データ分析をしっかり学び、KSAモデルをマスターすることから始めましょう

データ分析の分野で、能力を体系的に向上させ、問題を効果的に解決するにはどうすればよいでしょうか?この記事では、人材分野から派生した、知識、スキル、能力という 3 つの主要な側面をカバーするフレームワークである KSA モデルを紹介します。

多くの学生は、「データ分析をしっかり勉強して、良い仕事をしたい/良い仕事を見つけたい」と考えるでしょう。どうすればうまく学べるでしょうか？ここでは、目標を明確にし、タスクを細分化するために KSA メソッドを使用することをお勧めします。何？今まで聞いたことがないと言ったのですか?今日は体系的に説明していきます。

01 KSAとは

KSA は HR 分野の概念です。もともとは人の能力を評価する3つの側面を指します。

1. 知識: タスクを完了するために習得しなければならない理論的な知識。
2. スキル: タスクを完了するために必要なツール操作スキル。
3. 能力: タスクを完了するために必要な思考力、コミュニケーション能力、調整能力、その他の能力。

簡単な例を見てみましょう。チェン先生の家族の4歳の子供、ココは算数を学んでいます。

お父さんは尋ねました。「1+1 は何ですか?」ココは答えました: 2!これは知識です。
食料品を買いに行くとき、ココはニンジンを持っていきました。お父さんは言いました。「2つ欲しいよ。」ココはまた一枚撮りました。これはスキルです。
親戚や友人を訪ねたとき、父は皆の前でこう尋ねました。「ココ、1+1って何？」ココは大きな目を瞬きしながら大きな声で言いました。「2!」誰もが認める視線を集める、これが実力だ！

簡単に言えば:

▌ 知識は記憶可能であり、客観的な評価基準があります。自然科学の知識であれば、正解は一つである可能性が高いです。社会科学の知識には単一の答えはないかもしれませんが、一定の範囲内で慣習的な理解と説明が存在します。

▌ スキルを習得するには、操作、練習、繰り返しのトレーニングが必要です。スキルは知識に基づいており、それを達成するにはツールの助けが必要です。ツールによって必要なスキルは異なり、ツールが強力であればあるほど、達成される結果は良くなります。たとえば、ココはすでにさまざまな足し算、引き算、掛け算、割り算の問題を学習しており、振り返って Siri に質問することができます。ココさんは、この経験は良かったと言っていました。

╮(╯▽╰)╭

▌ 能力には洞察力と理解力が必要です!興味深いのは、実際の問題に直面したとき、知識やスキルよりも、理解力、コミュニケーション力、共感力、調整力の方が直接的な影響を与えることが多いということです。たとえば、親戚の前で子供に質問するとき、基本的な目的は見栄を張って面子を保つことです。この時に積極的に協力できる子は良い子です！そうしないと、どれだけ学んだとしても、どれだけ能力があっても、努力を実践できなければ恥ずかしいことになります。

この一連の理論は、もともと人事部門が雇用資格を評価するための方法でした。しかし、一度使い方を覚えれば、仕事でとても役立つことがわかります。なぜなら、仕事において、問題を解決するためにどの KSA が必要かを明確に区別できれば、仕事の効率が大幅に向上し、仕事の質が向上するからです。

02 職場でのKSAとは何ですか?

たとえば、KSA を使用して作業を分解し始めると、次のような多くの問題が数秒でわかります。

なぜ人々は大学では教養教育は役に立たず、理科だけが役に立つといつも文句を言うのでしょうか?これは本質的に、KSA の教育と仕事における違いによるものです (以下に示すように):

多くの大企業では、プロのマネージャーが無能で何もしていないように見えても、それでも成功しているのはなぜでしょうか?基本的に、これは KSA が目標を達成するためにさまざまな方法で使用できるためです (以下に示すように)。

したがって、KSA の原則を理解し、KSA を分解する方法を習得することは、職場で働くこと、特にデータ分析業務において非常に有意義です。

03 データ分析の就職活動でKSAが重要な理由

データ分析に適用すると、KSA は次のように反映されます。

1. 知識: 数学、統計、経営科学、オペレーションズリサーチ、機械学習
2. スキル: Excel、PPT、SQL、Python、Tableau、Hadoop、Spark...
3. 能力: 需要コミュニケーション、ユーザー洞察、論理的推論、実験設計、要約レポート...

興味深いことに、よく見ると、あらゆる種類の仕事の中で、データ分析だけが KSA の知識ベースが充実している仕事であることがわかります。一般的に言えば、営業、製品、運用、マーケティングなどのビジネス関連の仕事は A に傾きやすく、KS は比較的少なくなります。 R&D の仕事は KS に傾倒しており、A は少なくなっています。データ分析はビジネスとテクノロジーの間に挟まれており、双方が関与しています。したがって、学びたい限り、KSA には学習できる本がたくさんあります (以下を参照)。

面白いことに、この業界に入る学生たちはいつも本を読むのを急いでいます。何十冊もの本を買って必死に勉強しますが、結局は集中力がなくなり、何も覚えられなくなってしまいます。彼らは混乱した状態ですべてを理解します。帰国後も、まだ「他の人は私にどんな能力を求めているのか？」をまとめることができません。私はオンラインで質問し続けています。「データ分析のためにはどんな本を読めばいいですか？」そしてもっと本を買ってください!学べば学ぶほど、混乱してしまいます。

データ分析とデータ分析の間のギャップは、データと業務、製品、研究開発の間のギャップよりもはるかに大きいことを知っておく必要があります。志望企業の要件を真剣に勉強せず、面接のどの段階にいるのか、どのような質問でつまずいているのかを区別せず、ただ目を閉じて勉強していると、勉強すればするほど混乱してしまうことは間違いありません。宿題をしっかりやっていれば、少なくともどこで負けているのかがわかるので、適切な解決策を見つけやすくなります (以下に示すように)。

KSAがデータ分析にとって重要な理由

実際にデータ分析に取り組み始めると、データを理解している人と理解していない人の目には、データ分析の役割がまったく異なることがわかります。

▌ データを理解する人にとって、データ分析は最大の S コンポーネントです。データの収集、データのクリーニング、データ ウェアハウスの設計はすべて面倒で疲れる作業であり、信頼できるデータを入手するには大変な努力が必要です。

▌ データを理解していないビジネス関係者の視点から見ると、データ分析のA要素が最も大きいです。これらの人々は常に「根本的な考え方」、「コアリンク」、「内部スキル」について話しますが、最も基本的なデータがどこから来ているのか、それが正確であるかどうかさえ考慮せずに、ナンセンスな話をします。

▌ データを理解していない初心者にとって、データ分析は最も大きな要素であり、彼らは常に、答えがすでに書かれた本があり、それをコピーするのを待っていると感じています。問題に遭遇すると、私はいつもどこでも「従来の標準的なトゥテンガのやり方は何ですか？」と尋ねます。

この違いにより、データ分析作業に特別な困難が生じます。ビジネス部門が直接要求するのは、単純で孤立した数値か、謎めいてすぐに効果を発揮する万能のモデルのいずれかです。データ アナリストが毎日 1 つまたは 2 つの個別の数値を実行することにこだわると、詳細な分析を行うことができず、最終結果が認識されなくなります。データ アナリストが頑固で、空想的で非現実的なモデル要件をそのまま受け入れると、最終的には実装が困難になり、効果がなくなることは間違いありません。また、そのアナリストは依然として非難されることになります。

したがって、良い仕事をしたいのであれば、具体的な問題を徹底的に分析し、ビジネス側の期待とデータ構築の品質のバランスを取り、このプロジェクトでKがいくつ使用されるか、Sのパフォーマンス要件は何かを把握し、最後にAを使用してさまざまな厄介な問題を処理および調整し、プロジェクトの成功を確実にする必要があります（下の図を参照）。

多くの学生は、KSA を使用する能力をどのように開発するかに興味があるかもしれません。厳密に言えば、あらゆる能力の開発には悟りと長期にわたる訓練が必要ですが、始めるための簡単な方法は次のとおりです。

相手がテクノロジーを理解しておらず、コンピューターや数学の知識がなく、データ分析の経験もない場合は、相手の言う「分析モデル」「ユーザー ポートレート」「正確な予測」を信じないでください。彼の発言はKSとは何の関係もない可能性が高い。このとき必要なのはA（コミュニケーション能力）です。彼の質問の背景、達成したい目標、直面している具体的な問題などから始めて、彼のニーズを理解します。

相手が技術的なバックグラウンドを持ち、正確な技術的概念を述べている場合は、まず相手と話し合い、技術的な問題そのもの（S の問題）を明確に議論します。技術的なルートに問題がないのに、彼のやっていることが同僚やリーダーに受け入れられない場合は、A に問題がある可能性があります。このとき、技術的な行き詰まりにこだわらないでください。彼の職場環境、プロジェクトの目標、リーダーシップの姿勢を分析してみましょう。たくさんの利益が得られます。データ分析の総合的な研究について、最近、垂直戦略と水平戦略をまとめました。

垂直: 分析ロジックを構築し、分析方法を選択します。含む：

1. データ分析の基本手法

2. データインジケーターシステムとラベルシステムを構築する

3. ビジネス分析のアイデアを構築する

4. オペレーションズリサーチの手法を用いて意思決定を最適化する

5. 統計的手法を用いてABテスト/因果推論を行う

6. 機械学習手法を使用して分類/予測モデルを作成する

水平: さまざまな業界の特定の分析シナリオ。データ分析には「ビジネスを理解する」ことが必要であるとよく言われますが、これは特定の分析シナリオを理解することを意味します。一般的なものには次のようなものがあります:

1. ビジネス分析：経営のための企業全体の分析

2. 専門トピック分析：販売チャネル、プロモーション活動、マーケティング活動、製品の特徴など

3. 業界特性分析：SaaS顧客成功、インターネット製品の改善、従来型エンタープライズ販売分析