Data Analystのメモ帳

機械学習とかデータ分析とかしているData Analystのメモ帳です

データ活用に向けて詳細なロードマップを考えられる人材が足りない

なんか思いついたので1000文字で書く。

最近はフリーランスとしてデータ分析の文脈でデータ活用の支援をしているのですが、そのなかで「DXチームを立ち上げたけどうまくいかないので全体を進める手助けをしてほしい」という会社を何社か見かけました。
そういう会社、別に怠けているとか適当に仕事しているとか担当の人たちの能力が足りないとかではないんですよね。
(組織の硬直性とかもちろんそういう問題はあるとおもうんですけどそういうのは置いといて)みなさん優秀で熱心に取り込もうとしているんです。
でも、そもそも知識と経験が圧倒的に足りてないので「そもそもどういう方向に進めばいいのか誰もわからない」という状態になっていて暗中摸索になってしまっているんですよね。これを解決できる、つまり「データ活用するぞ!」ってなってからなにをしたらいいのか具体的に考えられる人がいないんですよ。

まあ、こういう話をすると「いやいや、これだけたくさんのプラクティスがあるし分析者だってたくさんいるじゃないですか」みたいに思うかもしれませんが「ゼロの状態から目指すべき方向とそこまでロードマップを具体的にイメージできる人」ってとても少ないんですよ。
なんとなーく分析基盤を作る必要があるとか、KPIはこういう感じで〜ってイメージを持てる人はわりといると思うんですよね。そこからもう1歩2歩進んで「このKPIを作って事業部とはこういう関わり方で進めよう」とか「ダッシュボードを作るためにこういうデータがと基盤が必要で開発者はどれくらい必要でスケジュールはこう」ってことが分かる人がいないんです。

こういうことができる人がいないとどうなるかというと大きく物事を動かすことができないのでとにかく手元でやれることをやって終わりになってしまうんですね。
事業部を巻き込んでやるにしても「で?その数値をみるとどうなるの?」とか「やるのはいいけど、どれくらい人が必要なの?予算は?」って聞かれたときに説明ができなかったりするとやっぱり事業部として受け入れがたいというのは当然の反応だと思うんですよね。

じゃあこういう状況どうしたらいいのかというと、シンプルにシニアで全体のロードマップを描けて推進できるようなシニアな人材をトップに据えてやるしかないなということになるでしょう。
どうしてもDXチームみたいなので社内からのスライドで人員を揃えたりするので知識と経験が不足しがちなんですが、採用してもいいし業務委託でもいいですけど、チームのトップは既存の人材のスライドではなく経験豊富な人材を入れるとスムーズなんじゃないかなとおもいます。

若者のGPT化

現代社会において、若者たちのコミュニケーションスタイルに新たな傾向が見られるようになってきた。それは、話していても、どこかで得た耳学問をそれっぽくまとめて語るだけで、自分自身で考えることを怠る傾向があるということだ。この現象を私は「若者のGPT化」と呼びたい。

GPTとは、Generative Pre-trained Transformerの略で、大量のデータを学習して生成するAIモデルのことである。それに似たような傾向が、若者たちのコミュニケーションにも出てきているのである。若者たちは、インターネットを中心とした情報社会に生まれ育ち、容易に情報を入手できる環境にある。しかし、情報の正確性や信頼性を見極める能力が低下していると指摘されている。

若者たちは、情報を簡単に引用することに頼り、自分自身で情報を検証する手間を省く傾向がある。情報を素直に受け入れ、それをまとめて語ることに重きを置くため、自己の意見形成や独自の考えを持つことが少なくなってしまっているようだ。彼らは、自分自身で情報を吟味し、論理的に考えるよりも、既存の情報を繰り返し語ることに主眼を置く傾向がある。

この「若者のGPT化」の影響は懸念される。まず第一に、社会に対する深い理解が欠如してしまう恐れがある。若者たちは、情報をまとめることに主眼を置くため、情報の一部分だけに偏ったり、表面的な情報だけを持っている場合があり、社会の複雑な問題を深く理解することができなくなってしまう可能性がある。

さらに、自己の意見形成や問題解決能力の低下も懸念される。耳学問によって、若者たちは自分自身で情報を検証し、自己の意見を形成するという重要なスキルを怠る傾向がある。これにより、自分自身の考えを持つことや、問題に対して独自の解決策を見つける能力が低下してしまう可能性がある。情報を単純に引用するだけで自分自身で考えることを怠るため、論理的思考や批判的思考のスキルを鍛える機会を逃してしまうのである。

また、社会的なコミュニケーションにおいても、若者たちの「耳学問」が問題を引き起こす可能性がある。耳学問をまとめて語ることに特化するため、自分自身の意見を持つことや、他者の意見を尊重することが難しくなってしまうことがある。情報を引用するだけで自分自身の意見を持たないため、対話や議論においても表面的な意見や偏った情報に偏るリスクがある。

更に、情報の正確性や信頼性についての判断力が低下することも懸念される。情報社会において、誤った情報やフェイクニュースが氾濫しており、正確な情報を見極める能力が求められる。しかし、若者たちの「耳学問」によって、情報を鵜呑みにしてしまう傾向があるため、誤った情報に翻弄される可能性がある。

このように、「若者のGPT化」は、自己の意見形成や問題解決能力の低下、社会的なコミュニケーションの困難さ、情報の正確性や信頼性の判断力の低下など、様々な懸念を引き起こす可能性がある。若者たちは、情報を引用するだけでなく、自己の意見を持ち、情報を検証し、独自の考えを持つスキルを身につけることが重要である。

結論として、「若者のGPT化」は、情報社会の中で容易に情報を入手できる環境にある若者たちに見られる傾向であり、自己の意見形成や問題解決能力の低下、社会的なコミュニケーションの困難さ、情報の正確性や信頼性の判断力の低下など、様々な懸念を引き起こす可能性がある。


この記事はくまぎさんのツイートをもとにChatGPTで生成した文章です。

データを分析したいPMやマーケターやマネジメント職にまずオススメしている5冊

分析の専門家ではないんだけどデータを上手く使いたい人にオススメの本をよく聞かれるのでせっかくだから記事にしておきます。
4月から異動でそういうことをやらなきゃいけない人とかぜひ読んでみてほしい。

想定読者

分析に関して教育や訓練を受ける機会がなかった人でこれからデータを使ってビジネスやサービス、チームをマネジメントする必要がある人。

たとえば、

  • チームを数値で管理しろと言われたけど何すればいいのかわからない
  • KPIは良くなっているのに体感で状況が変わった気がしない
  • 指標をよくすることが経営にどんな影響を与えるのか説明できない

基本を理解する2冊

Lean Analytics ―スタートアップのためのデータ解析と活用法

とにかくこれだけでもいいから読んでほしい。 データを使うということがどういうことなのか抽象的な話から具体的にビジネスモデルごとの指標の例まで載っている最強の一冊。 Leanという言葉がついているのでスタートアップのための本に思われがちだがあらゆる状況のビジネスにおいて活用できる。 この本を理解することで「自分たちのビジネスは指標でモデリングするとこういう形だ」みたいなことが言えるようになる。

分析者のためのデータ解釈学入門 データの本質をとらえる技術

データを使うということはデータを解釈する必要がある。 その基礎を学ぶための1冊目としてオススメ。 データ分析の基本というと統計学から学び始める人が多いのだが、それ以前にデータを読み取るリテラシーが足りていないケースは多い。 特に実験や演習でデータ解析をしたことがない人は読んでみてほしい。

実践的な手法を知る3冊

THE MODEL マーケティングインサイドセールス・営業・カスタマーサクセスの共業プロセス

SaaSのセールス・マーケティングの本。 データ分析の文脈としてこの本ではセールスやマーケターの活動をどのような指標でモデリングしリンクさせているのか読んでほしい。 この本をとおして、たとえば、目標の売上を上げるためにはセールスは何をどれくらい頑張れば良いのかどのような状態になっていなければならないのか定量的に管理することができる。
マネージャがやるべきデータ活用がなにかわかる1冊。

カスタマーサクセス――サブスクリプション時代に求められる「顧客の成功」10の原則

サブスクリプションビジネスにおけるカスタマーサクセスの本。 これもTHE MODELと同じで数字でどのように管理しているのか参考にしてほしい。 指標とはそれ単体で存在するのではなく、他の行動やメンバー、チーム、市場とお互いに関係しあっている存在だということを認識しよう。

企業の「成長の壁」を突破する改革 顧客起点の経営

会社や事業規模で数値モデリングやリサーチする基本がわかる。 PMやマーケターなら頭に入れておきたい。 マネジメント職ならば自分たちの活動がこのセグメンテーションのどこに効くのか意識するだけで指標の管理がスッキリすると思う。


以上、私がいろんな人にオススメしている書籍5冊です。
データアナリストになりたい人が読んでも役に立つ本ではありますが、特に応用の3冊はマネジメント職の人が読むことを意識しています。
とにかくリーンアナリティクスだけでも読んでくれれば幸いです。

データ分析者の需要の変化

 データ分析を仕事にしていると「流行りだし引く手数多でしょ」とか「バブルが終わったからもう仕事がなくなるかもね」なんて言われます。分析者として働く人間としてここらへんの感覚がすごいズレていることを日々感じるのでメモとして書き残します。あくまでも個人の感覚なのでご了承ください。

 

まず、そもそもとして、分析者という分析を専門に行う人材が大量に雇用されるということがありえないです。これは分析者とは何かを作ったり売ったりする人ではなくバックオフィス業務であるため大量に雇用する意味がないからです。そのため企業規模に応じて雇用される人数が自ずと決まってしまいます。具体的にどれくらいかと言われるとケースバイケースなので一概に言うことは難しいですが、せいぜい1~5%程度の人数比でしょう。外部に委託するケースを考えても予算としては同じようなものになると思います。分析以外の業務をしている人のほうが圧倒的に多いのです。

とはいえ、実際にデータ分析というものが流行し需要が大きく生まれたことは事実です。事実なんですが、それは消えつつあります。数年前のAI・DSブームに伴って人材の需要は大きく高まりましたがそれは期間限定の雇用需要であり継続的なものではなかったように見えます。新設されたDX部門が閉鎖されて他の部署に飛ばされたりクビになったなんて話は珍しくありません。業務委託でプロジェクトが動いていたならばプロジェクトの終了に伴って需要も消滅します。DXプロジェクトと呼ばれながらデータの分析なんてほとんどやっていなかったなんてものすらよく耳にしますね。

それでは、バブルの崩壊に伴ってデータ分析という仕事は今後消滅するのでしょうか?私はNOだと考えています。データ活用の流行によりデータを活用した経営やマネジメントは浸透しつつあり分析者の需要が生まれています。データを分析・活用し実際に会社をよくしている人たちです。これはバブルではない地に足のついた確かな需要です。

バブル期の分析者需要とこれからの分析者の需要で違うポイントは、データ分析者を求める側がブームにのった "にわか" ではなく確かな実力をもつ分析者を求めているという点です。バブル期では需要も供給も「データを分析している」という広告を売り買いしていました。そのような嘘っぱちの時代は終わり、データ分析することで発生する価値を売買する世界になるということです。

確かにバブルは崩壊し前ほど市場拡大の勢いはないかもしれません。しかし、ゆるやかに需要は拡大しまじめに価値を提供できる実力者が評価される世界になりつつあります。この状況、私は手放しに明るいとは言い難いですが真っ暗というほど悪くはないとおもいます。

読みにくいクエリを書くテクニック

クエリが読みにくくなって再利用性を下げるテクニックをいくつかメモします。良い子はマネしないでください。

インデントをめちゃくちゃにする

SQLはインデントを適当に書いても文法上エラーにならないのでいくらでもめちゃくちゃなインデントにすることができます。なのでインデント無しで改行するごとに全部行の頭から始めたり、そもそも改行せずに全部書くことだって可能です。インデントをバラバラにする方法は簡単で効果的に読みにくくすることができます。さらにインデントにスペースを使うことが多いですが2スペースと4スペースが混在するやりかたもあります。

withを使わないでインデントを深くする

サブクエリを書くときにwithを使うことで名前をつけて一時テーブルみたいに使うことができますが、これをせずにクエリ中にひたすらサブクエリを書き込んでインデントが深いクエリを書くと読みにくくなります。

インデントが深くなればなるほど単純に読みにくくなりますので、どんどんインデントを増やしていきましょう。前項のインデントをめちゃくちゃにするテクニックをあわせることでサブクエリが何を示しているのか全く意味不明にすることが可能です。

便利な関数や式などは使わない

SQLにはいろいろな関数があって大概の問題はスマートに記述することが可能なのですが、あえてそれを使わずに書くことで一見なにをしたいのかわからないクエリを書くことができます。window関数を使わずに相関サブクエリを利用したり、inner joinをカンマクロス結合とwhereで書いたり、タイムゾーンを変えるために手動で時間を加えたりする、といった例が挙げられます。

エイリアスをつけない or わかりにくいエイリアスをつける

SQLではテーブル名やカラム名にasを使うことでエイリアス(別名)をつけることができます。これを使うことでわかりやすい名前をつけると可読性が上がってしまうのでエイリアスを使わないでおいたり、意味がわからない名前をつけましょう。

わかりにくい名前とは例えば "a" とか "b" のようなアルファベット1文字がオススメです。テーブルの頭文字だけ集めてみると書くときは便利ですが読むときに読みにくくすることができるのでオススメです。


以上、ぱっと思いついたクエリを読みにくくするテクニックでした。
思いついたらまた書きます。
くれぐれも真似しないように。

”改善する”という曖昧な言葉を具体的に書き換えてみよう

1000文字くらいで思いついたことを書くコーナー

 

仕事をしているといろんな文書を書く機会があります。議事録や企画書、レポート、日報、論文などなど…文章によって求められるレベルはバラバラですが原則として仕事で文書を書くときはそれが読んだ人に意図が伝わる文書である必要があります。そうでなければ書く意味がないからです。

意図の伝わる文書の書き方とは非常に難しいものでそれ全体についてここで議論はしません。ここでは非常に細かいトピックとして「改善する」という曖昧な言葉を使うことを避けよう、という話をします。(ちなみに文章の書き方の参考書として理科系の作文技術や数学文章作法は最高にオススメです)

当たり前の話ですが、ビジネスの現場では何かを改善したいというケースが非常に多いです。なので企画書なんかにその言葉が頻繁にでてきます。LPを改善します、機能を改善します、顧客対応を改善します…etc

そういう企画書があがってくると「なるほど、改善するのか。いいね!」その後に認識の齟齬が生まれたりするケースはとてもよく見かけます。このような問題はなぜ起きるのでしょうか。それは「改善する」という言葉が汎用性が高いので読んだ人たちがそれぞれ都合のよい解釈をしてしまうからだと考えています。

例えば「LPを改善する」と言われたときに何を思い浮かべるでしょうか?結果としてどうなれば改善されたと言えるでしょうか?「改善する」の一言ではこれについてばらつきが生まれてしまいます。当たり前です。明記していないのですから。

それでは、このような問題を回避するためにはどうしたらよいでしょうか。これは極めてシンプルで改善するという言葉をもっと具体的なものに置き換えればよいのです。そんな単純な、と思うかもしれませんがこれが多くの人にとって簡単ではないのです。

「LPを改善する」を言い換えるとしたらなんて書きますか。「問い合わせにつながる割合を上げる」とか「早期離脱を減らす」とか「アクセシビリティに配慮する」なんてものもありますね。いかがでしょう?「改善する」の一言よりもグッと明確になり認識のブレがなくなりますよね。

組織の認識を揃えることは組織として効率よく成果をあげるために非常に重要な要素の1つだと考えています。そのために今すぐできる1つのテクニックとして「改善する」という曖昧な言葉を使うことをやめてみるのはいかがでしょうか?組織を「改善する」ことができるかもしれませんよ。