ④全体管理機能
73. © ICHIRO TAKAHASHI 管理 施策 結果 データ アイデア やモデル 施策実行 机上 現場 データ分析 モデル構築 レコメンド • 人的レコメンド（提言） • 機械的レコメンド 73 意外と重要なのが…… ②の部分 ②
74. © ICHIRO TAKAHASHI レコメンド 74 例1：ECサイト
75. © ICHIRO TAKAHASHI レコメンド 75 例2：検索サイト 検索キーワード
76. © ICHIRO TAKAHASHI 76 例3：輸送ルート指示書
77. © ICHIRO TAKAHASHI データ分析者 現場 77 例4：分析レポート
78. © ICHIRO TAKAHASHI データ分析者 現場 78 例5：BIツール 提供 操作 http://www.sovtex.ru/en/portfolio/qlikview/ https://www.ashisuto.co.jp/product/category/bi/qlik/qlikview/
79. © ICHIRO TAKAHASHI 79 データに基づいた 気の利いた レコメンド をすることが最重要 （手動・自動関係なく……）
80. © ICHIRO TAKAHASHI 80 ところで、データサイエンティストって何？
81. © ICHIRO TAKAHASHI ワーク④ 81
82. © ICHIRO TAKAHASHI 質問① 質問② ワークの流れ データサイエンティストとは、一体何者でしょうか？ （あなたなりの定義、もしくはイメージをお答えください） データサイエンティストが、なぜ注目されるようになったのでしょうか？ （なんとなく感じていることでも構いません） 2～3分 2～3分 共有 席の近いかた（隣や前後など）とあなたの回答を共有しましょう 5分 82
83. © ICHIRO TAKAHASHI データサイエンティストとは、一体何者でしょうか？ （あなたなりの定義、もしくはイメージをお答えください） 上の枠に、自由に記入してみましょう 83
84. © ICHIRO TAKAHASHI データサイエンティストが、なぜ注目されるようになったのでしょうか？ （なんとなく感じていることでも構いません） 上の枠に、自由に記入してみましょう 84
85. © ICHIRO TAKAHASHI 85
86. © ICHIRO TAKAHASHI 86 定義 データ・サイエンティストとは…… さまざまな意思決定の局面において、 データにもとづいて合理的な判断 を行えるように 意思決定者をサポートする職務またはそれを行う人のこと です。 統計解析やITのスキルに加えて、 ビジネスや市場トレンドなど幅広い知識が求められます。 出典：SAS社HP（https://www.sas.com/ja_jp/insights/analytics/what-is-a-data-scientist.html）
87. © ICHIRO TAKAHASHI 87 データに基づいた 気の利いた レコメンド をする人 （もしくは、その自動化を実現する人）
88. © ICHIRO TAKAHASHI 88 何のためにレコメンドをするのか！ それは アクション を促すため
89. © ICHIRO TAKAHASHI 決定する • 新製品を市場に出す意思 決定をする • 販売予測モデル構築の稟 議を決裁する 計画する 動く • マーケティング戦略を立 案する • 新聞広告やチラシなどの 広告宣伝・販売促進を計 画する • チラシの配布といった 日々のオペレーションを 実施する • 予測モデルのバグを改修 する （例） 3種類のアクション 89
90. © ICHIRO TAKAHASHI より客観的な 未来の見通し より客観的な 過去の知見 これから現実化する 個々の場面（今）で 何をすべきかを知る ある目的を達成するため 今 すべきアクションに 集中 過去 現在 未来 データ分析 データ分析 データ分析 データ分析 今すべきアクションに集中 90
91. © ICHIRO TAKAHASHI 91 しかも、低リスク を実現する だから 安心 して 今に集中 できる
92. © ICHIRO TAKAHASHI 2-1-1. データ分析の効果効能 92
93. © ICHIRO TAKAHASHI 93 再掲
94. © ICHIRO TAKAHASHI 94 再掲
95. © ICHIRO TAKAHASHI 95 再掲
96. © ICHIRO TAKAHASHI 96 再掲
97. © ICHIRO TAKAHASHI 97 2-1. データ分析という武器 2-1-1. データ分析の効果効能 2-1-2. データサイエンティスト今昔物語とその後（キャリアパス） 2-1-3. データ分析プロジェクトの進め方 2-2. データ分析は誰でもできるQC7つ道具から始めよ 2-3. 知っていて損のないトピックス 2 Main Subject データが導く未来へ ビジネスアナリティクス概論
98. © ICHIRO TAKAHASHI 98 2000年ごろのデータマイニングブームへの期待 ガベージ・イン → ゴスペル・アウト ガベージ・イン → ガベージ・アウト ゴスペル ガベージ
99. © ICHIRO TAKAHASHI マイナーは山師（詐欺師）か？ 99 そして失望……
100. © ICHIRO TAKAHASHI 100 2012年以降のビッグデータブーム NHKクローズアップ現代 米国のビッグデータイニシアチブ 引用元：「平成２４年版情報通信白書」を基に改定 引用元：http://www.nhk.or.jp/gendai/articles/3204/1.html スマートフォン、ＩＣカードなど身近な電子機器から、私たちは膨大な情報 を発信している。 インターネットで検索した内容、買い物をした商品や価格、駅の改札を通っ た移動、さらには病院で受けた検査結果まで、あらゆる情報がデジタル化さ れ記録される時代。 生まれるデータの量は、この数年で飛躍的に増え、“ビッグデータ”と呼ばれ ている。解析不可能だったビッグデータを技術の発達で分析できるように なったことで、生活や社会が劇的に変わりつつある。 コンビニでは、購買行動をリアルタイムで捕捉しパターンを発見、利用者が 買う商品を事前に予測する。 カーナビを使って１００万台の自動車の位置情報をつかむことで急ブレーキ 地点を地図化、“未来の事故現場”を見つけて事前に事故対策をする。 アメリカでは医療分野でビッグデータを活用した“先読み”をする医療が加速 している。一方で個人の情報が膨大に広がっていくことを懸念する声も。 “ビッグデータ”時代の最前線を見ていく。
101. © ICHIRO TAKAHASHI 101 ビッグデータ前後に感じた劇的変化①（大量低品質化） 少量の高品質なデータを前提にしたデータ分析 大量の低品質なデータを前提にしたデータ分析
102. © ICHIRO TAKAHASHI 102 ビッグデータ前後に感じた劇的変化②（合目的性の欠如） データを計画的に取得し分析する すでにあるデータ（ 非計画的な取得）でなんとかする
103. © ICHIRO TAKAHASHI 103 ビッグデータ前後に感じた劇的変化③（統計理論の限界） 統計学の理論で十分対応できた 統計学の理論を越えた何かが必要になった
104. © ICHIRO TAKAHASHI 104 そして、現在叫ばれているのは デジタル・トランスフォーメーション （DX）
105. © ICHIRO TAKAHASHI 105 DXとは…… 「アナログ⇔デジタル」 を ITの力でシームレスに！ ……だそうだ
106. © ICHIRO TAKAHASHI 106 一昔前までは…… （今でも時刻表を眺めるのが好きな人もいるそうですが……） 家で 時刻表の本 を見て、 経路を 頭で想像 しながら、 所要時間 や 料金 などを 電卓で計算 する
107. © ICHIRO TAKAHASHI 107 本 家で時刻表の本を見て、経路を頭で想像しながら、 所要時間や料金などを電卓で計算する 必要があれば適時経路検索をし、適時経路を変える 家で簡単にPCやスマホなどで経路検索し行き方を確かめる そのとき所要時間や料金などの情報が表示される 歩行速度（急いで行く・ゆっくり行く・など）に応じた出し分け 経由地の指定や、定期券情報を考慮した料金の提示、乗車位置の指定など 便利 改善 変革
108. © ICHIRO TAKAHASHI 108 データを駆使し、違い （改善や変革）を 意図的 に作れたら スゴイ！と思いませんか？ ① 便利（これいいね） ② 改善（問題解消） ③ 変革（動きが変わる）
109. © ICHIRO TAKAHASHI 109 データサイエンティスト （DS人財） ≒ データを駆使し ≒ 違い（改善や変革）を ≒ 意図的に作ることのできる人財 と、ここでは定義しておきます 異論のある方もいるとは思いますが……
110. © ICHIRO TAKAHASHI 110 こういった 人財 に成れたら ステキ だと思いませんか
111. © ICHIRO TAKAHASHI 111 無理 だぁー！！！
112. © ICHIRO TAKAHASHI 112 小学生もお祖母ちゃんも、 誰もが データを駆使し生きている でも自覚なし
113. © ICHIRO TAKAHASHI 113 新聞の天気予報 PCやスマホの天気予報 傘持っていく？
114. © ICHIRO TAKAHASHI 114 よくできている模擬テストの結果 https://www.shinken.co.jp/test/gra dereport04.html ざっくりいうと…… • 今回の結果 • 現在の合格可能性 • 過去から現在までの成績 • 現状の課題 • 今後の対策 などの情報が満載
115. © ICHIRO TAKAHASHI 115 実際に、どう捉え・考え・動くかどうかは 本人次第
116. © ICHIRO TAKAHASHI 116 机上と現場の間にカベができると、そのデータ分析は活用されない 施策 結果 データ アイデア やモデル 活用現場 机上 現場 データ分析 モデル構築 カベ ができ 断絶 すると 最悪 だ！
117. © ICHIRO TAKAHASHI 117 データ分析の民主化 （一部署一名データサイエンティスト計画）
118. © ICHIRO TAKAHASHI 118 ビジネス（事業）サイド 開発・生産サイド 多くの場合、現場とは別組織 もしくは、外部 現場 DS専門家 現場よりのDS人財 現場よりのDS人財（現場とDSの間の翻訳者）がキー
119. © ICHIRO TAKAHASHI 119 IT化の副産物 としてデータが急増 そのデータで違いを作る （Data Driven） 理想は 変革 （Innovation） IT化 （便利になる） Digital Transformation データサイエンティスト（DS人財） 20年でデータ流通量が激増
120. © ICHIRO TAKAHASHI 120
121. © ICHIRO TAKAHASHI 施策 結果 データ アイデア やモデル 活用現場 机上 現場 データ分析 モデル構築 121 データを駆使し現場に違いもたらす凄いやつ ここで違いを作る！
122. © ICHIRO TAKAHASHI ワーク⑤ 122
123. © ICHIRO TAKAHASHI 質問① ワークの流れ 昔のデータマイナー（今で言うデータサイエンティスト）は、 現在どうなっている方が多いでしょうか？ （なんとなくの印象で構いません） 123 質問② これからのデータサイエンティスト（データ分析人財・機械学習エンジニ アなど）は、将来どのようになる、もしくは、なるべきだと思いますか？ 2～3分 2～3分 共有 席の近いかた（隣や前後など）とあなたの回答を共有しましょう 5分
124. © ICHIRO TAKAHASHI 昔のデータマイナー（今で言うデータサイエンティスト）は、 現在どうなっている方が多いでしょうか？ （なんとなくの印象で構いません） 上の枠に、自由に記入してみましょう 124
125. © ICHIRO TAKAHASHI 現在のデータサイエンティスト（データ分析人財・機械学習エンジニアなど）は、 将来どのようになる、 もしくは、なるべきだと思いますか？ 上の枠に、自由に記入してみましょう 125
126. © ICHIRO TAKAHASHI 126
127. © ICHIRO TAKAHASHI 127 現在、何者になっているのか？（キャリアパス） • 職人（その道のプロ中のプロという意味） • 哲学者（その道のプロ中のプロだが、だんだん哲学的になってくる人） • 教授（言わずもがな） • 経営者（知る限りベンチャー） • 顧問（データ分析系の……） • 組織長（データ分析系の……） • 大統領（ジャック・ライアン、小説の中の話し）
128. © ICHIRO TAKAHASHI 128 どのように、スキルを磨いたのか？（スキルアップ手段） • 経験に勝るものはない（アサイン以外のPrjにも顔を突っ込む） • 徒弟制（自力だけだと無理がでる。 ダメだしされ… ダメだしされ… ダメだしされ… ） • 過去プロジェクトの再現（加工から集計、分析、レポート化を再現）記録 • 失敗事例のデータ化（PPTで作ったフォーマットに記載し蓄積）と再現 • 専門書 • 学術論文（A3 の紙1ページにまとめ蓄積） 業務 練習 知識
129. © ICHIRO TAKAHASHI 129 2-1. データ分析という武器 2-1-1. データ分析の効果効能 2-1-2. データサイエンティスト今昔物語とその後（キャリアパス） 2-1-3. データ分析プロジェクトの進め方 2-2. データ分析は誰でもできるQC7つ道具から始めよ 2-3. 知っていて損のないトピックス 2 Main Subject データが導く未来へ ビジネスアナリティクス概論
130. © ICHIRO TAKAHASHI 130 施策 結果 データ アイデア やモデル 活用現場 机上 現場 データ分析 モデル構築 今回は、 ここのお話し レポート（PPT or Excel） ダッシュボード（BI） システム化、など （運用時） その後のお話し その後の その後の お話し
131. © ICHIRO TAKAHASHI 131
132. © ICHIRO TAKAHASHI フェーズ1 準備 背景や目的などを明確にし、分析の全体像を考え、役割分担やスケジュールなどを決める出発点となるフェーズ ステップ1 ヒアリング ステップ ステップ2 分析デザイン ステップ ステップ3 キックオフ ステップ フェーズ2 分析 実施する分析内容を具体化し、分析で使用するデータの整備をすることで、実際に分析をする核となるフェーズ ステップ1 分析ストーリー ステップ ステップ2 データ収集整備 ステップ ステップ3 分析実施 ステップ フェーズ3 報告 分析した結果にコメントを付け、報告書にまとめ、分かりやすく伝えることで人をアクションへ導くフェーズ ステップ1 コメントアウト ステップ ステップ2 中間報告 ステップ ステップ3 総括報告 ステップ データ分析プロジェクトの流れ 132
133. © ICHIRO TAKAHASHI 133 参考書籍（宣伝） • Chapter 1 3つのフェーズで進めるデータ分析プロジェクト • Chapter 2 準備フェーズでつまずかないための10の失敗事例 • Chapter 3 分析フェーズを着実に進めるための20の失敗事例 • Chapter 4 報告フェーズでコケないための5つの失敗事例 • Chapter 5 データサイエンティストになりたい! という人に 知ってもらいたい「とってもディープな私」 データサイエンティストの秘密ノート 35の失敗事例と克服法 SBクリエイティブ (2016/11/12)
134. © ICHIRO TAKAHASHI 準備 分析 報告 背景や目的などを明確にし、分析の全体像を考え、役割分担やスケジュールなどを決め る出発点となるフェーズ 実施する分析内容を具体化し、分析で使用するデータの整備をすることで、実際に分析 をする核となるフェーズ 分析した結果にコメントを付け、報告書にまとめ、分かりやすく伝えることで人をアク ションへ導くフェーズ フェーズ 1 フェーズ 2 フェーズ 3 アクション データ分析プロジェクトの3つのフェーズ 134
135. © ICHIRO TAKAHASHI 135 フェーズ 1
136. © ICHIRO TAKAHASHI 準備 分析 報告 フェーズ 1 フェーズ 2 フェーズ 3 アクション フェーズ1「準備」の3つのステップ 背景や目的などを明確化するため、データ分析結 果を利用する側の要望をヒアリングし、どのよう な分析をするのか合意する どのような分析をどのような流れで実施するのか を考える 役割分担を決め、スケジュールを考え、キックオ フミーティングを開く 分析デザイン ヒアリング キックオフ ステップ 1 ステップ 2 ステップ 3 136
137. © ICHIRO TAKAHASHI 137 分析デザインを中心にお話しします
138. © ICHIRO TAKAHASHI 138 分析デザインの範囲（1/3） 管理 施策 結果 データ アイデア やモデル 施策実行 机上 現場 データ分析 モデル構築
139. © ICHIRO TAKAHASHI 139 分析デザインの範囲（2/3） ① ② ③ ① どのようなデータ分析をしたり モデル構築すればいいのか ② どのように分析結果や構築した モデルを現場に渡すのか ③ 分析結果や構築したモデルを元 に、どのように現場が動き、そ の結果を計測するのか
140. © ICHIRO TAKAHASHI 140 分析デザインの範囲（3/3） ④ ④ ①②③をどのように進め、どの ように管理するのか • マイルストン • ホップ（現実的な短期的な目標） • ステップ（現実可能な中長期的な目標） • ジャンプ（夢のような目標） • 目的／目標設定 • 目的（定性的な大義名分） • 目標（定量的に計測可能な指標） • スケジュール（誰・タイミング・何・方法・ 目標値など）
141. © ICHIRO TAKAHASHI 141 メッセージボードとしてまとめておく 準備フェーズでは 何かしら 仮説 を記述する （報告フェーズで修正し完成） 準備フェーズで 必ず 明確 にする 誰がアクション をするのか？ なぜアクション をしなければな らないのか？ そのアクション とは何か？ より具体的に は？（どのように 実現するのか？） 最初にすべきこ とは？ 誰？ Who 目的 Why 何？ What 具体的には？ How 最初の第一歩 First Action
142. © ICHIRO TAKAHASHI 分析結果 最適 チラシ枚数 チラシを 増やす？ 減らす？ （意思決定） アクション 「つながり」が有る 分析結果 • チラシの平均 配布枚数や分 散 • チラシと売上 の相関など チラシを 増やす？ 減らす？ （意思決定） アクション 「つながり」が無い ？ 「つながり」をあらかじめ想定しておかないと 分析結果をだしても どのようにアクションに繋げればいいのか分からない （アクションと関係な分析をしてしまう） 分析結果とアクションの「つながり」まで考えておく 142 現在のチラシ枚 数が最適チラシ 枚数より多けれ ば減らし、少な ければ増やす つながり
143. © ICHIRO TAKAHASHI 143 メッセージボードは 必ず 作ろう！ Who×Why で分析テーマが変わる
144. © ICHIRO TAKAHASHI 各店舗 各店舗 144 例：某大手小売りチェーン マーケティング 推進本部 〇〇事業推進 統括本部 （別会社） 〇〇店舗運営 IT統括本部 データ分析 グループ チラシ担当 Webキャンペーン 担当 プロモーション部 （主に販促物） 広告宣伝部 （主にマス媒体） デジタル推進部 情報システム部 ビッグデータ 推進本部 各店舗 兼任 広告宣伝部長が主務 広告宣伝企画室
145. © ICHIRO TAKAHASHI 145 メッセージボード例① 準備フェーズでは 何かしら 仮説 を記述する （報告フェーズで修正し完成） 準備フェーズで 必ず 明確 にする プロモーション 部の折り込み チラシ担当者 チラシの ROIの最大化 各エリアのチラ シの配布枚数と サイズの決定 サイズを小さく し、配布枚数増 開始時期決定の 社内合意 誰？ Who 目的 Why 何？ What 具体的には？ How 最初の第一歩 First Action
146. © ICHIRO TAKAHASHI 146 メッセージボード例② 準備フェーズでは 何かしら 仮説 を記述する （報告フェーズで修正し完成） 準備フェーズで 必ず 明確 にする デジタル推進部 のWebキャン ペーン担当者 次のWebキャン ペーンのROI最 大化 Web会員のロイ ヤリティを高め る販促をする メルマガ会員と LINE友達、アプ リダウンロード 者にWeb限定 クーポンを発行 キャンペーン用 のLPの作成依頼 誰？ Who 目的 Why 何？ What 具体的には？ How 最初の第一歩 First Action
147. © ICHIRO TAKAHASHI 147 メッセージボード例③ 準備フェーズでは 何かしら 仮説 を記述する （報告フェーズで修正し完成） 準備フェーズで 必ず 明確 にする 広告宣伝部長 （兼）デジタル 推進部長 広告施策全体の ROIの最大化 マス媒体予算を 減らしWeb広告 予算を増やす 新聞広告を止め、 Web広告予算増 各担当者から希 望広告予算額を ヒアリング 誰？ Who 目的 Why 何？ What 具体的には？ How 最初の第一歩 First Action
148. © ICHIRO TAKAHASHI 148 フェーズ 2
149. © ICHIRO TAKAHASHI 準備 分析 報告 フェーズ 1 フェーズ 2 フェーズ 3 アクション フェーズ2「分析」の3つのステップ 「インプット（分析するデータ）⇒分析⇒アウト プット（分析結果）」を考え、分析の連鎖を作る 必要なデータを集め、利用する分析手法に合わせ データを整備する ステップ２で準備したデータを使い、分析ストー リーに沿いながら具体的に分析を実施する データ収集整備 分析ストーリー 分析実施 ステップ 1 ステップ 2 ステップ 3 149
150. © ICHIRO TAKAHASHI 150 分析ストーリーを中心にお話しします
151. © ICHIRO TAKAHASHI インプット （分析で利用するデータ） アウトプット （分析した結果） 分析 どのようなデータ （インプット）で どのような 分析をし どのような分析結果 （アウトプット）を出すのか インプット⇒分析⇒アウトプット 151
152. © ICHIRO TAKAHASHI データ 分析 分析結果 アクション 結果１ 分析１ 使えない 結果２ 分析２ 使える 結果３ 分析３ 使えない 先ず、利用する「データ」を 考える 次に、そのデータで実施する 「分析」を考える その次に、分析の「分析結 果」を考える 最後に、分析結果から導かれ る「アクション」を考える このアプローチだと、何のアクションも導かない分析結果（使えない分析結果）を量産する可能性がある。つ まり無駄な分析をしてします 正順だと無駄な分析が発生することが多い 152
153. © ICHIRO TAKAHASHI 逆順（逆算）で考えると無駄が減る 153 この逆算アプローチだと、アクションに活かせる分析に絞れ、無駄な分析が減る 最後に、どのような「デー タ」が必要か考える その次に、その分析結果を出 すための「分析」を考える 次に、アクションを導くのに 必要な「分析結果」を考える 先ず、どのような「アクショ ン」になりそうか考える 結果２ 分析２ 使える データ 分析 分析結果 アクション
154. © ICHIRO TAKAHASHI イン プット アウト プット 加工 分析 加工 イン プット 分析 イン プット アウト プット 加工 分析 加工 イン プット 分析 「インプット⇒分析⇒アウトプット」は連鎖する 154
155. © ICHIRO TAKAHASHI 155 フェーズ 3
156. © ICHIRO TAKAHASHI 準備 分析 報告 フェーズ 1 フェーズ 2 フェーズ 3 アクション フェーズ3「報告」の3つのステップ 分析結果から読み取れる「事実」とデータの裏側 で何が起こっているのかの「解釈」に関するコメ ントを分析結果に付けていく データ分析プロジェクトの途中で実施する、関係 者に向けた報告（「事実」「解釈」「延長」「解 決」「対策」の確認など） 報告という形で「決定する」「計画する」「行動 する」といったアクションを促す 中間報告 コメントアウト 総括報告 ステップ 1 ステップ 2 ステップ 3 156
157. © ICHIRO TAKAHASHI 157 ステップ1～3に共通する レポーティングを中心にお話しします
158. © ICHIRO TAKAHASHI データは事象の一面 の一部分に過ぎない 158
159. © ICHIRO TAKAHASHI 売上 昨年 今年 10%アップ 事実 解釈 誰が見ても 同じ 客観的事実 人によって解釈が 異なる 売上が10%アップした のは、なぜか？ 個々の事実と、分析者の洞察などを統合し、 データの裏側で起こっていることを紐解き 解釈するため、通常人によって異なる 事実と解釈 159
160. © ICHIRO TAKAHASHI データ分析結果から何を読み取る5つのこと 160
161. © ICHIRO TAKAHASHI 項目 例 1. 依頼 初期訪問する人員を6名増員し12名体制にしてもよろしいでしょうか？ 2. 根拠 ① 事実 わたしが担当している商材Aの上半期の売れ行きが不調で昨年に比べ50%しか ありません ② 解釈 原因は、人手が足りずリード獲得後の訪問が50%しかできていないからです ③ 延長 このままだと、下半期の売上も昨年に比べ50%になってしまいます ④ 対策 対策として、下半期はリード獲得後の訪問人員を2倍にすることです ⑤ 解決 そのことで、リード獲得後の訪問を100%にし、下半期は昨年と同程度まで回 復させられます 3. 例示 例えば、増田悟さんのような方を想定しています 4. 依頼 なので、初期訪問する人員を6名増員し12名体制にしてもよろしいでしょう か？ 例：営業課長が本部長に営業人員増のお願いをデータに基づき行う 161 Point Reason Example Point
162. © ICHIRO TAKAHASHI 筆者のスライド例その１ 162
163. © ICHIRO TAKAHASHI 筆者のスライド例その２
164. © ICHIRO TAKAHASHI ワーク⑥ 164
165. © ICHIRO TAKAHASHI ワーク 共有 ワークの流れ あなたは、全国約1,000店舗ある小売りチェーンのデータ分析担当者です 広告宣伝企画室長のメッセージボードを完成させよう 席の近いかた（隣や前後など）とあなたの回答を共有しましょう 5分 5分 165
166. © ICHIRO TAKAHASHI 166 広告・販促分析結果 問題 売上貢献度 ROI • テレビ • Web広告 • チラシ • 雑誌 • ラジオ • 新聞 分析結果 あなたは、全国約1,000店舗ある 小売りチェーンのデータ分析担当者です 広告販促手段別に分析をしたら 左のマップのような結果になりました 広告宣伝部長向けメッセージボードを 完成させましょう 今ブランクなのは、 • 何？（What） • 具体的には？（How） • 最初の第一歩（First Action） • 交通広告 ※ROI=（売上貢献度-広告費用）÷広告費用 • 店頭販促
167. © ICHIRO TAKAHASHI 各店舗 各店舗 167 参考資料（再掲） マーケティング 推進本部 〇〇事業推進 統括本部 （別会社） 〇〇店舗運営 IT統括本部 データ分析 グループ チラシ担当 Webキャンペーン 担当 プロモーション部 （主に販促物） 広告宣伝部 （主にマス媒体） デジタル推進部 情報システム部 ビッグデータ 推進本部 各店舗 兼任 広告宣伝部長が主務 広告宣伝企画室
168. © ICHIRO TAKAHASHI 168 問題 広告宣伝部長 （兼）デジタル 推進部長 広告施策全般の ROI最大化 誰？ Who 目的 Why 何？ What 具体的には？ How 解答用紙 最初の第一歩 First Action ▪ 広告宣伝部の影響範囲 4マス媒体（テレビ・ラジオ・新 聞・雑誌）と交通広告 ▪ 広告宣伝部長 広告宣伝部以外に、デジタル推進部 長を兼任、Webキャンペーンも影響 範囲内 ※時間があれば……
169. © ICHIRO TAKAHASHI ワーク⑦ 169
170. © ICHIRO TAKAHASHI 質問 共有 ワークの流れ データサイエンティストがビジネス成果をだすうえで 必要なことは何でしょうか？ （スキル・知識・経験・心構え・など、なんでも構いません） 席の近いかた（隣や前後など）とあなたの回答を共有しましょう 5分 5分 170
171. © ICHIRO TAKAHASHI データサイエンティストがビジネス成果をだすうえで 必要なことは何でしょうか？ （スキル・知識・経験・心構え・など、なんでも構いません） 上の枠に、自由に記入してみましょう 171
172. © ICHIRO TAKAHASHI 172
173. © ICHIRO TAKAHASHI 173 ① ビジネス成果を「金額換算」して示せ！ ② 「スゴイ分析」より「成果の出る分析」を優先せよ！ ③ 分析結果を現場に丸投げするな！ ④ 「現場」を知る努力をせよ！ ⑤ 業務プロセスレベルまで現場を把握せよ！ ⑥ 小さくはじめ大きく波及させよ！ ⑦ 課題解決に積極的に関与せよ！ ビジネス貢献するデータサイエンティスト になるための 7 つのポイント（個人）
174. © ICHIRO TAKAHASHI 174 参考書籍（宣伝） 第1章 ビジネス貢献するデータ分析「7つのポイント」（高橋 威知郎） 第2章 データ分析のプロジェクトマネジメント（矢部章一） 第3章 機械学習プロジェクトの進め方（奥村 エルネスト 純） 第4章 メルカリが挑むスピードデータサイエンス（樫田 光） 第5章 失敗しないデータ分析組織の立ち上げ方（中山心大） 第6章 データ分析のはじめ方（伊藤徹郎） 第7章 データサイエンスによる科学的ビジネスのすすめ（津田真樹） 第8章 今こそデータ分析の民主化を（西田勘一郎） 第9章 People Analytics入門（大成弘子） 第10章 People Analyticsが会社の業績を変えるまで（加藤 エルテス 聡志） データサイエンティスト養成読本 ビジネス活用編 技術評論社 (2018/10/30)
175. © ICHIRO TAKAHASHI 175 ① ビジネス成果を「金額換算」して示せ！ 売上 アップ 売上 ダウン コスト アップ コスト ダウン データ分析の 本格導入 前 データ分析の 本格導入後 利益 データ分析の 効果の大きさ
176. © ICHIRO TAKAHASHI Input Output Outcome 分析 活用 分析で使う情報 分析結果 ビジネス成果 金額換算 Outcome（ビジネス成果）でないと金額換算できない 価値評価 データ分析・活用の流れ 176 Outcomeで金額換算され初めてデータ分析の価値評価が可能となる
177. © ICHIRO TAKAHASHI 177 ②「スゴイ分析」より「成果の出る分析」を優先せよ！ Input Output Outcome 分析 活用 分析で使う情報 分析結果 ビジネス成果 時間をかけない 時間をかける 時間をかける 時間をかけない 理想 手法偏重者
178. © ICHIRO TAKAHASHI 178 ③ 分析結果を現場に丸投げするな！ データ分析者 で、具体的に 何をすればいいの？ 現場 Output （分析結果） 誰が何をするのか イメージ付かない…… 「で？」となったら活用されない
179. © ICHIRO TAKAHASHI データ分析者の役割 狭義 広義 データ分析者の役割はOutcome（ビジネス成果）まで Input Output Outcome 分析 活用 分析で使う情報 分析結果 ビジネス成果 データ分析者の役割
180. © ICHIRO TAKAHASHI 180 ④「現場」を知る努力をせよ！ 起こっている事象 1部分 1面 分析結果 分析 データ データ以外の情報が必要 洞察 データは「事象」の「１面の１部分」だけ データとして記録されていない重要な何かを押さえておくためにも、最低限のインタビューが必要
181. © ICHIRO TAKAHASHI 181 ⑤ 業務プロセスレベルまで現場を把握せよ！ 人の動きが見えてくることで、データ分析の活用場面が浮かび上がってくる 「業務プロセス」を捉えることで、人の動きが見えてくる • 誰が • どのタイミングで • どの分析結果を参考に • どのように動けばいいのか が見えてくる • 誰が • どのタイミングで • どのようなデータ分析をし • どのような分析結果を出せはいいのか が見えてくる データ分析を活用する側 （現場） データ分析をする側 （データ分析者） 「業務プロセス」が見えるとデータ分析が躍動し始める
182. © ICHIRO TAKAHASHI 業務1 業務2 業務3 業務4 業務5 業務1 業務2 新業務A 業務5 新業務B データ分析の 本格導入前 データ分析の 本格導入後 削減 工数 新たに始める 業務 工数の 増える業務 工数の 変化しない 業務 工数の減る 業務 止める業務 データ分析で「業務プロセス」が変化する
183. © ICHIRO TAKAHASHI 業務 コスト 作業 単価 作業 時間 作業 回数 ＝ × × 円 円／分 分 回 データ分析の 本格導入前 データ分析の 本格導入後 14,400円 24円／分 300分 2回 1,390円 63円／分 30分 1回 素人から高単価の専門家に置き換えた結果 大幅にコストダウン 変化（差分） - 13,010円 ある業務の月あたりの「工数の変化」による「コストの変化」
184. © ICHIRO TAKAHASHI 184 ⑥ 小さくはじめ大きく波及させよ！ ピンとなる部署 or テーマ （最初に実施する部署 or テーマ） 次に実施する 部署 or テーマのグループ 次の次に実施する 部署 or テーマのグループ 【６か月後】 【１２か月後】 ▪ 基本的な思想は…… 小さくはじめ大きく波及させる 最初は、小さくはじめ、トライ＆エラーで、その組織に合った “やりやすい型”を見つけることから始める ▪ 波及の仕方は…… ① テーマ深堀型 ② ヨコ展開型 ③ 基盤強化型
185. © ICHIRO TAKAHASHI 185 データ分析・活用のテーマ選定例（1/2） 【ステップ1】 洗い出し 【ステップ2】 分類 【ステップ3】 選定 データを使う or 使わない に関係なく課題を洗い出す 洗い出した課題を 3つに分類する 先ずは、今すぐ手をつけられ かつ、成果が大きそうな課題 を選定する ①データ分析を全く使わない課題 ②データ分析を少しだけ使う課題 ③データ分析をガッツリ使う課題 ビジネス課題の3分類
186. © ICHIRO TAKAHASHI 186 データ分析・活用のテーマ選定例（2/2） やりやすさ 成果の大きさ （理解してもらいやすさ） まずやる テーマ 必要なデータ 今あるデータ これから 集めるデータ 今すぐ 使えるデータ
187. © ICHIRO TAKAHASHI 187 ロードマップ例（ホップ・ステップ・ジャンプ） ホップ （今すぐやる） ステップ （とりあえずの目標） ジャンプ （夢のような目標） 某大手電機 メーカーの例 某大手自動車 メーカーの例 某大手建設業 の例 チョコ停予知 品質改善 故障とそのレベルの 予知 製品の改良 電力消費予測 チョコ停要因レコメ ンド 他工場展開 同様のフレームで 他製品へ展開 空調設備などの最適 プランニング チョコ停要因自動修 復 他社販売 予知モデルの自動構 築と自動学習、自動 修復…… 予測モデルと最適化 モデルの自動構築と 自動学習……
188. © ICHIRO TAKAHASHI 188 ⑦ 課題解決に積極的に関与せよ！ ▪ ビジネス課題の3分類（データ分析・活用視点） • タイプ1：データ分析を使う必要がまったくない課題 • タイプ2：データ分析をフル活用する方が良い課題 • タイプ3：ちょっとだけデータ分析の力を借りる方が良い課題 ⇒ 一番多い 「課題解決のための動き」の大部分は「あまりデータ分析と関係ない動き」 データ分析者が積極的に課題解決に関わると、データ分析以外の業務に多くの時間を割くことになる 逆に、データ分析以外の業務を避けるようだと、ビジネス成果を得ることは難しい データ分析を「使うor 使わない」に 関係なく積極的に課題解決に関与 すべき
189. © ICHIRO TAKAHASHI 189 2 2-1. データ分析という武器 2-2. データ分析は誰でもできるQC7つ道具から始めよ 2-3. 知っていて損のないトピックス Main Subject データが導く未来へ ビジネスアナリティクス概論
190. © ICHIRO TAKAHASHI 190 参考書籍（宣伝） プロローグ 役立つデータ分析とは、アクションにつながり、成果につながるもの 第1部 理論編 STEP01 準備する POINT 3つのツールを使って「準備」する STEP02 集める POINT データを「集める」際は3つのポイントを守る STEP03 分析する POINT 3つのポイントに注意して「分析」する STEP04 表現する POINT 「表現」の工夫次第で説得力が変わる STEP05 伝える POINT 伝えるべき相手に合わせた表現で「伝える」 第2部 事例編 CHAPTER01 高収益体質に生まれ変わるために製品選定を見直す CHAPTER02 店舗の売上をさらに伸ばすために新規のセットメニューを考える CHAPTER03 売上に貢献した顧客別DM(ダイレクトメール)作戦でリピート率を上げる 14のフレームワークで考えるデータ分析の教科書 かんき出版 (2014/9/18)
191. © ICHIRO TAKAHASHI 191 2-1. データ分析という武器 2-2. データ分析は誰でもできるQC7つ道具から始めよ 2-3. 知っていて損のないトピックス 2 2-2-1. QC7つ道具 2-2-2. 新QC7つ道具 2-2-3. 多変量解析 Main Subject データが導く未来へ ビジネスアナリティクス概論
192. © ICHIRO TAKAHASHI  ＱＣ７つ道具とは、元々は品質管理で 利用されていた分析手法  どちらかというと定量データの分析に 向いている  統計学やデータ分析の専門家でない 現場の人が使っている 192 QC7つ道具とは？
193. © ICHIRO TAKAHASHI 193 QC7つ道具一覧  チェックシート  ヒストグラム  管理図  散布図  パレート図  特性要因図  層別
194. © ICHIRO TAKAHASHI 194 チェックシート
195. © ICHIRO TAKAHASHI 195 チェックシートとは？  何かをチェックをするためのシートで、データ収集の一手段  記録用と点検用の２種類ある ➢ 記録用は、何かをカウントし記録する目的で利用 ➢ 点検用は、やるべきことをやったかどうかを記録  アフターコーディングもチェックシートの一つ
196. © ICHIRO TAKAHASHI RFM分析とは、取引履歴データなどを用い、以下の３つの視点で顧客をラン ク付けすること ・Ｒ（最新購買日） ・Ｆ（購買頻度） ・Ｍ（購買金額） このようなランク付けをアフターコーディングという 例えば、R・F・Mそれぞれを5ランクあるとすると、顧客は125（＝5×5×5）の セグメントに分類されることになる。このセグメントごとに、顧客に対するアプ ローチを変えたり、受注予測モデルなどを構築したりする 196 （例）ＲＦＭ分析のアフターコーディング
198. © ICHIRO TAKAHASHI 198 ヒストグラム
199. © ICHIRO TAKAHASHI 199 ヒストグラムとは？  ヒストグラムとは横軸に階級、縦軸に度数をとった縦棒グラフ  最初にヒストグラムで定量データの特徴を見る  例えば、いきなり平均値だけで語る人がいるが、解釈を間違い やすい。このようなことを避けることができる
200. （例）平均値が同じでもヒストグラムが全く違うことがある 200
201. © ICHIRO TAKAHASHI 201 管理図
202. © ICHIRO TAKAHASHI 202 管理図とは？  管理図とは時系列の折れ線グラフ  指標の推移やモニタリングなどのために利用  上方管理限界線と下方管理限界線の間の外にでたとき 異常値と見なす
204. © ICHIRO TAKAHASHI 204 散布図
205. © ICHIRO TAKAHASHI 205 散布図とは？  ヒストグラムや管理図などは１つの定量データの特徴しか把握で きない  散布図は２つの定量データの関係を把握できる  使い方としては、ヒストグラムや管理図などで１つの定量データの特徴 を把握した後、散布図で２つの定量データの関係を把握する
207. © ICHIRO TAKAHASHI 207 パレート図
208. © ICHIRO TAKAHASHI 208 パレート図とは？  パレート図とは数値の大きな項目から順番に並べたグラフ  分析の深掘りすべきポイントを把握するために欠かせない  パレートの法則（８０：２０の法則）で有名 例えば、売上上位２０％商品で全体の売上の８０％を占めるという、 一部の商品が売り上げの大部分を占めるという現象
209. 商品別に売上を計算し売上の大きい順 に商品を並べることで、全体の売上に 大きく貢献している商品（つまり売れ 筋商品）とそうでない商品がわかる つまり、どの商品を重点的に扱えばよ いのか分かり、分析の深堀ポイントが 明確になる 209
210. © ICHIRO TAKAHASHI 210 特性要因図
211. © ICHIRO TAKAHASHI 211 特性要因図とは？  特性要因図とは特性（結果）と要因（原因）に分けてそ の関係を図で表したもの  魚の骨に似ているのでフィッシュボーンチャート （魚の骨）などと呼ばれる  パレートと同様に、分析で深堀すべきポイントを把握するた めに欠かせない
212. ・特性（結果）： 各店舗の日別の売上 ・要因（原因）： 気温 最高気温 平均気温 最低気温 エリア特性 人口密度 昼間人口 競合店舗数 212
215. © ICHIRO TAKAHASHI 215 層別
216. © ICHIRO TAKAHASHI 216 層別とは？  層別とはデータを同じ共通点をもつグループ（層）に分 けて分析すること 例えば、業種や企業規模、過去の取引実績などで分ける  データを幾つかのグループ（層）に分けた後、特性要因図・ ヒストグラム・散布図・パレート図・管理図などをそれぞれのグ ループ（層）で分析する
218. © ICHIRO TAKAHASHI 218 層別は分析上重要  層別は分析の肝であり、分析は層別次第と言っても過言ではない  下手な層別をすると、意味もなくどんどん層別をし、無意味に細かい 分析をするという深みにはまる  見極め方： 施策としてコントロールできる（アクションに繋が る）見込みがある層別かどうか？ で見極める
219. （例） ある新規出店する店舗の商品構成を考える 手元にいくつかの既存店で実施したアンケートとＰＯＳデータがあり一緒に分析した 驚いたことにアンケートの性格特性（外交的・協調性・勤勉性など）で層別すると、商品構成が明 確に分かれた では早速、新規出店する店舗の商品構成を考えようとしたが、そのエリアの住民の性格特性が分 かるデータが無く層別の結果は活用できない 新規出店エリアでアンケートを実施する予定が無ければ、性格特性による層別の意味は薄い つまり、 施策としてコントロールできない（アクションに繋がらない）層別ということになる 219
220. © ICHIRO TAKAHASHI つまり、 どんなに画期的な層別ができても、 コントロールできる見込みがないとダメ（アクションに繋がらない） そのような層別は、面白い結果で終わる （使えないデータ分析の典型） 220
221. © ICHIRO TAKAHASHI 221 2-1. データ分析という武器 2-2. データ分析は誰でもできるQC7つ道具から始めよ 2-3. 知っていて損のないトピックス 2 2-2-1. QC7つ道具 2-2-2. 新QC7つ道具 2-2-3. 多変量解析 Main Subject データが導く未来へ ビジネスアナリティクス概論
222.  ＱＣ７つ道具と同様に、新ＱＣ７つ道具は品質管理 で利用されていた分析手法  ＱＣ７つ道具は製造現場向けであるが、新ＱＣ７つ 道具はさらに営業部門や企画部門なども品質管理 の対象にしている 222
223.  営業部門や企画部門などでは、数値化のしにく い定性データを扱うことが多い  どちらかというと定性データの分析に向いている  ＱＣ７つ道具と同様に、統計の専門家でもデータ分析の 専門家でもない現場の人が使っている 223
224. © ICHIRO TAKAHASHI 224 新ＱＣ７つ道具  親和図法  連関図法  系統図法  マトリックス図法  マトリックス解析法  アローダイアグラム法  ＰＤＰＣ法
225. © ICHIRO TAKAHASHI 225 親和図法
226. © ICHIRO TAKAHASHI 226 親和図法とは？  比較的よく使う定性分析手法  膨大な定性データがわずかな定性データ に集約する  親和図法はＫＪ法とも言われている
227. © ICHIRO TAKAHASHI 227 基本ステップ ① 【発散】 付箋紙やカードなどに定性データを書き 込む ② 【収束】 似た者同士をグルーピングする ③ 【要約】 最後にそのグループに名前を付ける
228. © ICHIRO TAKAHASHI 228 連関図法
229. © ICHIRO TAKAHASHI 229 連関図法とは？  特性（結果）と要因（原因）を整理するときに使う  親和図法の次に使うことが多い  特性要因図と似ているが、関連図法はネットワーク構造になる
231. © ICHIRO TAKAHASHI 231 基本ステップ
233. 定性データ マトリックス図法を利用 デマテル分析（連関図の一種） 原 因 A B-1 A B-1 結果 1 A B-2 B-3 C-1 C-2 C-3 B-2 1 B-2 B-3 1 C-1 0 1 合計 (D) 0 1 1 1 1 合計(R) 4 1 2 デマテル分析でマップ化 D R X軸：R-D Y軸:R+D A 0 3 3 3 B-1 1 3 2 4 B-2 1 2 1 3 B-3 1 1 0 2 C-1 2 0 -2 2 C-2 3 0 -3 3 C-3 1 0 -1 1 A B-1 B-2 B-3 C-1 C-2 C-3 0 1 2 3 4 5 -3 -1 1 3 5 Y軸:R+D X軸：R-D 重要度 結果 原因 デマテル分析でマップ化 B-1
234. © ICHIRO TAKAHASHI 234 系統図法
235. © ICHIRO TAKAHASHI 235 系統図法とは？  系統図法は、ロジックツリーと も呼ばれる  親和図や連関図などで問題点が明 らかになったときに使うことが多い ➢ 問題点の要因（原因）を具体化する系統図 ➢ 問題点を解決するための手段を具体化する 系統図
236. © ICHIRO TAKAHASHI 236 基本ステップ例（問題点を解決） ① 「問題点を解決（目的）」するた めの「手段（解決策）」は？ ② その「解決策を実現（目的）」す るための「手段（解決策）」は？ ③ その「解決策を実現（目的）」す るための「手段（解決策）」は？ 以後続く
237. © ICHIRO TAKAHASHI 237 目的と手段の連鎖 手段を突き詰めていくと具体 的なアクションにたどり着く つまり、単なる分析結果がアク ションに昇華する
238. © ICHIRO TAKAHASHI 238 XMind http://jp.xmind.net/
239. © ICHIRO TAKAHASHI 239 XMind ～ ロジックツリー例
240. © ICHIRO TAKAHASHI 240 マトリックス図法
241. © ICHIRO TAKAHASHI 241 マトリックス図法とは？  ２つ以上の軸を基に表を作成する  ３つ以上でも構わないが複雑になるので、できれば軸は２つが良い  そして、多くの人が何気なく実践したことがある
243. © ICHIRO TAKAHASHI 243 一対比較法による数値化 actionA actionB actionC actionD actionE 定性データ マトリックス化 定量化 actionA actionB actionC actionD actionE たとえば、実現可能性について 他のアクションと比べて実現可能性が 高いか？同じぐらいか？低いか？ を比較する 可能性 緊急性 actionA 1.32 1.32 actionB 0.66 0.94 actionC 1.52 1.32 actionD 0.66 1.71 actionE 1.15 0.97 actionA actionB actionC actionD actionE actionA 同じ 高い 低い 高い 高い actionB 低い 同じ 低い 同じ 低い actionC 高い 高い 同じ 高い 同じ actionD 低い 同じ 低い 同じ 低い actionE 低い 高い 同じ 高い 同じ 比 較 の 軸 比較対象 actionA actionB actionC actionD actionE actionA 1 2 0.5 2 2 1.32 actionB 0.5 1 0.5 1 0.5 0.66 actionC 2 2 1 2 1 1.52 actionD 0.5 1 0.5 1 0.5 0.66 actionE 0.5 2 1 2 1 1.15 幾何 平均 比較対象 比 較 の 軸 マトリックスにまとめて、、、 高い・同じ・低いを数字て表し、、、 高い・同じ・低いを数字て表し、、、
244. © ICHIRO TAKAHASHI 244 作成の際の注意点  各軸の項目の並び順に意味を持たせる （例：評価する順番に重要性→可能性→・・・など）  各項目名は簡潔にする （例：重要性・可能性など）  各セルに記入するのは１つ （例：◦・△・×の内一つ）
245. © ICHIRO TAKAHASHI 分 析 結 果 結果１ 結果２ 環境 結果３ 結果４ 結果５ ✓ ✓ ✓ 外部 ✓ ✓ 内部 チェックシート風のマトリックス図（分析結果の整理） 評価 ✓ ✓ ポジティブ ✓ ✓ ✓ ネガティブ 外部環境 内部環境 【機械】 ・・・・・・・・・・・ ・・・・・・・・・・・・ ・・・・・・・ ・・・・・・・・・・・・・・・ ・・・・・・・・ 【強み】 ・・・・・・・・・・・ ・・・・・・・・・・・・ ・・・・・・・ ・・・・・・・・・・・・・・・ ・・・・・・・・ 各セルに複数記載されたマトリックス図（ＳＷＯＴ表で整理） 【脅威】 ・・・・・・・・・・・ ・・・・・・・・・・・・ ・・・・・・・ ・・・・・・・・・・・・・・・ ・・・・・・・・ 【弱み】 ・・・・・・・・・・・ ・・・・・・・・・・・・ ・・・・・・・ ・・・・・・・・・・・・・・・ ・・・・・・・・ ポ ジ テ ィ ブ ネ ガ テ ィ ブ 245 イレギュラーなマトリックス図
246. © ICHIRO TAKAHASHI 246 アローダイアグラム法
247. © ICHIRO TAKAHASHI 247 アローダイアグラム法とは？  アクション・プランを策定するスケジューリング手法の一つ  ＰＥＲＴ（Program Evaluation and Review Technique）と呼ばれる手法が有名  バラバラだったアクション案を有機的に繋ぎ、実現スピード を速くするための非常に重要な分析
249. © ICHIRO TAKAHASHI 249 基本ステップ例 ① まず、アクション間の順序関係を明らかにする ② 次に、それを基にネットワーク図を作る ③ 最後に、クリティカルパスを見つけ全体のスケジュールの短縮を図る
250. © ICHIRO TAKAHASHI 250 クリティカルパス  ネットワーク図の中で最も時間的余裕のない一連のアクショ ンの連鎖  クリティカルパスの長さがスケジュール全体の長さを決 めている  つまり、クリティカルパスを短くするとスケジュール全 体が短くなる
252. © ICHIRO TAKAHASHI 252 ＰＤＰＣ法
253. © ICHIRO TAKAHASHI 253 ＰＤＰＣ法とは？  スケジューリングは、アローダイアグラムだけでは不十分  アローダイアグラムで策定したアクション・プラン通りに物 事が進むとは限らない  ＰＤＰＣ（Process Decision Program Chart）法は、不測の事態を あらかじめ考えておき、それをアクション・プランに組み込んで おく分析手法
255. © ICHIRO TAKAHASHI 255 想定外の対応をすべきアクションの選定 想定外の対応をすべきアクションの選定 ア ク シ ョ ン アクションＡ アクションＢ 評価項目 アクションＣ アクションＤ アクションＥ 4 5 2 3 3 影響度 5 3 1 4 2 可能性 影響度 可 能 性 アクションＡ 具体的な 対策をする 出来る限り 対策をする 念のために 考えておく アクションＣ アクションＢ アクションＤ アクションＥ
256. © ICHIRO TAKAHASHI 256 マトリックス解析法
257. © ICHIRO TAKAHASHI 257 マトリックス解析法  マトリックスデータ解析法は、マトリックス図法の項目数が多く、 セルに数値が記載されたもの  定性データの分析というよりも定量データの分析に近い  マトリックスデータ解析法は、他のＱＣ７つ道具や新ＱＣ７つ道具 と異なり、多変量解析を実施できる統計ソフトが必要
259. © ICHIRO TAKAHASHI 259 主成分分析を使ったマトリックス解析法  多数の項目を少数の項目に集約する  できれば２つの項目に集約するのが理想（多くとも４つぐらい）  ２つの項目で散布図（マップ）で表現すると分かり易い
260. ▪店舗の評価項目（１０点満点） 複数の評価項目を、主成分分析を使って少数の評価項目にまとめ、散布図（マップ） などで分かりやすく表現する 声掛け 挨拶 客席へ の誘導 床の清 潔さ トイレ の清潔 感 ・・・ 店舗１ 9 8 6 9 7 ・・・ 店舗２ 4 3 9 5 8 ・・・ 店舗３ 6 9 7 4 5 ・・・ 店舗４ 3 3 2 2 1 ・・・ 店舗５ 1 4 2 9 8 ・・・ ： ： ： ： ： ： 主成分分析を使った例 店舗１ 店舗５ 店舗２ 店舗３ 店舗４ 清潔感 雰囲気 たとえば、左図の「雰囲気」 と「清潔感」の評価項目は、 主成分分析で新たに作られ てた評価項目です この２つの評価項目で、複 数の評価項目を使った場合 の店舗評価の傾向をつか むことができます ▪２軸のマップで表現 260
261. © ICHIRO TAKAHASHI 261 2-1. データ分析という武器 2-2. データ分析は誰でもできるQC7つ道具から始めよ 2-3. 知っていて損のないトピックス 2 2-2-1. QC7つ道具 2-2-2. 新QC7つ道具 2-2-3. 多変量解析 Main Subject データが導く未来へ ビジネスアナリティクス概論
262. © ICHIRO TAKAHASHI 262 主な多変量解析手法 参考書籍 Amazon 永田 靖「多変量解析法入門 」 サイエンス社 (2001年) • 単回帰分析 • 重回帰分析 • 数量化1類 • 判別分析 • 数量化2類 • 主成分分析 • 数量化3類 • 多次元尺度構成法 • クラスター分析 • パス解析 • グラフィカルモデリング • 因子分析 • 正准相関分析 • 多段層別分析
263. © ICHIRO TAKAHASHI 263 なぜ多変量解析手法 多変量解析を必要とする理由： ① 〇〇の背後には、要因が複雑に絡み合っており、変数の単純集計だけ ではお互いの関係を把握することはできない ② 多変量解析によって、混沌とした構造をシステマティックに整理し単 純化したい 多変量解析の2つの目的： 1. 仮設の発見に役立つ（クラスター分析やMDS、コレスポンデン ス分析、主成分分析、因子分析など） 2. 意思決定に役立つ（単回帰分析や重回帰分析、判別分析などの回 帰系の統計モデル） Amazon 朝野 熙彦「入門 多変量解析の実際 」 ちくま学芸文庫(2018年) 参考書籍 （概要をざっと知る読み物です）
264. © ICHIRO TAKAHASHI 264 Excel統計 https://bellcurve.jp/ex/ など
265. © ICHIRO TAKAHASHI 265 2 2-1. データ分析という武器 2-2. データ分析は誰でもできるQC7つ道具から始めよ 2-3. 知っていて損のないトピックス Main Subject データが導く未来へ ビジネスアナリティクス概論
266. © ICHIRO TAKAHASHI 266 2 2-3-1. 分析モデルの選び方（チートシート） 2-3-2. データ駆動型組織へ向けたトランスフォーメーション 2-3-3. セールスアナリティクス概論 2-1. データ分析という武器 2-2. データ分析は誰でもできるQC7つ道具から始めよ 2-3. 知っていて損のないトピックス Main Subject データが導く未来へ ビジネスアナリティクス概論
267. © ICHIRO TAKAHASHI 267 Microsoft Azure Machine Learning Cheat Sheet https://docs.microsoft.com/ja-jp/azure/machine-learning/studio/algorithm-cheat-sheet 分析モデルを選択すると きのシート ▼モデルのタイプ ① 異常検知モデル ② クラスタリング ③ 回帰モデル ④ 分類モデル
268. © ICHIRO TAKAHASHI 268 Microsoft Azure Machine Learning Cheat Sheet（一部拡大） 異常な値を検知したい カテゴリを予測したい 予測したいカテゴリは 2値（受注 or 失注、など） 予測したいカテゴリは 多値 数値を予測したい （受注金額、件数など） ケース間の構造を見つけたい （似たような顧客をグルーピングなど） ①異常検知モデル ②クラスタリング ④分類モデル ③回帰モデル
269. © ICHIRO TAKAHASHI 269 ③回帰モデル ポアソン回帰モデル カウントデータに対する回帰モデル 線形回帰モデル 量的データに対する回帰モデル （単回帰・重回帰・など）
270. © ICHIRO TAKAHASHI 270 ④分類モデル（2値） ロジスティック 回帰モデル 2値データ（受注or失注、など） に対する回帰モデル
271. © ICHIRO TAKAHASHI 271 【再掲】回帰型の予測モデル y = a + b1 x1 + b2 x2 + b3 x3 + ・・・ 目的変数 （売上などの予測対象） 説明変数 （予測するときに利用するデータ） 定数項 係数 パラメータ （過去データを使い学習し求める）
272. © ICHIRO TAKAHASHI 主な回帰型の統計モデル 目的変数 目的変数 のタイプ 目的変数に 仮定される分布 例 線形回帰モデル 数量データ 正規分布 日販や受注金額など ポアソン回帰モデル カウントデータ ポアソン分布 1件、2件、3件とカウントされる受注件 数など ロジスティック回帰モデル 2値データ ベルヌーイ分布 「1（受注）」と「0（失注）」のように 2つの値しかとらない受注の有無など ※フロー指標の予測でよく用いられる ※カウントデータでも、数字の値が大きいときは線形回帰モデルを使ってもよい 272 【再掲】よく使う回帰型のモデル
273. © ICHIRO TAKAHASHI 273 【参考】Pythonのscikit-learnのチートシート http://scikit-learn.org/stable/tutorial/machine_learning_map/index.html
274. © ICHIRO TAKAHASHI 274 2-3-1. 分析モデルの選び方（チートシート） 2-3-2. データ駆動型組織へ向けたトランスフォーメーション 2-3-3. セールスアナリティクス概論 2 2-1. データ分析という武器 2-2. データ分析は誰でもできるQC7つ道具から始めよ 2-3. 知っていて損のないトピックス Main Subject データが導く未来へ ビジネスアナリティクス概論
275. © ICHIRO TAKAHASHI 275 ① データ分析・活用の段階をストーリー化する 分 析 力 を 駆 使 す る 発 展 の 5 段 階 【5】 分析力を武器にしている 【4】 分析力を備えている 【3】 分析力の組織的な強化に取り組む 【2】 分析力の活用が限定的 【1】 分析力に劣る 【1】 個人 レベル 【2】 部門 レベル 【3】 全社 レベル 【4】 最適化 レベル 【5】 革新 レベル 情報価値を最大化するための5段階 トーマス・ダベンポート等（2011） 「分析力を駆使する企業」日経BP社 ジム・デイビス等（2007）「分析力のマネジメント」ダイヤモンド社 現状 中長期 目標 夢 短期 目標 ホップ・ステップ・ジャンプで紡ぐ波及ストーリー（プラン）
276. © ICHIRO TAKAHASHI 276 ②「打ち上げ花火」より「線香花火」（仕組み化する） データ分析で成果を出したいなら 打ち上げ花火 ではなく 線香花火
277. © ICHIRO TAKAHASHI 277 【再掲】仕組み化 管理 施策案 結果 データ アイデア やモデル 施策実行 机上 現場 データ分析 モデル構築
278. © ICHIRO TAKAHASHI ①開発・整備機能： データ分析・活用の武器を開発・整備する機能 ②レコメンド機能： 運用時に、データ分析結果などを提供する機能 ③活用の現場： データ分析・活用の現場 ④全体管理機能： データ分析・活用の全体管理 278 【再掲】4つの機能 ① ② ③ ④
279. © ICHIRO TAKAHASHI 279 よく使うのがPDCAサイクル ① D o P lan C heck A ct 計画 改善 実行 評価 3ヶ月 ④
280. © ICHIRO TAKAHASHI 280 体制（三つ鼎タスクフォース） 現場に詳しい人 現場よりのDS人財 DS専門家 テーマ1 テーマ2 テーマ3 ※システム化する場合（もしくは段階）では、システムに詳しい人財も必要（情シス担当）
281. © ICHIRO TAKAHASHI 281 サイクル（3か月ターム） Kick Off Kick Off Kick Off 成果 成果 成果 4月 5月 6月 7月 8月 9月 10月 11月 12月 1月 テーマ1 テーマ2 テーマ3 C→A→P D P D マチュリティ 設計図など C→A→P
282. © ICHIRO TAKAHASHI 282 現場ではOODAループで柔軟かつ迅速に動く ② ③ O rient O bserve D ecide A ct 観測 実行 方向付け 決定 1週間
283. © ICHIRO TAKAHASHI 283 OODAループは、PDCAで考えるとCから始めるイメージ C:評価 A:改善 D:実行 P:計画 「P:計画」で定められた指標の目標値の 達成に向かい、実施するアクションを データを使って適時軌道修正していく
284. © ICHIRO TAKAHASHI 284 OODAループとデータ分析 O O D A 観測 （Observe） 方向付け （Orient） 実行 （Act） 決定 （Decide） 何も対策を打たないと どうなるのか？ 何をすべきなのか？ 何か問題は 起こっていないか？ 問題の要因は何か？ 対策を打つと どうなるのか？ ① ② ③ ④ ⑤ 【3】将来予測 【4】評価決定 【1】異常検知 【2】要因分析
285. © ICHIRO TAKAHASHI 降水量 気温 チラシ配布枚数 値引き率 週販 客数 客単価 チラシ配布数1/2 129円 ダウン 何か問題は起こっていないか？ 問題の要因は何か？ ① ② 【1】異常検知 【2】要因分析 異常値を検知！ 異常値を検知！ 285 観測（Observe）時のデータ分析 なぜ？
286. © ICHIRO TAKAHASHI 売上 過去 未来 現在 対策を打つとどうなるのか？ ④ 何も対策を打たないとどうなるのか？ ③ 【3】将来予測 286 方向付け（Orient）時のデータ分析
287. © ICHIRO TAKAHASHI 【4】評価決定 287 評価決定（Decide）時のデータ分析： ROI（施策の質的効果） 増分利益（施策の量的効果） • 対策案1 • 対策案3 • 対策案2 • 現状維持 対策を 打ったとき チラシ配布 値引き未実施 対策を 打たなかったとき チラシ配布 値引き実施 【対策の効果】 値引きを止めた という対策 の効果の大きさ 施策の効果 （利益変動）
288. © ICHIRO TAKAHASHI 288 参考書籍（宣伝） 第1章 基礎編 第2章 指標(KPIなど)設計編 第3章 今あるデータで「現状把握」するためのExcel定量分析 第4章 進むべき未来の「方向性」を示すためのExcel定量分析 第5章 次に何をすべきかを「決定」するためのExcel定量分析 第6章 ビジネス成果を産む「実行」の実現に向けてすべきこと 最速で収益につなげる完全自動のデータ分析 クロスメディア・パブリッシング (2018/6/29)
289. © ICHIRO TAKAHASHI 分析レポート（or BIダッシュボード） 289
290. © ICHIRO TAKAHASHI 290 PREPで構成 Point Reason Example Point 主張 〇〇すべきです 根拠 なぜならば〇〇だからです 例示 例えば、〇〇です 主張 だから◦◦すべきです 結論先行 分析結果 イメージ醸成 結論念押
291. © ICHIRO TAKAHASHI 291 PREPと4つの定量分析 Point Reason Example Point 主張 根拠 例示 主張 異常検知 将来予測 評価決定 要因分析
292. © ICHIRO TAKAHASHI 292 コメントアウトできるPPTなどの分析レポート Point Reason Example Point 主張 根拠 例示 主張 分析 結果 評価決定 評価決定 「評価結果」のサマリー 「評価結果」のサマリー 異常検知 将来予測 要因分析 評価決定 モニタリング指標のグラフ、 何か問題は起こっていないか？に対する回答 計画通りの場合の予測値、 要因の値を変化したときのシミュレーション、など 対策を打つとどうなるのか？に対する回答 評価マップ、評価結果の数表など、 何をすべきなのか？に対する回答 モニタリング要因のグラフなど、 問題の要因は何か？に対する回答
293. © ICHIRO TAKAHASHI 293 数表やグラフのみのBIダッシュボードなど Point Reason Example Point 主張 根拠 例示 主張 異常検知 将来予測 評価決定 要因分析 評価決定 モニタリング指標のグラフ、異常値色付けなど 計画通りの場合の予測値、 要因の値を変化したときのシミュレーション、など 評価マップ、評価結果の数表など （将来予測のシミュレーションと連動） モニタリング要因のグラフ、異常値色付けなど 評価マップ、評価結果の数表など （最後の「評価決定」に連動）
294. © ICHIRO TAKAHASHI 294 ③ 指標をしっかり設計する（都度見直す） 指標 現場 データ 指標から 蓄積すべきデータ が見えてくる よい指標はビジネス成果を生む アクション につながる 計算 モニタリング
295. © ICHIRO TAKAHASHI 295 【再掲】よい指標の5つの条件 SMART ① Specific： 具体的な「アクション」との結びつきが明確である ② Measurable： 測定可能で「定量的」に数字で表現される ③ Achievable： 達成可能な「目標値」が定められている ④ Relevant： 利益などの「ビジネス成果と関連」している ⑤ Time： 目標達成までの「期限」が決められている
296. © ICHIRO TAKAHASHI 296 ④ PCワークよりもブレインワークを増やす Input Output Outcome 分析 活用 分析で使う情報 分析結果 ビジネス成果 時間をかけない 時間をかける AI化・自動化 テンプレート化 観察力×洞察力 Output ではなく Outcome にこだわる
297. © ICHIRO TAKAHASHI 297 洞察力 観察力 事実誤認 目に見えることを正しくみる力 目に見えないことを見抜く力 観察力×洞察力
298. © ICHIRO TAKAHASHI 298 コリン・パウエルの情報収集の 4 か条 コリン・パウエル 等 『リーダーを目指す人の心得』 飛鳥新社 (2012/9/28) （「第4章 情報戦を制する」の情報収集の4か条） ✓ わかっていること を言え ✓ わかっていないこと を言え ✓ その上で、どう考えるのか を言え ✓ この 3 つを常に 区別 しろ
299. © ICHIRO TAKAHASHI 299 ⑤ 現場よりのDS人財を育てる ビジネス（事業）サイド 開発・生産サイド 多くの場合、現場とは別組織 もしくは、外部 現場 DS専門家 現場よりのDS人財（現場とDSの間の翻訳者）が必須 成果をだしながら育成 現場よりのDS人財 次世代のDS専門家へ ※DS人財：データサイエンティスト、データ分析者、など
300. © ICHIRO TAKAHASHI 300 できればすべて内製化 できれば、DS専門家を内部に抱える。理想は、DS系部署などの専門設置（最近 増えている……） ビジネス（事業）サイド 開発・生産サイド DSを推進する専門設置 （DS推進の統括とスキルや 人財の供給など） 現場 DS系部署 現場よりのDS人財 スキルや 人材の供給 配置転換（とくに初期） 経験やスキルのナレッジ提供
301. © ICHIRO TAKAHASHI 301 ビジネス成果 × 人財育成
302. © ICHIRO TAKAHASHI 302 2 2-1. データ分析という武器 2-2. データ分析は誰でもできるQC7つ道具から始めよ 2-3. 知っていて損のないトピックス 2-3-1. 分析モデルの選び方（チートシート） 2-3-2. データ駆動型組織へ向けたトランスフォーメーション 2-3-3. セールスアナリティクス概論 Main Subject データが導く未来へ ビジネスアナリティクス概論
303. © ICHIRO TAKAHASHI 303 別資料
304. © ICHIRO TAKAHASHI 普段どのような 指標 （数字）を見ていますか？ ワーク⑧ 304
305. © ICHIRO TAKAHASHI 質問① 質問② 何のために、その 指標 （数字）を、あなたは見ているのですか？ あなたの業務（もしくは、日常生活）から考えてみてください 2～3分 2～3分 あなたは、普段どのような 指標（数字） を見ていますか？ あなたの業務（もしくは、日常生活）から考えてみてください ワークの流れ 305 共有 席の近いかた（隣や前後など）と演習で解答したアウトプットを共有 しましょう 5分
306. © ICHIRO TAKAHASHI 306 例えば…… • 受注件数、売上高（全体・ショット・リカーリング売上）、など • プロジェクト案件別売上、貢献利益、赤字案件数、など • 残業超過者数、残業45時間以上超過者数、人別残業超過時間数、など • TOEICスコア、ESスコア、など • 天気予報、バスの待ち時間、電車の駅路検索結果、など • 子供の通信簿、模擬テスト結果、英検結果、漢検結果、など • 体重、体脂肪量、血圧、BMI、摂取カロリー、歩数、消費化カロリーなど • 各睡眠ステージ(覚醒、浅い睡眠、深い睡眠、レム睡眠)の時間、など • 50m走タイム、100m走タイム、50m競泳タイム、競技記録、など
307. © ICHIRO TAKAHASHI あなたは、普段どのような 指標 （数字）を見ていますか？ あなたの業務（もしくは、日常生活）から考えてみてください 上の枠に、自由に記入してみましょう 307
308. © ICHIRO TAKAHASHI 何のために、その 指標 （数字）を、あなたは見ているのですか？ あなたの業務（もしくは、日常生活）から考えてみてください 上の枠に、自由に記入してみましょう 308
309. © ICHIRO TAKAHASHI 309 2 Finale 明日以降のお話し 3 1 Main Subject データが導く未来へ ビジネスアナリティクス概論 Introduction はじめに
310. © ICHIRO TAKAHASHI 310 3-1. 全体の流れ 3-2. 扱う事例 3-3. Rのインストール状況の確認 3 Finale 明日以降のお話し
311. © ICHIRO TAKAHASHI 311 【再掲】全体カリキュラム 12/3(月) 12/4(火) 12/5(水) 12/6(木) 12/7(金) 10:00-11:30 哲学科卒でも 1週間でできた！ 時系列解析超々入門 サルでもわかる 異常検知 サルでもわかる 将来予測 Shinyで作る Webアプリ 11:30-13:00 休憩・自習 13:00-14:30 オープニング 講義 R＆RStudio 超入門 RAnalyticFlow 超入門 Shiny入門 好きなWebアプリ を作ってみよう！ 14:30-14:45 休憩 14:45-16:15 オープニング 講義 哲学科卒でも 1週間でできた！ 時系列解析超々入門 サルでもわかる 要因分析 サルでもわかる 評価決定 ラップアップ 16:15-16:30 休憩 16:30-18:00 自習（1日の復習にご活用ください） or 予備（16:15分で終わらなかった分を回す） ※あくまでも目安です。基本、大幅に時間配分が変わります
312. © ICHIRO TAKAHASHI 312 3 3-1. 全体の流れ 3-2. 扱う事例 3-3. Rのインストール状況の確認 Finale 明日以降のお話し
313. © ICHIRO TAKAHASHI 313 扱う事例 • 某大手アパレルチェーンを題材にする • 実際、データ分析・活用に非常に積極的な企業の1つ • ある1店舗の売上を分析していく • 異常検知 • 要因分析 • 将来予測 • 評価決定 • RStudioを主に使う（時間があれば、Webアプリ制作）
314. © ICHIRO TAKAHASHI ① ② ③ 某大手アパレルチェーン － 販売促進 － ②レコメンド機能 ③活用の現場 314  データ分析部 • 販促施策評価モデルの開発 • BIツールの導入 • BIツールのダッシュボード設計 など  BIツールのダッシュボードで情報提供 • 過去評価（前月、当月、昨年同月） • 収益の将来予測（1か月） • 広告販促の最適投入量 など  広告宣伝部（マス媒体など）  販売促進部（チラシなど）  店長（タイムセールなど） など ④ ①開発・整備機能  経営企画室  データ分析部  各部マネジャー1名 など ④全体管理機能
315. © ICHIRO TAKAHASHI 315 3 3-1. 全体の流れ 3-2. 扱う事例 3-3. Rのインストール状況の確認 Finale 明日以降のお話し
316. © ICHIRO TAKAHASHI オープニング講義