データ主導型意思決定ガイド-プロセス、ヒント、メリット
ビッグデータは、おそらく過去10年の最大の流行語であり、正当な理由があります。データは今日のビジネスの運営の中心であり、国際データ社によると、2022年までにデータと分析への支出は2,743億ドルに達すると予測されています。
その多くは、デジタル情報を収集し、それを実用的なビジネス・インテリジェンスに活用することがいかに容易になったかと、関係しています。これは、ビジネスリーダーの間で思考の変化を促進するのに役立っています。その多くは、単に直感に頼ってデータ主導の意思決定プロセスを採用しています。
データ駆動型意思決定説明直感は、特定の状況で有用である可能性
がありますが、それだけで本能にすべてのビジネス上の意思決定をベースにすることは愚かだろう。やっぱり腸感は記録も検証も数値化もできないなそのためには、企業にはデータ分析が必要です。
データ駆動型意思決定（DDDM）は、本質的に推測ではなく、実際の定量化可能なデータに基づいてビジネス上の意思決定を行うプロセスです。これは、データアナリスト以外のユーザーがビジネスインテリジェンスをよりアクセスできるようにしたデータ分析技術の出現のかかとにかかっています。
データの民主化と呼ばれるこの傾向は、在庫や調達、顧客サービス、その他多くの部門での販売にいたるまで、企業が活動から情報を収集する機会を拡大しています。さらに重要なことは、企業はこのデータを使用して、広範なITサポートとインフラストラクチャを必要とせずにビジネス上の意思決定を行うことができます。
DDDMには、通常、次のアクティビティが含まれます。
- メトリックと主要業績評価指標（KPI）に基づくデータの収集 、
- データからのパターンの識別と分析
- インサイトを使用して、事業運営を改善し、ビジネスを達成するための戦略と活動を開発します
DDDMは紙上によく見えるだけでなく、結果も生成します。PwCのシニアエグゼクティブ1,000人を対象とした調査では、データ重視の組織は、データを活用しないことを選択した組織よりも、意思決定に効果的である可能性が3倍高いことがわかりました。
5 データ主導型の意思決定
のためのステップデータベースの意思決定を行うための単一の方法論はありませんが、ほとんどの組織は、ビジネスインテリジェンスを活用する際にこれらの手順に従う傾向があります。
1.データ分析の目標を設定する
効果的なデータアナリストは、組織とその包括的なビジネス目標を理解している人です。まず、次のような質問をします。
- 業界固有の最も差し迫った問題は何ですか。組織に？
- 同社は定期的にどのような課題に直面していますか？
- 同社の主なビジネス目標はどのようなものですか？
- データの収集と分析は、企業がこれらの目標を達成するためにどのように役立つのでしょうか。
これらの質問に対する答えを知ることで、企業がデータとビジネス目標との関係を理解するのに役立つ基礎知識が確立されます。また、組織はデータ収集方法を合理化し、時間とリソースの無駄を避けることができます。
2.[データソースのリスト]
次に、企業がデータを収集するソースを特定します。これには、既存のデータベース（在庫、サプライヤー、ニュースレターの購読者など）から消費者からのフィードバックフォームまで、あらゆるものが含まれます。
企業は、異なるデータセットの変数間の共通性を見つけることによって、データソースを調整する必要があります。もちろん、これは現在の目的のためにデータを使用する方がはるかに好都合であるため、より簡単に言えます。ただし、この同じデータセットは、将来、他のプロジェクトにも使用できます。
たとえば、入社から1年以内に退職する従業員の割合が異常に高いビジネスでは、経営陣やスーパーバイザーチーム内で何か問題がある可能性があると推測できます。しかし、この同じデータセットは、おそらくより良い期待を管理するために職務記述を改善することによって、会社の採用慣行を改善するために使用することができます。
3.データのクリーンアップ
データ分析の登場により、大量のデータの収集がかつてないほど容易になりました。しかし、これは最初のステップに過ぎません。次のハードルは、分析のためにデータをクリーンアップし、整理することです。
IBMによると、データの整理は、データアナリストの時間の 80% を占めることが容易であり、実際の分析に費やされる時間は 20% に過ぎません。問題は、80/20 ルールと呼ばれます。これは、ビジネスに対するその意味を解釈しようとする前に、クリーンで整理されたデータを持つことの重要性を強調しています。
信頼性の高いデータ分析プラットフォームは、これの短い作業を行います。しかし、データのクリーニングは、スプレッドシートプログラムで手動で行うこともできます。データセットをテーブルで整理してカタログ化したら、単にデータディクショナリを作成します。データディクショナリとは、データの意味、データセット間の関係、図の原点、データ形式などの情報のリポジトリです。
4.統計分析の実施
データが消去され、整理された後、会社のデータアナリストは、データの精度をテストし、データ収集プロセスの初期段階で特定された仮説/質問を確認するための統計モデルの構築を開始できます。統計モデルの例としては、決定木、回帰、ランダムフォレストモデリングなどがあります。
どのようなモデルが使用されている場合でも、データアナリストは、組織の主要な利害関係者に情報を提示するための最良の方法を決定する必要があります。これは、次の方法の1つ以上で行うことができます。
- 定量化可能な事実を提供する記述的プレゼンテーション
- 、特定のプロジェクト内の事実の文脈解釈を提供する
- 予測的プレゼンテーション、さらなるアクションが推奨される場所調査結果の解釈に基づいて
5.結論を出す
最後に、DDDMプロセスは、データの分析に基づく結論で終わります。簡単に言えば、これは、データの収集と分析から何を学びましたか？
一般的な信念に反して、結論は新しいものの発見である必要はありません。また、ビジネスがすでに知っているか、疑わしいものを確認することもできます。たとえば、小売業は、11月と12月の休暇中に在庫が不足する傾向があることを通知しています。しかし、在庫に変更を加える前に、履歴在庫データを調べて、この仮説が真であるかどうかを判断することを決定します。
また、調査結果と結論は、それらが効果的に提示されている場合にのみ有用であることを覚えておくことが重要です。つまり、データアナリストは、データビジュアライゼーションなどの技術を通じて物語を作成する熟練している必要があります。
データ主導型意思決定に関する一般的なガイドラインデータ分析のためのテクノロジーとサービスへの関心が高ま
っていますが、企業がデータ分析機能にどれくらいの費用を費やしているのか、組織内でデータをどの程度効果的に使用しているのかは分かりません。Cレベルのエグゼクティブ64人を対象とした調査によると、それぞれの組織でデータ主導型の文化を育むことができたと回答しているのは 72% に過ぎません。
この切断は、多くの場合、データ主導型の組織であることが何を意味するのかという根本的な誤解から生じるものです。テクノロジーと品質データだけでなく、適切な文化と内部プロセスを持って、データ主導の意思決定を行うことです。
次のガイドラインは、企業がDDDMでより効果的になるのに役立ちます。
1.個人的なバイアスをチェック
誰もが自分のバイアスを持っているので、データ主導の意思決定を行うときに完全に客観的であることが困難になる可能性があります。格言が行くように, 人々は、彼らが見たいものを見ます.幸いなことに、バイアスがデータ分析やDDDMを汚染するのを防ぐ方法があります。
- 偏りの挑戦を認める。バイアスが存在することを認識しているだけで、その影響を減らすための長い道のりになります。
- チームで働く。これにより、データアナリスト同士がチェックされるようになります。
- 矛盾するデータを探し、適切な質問をして、前提条件と初期調査結果をテストします。
2.できるだけ早くデータ収集を開始する
データ収集は、企業がデータ主導型であることを決定した日に行われる必要があります。情報を収集してログに記録するだけでなく、ビジネスが収集する大量のデータをクリーニングして整理するためのシステムを作成するという意識的な努力が必要です。
3.適切な質問をする
適切なデータ分析の質問をすると、チームは関連データに集中し、ウサギの穴を下り、どこにもないリードを追いかけることを防ぎます。
これは、データ分析チームの目標に戻ります。チームはデータから正確に何を学びたいですか？どのKPIが変数を測定するために使用されますか？データはどこから来るのですか？これらは、データアナリストが求めるべき多くの質問のほんの一部に過ぎません。
4.これらの質問に答えるためのデータのハント
次に、前の段階で特定された質問に答えるためのデータを見つけます。このデータがすでに収集されているかどうか、または取得するための新しいメカニズム（内部と外部の両方）を設定する必要があるかどうかを判断します。
5.データ分析
チームを再訪して再分析することを躊躇しないでください。データの解釈を再考し、再考することを恐れてはいけません。変更が発生するようにバインドされていますが、アナリストはそれらを失敗として見るべきです。むしろ、これらの瞬間は、彼らのデータ分析の実践を学び、改善する機会としてアプローチする必要があります。分析がどこに行かなかったかを理解し、すぐに修正すると、より正確な結果が得られます。
6.データを意味のある形で提示
するビジネスデータを分析した結果は、意味のある形で提示された場合にのみ役立ちます。データ分析チームは、ソフトウェアツールを使用することで、最新のデータストーリーを伝えるカスタムダッシュボードを作成し、効果的なデータ主導の意思決定を支援します。
たとえば、売上予測ダッシュボードには、売上高、営業経費、純利益率、期待収益など、会社の最も重要な財務 KPI の概要が表示されます。
7.測定可能な意思決定目標の設定
この段階では、ビジネス上の意思決定を開始しましょう。ただし、分析によるデータ主導の決定は、会社の全体的なビジネス戦略と目標と整合させる必要があることを覚えておくことが重要です。データアナリストは、適切な軌道に乗ることを確実にするために、測定可能な目標を設定することが不可欠です。
データ主導型ビジネスであることのメリットデータ主導型の意思決定は複数の利点を持つ複雑な規律
ですが、最も説得力のある3つのメリットは次のとおりです。
- 自信を持って意思決定- データを使用して企業の意思決定プロセスを導くことで、より客観的な意思決定が可能で、特定の条件下で検証、テスト、複製することさえできます。
- コスト削減- Harvard Business Review の調査によると、運用コストを削減するためにデータプロジェクトに着手した 組織の 49% が肯定的な結果を得ました。
- プロアクティブな意思決定- 十分な時間と実践で、データ主導型の意思決定を行う企業は、需要を予測したり、まだ開発中の製品の製品市場適合性を決定するなど、より積極的な方法で分析を活用することを学びます。
もちろん、データ主導のビジネス上の意思決定を行う組織の能力は、正確なデータを扱うという前提に基づいています。
データ統合（DI）などのデータ管理手法では、複数のソースに存在する定量化可能な情報を、ビジネス・パフォーマンスのリアルタイム・ビューを提供するデータセットに統合することで、この課題に対処します。人工知能と機械学習をDIシステムに統合することで、正確で完全なデータ値とメタデータを保存する能力がさらに向上します。
最後に、データ主導型の組織は、データ主導型の意思決定を継続的に再検討し、質問し、再分析する必要があります。組織は、状況や状況に応じてビジネス目標を変更する必要もあります。つまり、新しいデータ分析アプローチを採用することになります。
利益を高めるビジネスKPI
ビジネス意思決定プロセスの 7 つのステップビジネス意思決定プロセスの 7 つの一般的なステップ
ビジネスデータ分析：
