『意思決定主導のアナリティクス』（2024年）は、従来のデータ駆動型の意思決定という考え方に異議を唱え、組織は利用可能なデータから出発するのではなく、自らが下すべき意思決定から始めるべきだと提唱します。データアナリストとビジネス意思決定者のギャップを埋める4つの柱に基づく枠組みを提示し、データ分析が実際のビジネス上の意思決定から切り離されたときに分析の取り組みが失敗するという、広く見られる問題に対処します。データを出発点として扱うのではなく、組織的インパクトにとってどの問いが最も重要かを判断する上で人間の判断を重視するアプローチです。
本書から得られること──意思決定がデータを動かす。その逆ではない
データを扱う場面では、人は自然と2つのタイプに分かれます。深く潜る人（ダイバー）と、走り回る人（ランナー）です。潜る人はデータセットの奥深くに飛び込むのを愛し、統計モデルに心から興奮し、複雑なアルゴリズムと格闘することに喜びを感じます。走る人は違います。
彼らはビジネスの鼓動に集中します。顧客を理解し、市場の変化を感じ取り、何が結果に効くかを本能的に知っています。今日のビッグデータ熱の中で、多くの企業は潜る人に執着しています。分析チームとインフラに資源を注ぎ込み、「十分なデータと計算能力があれば、良い意思決定が自動的に生まれる」という魅惑的な前提のもとに動いています。しかし、そうはなりません。成功するビジネスには、両方の視点の連携が必要です。ビジネス判断のないデータは、ただのノイズにすぎません。
データに裏打ちされないビジネスの直感は、単なる推測にすぎません。そこで意思決定主導のアナリティクスの出番です。これはデータを台座に乗せるのではなく、両方のグループを対等なパートナーとして扱うフレームワークです。本書は行動への呼びかけであり、ビジネスにおける人間──マネージャー、経営幹部、意思決定者──が、より優れたアルゴリズムで克服すべき障害ではないことを思い出させてくれます。彼らこそ、データを実際に役立てるために不可欠な存在なのです。これからの章では、意思決定主導のアナリティクスがどう機能し、自分のビジネスにどう応用できるかを発見し、今日のデータ過多を突破して真に優れた意思決定を行う方法を学びます。さあ、始めましょう。
データ分析の原動力
ビジネス界はビッグデータと機械学習に夢中になっています。どこを見ても、企業は「データ主導」になるために急ぎ、アルゴリズムが人間の厄介な誤りやバイアスを排除してくれると信じています。それは魅力的なビジョンです。数字に語らせれば、完璧な意思決定が続くというわけです。しかし、これだけ分析に投資しても、多くのビジネスリーダーは、自社のデータ施策が成果を出していないことに気づき始めています。
ある調査では、最高データ責任者──まさにデータ変革を推進する経営幹部──の約3分の1しか、自分の役割が確立して成功していると認識していませんでした。旗振り役でさえ懐疑的なのです。では、何が間違っているのでしょうか。核心の問題は驚くほどシンプルです。組織は下すべき意思決定ではなく、データそのものに焦点を当てています。彼らは、実際のビジネス上の選択と結びつかない見事な分析を量産しているのです。それは、どちらの岸にも接続しない壮大な橋を架けるようなものです。
この誤ったアプローチを推進している2つの力があります。第一に、行動科学は長年にわたり、人間の判断がいかに誤りやすいかを強調してきました。第二に、テクノロジーが爆発的に進化し、AIと超高速コンピュータが、ほんの数年前には夢にも分析できなかったデータセットを処理できるようになりました。この2つを組み合わせると、結論は明白に思えます。欠陥のある人間の思考を、客観的なデータ分析に置き換えよう、と。さて、多くの企業がデータを人間よりも優先する中で、さらに悪いことをしている企業もあります。それは好み主導型分析（preference-driven analytics）です。これは、経営幹部が最初にやりたいことを決め、その後、その決定を正当化するデータを探しにアナリストを送り出すやり方です。
それは確証バイアスを厳密な分析に見せかけたもので、ビジネスの世界に蔓延しています。意思決定主導のアナリティクスは、この手順全体を逆転させることで、根本的に異なるアプローチを提供します。最初に、実際に下すべき意思決定を特定します。漠然とした願望ではなく、組織が直面している現実の選択肢を伴う具体的な選択を。次に、それらの選択肢の中から選ぶ真の助けになる具体的な問いを立てます。どんな情報があれば、本当にあなたの考えが変わるのか？
何が一方の道を他方よりも明確に優れたものにするのか。意思決定を明確化し、問いを定義して初めて、その問いに答えるためのデータ収集を始めるのです。これは単なる微妙な転換ではありません。データがビジネスにどう役立つかを根本から再想像することです。利用可能な情報が問いを左右するのではなく、必要な意思決定がどのデータを求めるかを導くのです。次のセクションでは、意思決定主導のアナリティクスがどう機能するかを見ていきます。まずは第一歩、それは「意思決定」です。
意思決定
リーダーシップチームは、データプレゼンテーションが上手くいかないとき、往々にしてコミュニケーション不足を責めます。数字が複雑すぎる、アナリストが専門的すぎる、洞察が難解すぎる、と。しかし、深く掘り下げると、本当の問題はたいてい逆方向に流れていることが分かります。リーダーは根本的な問いを明確にしていないのです。それは「私たちは実際にどんな意思決定をしようとしているのか？」という問いです。
その明確さなしには、どんなに洗練された分析も演劇になってしまいます。見るのは楽しいですが、結局は無意味です。データが有益かどうかは、どんな選択を後押しするはずのものなのかを知るまで評価できません。だから意思決定主導のアナリティクスは、地味ですが本質的なものから始めます。意思決定の選択肢の明確なリスト作りです。探究すべき問いや理解すべき問題ではなく、実際に下す必要のある選択肢のリストです。課題は？ ほとんどのチームは、著者が「限定された気づき（bounded awareness）」と呼ぶものに苦しんでいます。つまり、すでにレーダーに映っている選択肢しか見えないのです。
そこから抜け出すには、意図的に外部の視点を求める必要があります。ある自動車のサウンド体験を向上させようとするオーディオチームを考えてみましょう。エンジン部門に相談することで、最適な音とは単に車のスピーカーだけでなく、エンジンの出すノイズにも依存することに気づくかもしれません。新鮮な視点は、いつもの会議室に座っているだけでは決して思い浮かばない選択肢を明らかにしてくれます。ただし、すべての可能な意思決定がリストに載るに値するわけではありません。絞り込むには3つのフィルターが必要です。
第一に、自分たちのコントロール下にある意思決定だけを含めること。つまり、実際に実行できる選択肢です。第二に、法外なコストや許容できないリスクを伴う選択肢を除外して実現可能性を確保すること。第三に、真のインパクトの可能性がある意思決定に集中すること。ある選択肢が主要な指標をほとんど動かさないなら、分析の火力を注ぐ価値はありません。
この規律あるアプローチは、意思決定を抽象的な願望から具体的な準備へと変えます。もはや選択肢について漠然と考えるのではなく、データが実際に価値を生み出せる領域を体系的に地図化していくのです。意思決定の選択肢を地図化したら、次は重要なステップです。適切な問いを練ることです。
問い
そしてここで多くの組織がひどくつまずきます。あるマネージャーが分析チームにこう依頼する場面を想像してください。「粗利益をどう増やせばいい？」 一見もっともに思えるでしょう？ 実際には、これは「あいまいな」問いとして知られるもので、お互いにフラストレーションを生むレシピです。
理由はこうです。その問いは分析ラボではなく、経営部門に属するものだからです。データ分析ではなくビジネス戦略を求めているのです。アナリストはデータだけでは答えられないことに車輪を空回りさせるでしょう。リーダーシップは、実際のニーズと乖離した結果に失望することになります。意思決定主導のアナリティクスは、リーダーに対して事前に難しい仕事をすることを求めます。データが実際に選択肢を比較する助けになるまで問いを研ぎ澄ますことです。たとえば、サブスクリプションサービスは「どうやって顧客を維持すればいいか？」と問うべきではありません。
その代わりに、「ターゲットを絞ったインセンティブ制度に、どの特定の顧客セグメントが最も利益を生む形で反応するか？」と問うかもしれません。違いが分かるでしょうか？ 後者の問いは、データが意味のある仕事をする余地を生み出します。リーダーが理解すべきもう一つの重要な区別は、事実的な問いと反事実的な問いの違いです。事実的な問いは純粋に予測的なものです。オンライン小売業者が「どの商品が最も返品されやすいか？」と問うのは、単に既存データの中のパターンを探しているにすぎません。
反事実的な問いはもっと深く探ります。介入した場合としなかった場合で何が起こるかを問うのです。それは並行宇宙を比較するようなものです。行動する宇宙と、しない宇宙を比較します。この区別は学問的な細かい話ではありません。リソースの配分方法を根本的に変えるのです。
2012年のオバマ大統領選挙キャンペーンを考えてみましょう。オバマのデータサイエンティストたちは、誰が最も自分に投票する可能性が高いかという事実的な問いに基づいて有権者を優先付けすることもできました。しかし代わりに、彼らは反事実的に問いを立てました。誰がターゲットにされれば最も説得されやすいか、という問いに基づいてモデルを構築したのです。この再構成は戦略的な金鉱でした。説得可能な有権者に集中することで、貴重なキャンペーン資源を温存し、外科手術のような精度で展開できたのです。
教訓は？ アナリストがデータセットに触れる前に、リーダーは問いを明確にしなければなりません。そうして初めて、データ分析は真に有益な結果をもたらすのです。
データ
2012年、JPモルガンは後に「ロンドン・クジラ事件」として悪名高くなった取引で60億ドルを失いました。調査員が何が間違っていたのかを掘り下げたとき、彼らはほとんど恥ずかしいほど単純なものを発見しました。Excelスプレッドシートの誤記です。この小さなミスが、金融破局を引き起こす上で重要な役割を果たしていたのです。意思決定をデータに頼りすぎることは、かなりのリスクを伴います。
しかし多くの場合、問題はデータそのものではなく、私たちがどう解釈するかにあります。Appleがユーザーに追跡を拒否するオプションを与えた後に何が起きたかを考えてみましょう。Metaは、ターゲティング広告がなければ、中小企業は広告費1ドル当たり最大60%の売上を失う可能性があると主張するキャンペーンを開始しました。メッセージは明確でした。「我々のアルゴリズムが必要だ。さもなければビジネスは崩壊する」。彼らはこの主張をA/Bテストで裏付けました。ターゲティング広告を使うキャンペーン群と使わない群の広告収益を比較したのです。ターゲティングを使用したキャンペーンの方が多くの収益を生み、Metaはこれを自社アルゴリズムの優秀さによるものとしました。
しかし待ってください。ターゲティングによって「支出する可能性が高い」とされた顧客は、彼らの基礎的な特性に基づけば、いずれにせよ支出する可能性が高かったのです。Metaのアルゴリズムが高支出の顧客をターゲットにしたとしましょう。これらの顧客は、ターゲティングされていない広告で到達されたとしても、より多く支出したでしょう。つまり、広告からの高いリターンを単にMetaのターゲティング手法の有効性に帰することはできないのです。
では、これらのデータの落とし穴から身をどう守ればいいのでしょうか。本能的な反応は、データを増やすことです。より多くの変数、より多くのグループ、より多くのサブグループ、可能なあらゆる角度をカバーするまで。ビッグデータはこのアプローチをますます魅力的にしてきました。しかし現実には、より多くのデータは、より信頼できる結果をもたらさずに、しばしば誤った自信感を生み出します。実際に重要なのは、収集するデータの量ではありません。収集している特定のデータが、意思決定に関連する問いに答えるために必要なデータかどうかです。
包括性ではなく、その精度こそが意思決定主導のアナリティクスにとって極めて重要です。より多くのデータがより良い意思決定を生むわけではありません。正しいデータがそうするのです。
答え
2022年、イーロン・マスクはTwitterを440億ドルで買収しました。翌年、彼はそれを完全にリブランディングし、テック業界で最も認知された名前の一つを消し去ると発表しました。彼はいくらのお金を捨てていたのでしょうか？ ブランド評価会社ブランド・ファイナンスは、Twitterブランドを39億ドルと評価しました。
他の推定では200億ドル、つまり5倍の価値とされました。このような問いに直面すると、私たちは本能的に思考のアンカーとして正確な数字に手を伸ばします。しかし、これは本当に正しいアプローチなのでしょうか？ ここで重要なのはこうです。誰かを説得しようとするとき、精度は非常に役立ちます。特定の数字は権威を生みます。
しかし、世界を理解しようとするとき──世界は本質的に複雑で乱雑なのですが──不確実性を受け入れるべきであり、排除すべきではありません。正確な数字に出会ったら、立ち止まってその背後にあるレンジを調査する価値があります。Twitterの評価額が30億ドルから1000億ドルの間にある可能性があると知ることは、単一の数字に固執するより実際に有用です。レンジは不確実性を明らかにし、これは重要な情報です。また、あなたの心が世界に課して偽の精度を生み出すカテゴリーにも注意すべきです。ビジネス環境で広く使われているマイヤーズ・ブリッグス・タイプ指標（MBTI）を考えてみましょう。
このテストは、真にニュアンスのある回答が求められる問いに対して、イエスかノーの回答に依存しています。それは連続的な性格のスペクトルを、きちんとした二元的な箱に押し込んでしまいます。「あいまいな」問いを避ける原則を覚えていますか？ 意思決定者として、あなたは「精密な」問い──明確で、正確で、構造の整った問い──を行うべきです。それは分析を有用な答えへと導きます。しかし、データに関しては、実際には「あいまいな」答えを探すべきなのです。正確な答えは、明快さと確実性という心地よい幻想を与えるかもしれません。
しかし、あいまいな答えは、世界が実際に存在する姿──確率論的で、不確実で、複雑な姿──をより正確に表しています。さらに、あいまいな答えは問いを洗練し直すことを可能にします。理解が薄い場所、仮定が揺らいでいる場所、さらに調査が必要な場所を明らかにしてくれるのです。この反復プロセスは、最終的にあなたを求めている真の洞察へと導きます。あいまいさを受け入れましょう。そこに真の理解が宿っているのです。
データを活用する
意思決定主導のアナリティクスの主要要素──意思決定、問い、データ、答え──を説明してきました。しかし、これまで見てきたすべての指針を取り入れても、まだ対処すべき制約があります。その制約には名前があります。資源（リソース）です。時間、資金、分析能力──すべて有限です。
つまり、容赦なく優先順位をつける必要があります。どの答えが、ビジネスの目標にとって実際に最も有用になるのかを自問しなければなりません。優先順位の決定をするには、まず3つの重要な問いに答える必要があります。1つ目は「その意思決定は、実際にはどれほど重要なのか？」です。オフィス用に黄色い付箋と青い付箋のどちらを選ぶか、という場面を想像しましょう。色が違うだけで同じもので、価格も同じです。
データを集めて従業員の色の好みを分析すべきでしょうか？ もちろんノーです。どちらかを選んで前に進めばいいのです。単に分析の火力を注ぐに値しない意思決定もあるのです。2つ目の問いは「その問いは関連性があるのか？」です。あなたがHR担当者で、生産性向上を目指して従業員に在宅勤務を週1日または2日与えるかを決めようとしているとしましょう。
「従業員は何通のメールを送っているか？」と問うかもしれません。しかし、待ってください。これは本当に関連があるのでしょうか？ メール量は、真の生産性よりむしろ非効率性、スパムの洪水、無意味な全員返信チェーンを反映しているかもしれません。より関連性の高い問いは「従業員は在宅勤務のときに、よりモチベーションを感じるか？」でしょう。一方の問いは活動のノイズを測定し、もう一方はあなたが実際に気にしているものを狙っています。分析が正当化されるかの3つ目の問いは「データ収集のコストはいくらか？」です。
収集するには単に高すぎる、または時間がかかりすぎるデータもあります。ある問いはオンライン調査ではなく、管理された実験を必要とします。しかしこれらには専門設備、訓練された人材、そしてかなり多くの時間が必要です。他の問いは、国際企業なら意味をなすが、5人のスタートアップなら滑稽な巨大データセットを要求します。
結局のところ、データは目的への手段であることを忘れてはなりません。重要なのはあなたが下す意思決定です。それこそが意思決定主導のアナリティクスの本質です。単に情報を蓄積することではなく、より良い選択に向かって目的を持って進むことなのです。
結論
バート・デ・ランゲとステファノ・プントーニによる『意思決定主導のアナリティクス』の本要約で学んだことは、データ分析だけでは企業がより良いビジネス上の意思決定を行うために必要な答えを提供できないということです。利用可能なデータから始めて用途を探す代わりに、意思決定主導のアナリティクスは順序を完全に逆転させます。まず下すべき具体的な意思決定から始め、選択肢の間で選ぶ助けになる正確な問いを練り、次にその問いに答えるために必要な特定のデータだけを収集します。多様な視点を求めてからリストを絞り込むことで、意思決定を作り上げ洗練させます。「あいまいな」問いを避け、事実的な問いと反事実的な問いを明確に区別します。
より多くのデータではなく、正しいデータを収集し、解釈の落とし穴に注意します。答えの不確実性を受け入れ、それを問いの洗練に活用します。最後に、重要で、関連性があり、実行可能な探究を優先することで資源を配分し、データは単なる目的への手段であることを忘れないこと。最終的に重要なのは、あなたが下す意思決定なのです。
