「シェア」の変化を可視化して分析する（効果的なグラフの使い方）
今回は米国の検索広告市場シェアの変化を例題として、グラフの使い方と選び方を考えてみます。
武田 邦敬
データドリブンHRコンサルタント。ピープルアナリティクス内製化パートナーとして、データ活用を経営と人事の「文化」にする伴走者。
119 posts
データによる予測手法の選択戦術
予測問題にチャレンジするデータアナリストに向けて、予測問題の位置づけや手法選択のための戦術をお伝えします。
「スキルベース」はピープルアナリティクスにどう活用できるか？
最近人事分野では、「スキルベース組織（skills-based-organization）」というキーワードがトレンドになりつつあります。このレターではスキルデータの活用シーンとハンドリングについて考えてみます。
仮説検証サイクル、どこから始めるべき？ （自己診断ツールご紹介）
以前投稿した記事にて、ピープルアナリティクスは人事に仮説検証型のプロセスを導入するための手段だということをご説明しました。 そして、仮説検証の進め方として、Detect/Dig/Decide/ImplementからなるDDDIサイクルという考え方を提唱させていただきました。 ピープルアナリティクスの仮説検証サイクル（DDDIサイクル）ピープルアナリティクスでは、ファクトをベースに問題を発見し課題解決につなげていくことがポイントになります。これにより、人事に仮説検証型のプロセスを導入することができます。 この記事では人事における仮説検証のイメージをお伝えし、ピープルアナリティクスを人事にビルドインするための考え方（DDDIサイクル）をご紹介します。 ビジネスにおける仮説検証 ビジネスにおける仮説の検証とは、ビジネス上の施策を仮説をもって実施しその効果を振り返り軌道修正を図るような取り組み全般を指します。これはピープルアナリティクスに限らず、ビジネスの様々なシーンで活用されているアプローチです。 例えば、生産現場における改善や、WebマーケティングにおけるA/Bテストが代表的な仮説検証...
データ分析ダンジョンに潜む魔物
こんにちは。データ経営コンサルタントの武田邦敬です。 リニューアル後1回目の配信になります。 本レターでは、しばらくデータアナリストやデータサイエンティストが抱える課題感について考えてみたいと思います。今回のテーマは「データ分析ダンジョンに潜む魔物」ということで、データ分析プロジェクトの最大の障壁を取り上げます。チームの状況や経験年数によって壁は変わってくると思いますが、過去の自分やチームメンバーが直面してきた課題から、もっとも重たいものをあげてみました。 まずは、過去の失敗事例からお伝えしたいと思います。...
AI検索の行く末と企業変革の難しさ
最近、AI検索がGoogleのビジネスにどう影響を与えるのか気になっています。本記事は、AI検索の動向を探りつつ、強固なビジネスモデルを持つ企業の変革について考えてみます。また、最後に企業変革においてデータをどう活用していけばよいのか考察します。 AI検索の行く末 LLMによるAI検索はGoogleのビジネスモデルにどんな影響を与えるでしょうか。PerplexityのAI検索は驚くほど使いやすいので、重宝している方も多いでしょう。ほぼ独占状態にあるWebサーチ分野で、AI検索はそのビジネスモデルを揺るがすものになるかもしれません。 一方、Perplexityも広告を取り入れることを検討しているといいます。GoogleのAI検索も同様の方針。Open AIもAI検索に参入するようですが、そのビジネスモデルは今のところ広告に寄らないように見えます。 米AI検索・PerplexityCEO「メディアと広告収入分配」 日本でも意欲 - 日本経済新聞【シリコンバレー=山田遼太郎】人工知能（AI）を使う検索サービスを手がける米新興企業のパープレキシティは、広告収入をメディア企業と分配する...
ダッシュボードを作る前に、データを深掘りして対話する
データドリブン経営の肝は意思決定に数字を持ち込むことです。KPIを追いかけることはもとより、KPIと他のアクションとの関連性を統計的に分析することで、ファクトベースで施策を打てるようになるのが理想的です。 このように考えると、数字を効率的に追従して周知するためにBIによるダッシュボードを作るという話に繋がってきます。ダッシュボードをうまく作ると、見るべき数字のグラフや集計結果を一目でわかり、データも随時更新されます。部下やステークホルダーからのペーパーベースでの報告書を待つのではなく、いつでも見られるようにしておけばトレーサビリティも上がって素晴らしいというわけですね。 ダッシュボードの作り方について考えてみます。 KPIを可視化する（トップダウン） さて、この「ダッシュボード」ですが、それを作るときにどのような情報を詰め込むか明確になっているでしょうか。 トップダウンで考えるならば、組織目標としてのKGIがあり、KGIをブレイクダウンしたKPIが構成されていて、それらのKGI/KPIと補助情報をダッシュボードに盛り込めば良いということになります。しかし、このように作ったダ...
グラフを使って対話しながら進める
データ分析プロジェクトでは、対象とする業務や問題設定を問わず、どこかの時点でグラフを描くことになります。初期分析や探索的データ分析、分析結果のレポーティングなど、データアナリストはグラフを活用しながら分析を深めていきます。 人事データ分析でもグラフは大切ですが、とりわけプロジェクトメンバーとの議論を深めるために欠かせないものだと考えています。それはレポーティングの場面だけでなく、日常的なグラフを使った対話が大切だという意味です。 この点について、他分野のプロジェクトと比較しながら掘り下げてみます。 コミュニケーション密度 データ分析に必要な時間は様々ですが、少なくとも1.5か月から3か月を最小期間としてプロジェクトを回すことが多いのではないでしょうか。データ分析リソースを外部調達している場合は、半年から1年程度のプロジェクトになるかもしれません。 人事データ分析のプロジェクトでも同様なボリュームになりますが、他分野のプロジェクトと比較してよりコミュニケーションに時間をとる印象があります。主観的ではありますが、うまくいくプロジェクトほどプロジェクトメンバーでよく会話してい...
データを業務に活かすためのデータ分析デザインフレームワーク TIHAM
解きたい問題に対して分析アプローチを考える場面というのは、データサイエンティストやアナリストの腕の見せ所です。 例えば、人事データからハイパフォーマーの行動特性を探るタスクでは、パフォーマンスや行動特性の計量方法から、それらの関係性を推測するモデリング手法、評価観点などの分析アプローチを考えることなります。これは問題設定とも呼ばれ、業務課題を技術課題に落とし込む重要なフェーズで、データサイエンティストやアナリストの応用力が問われます。 問題設定が完了すればあとはデータを使って分析していくことなります。そして、分析を依頼された人やチームへのレポーティングを行えば分析プロジェクトは完了となるわけですが、このときに次のような会話になったことはないでしょうか？ * 分析結果を報告したら「わかっている話しかないね。もっと何かないの？」といわれてしまった。 * 分析結果をめぐってクライアントチームのメンバーが対立し始めてしまった。 * PoC結果を報告したが「システムはできていないの？ 早くAIを導入して楽にしてよ」と指摘されてしまった。 * 「大変参考になりました」とのコメントがあ...