どのようなデータ分析方法を使用しますか?

はじめに: この記事の主な内容は、データ分析の概念と方法を普及させることです。著者は明確な「何を、なぜ、どのように」というアプローチを使用して、読者に次々と方法論を提供し、データ分析の初心者にエントリーレベルの高度な知識をもたらします。

学生が質問しました: 陳先生、私はインタビューを受けるたびに「どのようなデータ分析方法を使用しましたか?」と尋ねられます。結果的に、質問に答えられない気がします。データ分析にはどのような方法がありますか?データ分析をしているときに、方法がないように感じるのはなぜでしょうか?今日は体系的な答えをお伝えします。

まず、名前に「分析」という言葉が含まれている方法のすべてがデータ分析方法というわけではありません。統計、オペレーションズ・リサーチ、数学の専門的なツールである XX 分析は数多くありますが、それらはビジネス上の問題に対する答えを直接示すものではありません。「分析方法は何ですか？」と尋ねる人は、結論を導き出す方法を期待する傾向があります。

したがって、この質問に適切に答えるには、「データ分析はどのようなビジネス上の問題を解決するのか」という質問に戻る必要があります。

ビジネス利用の観点から見ると、データ分析は5つの主要なタイプの問題を解決できます

いくらですか（状況を説明するデータ）
データ標準の確立とは
なぜ（問題の原因を探る）
何が起こるか（ビジネストレンドの予測）
だから何？（状況を総合的に判断）

それぞれの問題のシナリオには特定の方法の組み合わせがあります（以下を参照）

1. 「いくら？」という問題を解決する方法

状況をデータで説明するには、完全なデータ指標システムを確立する必要があります。データ指標システムを確立するには、データ指標間のロジックを整理する必要があります。データインジケーター間にはシリアルロジックとパラレルロジックという 2 つの基本ロジックがあり、これによりファネル分析とインジケーター分解という 2 つの基本的な分析方法が生まれます。

より多くのビジネスが分解されるにつれて、特定のデータ指標は次のような固定された組み合わせで使用できることがわかります。

ユーザー操作シナリオ: AARRRインジケーター、RFMインジケーター
小売店のシナリオ: 人、商品、会場の指標
商品管理シナリオ: 購入、販売、在庫指標

これらは一般に分析モデルとも呼ばれます。ただし、これらは単なるプレゼンテーションデータであることに注意してください。データと判断基準があって初めて、分析上の結論に到達できます。判断基準の分析は、それがどのような種類の問題であるかです。

2. 「何が」問題に対する解決策

判断基準は、リーダーシップの指示、KPI 要件、同時期の過去データなど、非常にシンプルなものでもかまいません。これらは総称して「シンプル標準」と呼ばれます。しかし、多くの場合、指標の傾向が正常かどうかを判断するための明確な KPI 制約はありません。 KPI が目標を達成していても傾向がおかしい場合、リーダーは依然として問題があると考えます。この時点で、他の参照ポイントを見つける必要があります。そのため、一連の分析方法が導き出されました。

例えば：

ビジネスルールと比較して良し悪しを判断する：ライフサイクル方式、自然サイクル方式
同時期に展開している類似事業との比較：コホート分析
他の事業体との比較：層別分析

このように比較することで、データ指標が 1 つしかない場合でも、良いか悪いかの判断を下すことができます。事業展開が過去のルールに反し、他の個人よりも著しく劣っている場合は、「良くない」と判断される可能性があります。

もちろん、2 つの指標の交差と 2 つの指標の平均を通じてビジネスを 4 つのカテゴリに分割し、それによって良し悪しの判断を下す古典的なマトリックス分析法などの 2 つの指標を使用することもできます。

一般的に使用される Kmean クラスタリングなど、より多くの指標を使用することも可能です。まず複数の指標を使用してビジネス担当者をクラスター化し、次に各タイプのパフォーマンスを確認します。

上記の方法はすべて、良いビジネスと悪いビジネスを区別することができ、それによってある程度判断を補助することができます。

3. 「なぜ」という疑問に対する解決策

「この問題の原因を分析してください...」というのはよくある要求であり、これは「なぜ」という質問です。「なぜ」問題を解決するための基本的な考え方は 2 つあります。

1. 結果の推論

一般的なものとしては、次のようなものがあります。

構造解析法：構造解析を通じて問題点を見つける
タグ分析法：個人をタグ付けして比較することで、問題の原因を見つける
相関分析法：指標間の相関を計算し、関連する指標を見つけて仮説を立てる
MECE法: 複数のビジネス上の仮定を議論し、MECE原則に従ってそれらを分析ロジックに組み合わせ、1つずつ検証します。

結果を推測するということは、問題が発生した後にさまざまなデータを使用して違いを見つけ、仮説を立てることを意味します。「これはXXの理由によるものだと思う」というビジネスステートメントは、データで検証できる仮説に抽象化できるため、非常に幅広い応用が可能です。ただし、結果の推論は結果に基づいた一方的な要約に過ぎず、偏りがある可能性があり、実験による検証が必要です。

2. 実験的推論

これらの方法は従来の統計実験に近いものであり、そのほとんどは以下を必要とします。

仮説を検証するためのデータ実験を実施する
参照グループ/実験グループを設定し、参照グループ/実験グループの特性が類似している
制御変数と環境変数を区別し、制御変数の影響を測定することに重点を置く
まず仮説を立て、次に実験やグループ比較を通じて仮説を検証します。一般的な方法には、ABtest、DID、PSM、RDD、Uplift などの方法があります。

実験的推論には統計的根拠があり、計算プロセスは複雑で、より定量的であるように見えます。ただし、実験条件には非常に高い要件が課せられます。例えば、オールインプロモーションが必要な業務や、商品や店舗など環境をコントロールできない業務シナリオ、販売員の行動やコンテンツ発信などデータの収集が難しい領域では活用が困難です。

理想的な状態は、間違いなく、事実、仮説、検証という 2 つの組み合わせであり、真実に近づくための継続的なサイクルです。しかし、現実には多くの制約があります。結果として、私たちは一つの角度からしかアプローチできず、ゆっくりと真実に近づくしかありません。

4. 「もしも」問題への解決策

予測問題は誰もが関心を持つトピックであり、統計やアルゴリズムが最も役立つ可能性が高い分野でもあります。この方法の使用を制限する唯一の要素は、データの量とビジネス担当者が関与する必要があるかどうかです。

ビジネス担当者が予測プロセスへの参加を主張する場合、ビジネス仮説法またはローリング予測法のみを使用できます。これらの方法では、結果に影響を与えるすべてのパラメータがリストされるため、ビジネス担当者は独自の判断に基づいて意思決定を行うのが容易になり、自分がどれだけの作業を行う必要があるかを明確に理解できるようになります。

業務担当者が関与しない場合は、データの量によって異なります。データが少ない場合は時系列予測を使用できます。データが多く、結果に影響を与える原因に関するデータがある場合は、回帰モデルなどのアルゴリズムを使用して予測を行うことができます。

5. 「だから何？」問題への解決策

包括的な評価と割り当ての問題は、総称して「だから何？」問題と呼ばれます。これは意思決定の最終ステップであり、ビジネスに対して行動を起こすかどうか、またその行動の規模はどの程度にすべきかを決定します。営業担当者が生死に関わる契約に署名し、業績目標が達成されなければ解雇されるといった単純な評価は簡単です。

しかし、ほとんどの場合、評価は複雑であり、多くの側面を考慮する必要があります。ここでの最大の違いは、リーダーの主観的な意見を考慮するかどうかにあります。ご希望の場合は、主観的な採点方法を積極的にご利用ください。リーダーの得点欲求を満たすことが最優先です。そうでない場合は、教師あり機械学習アルゴリズム、または因子分析、DEA（相対的な効率の追求）などの客観的な方法の使用を検討してください。

どれくらいの量を行うのか、誰がそれを行うのか。それはもっと複雑な問題です。適切な配分を行うには、まず分析のこれまでのステップを完了し、各事業ラインの基本的な機能を十分に理解した上で判断を下す必要があります。ここでは、線形計画法をサポートとして使用できます。