【人事必見】誰でもすぐに使える、データ分析に最も重要なスキル
こんにちは。
皆さん「データ分析」って聞くと、何を思い浮かべますか?
「難しそう」、「一部の人しかできない」、「理系っぽい」「変態そう」。。。
いや、変態言うな。
どうしても、「ちょっと自分には無理かなぁ。」なんて思う人もいるかもしれませんが、それは違います。
文系出身でも、統計学の知識が無くても、数字が苦手でも、今日から活用して、今日から成果をだせます。
様々なデータサイエンティストと仕事してきましたが、むしろ文系出身の方や、数学が苦手の方が活躍できます。
今回はそんな「明日から使える、データ分析で最も重要な能力」について記事を書きます。
はじめに
データ分析業務は、一般的には以下の10のステップで進むと言われています。(ChatGPT調べ)
問題の定義と仮説構築:
解決すべき問題や達成すべき目標を明確に定義します。
ビジネス目標や課題に基づいて、仮説を作ります。
データの収集:
必要なデータを収集します。これには、外部データの入手、データベースのクエリ、APIの利用、または実験などが含まれます。
データの理解:
データを初めて見たときに、データの特徴や構造を理解することが重要です。
基本的な統計量や可視化ツールを使用して、データの要約統計や傾向を把握します。
データの前処理:
欠損値や外れ値の処理、データの正規化や標準化、カテゴリカル変数のエンコーディングなど、データをモデルに適した形に整形します。
特徴量の選択またはエンジニアリング:
モデルの訓練に使用する特徴量を選択または新しい特徴量を生成します。
特徴量エンジニアリングでは、ドメイン知識を活かして有益な特徴量を作成することがあります。
モデリング:
適切な機械学習モデルを選択し、トレーニングデータにモデルを適合させます。
モデルのハイパーパラメータの調整も行います。
モデルの評価:
モデルの性能を評価するために、テストデータや検証データを使用して評価指標(精度、再現率、F1スコアなど)を計算します。
結果の解釈:
モデルの予測結果や特徴量の重要度を解釈し、ビジネス上の洞察を得ます。
ビジュアライゼーションや説明可能なAIの手法を使用して結果を理解しやすくします。
結果の伝達:
分析結果や洞察を他の関係者に伝え、行動可能な提案や意思決定のサポートとなるように情報を共有します。
モデルの運用:
モデルが本番環境で利用される場合、モデルの運用を確立し、継続的なモデルの評価と更新を行います。
・・・・以上です。
・・・・
・・・・・
いやぁあぁぁぁあああああああぁあああああ!!泣
こんなん分かるわけないやん! と思いましたよね。
そう。これが「データ分析が嫌がられる=浸透しない理由」です。
でも、本当に貢献できる所はどこにもないんでしょうか?
いえ、そんなことはありません。冷静に役割を分担し、ご自身が貢献できる部分を見極めましょう。
あなたにできて、データサイエンティストに出来ないこと
さて、複雑怪奇なデータ分析業務の中で、「最も価値があって、皆さんにしか出来ないこと」って何でしょうか。
それは、10ステップの「1(仮説構築)」の部分です。
現場で働く人や、対面に立つ人間が、最も課題に近く、大きなビジネスチャンスをつかむ機会に恵まれています。目で見る情報、肌で感じる空気、雰囲気、感情の動き、顧客の行動・表情など、データ化しにくい現場の情報が、あなたに蓄積されています。
その情報をつなぎ合わせ、良質な仮説を作るのです。
そう。大事なのは仮説なのです。
例えばですが、あなたが財布を落とした時、まず何を考えますか?
「どこを歩いて来たのか?」「最後に見たのはいつか?」など、このあたりの質問を自身に投げかけ、「大体この辺にある」という仮説を立てます。
仮説を立てるのは、「早く、正確に、楽に財布(=正解)を見つける」ためです。
データ分析の最初のステップ、「仮説構築」が高い品質であれば、より早く正解にたどり着けるのです。
逆に仮説が甘いと、どれだけ高機能な双眼鏡を使っても、デジタルデバイスを使っても、数百人の助っ人を動員しても、見当違いの場所を探しては、正解にたどり着きません。(行ったことのないデパートの落とし物センターに問い合わせしないですよね。)
そう。お分かりの通り、品質の高い仮説がすべての始まりであり、最も重要な作業です。これはデータサイエンティストにはできません。あなたしか生み出せない価値なのです。
活躍するデータサイエンティストの特徴
人事とデータサイエンスで突出した実績を残すNetflixが、興味深い実験をしました。それは、活躍するデータサイエンティストとそうでないデータサイエンティストの違いを調べたのです。
すると、非常に面白いことに、たった一つだけ違いがありました。それは、活躍層は「音楽」が好きという事実です。(分析楽しい、、ハァハァ)
そこで、分析者はその事実を見て、一つの仮説に行きつきました。
データサイエンスの価値を分けるのは、「技術力」ではなく「右脳」なんじゃないか。という仮説です。
そこから、入社試験で「直感・ひらめき」などを見るようになり、採用の成功率を飛躍的に伸ばしたそうです。
つまり、データ分析には「いかに”ひらめき”を生めるか」が求められています。その後のデータ分析の工程は誰がやっても一緒です。それは、誰か出来る人にやってもらえば良いのです。
あなたは、あなたにしか創出できない価値を生むことに集中すれば良いのです。例えば・・・
・エンゲージメントって、上司じゃなくて経営陣への信頼が大きいのでは?
・評価は「頭の良さ(筆記試験)」ではなく「性格(性格診断)」の方が関係しそう?
・辞める人は、退職直前で出社率が急減するのでは?
・退職者は、社内ではなく社外の景気に左右されるのでは?
・フルリモートは、生産性を上げるが、新規アイデア数は減るのでは?
などなど。意外と簡単に仮説はひらめきます。
あとは、そのひらめき(火種)を持って、データ分析が分かる人材(info@i-data1.com)に駆け込めば、大きな炎に変わるかもしれません。
そして、「分析した結果、無関係だった」と分かることも、非常に重要な資産なのです。この認識がないと、人事施策に付加価値は生まれにくいのです。
↓データドリブン人事が進まない理由も併せて読んでみてください。
最後まで読んで頂きありがとうございました。
いかがでしたか。仮説構築はすべて「ひらめき」なので、職場でもすぐ使えますし、ここがデータドリブン、ピープルアナリティクス、人的資本経営の第一ステップです。
是非、遊び心を持って、色々な仮説を考えてみてください。
どんなデータを取ればor使えば検証できるだろう、どんな統計手法で立証できるだろう。なんて専門的なステップは、出来る誰かに相談すれば解決です。
是非、皆さんの職場での組織力向上・経営力向上に寄与することを願っています。
この記事が気に入ったらサポートをしてみませんか?