『何でも測る方法』（2007年）は、「あるものは測定できない」という通念に挑戦し、適切なツールと視点があれば、すべてのものは定量化可能であると論じています。一見測定不可能に思える概念を具体的なデータへと変換するための洞察に富んだ方法論と実例を提示し、より情報に基づいた意思決定を支援します。
本書から得られるもの——一見測定不能なものを測定する方法
重大なビジネス上の決断を迫られている場面を想像してみてください。最善の選択をしたいのに、考慮すべき要素が捉えどころがなく、無形で、測定不能にさえ思える。では、たとえどんなに曖昧で抽象的に見えても、意思決定に必要な情報はすべて実際に測定できると言われたらどうでしょうか？
本書では、業界を問わず意思決定プロセスを一変させてきた画期的なアプローチを詳しく解説します。何が定量化可能かというあなたの認識を揺さぶり、推測と仮定の状態から、知り、理解する段階へと導きます。数十年にわたって磨き上げられてきた手法を明らかにし、いわゆる「測定不能」とされてきたものを驚くほどシンプルな方法で測定する術を示します。
知性を働かせた推定
原子力時代の幕開けの地、歴史的なトリニティ実験場にいる自分を想像してみてください。1945年、人類初の原爆爆発への緊迫したカウントダウンの中、ノーベル物理学賞受賞者のエンリコ・フェルミが、ノートの紙を何気なく紙吹雪にちぎっています。最初の衝撃波が通り過ぎる瞬間、彼はその紙吹雪を放ち、爆風がそれをどこまで飛ばすかを観察し、高性能な計測機器も顔負けの誤差範囲で原爆の爆発威力を予測しました。フェルミは、シンプルな観察であっても正しく用いれば大きな情報価値を持ち得ることを示したのです。
もう一つの例を挙げましょう。フェルミが教室で、シカゴにいるピアノ調律師の数を推定するという課題を学生たちに出す場面を想像してください。不可能な課題に聞こえますか？彼の学生たちもそう思いました。しかしフェルミは、問題をより小さく、扱いやすい問いに分解して取り組むよう促しました。シカゴには何人が住んでいるか？ピアノはどのくらいの頻度で調律が必要か？調律師は1日に何台のピアノを調律できるか？これらの概算を組み合わせることで、学生たちは多くの場合、自分たちが想像していた以上に実際の数字に近い推定値を算出できたのです。
朗報があります。これはビジネス上の課題にも応用できるのです。
広告代理店Wizard of Adsのコンサルタント、チャック・マッケイの例を考えてみましょう。彼はかつて、テキサス州ウィチタフォールズに新しいオフィスを開設することを検討していた保険代理店から相談を受けました。その町はすでに保険会社で飽和状態であり、新規参入者は潜在的な収益性について確信が持てませんでした。この不確実性に対処するために、マッケイはフェルミの手法を採用し、市場規模の推定という課題を一連の扱いやすい問いに分解することにしました。
マッケイはまず、ウィチタフォールズの自動車総数とテキサス州の自動車保険の年間平均保険料を特定することから始めました。これらの数値を掛け合わせることで、町の保険総売上の概算を算出しました。平均歩合率を考慮して、総歩合のプールを割り出しました。そして町の既存保険代理店数を調べた上で、総歩合をその数で割り、1社あたりの年間平均歩合を推定しました。
しかし、人口減少と大企業による市場支配の可能性は、1社あたりの実際の収益が予想を下回る可能性を示唆していました。これらの洞察を得たマッケイは、保険代理店にこの事業への参入を見送るよう助言しました。
この実例は、フェルミの手法が一見測定不能なビジネス上の課題に効果的に対処できることを示しています。次に、いわゆる無形の要素を、はるかに具体的な数字へと分解する方法をさらに深く掘り下げていきましょう。
自信を持って予測する
ビジネスの世界では、特定の値について不確実性を抱えることがよくあります。顧客対応に費やす時間であれ、新しいキャンペーンによる売上増加の可能性であれ、これらの数字を正確に予測するのは難しいものです。
こうした不確実性を表現する一つの方法は、それらをあり得る値の範囲として捉えることです。これは統計学で信頼区間（CI）として知られる概念です。例えば、今四半期に顧客に転換する見込み客の数が90%の信頼度で3人から7人の間だと予測する場合、これは90%信頼区間とみなされます。これらの推定値が統計的推論によって計算されたものであれ、個人的な経験によるものであれ、それらは依然としてあなたの不確実性を反映したものなのです。
さらに、確率は将来の出来事に関する不確実性を表現するためにも使用できます。例えば、クライアントが1ヶ月以内に契約を締結する可能性などです。予想される結果と実際の結果を比較することで、これらの確率評価の正確性を測定できます。例えば、ある人が取引成立の確率を70%と予測し、実際にその取引の約70%が成立した場合、不確実性を定量化するスキルに優れていることを示しています。
しかし、ほとんどの人は生まれつき正確な推定者ではなく、通常は過信または自信不足というバイアスを示します。これらのスキルは先天的なものではなく、経験や直感から自然に生まれてくるものでもありません。幸いなことに、推定力を向上させることは可能です。
較正（キャリブレーション）を改善する一つの方法は、推定値の妥当性に関する賛成意見と反対意見を特定することです。例えば、新製品の売上推定は、他のスタートアップの類似の売上データによって裏付けられるかもしれません。しかし、他社における潜在的な失敗や成功、市場全体の成長といった不確実性を考慮すると、再評価が必要になるかもしれません。
もう一つのテクニックは、推定範囲の各境界を別々の問いとして扱うことです。例えば、90%信頼区間では、真の値が上限を上回る確率が5%、下限を下回る確率が5%あります。このテクニックにより、推定者は各境界に対する自信の度合いを再考せざるを得なくなり、より正確でバイアスのない予測が生まれます。
キャリブレーション手法の活用
キャリブレーション手法は、不確実性とリスクの両方を評価するために活用できます。残念ながら、多くの組織は「高」「中」「低」といった過度に単純化されたリスク評価を使用しており、混乱を招く可能性があります。代わりに、特定の損失が発生する確率のパーセンテージなど、具体的な数値を使用する方がはるかに効果的です。
次に、多くの組織が直面する問題についてお話ししましょう。利用可能なデータが正確な点ではなく範囲で存在する場合、どのように計算すればよいのでしょうか。その解決策はモンテカルロ・シミュレーションにあります。エンリコ・フェルミによって考案されたこの手法は、コンピュータを使用して、さまざまな変数の確率範囲に基づいて多数のシナリオを生成します。各シナリオは未知の変数ごとに特定の値をランダムに生成し、それを使用して特定の結果を計算します。
仕組みを見ていきましょう。ある会社が、潜在的なコスト削減をもたらす新しい機械のリースを検討しているとします。年間リース料は40万ドルです。損益分岐点に達しなければ、来年までこの機械から抜け出せません。この機械が保守、人件費、原材料費の面でいくら節約できるかについて、較正された範囲の推定を行います。では、この投資のリスクをどのように計算するのでしょうか。
そこでモンテカルロ・シミュレーションの出番です。Excelには、各範囲に対してランダムな分布を生成する機能があり、それを使用して、損益分岐点である40万ドルを下回る結果となるシナリオの数を計算できます。これにより、リスクを具体的に測定できます。この例では、結果の約14%が損益分岐点の40万ドルを下回ることがわかりました。つまり、損失を出す確率が14%あるということです。
このプロセスを数千回繰り返すことで、潜在的な結果の全範囲が得られ、損益分岐点に達しない確率を計算できます。そしてそれが投資リスクを決定づけるのです。
問題を分解する
分解の技術は、従来の「測定」ではありませんが——新たな観察を必要としないため——、私たちの測定ツールの中でも強力なものです。それは複雑な問いを解体するようなものです。要点を一言で言えば、問題を定義し、測定可能な要素に分解し、これらの要素を定量化し、再結合して元の問題の包括的な尺度を提供する、ということです。
潜在的な生産性向上を測定しようとしている場面を想像してください。あるプロセスやテクノロジーが、一連の従業員の生産性を5%から40%向上させる可能性があるという推定が与えられたとします。「5%から40%」——それはかなり広い範囲です！技術的に言えば、不確実性は複数の未知の変数を近似することから生じます。しかし、ここで分解の魔法が効いてくるのです。
ファシリテーターとして、エンジニアと対話をしながら、次のようなシンプルな質問をすることができます：どの活動に多くの時間を費やしていますか？この特定のツールを使用したらどのくらいの時間が節約できますか？あなたと同僚が必要な文書を探すのにどのくらい時間がかかりますか？
このアプローチは、問題をより測定可能にするだけでなく、全体の不確実性を低減します。多くの場合、さらなる観察の必要性すら回避できます。これがいわゆる分解効果です。多くの場合、問題を分解するプロセスそのものが十分な明確さと洞察をもたらし、それ以上の観察や測定が不要になるのです。なぜなら、分解を通じて問題の個々の側面を特定し、測定することができ、それによって問題全体の不確実性が低減されるからです。
ベイズ分析の活用
ベイズ統計学について聞いたことがあるかもしれません。それは、18世紀のイギリスの統計学者であり牧師でもあったトーマス・ベイズにちなんで名付けられたベイズの定理に基づく統計学の一分野です。この定理は、新しいデータに基づいて確率を更新するための数学的枠組みを提供します。ベイズ統計学の核心は、対象とするパラメータの確率分布という概念です。例えば、ある都市の男性の平均身長を推定しようとしている場合、ベイズ・アプローチでは単一の最良推定値ではなく、もっともらしい値の分布を示し、それぞれに確率が割り当てられます。
さて、不確実なビジネスの世界では、新しい情報に基づいて戦略を調整する能力は不可欠なスキルです。ここでベイズ分析が役立ちます。ベイズ分析は、この適応性と継続的学習の原則を体現しており、新しいデータが入ってくるたびに確率推定を洗練させていきます。
従来のビジネス環境では、意思決定にはしばしば主観的な専門家の判断と客観的なデータの間の繊細なバランスが求められます。ベイズ分析が際立っているのは、これら二つの側面を調和させる能力にあります。それは、専門家の意見や初期推定に基づく事前信念から出発し、客観的な新データが利用可能になるにつれてこの信念を更新します。この反復プロセスにより、主観的判断が意思決定プロセスを支配することがなくなり、時間とともに決定がより洗練され、正確になっていきます。
ベイズ分析はまた、リスク管理の領域でもその真価を発揮します。不確実性を意思決定に組み込むための定量的な枠組みを提供することで、企業は潜在的なリスクをより効果的に理解し、管理できるようになります。このアプローチは、不確実性がビジネスに内在するものであることを認識し、それを無視するのではなく、意思決定プロセスに統合します。
さらに、ベイズ分析の体系的な性質は、意思決定を歪めかねない認知的バイアスと戦うのに役立ちます。それは意思決定者に自らの信念を明示的に述べ、その後新しい証拠に基づいて修正することを強います。意思決定プロセスに対するより客観的で透明性の高い評価を促進することで、認知的バイアスや根拠のない仮定が放置されないようにするのです。
選択と選好の理解
アンケート調査もまた、人々の選好に関するデータを収集するための強力なツールです。アンケートの設計方法はいくつかあります。一つの例はリッカート尺度で、回答者が「全く同意しない・非常に嫌い」から「強く同意する・非常に好き」までの尺度で何かについてどう感じるかを答えるものです。もう一つの例は順序尺度で、回答者がいくつかの項目を尺度上でランク付けします。例えば、1（最も好ましくない）から8（最も好ましい）までといった具合です。
感情や主観的評価を定量化することが役立つのはどのような場面でしょうか。例えば、調査回答者が「小売店はクリスマスの飾り付けを早すぎる時期に始める傾向がある」という意見に強く同意すると述べる場合を考えてみましょう。買い物客の何パーセントがこの意見に同意するのか、そしてこの認識がビジネス上の決定にどう影響するかを判断できます。
しかし、アンケートには限界があります。人々が好むと言うものと、実際に好むものとの間にはしばしば乖離があるからです。表明選好とは人々が口頭で表現するものですが、顕示選好は実際の行動によって示されます。両方を知ることで不確実性は低減できますが、顕示選好の方がより多くの洞察をもたらします。行動は言葉よりも雄弁だからです。例えば、誰かが小売店のクリスマスの飾り付けは早すぎると感じていると主張するかもしれません。しかし、彼らの行動は、飾り付けが早ければ早いほど、シーズンを通してより多くの飾りを購入することを示すかもしれません。
主観的な回答を客観的な尺度と相関させることができるということを覚えておくことが重要です。支払意思額（WTP）法は、主観的価値を金銭的用語に変換する方法です。それは、人々が過去に何かに対して支払った額、または支払う意思のある額に関するデータを使用し、その価値を推定することを可能にします。
例を使って説明しましょう。1988年、ある金融会社が、印刷業務の一部を地元の大手印刷会社により多くアウトソーシングすべきかどうかを検討していました。取締役会は、地元企業と協力することに価値があると感じていました。
しかし、分析の結果、より多くの印刷業務をアウトソーシングすることはビジネス的に意味がないだけでなく、むしろ内製化を増やすべきであることが明らかになりました。アウトソーシングは現在の支出よりも年間数百万ドルも多くのコストがかかったでしょう。最終的に、会社が地域支援とビジネス関係を1500万ドルのコストよりも重視するかどうかが焦点となりました。結局、同社はアウトソーシングを増やさないことを選択しました。これは、同社が地域コミュニティへの投資を1500万ドル未満と評価したことを示しています——一見無形に見える側面にも金銭的価値を置くことができるということの証明です。
最終まとめ
見かけに反して、どんなものでも、その無形性や複雑さの認識に関わらず、適切なツールと心構えがあれば効果的に測定できます。意思決定において、不確実性は、較正された推定、モンテカルロ・シミュレーション、ベイズ分析、その他の手法を用いて捉えどころのない指標を定量化するなど、無数の方法で対処することができます。これらの手法を探求することで、リスクを定量化し、ビジネスの成果を最適化し、世界をよりデータ駆動的で経験的な方法で理解する力を身につけることができるでしょう。
