「データのうそ」とは？
データは正しい顔をしながら、うそをつきます。
「データのうそ」の概要
現代のビジネスにおいて、データは意思決定の重要な基盤です。しかし、データは万能ではなく、その解釈や使い方を誤ると大きな過ちにつながることがあります。データの有用性は目的や解釈、使い方によって変わり、データは平気でうそをつくこともあります。データ上で正しくても、未来がそうなるとは限りません。また、データ化できるものがすべてではないため、データマネジメントには適切なスキルが必要です。
データに基づく意思決定は強力なツールですが、誤ったデータ解釈はリソースの無駄遣いや不適切な戦略の実行を招きます。悪意を持って間違ったデータを作ることも可能であり、自らがデータに騙されることもあります。
「データのうそ」の種類
「データのうそ」には以下のような代表的なパターンがあります。
- 原因の勘違い: ある結果に対する原因を誤認識すること。
- 前提の考慮不足: 妥当でない前提の上で予測や計画を立ててしまうこと。
- 平均値の罠: データのばらつきを考慮せず、平均値だけで判断すること。
- 対象の偏り: データの調査対象が調査目的に適さない場合。
- 因果の逆転: 原因と結果を逆に考えてしまうこと。
- 課題の誤認: 自社でコントロールできない要素を課題としてしまうこと。
これらの「データのうそ」を避けるためには、データの背景や関連する要因をしっかりと分析し、誤った解釈を防ぐことが重要です。
原因の勘違い
見かけの相関関係に注意し、真の原因を探りましょう。
原因の勘違いとは、ある結果に対する原因を誤認識することです。この過ちが生じる主な理由は、見かけの相関関係や、実際の原因を見逃してしまうことにあります。二つの変数が同時に動いている場合、それが必ずしも一方が他方を引き起こしているわけではありません。
事例：EXサイトのメールマガジンの配信と売上
あるECサイトでは、特定の時期にメルマガAを配信し、その結果売上が増加しました。この成功を受けて、同じ内容のメルマガBを別の時期に配信しましたが、売上は横ばいのままでした。では、売上が伸びなかった理由は何でしょうか？
事例の解説
この事例では、ECサイトの担当者が売上増加の原因をメルマガAの効果と解釈しました。しかし、実際にはゴールデンウィーク（GW）という特定の時期における消費者の購買意欲が高まっていたため、売上が増加したのです。メルマガBをGW以外の時期に配信したところ、売上は増加せず横ばいのままでした。このように、特定の時期やイベントによる影響を無視してしまうと、誤った因果関係を導き出してしまいます。
原因の勘違いへの対策
相関関係と因果関係を区別するためには、データの背景や他の要因を徹底的に分析し、因果関係を検証することが重要です。
原因の勘違いを避けるためには、以下の方法が有効です：
- 見かけの相関関係に注意：二つの変数が同時に動いている場合でも、他の要因が影響している可能性を考慮します。データの背景を徹底的に分析し、他の可能性を排除しないようにします。
- 第三の要因の考慮：関連する他の要因を考慮し、全体像を理解することが重要です。
- 実験的アプローチの採用：可能な場合は実験を行い、変数間の因果関係を検証します。
前提の考慮不足
議論に出てこない前提まで考慮しましょう。
前提の考慮不足とは、データ分析や予測を行う際に、適切な前提条件を考慮せずに結論を導き出してしまうことです。この過ちが生じる主な理由は、前提条件が不明確だったり、現実に即していなかったりすることにあります。
事例：電話営業と受注件数
ある企業では、来年度の売上目標を前年のコンバージョン率（CVR）データに基づいて設定しました。具体的には、売上目標を倍にするために、アプローチ件数（顧客への接触回数）を大幅に増やす計画を立てました。しかし、実際には受注目標を達成することができませんでした。では、受注が伸びなかった理由は何でしょうか？
解説
この事例では、前年のCVRを基にアプローチ件数を増やすことで売上目標を達成できると考えました。しかし、実際には見込みの低い顧客にも多くアプローチすることになり、コンバージョン率が低下しました。また、営業担当者にかかる負荷が増大し、顧客対応の質が低下したことも原因の一つです。このように、前提条件を現実に即していないまま計画を立てると、誤った結論に至ることになります。
事例：焼肉屋の売り益と売上
ある焼肉屋は売上1000万円、粗利益440万円で営業していました。利益を伸ばすために売上を2000万円に増加させる目標を立てました。売上目標は達成したものの、肝心の利益はあまり伸びませんでした。では、なぜ利益が伸び悩んだのでしょうか？
解説
この事例では、焼肉屋が売上を倍にするために、全体の売上目標だけに注目し、商品の利益率を考慮しませんでした。その結果、利益率の低い商品（牛タン）の売上が大幅に増加し、粗利益が十分に確保できなかったのです。一定の利益率以上のメニューの売上を増やすという前提が抜けていたため、売上が伸びても利益が伸び悩む結果となったのです。
前提の考慮不足への対策
適切な前提条件を考慮し、現実に即した分析を行うことで、より正確な結論を導き出すことができます。
- 前提条件の明確化: 分析や予測を行う前に、前提条件を明確に定義し、その妥当性を確認します。
- 現実的なデータの利用: 最新の市場データや競合状況を反映したデータを使用します。
- シナリオ分析の実施: 複数のシナリオを想定し、各シナリオに基づいた予測を立てることで、リスクを分散させます。
平均値の罠
個別のデータや外れ値に注目しましょう。
平均値の罠とは、データのばらつきを考慮せずに平均値だけで判断してしまうことです。この過ちが生じる主な理由は、平均値がデータの全体像を正確に反映しないことがあるためです。平均値はデータの中心傾向を示す指標ですが、分布の広がりや外れ値を無視してしまうと、誤った結論に至ることがあります。
事例：トップセールスと一般的な営業マン
ある営業部のトップセールスと平均的な営業マンの成績は以下の通りです。トップセールスは1社あたり売上が高いため、成績が良いと評価されました。では、営業戦略はどのように策定するべきでしょうか？
事例の解説
この事例では、トップセールスはごく一部の企業でしか大きく売上を上げられておらず、他の企業では一般的な営業マンと大差ない成績を出していました。1社あたりの単価を上げるのを目指すのではなく、トップセールスが高い売上を上げている顧客の成功事例を分析し、その成功要因を他の顧客にも再現することにより、全体の売上を底上げすることができそうです。
平均値の罠への対策
平均値の罠を避けるためには、データのばらつきや外れ値を考慮し、平均値だけに依存しない分析を行うことが重要です。特にダッシュボードで代表値を観察している場合は注意します。
- 個別データの詳細な分析: 平均値だけに頼らず、各データポイントを詳細に確認します。個別のデータを分析することで、特定の成功要因や問題点を明確にすることができます。
- 分散や標準偏差の確認: データの広がりを示す指標である分散や標準偏差を確認し、ばらつきの程度を把握します。これにより、データの全体像をより正確に理解することができます。
- 散布図の利用: データの分布を視覚的に把握するために、散布図を使用します。これにより、外れ値や極端な値の存在を確認しやすくなります。散布図を用いることで、データポイント間の関係性やパターンを視覚的に理解することができます。
対象の偏り
どのようにデータが取得されたのかに着目します。
対象の偏りとは、データの調査対象が調査目的にそぐわない場合に生じる過ちです。この過ちが生じる主な理由は、調査対象の選定が不適切であることにあります。対象が偏っていると、得られたデータが全体を正確に反映しないため、誤った結論に導かれることがあります。
事例：離職率低減に向けた調査
ある企業では離職率の低減が課題となっていました。そこで従業員への調査を実施し、やりがい、成長機会、企業理念が高評価項目として挙げられ、クレーム数、給与が低評価項目として挙げられました。調査結果に基づき、やりがいの向上や成長機会の提供といった施策を実施した結果、従業員満足度は向上しましたが、離職率は横ばいのままでした。では、なぜ離職率が低減しなかったのでしょうか？
事例の解説
この事例では、調査対象を現在の従業員のみに限定していたため、離職者の意見を反映できませんでした。実際には、離職者が低く評価する「人間関係」は依然として改善されておらず、離職率が低減しなかったのです。離職者を調査対象とすべきところを、従業員のみを調査対象としていたため、得られたデータが全体を正確に反映していませんでした。
対象の偏りへの対策
調査目的に合った適切な対象を選定し、複数のグループを含めて分析することで、偏りを防ぎ、正確な結論を導き出すことができます。
- 調査対象の選定を見直す: 調査目的に応じて、適切な対象を選定します。
- 複数の対象を含める: 調査対象を複数のグループに分けて分析することで、偏りを防ぎます。
- サンプルの代表性を確保する: 調査対象が全体の代表となるようにサンプルを選定します。
因果の逆転
因果関係が本当にあるのか思考しましょう。
因果の逆転とは、「原因」と「結果」を取り違えることです。この過ちが生じる主な理由は、観察されたデータから誤った因果関係を推論してしまうことにあります。実際には、観察された相関関係が逆の因果関係を示している場合もあります。
事例：商談回数と受注率の相関
ある企業では、商談回数が多いほど受注率が高い実績がありました。そこで、受注数を増やすために商談回数をKPIとし、商談回数を増やす目標を設定しました。しかし、実際には受注数は変わらず、商談回数だけが増加しました。では、なぜ受注数が変わらなかったのでしょうか？
事例の解説
この事例では、商談回数が多いことが受注率の向上を引き起こしていると誤解されました。しかし、実際には受注を検討する顧客が商談設定を容易にする傾向があり、その結果として商談回数が増えていたのです。つまり、商談回数が多いことが原因ではなく、受注を検討する顧客が多いことが商談回数を増やす結果となっていたのです。
因果の逆転への対策
相関関係と因果関係を区別するためには、データの背景や他の要因を徹底的に分析し、因果関係を検証することが重要です。
- 因果関係の検証：統計的手法や実験を用いて、実際に一方が他方を引き起こしているかどうかを検証します。
- データの背景分析：データの背後にある要因を分析し、観察された相関関係の実際の原因を特定します。
- 異なるデータセットの比較：同様のデータセットや異なるデータセットを用いて、結果が一貫しているかどうかを確認します。
課題の誤認
実際に制御できる要素に着目しましょう。
課題の誤認とは、ビジネスの問題解決において、実際には制御不能な変数を課題として設定してしまうことです。この過ちが生じる主な理由は、全体像を把握せずに一部のデータや指標だけに注目してしまうことにあります。その結果、効果的な対策が講じられず、問題が解決しないままとなることがあります。
事例：飲食チェーンの店舗売上減少
ある飲食チェーンでは、1店舗あたりの売上の減少が問題となっていました。店舗内飲食の売上に関して、客数向上と客単価向上の二つの課題を特定しました。しかし、客数は頭打ちで増加が難しく、客単価向上を課題とすることにしました。結果として、店舗売上は改善されませんでした。では、なぜ店舗売上は改善されなかったのでしょうか？
事例の解説
この事例では、店舗内飲食の売上を上げること自体に限界があったにもかかわらず、各店舗での客単価向上という制御不能な変数に注目してしまいました。実際には、持ち帰りや宅配の売上拡大に注力すべきだったのです。制御不能な変数である「客単価の向上」を課題と設定してしまったため、店舗売上の改善が見られなかったのです。
課題の誤認への対策
全体像を把握し、制御可能な変数に注目することで、適切な課題を特定し、効果的な対策を講じることができます。
- 全体像の把握：問題解決のためには、全体の状況を把握し、どの要素が本当に影響力を持っているかを分析します。
- 制御可能な変数に注目：問題解決のためには、制御可能な変数に注目し、具体的なアクションプランを立てます。
- データの多面的な分析：一部のデータや指標だけに注目せず、多角的にデータを分析し、真の課題を特定します。
まとめ
この記事では、データの誤解や誤った解釈がどのようにしてビジネス上の意思決定に悪影響を及ぼすかについて解説しました。
- 「データのうそ」とは？: データは目的や解釈、使い方によって有用性が変わるものであり、その解釈には注意が必要です。データの背後にある現実の複雑さを理解し、データが示す意味を慎重に判断することが重要です。
- 原因の勘違い: 原因の勘違いとは、ある結果に対する原因を誤認識することです。これは見かけの相関関係や、実際の原因を見逃してしまうことによって引き起こされます。
- 前提の考慮不足: 前提が考慮されずに、予測や計画を立ててしまうことによる過ちです。前提条件を明確にし、それが現実に即しているかを確認することが重要です。
- 平均値の罠: データのばらつきを考慮せずに平均値だけで判断してしまうことです。平均値だけでなく、分散や標準偏差、ヒストグラムなどを使ってデータの全体像を把握することが重要です。
- 対象の偏り: データの調査対象が調査目的にそぐわない場合に生じる過ちです。適切な対象を選定し、偏りを防ぐための多角的なデータ分析が必要です。
- 因果の逆転: 「原因」と「結果」を取り違えることです。観察された相関関係が逆の因果関係を示している場合があり、因果関係を慎重に検証することが重要です。
- 課題の誤認: 適切な課題を特定できず、実際に影響力の大きい要素を見逃してしまうことです。全体像を把握し、制御可能な変数に注目することで、効果的な対策を講じることができます。
データの解釈には慎重さが求められ、データが示す意味を正確に理解することで、誤った意思決定を避け、ビジネスの成功に繋げることができます。
コメント