上司がデータを理解していない場合、あなたはまだデータ主導型でしょうか?

業界を問わず、仕事ではデータ化がトレンドになっています。では、データ量が少ない環境で作業している場合や、ビジネスリーダーがデータ駆動を理解していない場合、どのようにデータ駆動型ビジネスを展開できるのでしょうか?この記事を読んで、データ分析作業に役立てていただければ幸いです。

先日、読者の方からご相談を受けました。会社の上司からデータ駆動型開発を依頼されました。私も過去1年間にデータ駆動開発に関するコンサルティングを何度か行い、これまでの内容には含まれていなかった共通の問題点がいくつか見つかったため、この記事を書きました。

現在、データの少ない環境で仕事をしている方、あるいは会社内でデータ駆動型の業務を展開したいと考えている方にとって、結局のところ、チームビルディングは Yu Jun 教授が提唱する基本的な能力要件です。傍観者、目撃者として、これらはすべて考えなければならない問題です。業界が徐々に成熟するにつれて、データ集約型の業務への依存は避けられない結果となり、データ駆動型の業務はすべての労働者の避けられない運命となります。

背景: 上司は私の読者とコミュニケーションを取り、チームの現在の仕事にはデータに関する知識が不足しており、ほとんどの判断がビジネスリーダーの直感的な判断に基づいていると感じていました。彼はチームがデータを活用してビジネスや運用上の意思決定を行えるようになることを望み、私を見つけました。

1. 質問を確認することは最も重要であり、最も重要であり、最も重要です

私自身の調査では、データ駆動型開発を推進する人々は、分析能力が最も重要であり、データ分析能力がなければチームは成功しないと考える傾向があることがわかりました。私は今でもデータ分析に重点を置いています。しかし、ビジネスの観点から見ると、チームがデータ主導でなくても深刻な問題にはなりません。最も深刻なビジネス上の問題は、成長がないなど、依然としてビジネスにおける致命的な問題です。収益であれ、事業の成長であれ、これは上司にとって最も苦痛な問題です。

実際、ビジネスパーソンにとって、たとえ質が高くなくても高い成長を維持することは非常に良いことです（通常、このような状況は起こりません）。そうなれば、上司はきっととても喜ぶと思います。スタッフの質が高くなくても成長率が高いということは、スタッフの代替性が高く、コストが低いということであり、良いビジネスであると言えます。

これで、最初のポイントである「質問の見直し」に移ります。質問を確認することは非常に重要です。上司がデータ駆動型を求めるとき、何を望んでいるのでしょうか?

ほとんどの上司は、チームをデータ主導にしたいと言いますが、実際にはビジネスの成長だけを望んでいます。さらに、ほとんどの上司自身がデータを理解せず、データ駆動型のビジネスを経験したことがないかもしれません。彼らは、データを明確に理解することでビジネスを導くことができると信じており、データの価値を過大評価しています。根本的な問題は依然としてビジネスにあるため、ビジネスチームの設立を実行する必要がある人は、そのチームがデータ駆動型開発の基盤を備えているかどうかを確認する必要があります。

上司が何を望んでいるのか、データ駆動型開発をどう考えているのかを調べます。彼はチームのデータ駆動型開発を能力開発と見ているのでしょうか、それともビジネス戦略と見ているのでしょうか?データ能力のない組織では、データ駆動型開発は、当初は能力構築に重点が置かれます。

ビジネスは業務をサポートする組織によって推進されるため、組織にデータ分析能力がなかったり、その能力を認識していなければ、データでビジネスを推進することはできません。上司にデータ分析能力がある、あるいは業務分析部門に分析能力があるというだけでは、ビジネスを運営することは不可能です。

1. データ駆動はCEOの仕事

通常、チームをデータ駆動型にするには、データ インフラストラクチャ、ツール、ワークフロー、組織的分業、人員のパフォーマンスなど、複数の方向からチームを推進し、チーム全体がデータ駆動型の日常業務モードに入る必要があります。これは、単一の部門ですべてのリンクを調整することはできず、リンクがうまく行われないと、最終的にチームがデータ駆動型になるかどうかに影響するためです。これが、データ駆動型であることがトップリーダーである CEO の仕事である理由です。

2. チームをデータ主導にする際に上司が犯しがちな間違い

通常、これらの問題は、データ駆動型開発の最終的な失敗につながります。これが、チームによるデータ駆動型開発が難しい理由です。これらの問題は、社内でデータ駆動型開発を行う場合や、データ駆動型開発を行う場合のチェックリストになります。ここで問題が発生した場合は、解決するか、退出してください。これらの問題により、最終結果は失敗に終わるからです。

まず、ビジネスにチームデータドリブンの条件が整っているかどうかを考える必要があります。通常、ビジネスは成長段階または比較的成熟した段階にあり、データ駆動型に適しています。つまり、ビジネス自体が成長しており、チームも実行段階にあるということです。現在ビジネスが減速している場合、データ駆動型には適していない可能性が高くなります。

これは、ビジネス上のプレッシャーにより、上司や CEO がデータから生み出されるビジネス戦略に重点を置くようになるためです。しかし、通常、ビジネスが成長しない、または非常に成長が遅い時期に入ると、それはビジネス戦略の問題ではありません。これはトップリーダーが行う必要があることなので、トップリーダーや上司がよく犯す根本的な間違いをリストアップします。

1. CEOはデータ分析スキルがなく、データに対する期待が高すぎる

CEO がビジネスを指標に変換する能力に欠け、指標とビジネス アクションの関係についての知識が不足していると、次のような結果になります。

問題 1: ビジネス向けのデータ通信を形式化する。

彼はデータを使用してチームとコミュニケーションをとる方法を知りません。多くの企業でデータ分析が形式化されているのはなぜでしょうか?ほとんどの場合、それはトップリーダーが分析を行うことができず、データに対する感覚がないためです。これにより、データと指標の価値がわからなくなり、データを活用してビジネスの方向性を探る方法がわからなくなります。これにより、データベースによるレポート作成業務が徐々に正式なものとなるでしょう。価値がないため、この作業方法を維持するのは困難です。体重を減らすために運動する人と同じですが、運動しても体重が減らなければ継続するのは難しいのです。肯定的なフィードバックがなければなりません。

質問 2: データが足りないといつも感じます。

何の洞察も得られないため、検索範囲を広げる必要があると考えており、現在のデータでは不十分だと感じています。どのデータがコンテンツに関する洞察を提供できるかわからないため、純粋にビジネスベースのデータの内訳になります。最善の状況は、最低限のコストで十分なデータを取得することであり、十分な量であれば十分であることを知っておく必要があります。特に事業の初期段階では、WeChatやTikTokなどのツールを活用して事業を運営することで、これらのツール自体から得られるデータが、事業に関する自身の運営判断をサポートするはずです。

データが十分に明確であるかどうかは、羅翔教授が話した正義の輪のようなものです。絶対的な正義というものは存在せず、データの絶対的な明確さというものも存在しません。クリアデータ自体には開発コストと時間コストがかかります。私たちは皆、限られた条件下で判断を下す必要があります。

2. データ駆動型ビジネスにおけるCEOマネジメントの課題

質問 1: 通常、短期的な利益のため、または業務上のプレッシャーにより、上司は業務を事業部門またはデータ サイエンス チームに直接押し付けますが、これによりいくつかの問題が発生します。

1 つ目は、実際に事業運営を行うのは事業者であり、事業者が事業者とは全く独立して事業を運営することになる点です。 2 つ目は、ビジネス分析チームやデータ サイエンス チームが板挟みになってしまうことです。一方では、上司からのビジネス上のプレッシャーがあり、他方では、ビジネス側は一般的に関与しません。 3つ目は、事業部が事業をサポートする役割から事業と対立する役割へと変化することに直結するということです。

この図を詳しく説明しましょう。チームによるデータ駆動型のものに関しては、実際にビジネス データを駆動するのは CEO とビジネス側です。実際に最前線で仕事をする人は、データを理解し、データ分析能力を身につけなければなりません。

CEO はどの数字を見るべきか、データが何を表しているかがわからず、さまざまなビジネス関係者とのコミュニケーションが困難になっています。中核となるのは依然として CEO とビジネスを運営するチームであり、データ分析チームはビジネス上の意思決定を支援し、データを提供して、データ取得コストを削減します。

簡単に言えば、ビジネス側はビジネスを理解し、データ側はデータを理解します。事業側は事業を実施する権利を持ち、相互に協力する必要があります。良いプロセスは左側のプロセスのようなもので、悪いプロセスは右側のプロセスのようなものになります。多くの上司はビジネス上のプレッシャーをビジネス側に直接かけますが、これは典型的な権利、責任、利益の不平等です。

2 点目は、データ駆動型は短期的にはビジネス側に悪影響を及ぼすということです。手を抜いて同じ鍋から食べるのが好きでない人がいるでしょうか?いきなりすべての事業状況や事業運営を透明化すると、そのギャップを埋めるのは容易ではありません。

各部門の責任者は、組織変更自体に関するデータ能力を持っていません。彼らには改革に対する強い動機はありませんが、長期的にはビジネスの観点からも個人の能力の観点からも良いことです。したがって、データ駆動型開発は「静かに村に入り込み」、徐々にその強度を高めていく必要があります。 CEOが直接推進する場合でも、徐々に強度を高めていかなければ、ビジネス側との対立につながりやすくなります。

多くのコンサルティング事例では、上司は変革の意欲を持っているものの、関係者にはそれがないケースが多々あります。しかし、上司はさまざまな理由でそれを強く押し付けることはできず、抵抗する者を回避することもできません。彼らは、あまりに力を入れすぎるとチームが崩壊し、最終的にはプロジェクトが棚上げになってしまうのではないかと心配している。これが、データドリブンは CEO が単独で行うべきものだと多くの人が言う理由です。 CEO が業務プロセスや組織プロセスを通じて最前線のビジネス担当者をこれに巻き込むように促して初めて、データを日常業務に統合することができます。

3. チームにデータ能力が不足しており、プロセスを進めることができない

チームデータをチームの方向性に沿って推進できない主な理由は 2 つあります。 1 つ目は、人材能力モデルが欠如していることです。ビジネスがデジタル化されていない理由は、実はビジネスを行う人々がデジタル化されていないからです。ビジネスは人によって行われます。第二に、ビジネス側にはデータ機能を向上させる方法と戦略が欠けています。したがって、単純な要件は、チームとリーダーシップの間の対立に簡単につながる可能性があります。

4. 特別なツールを使ってデータ駆動型開発を急いで実装しようとする

特別なプロジェクトを通じて問題を解決しようとしないでください。メインラインに問題がある場合は、メインラインを変更するだけです。一時的に問題を解決するには役立つかもしれませんが、本業では継続できません。アイデアのないツールは分析的なアイデアを生み出すことができません。それは良い筆のようなものですが、道具が十分に良くないからではなく、描くことができないのです。ツールを通じて分析フレームワークを提供しようとしないでください。これは非現実的です。現実のビジネスの複雑さははるかに高くなります。ツールフレームワークが分析の問題を解決できる場合、データ分析ツールを提供するこれらの企業は買収されません。

5. 間違った分業、事業部門がさまざまな事業ラインに従属している

データ アナリストとビジネス アナリストのチームは、ビジネス ラインから独立し、CEO に報告して真実を伝える必要があります。そうでなければ、彼らは自分の主張を正当化する証拠を見つけるでしょう。チームが報告した途端に事業が伸びているのに、結果をまとめてみると市場全体が動いていないことがわかったという企業に数多く遭遇しました。

6. CEOは時間をかけない

これは能力開発の問題であり、多くの部門の調整を伴うため、CEO は個人的に質問してフォローアップし、時間と労力を費やす必要があります。能力構築は複雑であり、組織、業務プロセス、ミドルオフィスのアーキテクチャなど、あらゆる側面が関係します。スキップすることはできず、段階的に分解する必要があります。コーディネーターには権限と責任があるため、すべての事項をコーディネーターに引き渡すことは現実的ではありません。重要なのは、CEO が費やす時間を見ることです。そして、時間は CEO にとって最も重要なリソースです。最後に、データ駆動とは何か、そしてそれをどのように実現するかについて説明します。

3. データ駆動型とは何ですか?

1. データ駆動型とは何ですか?

まず、データ駆動型とは何かについてお話ししましょう。 「データ駆動型」の定義を見つけようとしていました。 Wikipedia の説明によれば、これはプロセス全体が経験や直感ではなくデータによって推進されるものであるとのことです。データ駆動型と言う場合、その反対は、経験や直接的な駆動型です。

2. データ サイエンティストまたはビジネス アナリストとは何ですか?

データ サイエンティストとは、ソフトウェア エンジニアよりも統計に精通し、統計アナリストよりもプログラミングに精通した人です。言い換えれば、データ サイエンティストの基本的な資質には、特定のプログラミング スキルが必要です。

残りの部分では、特定の統計を理解する必要がありますが、もちろんこれは比較的狭い視点です。実際、中国ではインターネットが急速に普及したため、データサイエンティストやビジネスインテリジェンスなどの職種が人気を集めています。プロダクトやオペレーションと比較すると、データ分析は比較的新しい職種であり、仕事内容、範囲、責任が明確ではありません。

この図はデータサイエンスがどのようなものかをよりよく表していると思います。

最も重要なのは、ビジネスロジックとビジネスを理解する能力です。まず第一に、会社は事業運営であり、あらゆる行動は事業運営と切り離せないものです。つまり、データ サイエンティストはまずビジネスを深く理解する必要があります。そうでないと、分析は目的がなくなり、運用から切り離された結果が生成されません。

2 つ目は、右下隅には特定のプログラミング言語とデータ操作機能が必要であり、複雑なデータから必要なデータを抽出して分析を行うことができる必要があることです。

最後は科学的方法論であり、これにはいくつかの統計的手法とビジネス分析手法が含まれます。これにより、少なくとも私たちの分析は盲目的な分析ではなく科学的なものになります。これら 3 つの分野の交差点は、現在ではデータ サイエンス、またはビジネス アナリストと呼ばれています。

3. チームがデータドリブンになるのが難しい理由

チームでデータ駆動するのは難しいと言われるところが多いです。上で述べたように、CEO が最も重要な原動力であるということ以外にも、よくある問題があります。

1つ目はデータです。データ収集は不完全かつ不正確であることが多いです。たとえば、特定の指標を測定する場合、人によって結果が異なる場合があります。あるいは、実験が完了した後でも、時間によって結果が異なる場合があります。いずれにせよ、データ自体はそれほど完全でも正確でもありません。

2 つ目は、私たちがそれを意識しているかどうかに関わらず、経験と直感に基づいて意思決定を行うのが人間の本性であるということです。これが私たちの脳です。基本的にはこの目的のために設計されています。 「ファスト＆スロー」では、人は無意識のうちに直感に基づいて判断を下します。つまり、本質的にはデータ駆動型であり、データと科学的証拠に基づいているということです。このこと自体が、経験や直感に基づくものではなく、直感に反するもので、このこと自体をやるにはエネルギーが必要です。

3つ目は、データ駆動型モデルを確立することです。実際のところ、正常な思考パターンを身につけるには時間がかかります。

4番目は環境です。これを実行するには、ある程度の信頼と、真実を語ることを促す雰囲気が必要です。データから結論を導き出すには、まず結論を決定し、それを裏付けるデータを探すのではなく、結論を表現する文脈が必要です。

5番目は実はバランスです。多くの場合、データ分析は実際には速度と実装コストの最適なバランスです。例えば、何かの決定を下す必要がある場合、AB テストを行うべきでしょうか?答えは確かではありません。テストには利点もありますが、コストもかかります。多くの場合、AB 実験はビジネスのペースを遅くしますが、ある程度、最適な解決策の結論につながる可能性があるという利点があります。つまり、これは速度とコストの間の最適な解決策を見つけるという問題です。

4. 優れたデータ駆動型アプローチとはどのようなものですか?

私たちが期待するのは、優れたデータ主導型アプローチによってチーム能力が向上し、ビジネスが成長することです。

それは成長する機能になる可能性があります。例えば、私たちの仕事は非常にやりがいがあり、強いアイデンティティーを得られるので、それは非常に重要です。その結果、有能な従業員は、その職務に留まる意欲が高まり、より熱心に、より積極的に働き、非常に大きなビジネス効果をもたらすようになるでしょう。ビジネスへの影響はより強い認知認識をもたらし、好循環となるでしょう。

企業内の全機能がそのような状態にあることを望みますが、そのような状態が実現できるかどうかは、その機能部門自体の責任ではありません。複数の部門の協力が必要です。単独で存在するのではなく、他の機能と連携して動作します。実際には、すべての機能からのサポートと支援が必要です。ビジネスは孤立して運営されるわけではないからです。

5. データ駆動型が能力構築の課題である理由

本質的な問題は、データ駆動型機能の構築は長いプロセスであり、構築プロセス中にビジネスが徐々に改善されるということです。

中国の大規模な人材市場、データ分析、またはデータサイエンスを見てみましょう。この機能は、エンジニア、プロダクトマネージャー、UIデザイナーなどの他の機能と比較されます。

データサイエンスはまだ非常に新しい役割です。実際、よく見てみると、エンジニアは何十年も前から存在しています。プロダクトマネージャーの役​​割には、テクノロジー業界で少なくとも 20 年の経験が必要ですが、データ サイエンスが登場したのはここ 5 ～ 6 年ほどです。この用語は、せいぜい 10 年以上前から使われているもので、比較的新しい役割です。

これは、ビジネス環境全体において、データ サイエンスが他の機能に急速に追いついていることを意味します。これは特に中国で顕著で、中国ではデータサイエンスの全体的な認知度がシリコンバレーに比べてまだ低い。私たちは大きく遅れていると思いますが、これは中国だけの問題ではありません。シリコンバレー自体でも、Facebook や Google は企業内でデータ サイエンスが何を実現できるかをまだ模索しており、明確な答えは出ていません。

つまり、今日のデータアナリストと4年前のデータアナリストの間には大きな違いがあり、中国企業も徐々に理解を深めているのです。データアナリストの商業的価値を徐々に探究します。

2 つ目は、データ駆動型チームの構築には時間がかかることです。これは本質的には思考モデルの問題です。この問題は本質的には、会社全体でデータに対する理解を深め、チームが少しずつ努力していくことにつながります。これは1日か2日で変えられるものではありません。時間がかかります。

3 つ目は、現状を打破するにはリソース、努力、忍耐が必要であり、すべての関係者の協力が必要であるということです。本質的に、データ駆動型の推進は文化的な構築であり、実際には認知の向上のプロセスです。多くの人は、データ駆動型またはデータ機能が能力構築であると考えています。実際のところ、それはそれほど単純ではありません。最も重要なのは、実はビジネス参加者の認知能力の向上です。

6. データ駆動型の4つの段階

データ駆動型を実現するにはどうすればよいでしょうか?

一般的に言えば、まず枠組みを提示しましょう。データ駆動型開発には約4つの段階があります。最も基本的なのは最初の段階であり、まずデータによって何が起こったかを客観的に提示できなければなりません。つまり、例えば、昨日や先月はビジネスで何が起こったのか、注文はいくつあったのか、いくら余分なお金が稼げたのか、粗利益はどうなのか、ということです。私たちの体験はどうでしたか?指標は何ですか?私たちのビジネスは利益を上げていますか、それとも損失を出していますか?まず第一に、私たちに何が起こっているのかを知る必要があります。

まず洞察力について話すのはやめましょう。まず第一に、現実に何が起こっているかを客観的に反映できることです。実際これを達成するのはかなり困難です。多くの企業のデータ指標はまだ不完全であったり、データ指標が統一されておらず、その基準も統一されていません。そのため、質問をすると、誰もが異なる結論を出す可能性があるとよく言われます。

第二段階は、ビジネスの意思決定を受動的にサポートできるようになることです。ここでの私のビジネスは、製品と運用を含む幅広い概念です。これはむしろ、この点に関して当社の事業が受動的にサポートできる役割を指します。

たとえば、ユーザーがクーポンの有無にかかわらず 3 つのアイテムと 1 つのアイテムを購入した場合、将来のリテンションに影響はありますか?影響はどのようなものですか?このような質問は客観的なビジネス上の問題ですが、この質問が提起された場合、データ アナリストとして、このような質問に受動的に答えることができれば、少なくとも 2 番目のステップ、つまり質問に答えられるようになることにつながります。

3番目のステップは非常に高度です。 3 番目のステップを達成できれば、あなたはすでにその点で非常に優れていることになります。データ分析では、問題を積極的に定義できる必要もあります。これには、ビジネス側が問題を積極的に定義できるように導くための発見の概念が含まれます。

つまり、問題が存在するため、それはもはや定義とは呼ばれません。多くの場合、ビジネスチャンスを見つけて発見するためには、率先して行動する必要があります。たとえば、誰も質問しない場合は、悪いショッピング体験が長期的な顧客維持にどのような悪影響を与えるかなど、データ アナリストのように自分自身にいくつかの質問をすることができます。これがビジネス洞察の機会ではなく、私たち自身に問いかける質問である場合、この問題をどのように分析するかを検討し、いくつかの分析フレームワークを持つことができます。重要なのは、問題自体が何を表しているか、そして悪いショッピング体験をどのようにしてビジネス維持につなげ、将来的にビジネス収益を増やすことができるかということです。

3 番目のステップでは、実際にはまったく異なる能力モデルが必要になります。これには、問題を定義する能力が必要です。製品マネージャーは、製品の役割の大部分は問題を定義することであり、データ分析についても同じことが言えることをより深く理解しているかもしれません。

4 番目のステップに到達するということは、実際にはデータが深く掘り下げられること、つまり、私たちの日常の思考や仕事のあらゆる側面がデータによってサポートされることを意味します。この時点で、企業はデータ駆動型について話すことはなくなると思います。なぜなら、これについて話す必要がないからです。それは毛細血管の奥深くまで入り込むのと同じです。この時点で、誰もがその存在を無視するでしょう。なぜなら、彼らはすでに常にこの意識を持っているからです。まだその段階に到達した企業は見たことがありません。

これは、データの高度な処理について私たちがどう考えるかについて、誰もが考えるためのフレームワークであると思います。

7. データサイエンティストまたはビジネスアナリストの職務内容

データサイエンティストは何をすべきでしょうか?ここでは、上限と下限の 2 つの次元をリストしました。上が洞察力、下がプレゼンテーションです。下のほうは何が起こったかに関するもので、上のほうはなぜそれが起こったか、つまり何が起こったか、そしてポジショニングが何を意味するかについてのものだと想像できます。 1 つは表示に関するもので、もう 1 つは表示後に何が起こるかに関するものです。これは 1 つの次元です。左と右の次元は、アクティブとパッシブの違いとして分かりやすいです。

左下隅のこの象限を見ると、物事の受動的な表現であると言われています。実際のところ、基本的にはデータを収集しています。最も簡単なのはデータの収集であり、いくつかの基本的なデータ レポートがあります。

右下の象限には、指標監視の変化による製品の動作の監視など、実際にいくつかのことが積極的に提示されています。当社の製品は、指標やダッシュボードの点では比較的プロアクティブですが、依然としてプレゼンテーション レベルの問題であり、「なぜ起こったか」ではなく「何が起こったか」というレベルに留まっています。

左上の部分は受動的ですが、洞察を提供します。たとえば、データ駆動型開発の 4 つの段階では、第 2 段階は質問に答えられるようになることですが、ビジネス上の質問への回答、ユーザーの階層化、分類など、こうした受動的な質問は、一般的にこの象限に属します。右上の象限は最も高度な部分であり、積極的に洞察を得ることを目的としています。

まず、さまざまな不明確な問題を設定し、戦略的な機会を発見し、持続可能な解決策を作成します。これは比較的難しいです。右上に行くほど影響は長期的であり、左下に行くほど需要は短期的であることを示します。右上に引っ張っていきたいと思っていますが、これはデータ分析を意味するものではありません。私たちがやりたいのは、右上の象限にあることだけです。実際には、4 つの象限すべてで作業を行う必要があります。これは包括的なものです。必要なのは一定のバランスですが、左下隅だけで物事を行うことはできません。

8. データサイエンティストやビジネスアナリストがビジネスにもたらす価値

これは重要なポイントです。私たちは常に、データ アナリストが何をすべきか、どのような洞察を生み出すべきか、そして何をすべきかについて話し合っています。本質的には、私たちは影響力を高めたいと考えています。影響力とは何かという核心的な質問に戻りましょう。

アナリストにとって、分析レポートであろうと洞察であろうと、それは実際には同じです。あるいは、製品作業や運用作業を行うとき、それが何であれ、どのような影響がありますか?

影響は通常、4 つの側面で発生します。何らかの分析を行ってから特定の指標に影響を与えることがよくあります。これは最も一般的な現象です。たとえば、保持を研究し、最終的に保持率を向上させます。製品の形状に影響を与える 2 番目の要素は、私たちが行う分析であり、これは製品マネージャーの製品の設計と位置付けに直接影響します。

3つ目は、運用プロセスへの影響です。これは、クーポン割り当て戦略の運用やクーポン割り当てモデルなど、より一般的であり、より人に関連しています。これらも影響です。例えば、システム操作ツールを作ったことで、以前とは違ったものになりました。

4 つ目は、効率性を重視したスケーラブルなソリューションを作成することです。たとえば、統計モデルであれ予測モデルであれ、モデルを作成する場合、それらは本質的にこのカテゴリに属します。このモデルにより、ビジネスをより効率的にすることができます。

影響力と呼べないものは何でしょうか?たとえば、難しい分析を遂行する場合、多くのアナリストは分析の難しさや深さを追い求めるという罠に陥りがちです。これ自体は問題ではなく、間違いではありませんが、現時点ではインパクトにはなり得ません。重要なのは、分析が困難か、ハイテクか、ハイエンドかということですが、その後に何が起こるかが重要です。

2つ目は、成功したプロジェクトに参加することです。アナリストの価値がプロジェクトの成功によって決まるのであれば、多くの人はプロジェクトを選び、成功する可能性が高いプロジェクトに積極的に取り組むでしょう。本質的に、この問題は、私たちのインセンティブ メカニズムに特定の問題がある、またはそれに対する私の理解に特定の問題があることを意味します。

プロジェクトの成功または失敗は、実際にはあなたの影響力を示すものではありません。重要なのは、プロジェクトが大失敗し、そのプロジェクトに関わっているのが自分だけの場合、プロジェクトの失敗はそれほどひどくない可能性があるということです。実はこれも影響です。しかし、それが非常に成功したプロジェクトであり、あなたがそのプロジェクトに参加している場合、プロジェクトをさらに成功させるために何をしたかを説明することはできません。実際のところ、これは影響ではありません。つまり、まだ生産する必要があり、この増加の問題を考慮する必要があります。

簡単に言えば、分析結果が何か他のものに影響を与え、そして最も重要なことに、ビジネスを変えない限り、分析自体には本質的な価値がないと私たちは考えています。

9. データ サイエンティストやビジネス アナリストは、どのようにビジネスに統合されますか?

アナリストはワークフローにどのように参加しますか?あらゆるステップに関与してください。左上隅では、いくつかの分析について説明します。実際、私たちがプロジェクトを実行することを決める前に、DS が関与し始めることがよくあります。

たとえば、製品の観点からユーザーの問題を発見するということは、ユーザーの悩みの種を発見し、ユーザーの価値を発見し、機会点を定義し、この問題の限界がどの程度なのか、改善の余地は大きいのか、次の取り組みを始めるのに時間をかける価値があるのか​​、どのような解決策を講じるべきなのかを把握し、ビジネス側やパートナーにそれができると納得してもらうことを意味します。

その後、プロセス全体に参加し、タイムリーに場所のインストールに参加します。アナリストはデータの最終的なユーザーであるため、最初からデータの追跡に関与する必要があります。したがって、アナリストはデータの上流と下流の調整に参加する必要があります。

2 番目は、テスト プラント、つまり、どのようなテストをどのように実行するかを検討することです。テストをどのようにリリースするか、基準は何か、良い結果とは何か、悪い結果とは何か。良くないなら、どう説明すればいいのでしょうか？製品サイクル全体またはプロジェクト サイクル全体において、アナリストは最初から最後までプロセス全体に参加する必要があるとだけ言っておきます。 AB テストを実施したり、オンラインで結果を提示したりするだけではありません。

10. データアナリストの特徴

データ分析を開始するチームの多くは、ツールに非常にこだわります。個人的には、このことはそれほど重要ではないと思います。すべての図は、それをどのように行うかについてのものです。本質的に、データ分析において重要なのは、考える力、問題について考え、それを推進する力です。

ビジネスチャンスの洞察に関して、なぜそれを実行すべきか、なぜ実行しないのか?すべての決定はデータに基づいているため、成功の確率ははるかに高くなります。性格的には、当事者意識が強いので、自ら率先してビジネスチャンスを探します。

第二に、私たちは問題を定義する優れた能力を持っています。実際、多くの企業は明確な問題を抱えていません。つまり、多くの場合、私たちは多くの場合、いくつかの詳細な質問を自分自身に尋ね、ビジネス上の問題を1つの問題として組み立てます。この能力は実際には取得することが困難ですが、非常にコア能力です。

3つ目は、データを取得する機能です。これについてはあまり言いません。

第4に、数学と統計には、分析が重要かつ科学的であることを確認するために、統計分析の背景が必要です。

5番目のものは非常に重要です。分析自体には本質的な価値がないため、良いストーリーを伝えることができる必要があります。なぜ私たちがこれをしているのか、なぜそれが役立つのか、なぜ彼らが私に耳を傾けるべきなのかを他の人に説明するために、ビジネス側をプッシュできる必要があります。この能力は非常に重要です。

6番目は原動力です。多くの人々が分析を完了し、2か月後にフォローアップがないことを発見します。分析を行う人は、実際にはビジネス面でフォローアップする必要があり、あなたは自分で結果に責任があります。アナリストは分析について責任を負いませんが、分析後に変化したものについて、あなたはそれに対して責任があります。

そこで、この分析が追跡したいビジネス訪問に役立つかどうかを調べるために分析を行いました。それが役に立たない場合、私は何か間違ったことをしました、私は十分にしませんでした、または私は間違った方向に行きました。それがビジネスに影響を与えないかどうかは関係ありませんが、私はそれから何かを学び、将来この種のことを避けようとしたい、またはビジネス側が次のステップを踏まないのか。

この機会と言えば、なぜ私たちが働き始めてからほぼ2か月経ち、ビジネス面からの動きがないのはなぜですか？あなたは気にしなければなりません。したがって、この種の原動力は非常に重要です。一般的な背景については、数学、統計、物理学、コンピューターサイエンスの方が適していますが、必ずしも統計の背景などである必要はありません。誰もが多様になる可能性がありますが、重要なのは、十分な思考能力、所有感、動機付けの精神を持つことです。

論理分析と発散思考は、獲得が比較的困難な能力であり、テクノロジー自体は比較的簡単に獲得できます。

11.データ分析における一般的な誤解

これはよくある間違いまたはtrapです。一部の人々は、データがすべての問題を解決できると考えています。

これは実際は間違っています。データは、意思決定の基礎である視点のみを提供します。それはデータの観点だけでなく、データのみの視点でもありません。たとえば、製品には製品の視点があり、設計には設計の視点があり、エンジニアリングにはエンジニアリングの観点があり、データにはデータの観点があります。最終的に製品または関数を作成する場合、すべての情報を要約して分析する必要があります。データは非常に重要な部分ですが、データが他の側面を上書きすることを意味するものではありません。これは、明らかにする必要がある最初のものです。

2番目のポイントも非常に重要です。データを通じて何が起こったのかを見ることは、それがなぜ起こったのかを必ずしも説明したり、必ずしも戦略を提供したりするわけではありません。データを見ることから、効果的な戦略を提供することまで、プロセスです。データの力を過度に測定しないでください。多くの問題は実際にはデータの問題ではありません。

たとえば、供給や需要などの問題を取りましょう。インフラストラクチャの問題は、データの洞察を通じて解決できるビジネス上の問題ではありません。実際、弁証法自体は必ずしもデータの問題ではありません。データは問題を組み立てるのに役立ちますが、決定自体は感触の問題です。今日の状況では、最初に供給または需要に焦点を当てるべきだと思いますか？データは私たちが物事を明確に理解して見るのに役立ちますが、これ自体はデータ決定ではありません。

3つ目は、ABテストを実行する必要があることです。言うまでもなく、すべてがAB実験でできるわけではありません。第二に、ABはあなたのビジネスの反復を遅くし、あなたは重要性を待つ必要があり、それには時間がかかります。

第4に、たとえば、負の結果は統計的に有意ではないため、関数は完全に実装されています。実際はそうではありません。実際、多くの場合、それは悪影響を及ぼします。サンプルサイズまたはテスト方法が明確に測定できなかったというだけです。統計的重要性は、影響がないという意味ではありません。これを最初に確認する必要があります。それどころか、それはこのことが統計的に有意であることを意味するため、全額を使用する必要がありますが、必ずしもそうではありません。

たとえば、GMVなどの何かを改善したい場合、何かをしてからGMが増加する可能性があります。たとえば、0.1％は非常に小さな改善ですが、統計的に有意であり、より多くのリソースを投資する価値がないかもしれません。すべての問題がデータの役割を持っているわけではありません。

うまくいけば、これがデータ駆動型になる方法を理解するのに役立つことを願っています。

著者: Arun's Growth Research Institute

Wechat Publicアカウント：Arungrowth365（ID：Arungrowth365）