コンサルティング会社のデータ分析モデルはどの程度進んでいるのでしょうか?一緒に姿勢を改善しましょう

データ分析の分野では、コンサルティング会社は企業の問題解決を支援するためにさまざまな複雑なモデルや手法を使用することが多いです。この記事では、これらのモデルの背後にあるロジックとアプリケーションシナリオを説明し、実際の作業でこれらのツールを効果的に使用し、データ分析の効率と精度を向上させる方法を理解できるようにします。

データ分析を行う学生は皆、以下のマトリックスを見たことがあるでしょう。多くの人がそれを崇拝しています。一部のオンラインライターは、マトリックス思考、マトリックスモデル、マトリックス法に直接言及し、それがデータ分析の「基本的な考え方」と「中核となるロジック」であると述べています。

そうですね...彼らはコンサルティング会社で働いたことがないのは確かです。今日は真実を体系的に説明します。

1. 平均法から始める

平均は最もよく使われ、最も嘲笑される概念です。証拠として詩があります:

村長老張千万

隣に住む9人の貧しい男たち

統計局で計算する

それぞれが張百湾

しかし、疑問は、平均値がなぜそれほど批判されているのに、実際には最も一般的に使用されているのかということです。統計には、平均、中央値、最頻値という 3 つの概念があります。これら 3 つの概念はどれも理解しやすいのですが、なぜ平均値ではないのでしょうか?

回答：平均値は使いやすく便利だからです。平均値を使用すると、合計金額を人ごとに簡単に内訳できます。例:

売上高＝購入顧客数×一人当たり平均購入金額

生産量 = 生産ライン数 * 平均生産能力

在庫数 = 店舗数 × 平均販売数量

これにより、管理がはるかに簡単になります。売上を増やしたい場合は、顧客数を増やすか、一人当たりの購入量を増やす必要があります。これら 2 つの数値は単純に直接掛け算することができます。明らかに、中央値や最頻値を使用してもこの効果は得られません。

さらに、命令は明確でした。全員が平均以上のパフォーマンスを発揮しなければなりませんでした。それができなければ、みんなの足手まといになってしまう。誰でもできるのに、なぜあなたにはできないのですか?ご覧の通り、シンプルで明確であり、人々の直感に合致しており、非常に説得力があります。

つまり、平均は自己完結的な基準です。平均以上は良い、平均以下は悪い。これはコンサルタントにとって非常に重要です。

なぜなら、ほとんどのコンサルタントは、特定の業界での顧客と比べると経験がはるかに少ないからです。したがって、問題を診断する際に、コンサルタントは、業界から独立した中立的で説得力のある基準を切実に必要とし、それによって善し悪しを判断します。何かが良いか悪いかを判断した後で初めて、それがなぜ良いか悪いかをさらに分析することができます。そのため、平均法は最も一般的に使用される判定方法です。

もちろん、平均法にも固有の欠点があり、それが他の方法につながります。

2. 平均法の反復的アップグレード

平均値を使うことの問題は、実は個人差が大きいことから生じます。「私の身長はヤオ・ミンと同じくらい平均的だが、富はジャック・マーと同じくらい平均的だ」ということわざがあります。そのため、平均法に基づいて、80/20 ルールが導入されました。20/80 理論によれば、他のグループに干渉しないように、最も優れた上位 20% を直接分離して個別に観察し、判断を下すことができます。

80/20 ルールは、一般的にフロントデスク/マーケティング側でより頻繁に使用されます。バックエンド・サプライサイドの生産・物流は機械化されたプロセスなので品質管理はしやすいのですが、フロントエンド・マーケティングサイドでは少数の有能な営業マンが大きな成果を上げ、少数の金融スポンサーが利益の大半を拠出するケースが多いです。経営面では、金の採取方法が生まれました。つまり、100 人の営業担当者を採用し、その中から 20 人のエースレベルの営業担当者を育成するのです。それは、大きな砂の山を掘って金を採る作業に似ています。

評価の次元が 2 つある場合はどうなるでしょうか?これがマトリックス法につながります。

3. 平均法から行列法へ

マトリックス法は、本質的には2つの次元を使用して判断基準を見つける方法です。操作は非常に簡単です:

最初のステップは、2つの評価次元を見つけ、各次元の平均値を判断基準とすることです。

2 番目のステップでは、2 つの指標を交差させて評価対象オブジェクトを取得します。

3 番目のステップは、2 つの次元の意味に基づいて分類された解釈を行うことです。

2 つの指標間の相関がそれほど高くない限り、2 つの指標が交差すると、データは 4 つのマトリックスに分散され、ビジネス上の意味が明確にわかります (下図を参照)。

さらに興味深いのは、2 つの評価次元を適切に組み合わせると、多くの興味深いビジネス上の意味を解釈できるということです。たとえば、ゲーム業界におけるユーザーアクティビティとユーザー支払いの 2 つの指標。以下のことから始めることができます:

☆ 高い活動 + 高い支払い = Golden Cow ユーザー (お金と労力の両方を貢献するユーザー)

☆ アクティビティが低い + 支払額が高い = リッチなユーザー (自分でプレイするのが面倒なので、支払います!)

☆ 高いアクティビティ + 低い支払い = 無料ユーザー (ラララ、お金を払わずにプレイするだけ)

☆ アクティビティが低い + 支払いが少ない = 限界ユーザー（あまりプレイしない、離れていく）

このような解釈により、レポートの雰囲気が一気に盛り上がります。いわゆる「マトリックスモデル」と組み合わせることで、高級感と活気の両方が生まれ、それがクライアントが最も望むものになります。そのため、マトリックスモデルが普及しました。どのコンサルティング会社も、新入社員に、顧客を満足させるマトリックスモデルの構築方法を教えています。これは先祖伝来の工芸品です。

コンサルティング会社が提供しているいわゆる分析モデルは、多くの場合、さまざまなマトリックスで構成されています。マトリックスを処理できない場合は、基本的には 7S や 9P などの多くの分類次元を持つ非常に複雑なモデルになります。反応が素早い学生たちは、これを見てすぐに質問をしました。「え？なんでこんなことになってるの？理論的には3次元の評価はこのように重ね合わせられるはず。クロス集計するだけじゃないの？」

3次元評価を例にとると、各次元を2つのカテゴリに分類したとしても、2×2×2=8つのカテゴリに分けることができます。この状況ではいくつかの問題が発生します。

1. それぞれの意味の解釈が複雑になり、明確に説明できない場合があります。

2. 各グループの数は減少し、1 つのグループが 50%、他のグループが 5% を占めるのが一般的です。

3. グループのサイズが不均一なため、お客様からグループをさらに細分化するよう依頼されることがよくあります。ただし、セグメンテーションが細分化されるほど、解釈が難しくなります。さらに、一部の顧客の場合、ユーザーの 50% が消費もアクティビティもゼロであっても、それ以上進むことはできません。

つまり、平均法と行列法を使用する本来の目的は、簡素化して手間を省くことでした。現在、複雑さは人工的に作り出されています。したがって、評価次元の数が 3 を超えると、コンサルタントは手動分類を放棄し、多数の分類次元を含む包括的な評価モデルを直接使用する傾向があります。または、K-means クラスタリングを使用して、独自の判断に基づいて結果を解釈することもできます。