データ分析とインテリジェンス

タグ「データ分析プロセス」 の検索結果

成功する要求仕様 失敗する要求仕様

まずはこの文章を読んでもらいたい。これでピンとくるものがあれば、読んで損はない。

もっとざっくりいうと、「客の話を聞き、優先順位を付けて、文書として残す」である。聞けば誰でもわかるが、うまくできる人はなかなかいない。ろくに話も聞かずに勝手に独りよがりな分析やツールを作って「わからない奴が悪い」「面倒でもなんとかしろ」「わかりづらくても慣れろ」などという作り手の身勝手な考え方は許されるべきではないし、たとえ立場が強くてその時は通用したとしても必ず淘汰される。そうならないようにきちんとコミュニケーションをとる、それが「要求のマネジメント」であるということだろう。

>>>続きを読む

データ分析がプロセスであることを意識しないと見えないこと

データ分析をしたいと統計学や機械学習の勉強をしている人は多いでしょうが、いざ実際に使ってみようとするとなかなかうまくはいきません。それは統計学や機械学習の手法を使うというのはデータ分析のプロセスの一部であってそれだけでは成立しないからなのですが、そのことについて触れられる機会は非常に少ないです。

>>>続きを読む

データハンドリングや前処理はもっと注目と評価をされるべき

データマエショリストなどという呼び方が一部されているが、少々自虐的な言い方でもあり、そこには分析が主であり前処理はあくまでも従に過ぎないという意識があると思われる。しかし、本来単に与えられたデータを分析のために加工することのみをさすのではなく、もっと幅広い概念であるはず。すなわちデータ分析プロセスの全体像「インテリジェンスサイクル」とはで言う「要求」「収集」のフェーズを情報分析サイドとして速やかに正確に行うことである。その内容をざっと上げれば以下のようになるだろう。

>>>続きを読む

分析の目的は意思決定と行動の質の向上である

「分析は目的ではなく、それだけでは成立しえない」という認識を持てるかどうかで、データサイエンティスト・データアナリストとしての価値は大きく変わると断言できる。

>>>続きを読む

分析が失敗する理由とその対策

情報収集が失敗する理由とその対策につづいて、分析が失敗する理由とその対策についても考えてみる。

>>>続きを読む

インフォメーションとインテリジェンスの違い

インテリジェンスという用語が広まってきたからだろうか、最近データ分析関連本の中でも、冒頭にインフォメーションとインテリジェンスの違いについて触れられることが増えてきたように思われる。このブログでは「インテリジェンス」の代わりに「データ分析」を使っているとはいえ、この違いについて書いておこう。

>>>続きを読む

情報収集が失敗する理由とその対策

情報収集に関するまとめはこちら → 情報収集論・目次と概要

>>>続きを読む

分析者が自分で情報収集することは当たり前ではない

情報収集に関するまとめはこちら → 情報収集論・目次と概要

>>>続きを読む

情報収集論・目次と概要

といったような問題に触れられることはさらに少ない。そこで、このようなことも含めて情報収集の全体像を把握し、体系化すれば自分も含めて情報収集を行う全ての人にとっても有用であろうということで、試みることにした。

>>>続きを読む

「データをいじくり回して何かわかった気になる症候群」から逃れる方法

目的なしにデータ分析をすることがどれだけ無駄であるかについてで「数字をいじくり回すのは楽しいので、気が付くとあっという間に時間が過ぎる。何かがわかった気にはなれるが、後には何も残らない。よほど意識していないとすぐこの状態に陥ることになるが、ためしにここ数日の間でデータを見ていた時間のことを思い出してみればいい。なんとなく数字を見て、今何か変わったことがあるだろうか?」と書いたが、これを「データをいじくり回して何かわかった気になる症候群」とでも呼ぼう。この状態に陥らないためにはどうするべきかを考える。

>>>続きを読む

目的無きデータ分析は無駄である

何かいいことが見つかるかもしれないからと何の目的も無しにデータを見るのは時間の無駄である。データを見て何ができるかを考えるべきではない。最終的に様々な事情で今あるデータのみを使って考えざるを得なくなる場合は多々あるとしても、最初から可能性を限る必要はない。

>>>続きを読む

データ分析プロセスを動かす前に、最初に役割を決めておく

クライアントあるいは上司が丸投げしたいのに、分析以外のこと(提案とか)をやらなければ、「分析だけしかできないデータサイエンティスト」なんて言われてしまう。一方で、インテリジェンスリテラシーが高い人であれば主体的に動くことで、分析側に対しては提案ではなく純粋に情報を求めている場合もあるだろう。このギャップを回避するためには、最初に意思決定者と分析者でデータ分析プロセスのうちどこまで行うかを取り決めておくのがよい。データ分析プロセスについてはデータ分析プロセスの全体像「インテリジェンスサイクル」とはを参照のこと。

>>>続きを読む

最初に必要なのはデータサイエンティストではなくデータ分析プロセスをマネジメントする人

データサイエンティストなど、データ分析の専門家を雇っては見たもののどうも機能しないという話が聞こえるが、それもそのはずで、データ分析というプロセス全体を考えた場合、データサイエンティストが得意とするのは主に「分析」フェーズであり、必ずしもマーケティングやコミュニケーションが得意であるとは限らない。従って、データサイエンティストだけでは当然足りないという事態になるわけだが、データ分析がプロセスであることを理解していないと、分析が得意な人に任せればうまくいくという勘違いが起こる。プロセスの全体像についてはデータ分析プロセスの全体像「インテリジェンスサイクル」とはを参照のこと。

>>>続きを読む

今あるデータを前提にしてはいけない理由

「今あるデータで何かできないか」と考える人がとても多い。そこにあるから使わなければもったいないとか、あわよくば利益が出たらうれしいとか、そうしたい気持ちはわかるのだが、そこはぐっと堪えて「何が目的であり、そのためには何を知るべきか」から始めるべきだ。さもないと、まったく見当違いの分析をしたり、分析はしても実行に繋がらないことになり、結局無駄になる可能性が高い。

>>>続きを読む

意思決定する人と分析する人との役割分担について

経営企画・マーケター・コンサルタントなどは通常意思決定の前に分析を行うが、自分が意思決定するための分析を自分で行っている人が大半だろう。それを当たり前と考えている人の方が多いかもしれないけれど、この状況は必ずしも正しくない。

>>>続きを読む

データ分析プロセスの全体像「インテリジェンスサイクル」とは

一般的にはデータ分析と呼ばれているが、実はインテリジェンスサイクルと呼ばれる一連のプロセスとして整理される。このサイクルは、「何をしたいのか」という目的の決定から始まり、作り出されたインテリジェンスが消費され、情報サイドへのフィードバックを持って終わる。このインテリジェンスサイクルを知ることで、データ「分析」と呼ばれる行いが、実はインテリジェンスサイクルの一部であり、それだけを切り離して考えることはできないということがわかる。

>>>続きを読む

このエントリーをはてなブックマークに追加