202405-2_内省浪漫
今年から始めることにした週ごと、月ごとの個人的に学べたことや気づけたことの振り返りを今週もしていこうと思います。
スタートアップのアイデア
矢本さんの以下の記事を読ませていただきました。
この記事では、最後に「このエッセイでグレアムが伝えたい本質は「アイデアは問題から始まる」ということに集約される」と言われており、自分のペインからあるべき姿があって、そことの差分からアイデアを探し出していく、その様なことかと思いました。
僕は自分なりのビジョンミッションを考えていましたが、アイデアに落としていくとき、乖離をいつも感じていました。今回の記事を読んで改めてそこを考えていたのですが、僕は具体化が苦手なのですが、自分なりには具体化していったつもりの過程が、抽象度が高く、いくつかレイヤーがまだあることがわかりました。
フリーアジェンダでタベリー初期の頃の話もあり、自信が悩んでいたレシピ1週間分の悩みから、MVPを作り良かったから、ソーシャルに投下し、意見をヒアリングし、マネタイズできるかをココナラで試してみたという経緯もとても面白かったです。
僕の解決したいペインと向き合い、あるべき姿と現状の定義を今一度捉え直そうと思います。そして、そことのギャップ、また現状人々はどの様なジョブを雇用しているのか、そのあたりもっと考えていけたらなと思います。
分析
樫田さんの分析についての記事を読ませていただきました。
分析とは、『A or B』という問いに対して解を出すこと
step① 解くべき問い（知りたいこと）を見つける
step② AoB問の形に落とす
step③ そのAoB問にどうすれば解を出せるかを定義する
step④ 必要な数字を揃えAoB問の解を導出する
step⑤ 解となる情報を説明可能な形に落とす
上記の様に、分析を『A or B』という問いに対して解を出すことと定義し、各ステップの解説をしてくれております。EBMのようなステップ感で個人的にはとてもわかりやすかったです。ただ、EBMもそうでしたが、このような思考回路で習慣化していく必要があると思い、言葉としてはとても簡潔にしてくれておりますが、習慣化できるまでには回り道を繰り返していく気が、僕は不器用な面もありますので思います。
今までも、実数値を見ながら、でどうするんだろうと思うこともあり、DMMの記事では実数値というよりは比較できる形の比率や割合で表現すべきという内容も書かれておりました。
あらゆる問いに対して、いったん『A or B』の問いに直していく必要があり、そこから意思決定に必要な解を引き出すためにどの様な情報を揃えていけばいいのかを考え、できたアウトプットを意思決定者が使えるように整備しアウトカムにつなげていく、というサイクルが大事なのかと思いました。
KPI
こちらも樫田さんのKPIについての記事を読ませていただきました。
@vxyn さんのまとめスライドがわかりやすく、本文でも紹介されております。
@hik0107 さんの「良いKPIとはなにか」を図解してみた。
— ワイエヌ (@vxyn) January 1, 2019
[図解]良いKPIとはなにか｜vxyn @vxyn｜note（ノート） https://t.co/5FM9SXnZTf pic.twitter.com/AJcFP2wWYZ
先週もKPiについて少し触れ、その時は、KPIは法人や事業の人格を表す形になっているかという視点がありました。
この記事でも、最終的には、KPIが目的に直結しているか、そのための物差しとして、上のスライドの様な視点やチップスが散りばめられていると感じました。
先週の意思決定の部分でも、意思決定には、正しさと早さと納得感が必要とあり、使いやすさの部分にはTermでの早さの部分、Measurableの部分や現場視点として納得感の部分にもつながりがある様に思います。
上の分析の部分で、僕は、AoBにするために、まずはKPIツリーなど何かしら可視化できる様に考えていくことが多いのですが、使ってもらえる、意思決定につながるKPIになっているかの自問自答がとても大事なのかと思います。
さまざまな分析チームからの学び
樫田さんの記事の中で、分析チームについてのリンクがまとめられているものがあり、そこのリンクからいろいろ学ばせていただきました。
古い記事が多いですが、分析駆け出しの僕にとっては学ぶべきものが多いと思っています。
個人的に印象に残った部分です。
複雑な問題を“再現性を担保した形”で解いて、それを適切にサービスに活かすスキル。
複雑な問題を解くためには、2つのスキルがあるといいと思っていまして、1つ目が、大量のデータを効率的に理解するための道具としての「統計解析のスキル」。2つ目が、限られた情報の中から適切な仮説を立てて、データで検証を重ねながら理解を深めるための「仮説思考のスキル」です。同じ操作をした時に、同じ結果を生み出せるものを「再現性がある」と表現。
まずは想定するユーザーシナリオを可視化して、それぞれのポイントでどの数字を見るのかを、遷移図を書いて確認しています。
gumiのデータ分析チームが直面したのが個別化と標準化の課題だ。あるプロジェクトに対して有効なソリューションを提供しようとすると個別最適化されていくが、そうなると会社全体での知見の横展開、標準化が進まない。そこで、データ分析チームではKPIを3種類にレベル分けして計測・管理する仕組みを取り入れている。
ほぼすべてのゲームに共通する指標をL1、ある程度共通するが意味合いや計測方法がゲームごとに異なる指標をL2、各ゲームで完全に異なる指標をL3とした。L1とL2はどのゲームでも見られるようにして知見を横展開し、個別に見るべきポイントもL3でしっかり見ていく。
他にも個人的なメモは残しているのですが大きくはこの辺りが結構参考になりました。今までの部分との関連は深い部分かと思いますが、如何様にも解釈できるビックデータを、仮説思考や統計解析により、いかにAoBの形に整理して、再現性のある形で意思決定に寄与できる様にすることができるか。
健康面では、ペイシェントジャーニーについてよく考えることが多く、サンキー図などで表現できないかを素人ながらに考えるのですが、ジャーニーを書き出した後にそれぞれのポイントでみることのできる数値を書き出し、どの数値がジャーニーを表しているのか。
さまざまな依頼がくる中で、一旦今までの自分が学んだものをコピペして数値を出そうとするのですが、結局各依頼に対して、修正コストが嵩張りどうしたもんかと考えていたのですが、これまでのアウトプット内容を細分化し、標準化レベルの様なものをリスト化しておくことで、今後の分析作業の効率性も上げられそうな気がしてきました。
まだ、これらのことは学んだだけで、行動に移せていないことも多いので、きちんと行動に移しながら、自身にマッチした形を模索していきたいなと思います。
ヘッダー画像：generated by DALL-E
この記事が気に入ったらサポートをしてみませんか？