Xデザインフォーラムが終わったので、
隙間時間を見つけて進めます。
■課題解決と効果的な問いかけについて
・効果的な問いかけとは：データアナリストの仕事をするためには、 問いかけをして課題解決することが求められます。
このパートでは、分析に関する一般的な課題と、
分析者がそれにどのように対処しているかを確認していきます。
また、分析のガイドとなる効果的な問いかけのテクニックについても学んでいきます。
・データに基づいた意思決定： データアナリティクスでは、データが意思決定の原動力となります。 このパートでは、あらゆる種類のデータと、それが実際の選択や戦略に与える影響について学びます。
また、レポートやダッシュボードを通じてデータを共有する方法についても学びます。
・表計算ソフトの基礎知識： 表計算ソフトは、データアナリティクスにおいて重要なツールです。 このパートでは、データアナリストが業務の中でスプレッドシートを活用する理由、
また方法について学びます。また、データアナリストが課題をよりよく理解し、
解決策を見出すうえで構造化思考がどのように役立つかを探ります。
・ステークホルダーを常に意識する：データアナリストとして成功するためには、 ニーズと期待値のバランスをとることが大切です。このパートでは、
目的を達成するためにチームと明確なコミュニケーションを取りながら、
ステークホルダーの期待値を管理するための戦略を学びます。
▼自分にとってデータとは何かを考える
データがデータアナリストの仕事の主要な部分であることは明らかですが、それは全体像の一部に過ぎません。
もう 1 つの部分は課題解決です。データアナリストとして成功するには、
それぞれの課題の特性を理解し、課題をデータで解決するため念入りに取り組むことが重要です。
▼課題から行動へ – データ分析の 6 つのステップ
ステップ 1：問いかけ
解決すべき課題を特定する
ステークホルダーの期待値を十分に理解する
課題以外のことでなく、まずは起きている課題のみに集中する
ステークホルダーと協働し、オープンなコミュニケーションをとる
一歩下がって、全体の状況を把握するこのステップで自分に問いかけるべきこと
ステークホルダーは何が問題であると捉えているのか
課題を特定した後、解決に向けてどのようにステークホルダーを手助けできる ステップ 2：準備
どのような指標で測定するか
データベース内のデータを検索する
データを保護するためのセキュリティ対策を行うこのステップで自分に問いかけるべきこと
課題を解決するためには、何をどうすればいいのか
どのような調査が必要か ステップ 3：処理
表計算ソフトの関数を使って、データの誤入力を見つける
SQL 関数を使用して、余分なスペースをチェックする
繰り返し入力されているものを除去する
データに偏りがないか、可能な限りチェックするこのステップで自分に問いかけるべきこと
解決したい課題に対するベストな答えを得るためには、データの中のどのようなエラーや不正確さが課題解決を阻害するのか
どうすれば、自分の情報により一貫性を持たせることができるのか ステップ 4：分析
計算を実行する
複数のソースからデータを結合する
結果を表にまとめるこのステップで自分に問いかけるべきこと
データから、どんなストーリーが見えるか
このデータがどう課題解決につながるか
その企業の製品やサービスを必要としているのは誰か、どのような人が使う可能性が高いのか ステップ 5：共有
チームの意思決定がよりよいものとなる
より多くの情報に基づいた意思決定を行える
より大きな成果をもたらすことができる
調査結果を正しく共有できるこのステップで自分に問いかけるべきこと
どうすればステークホルダーに魅力的かつ、わかりやすいプレゼンができるか
自分が聞き手だったとして、何をもってしてこれを理解するか ステップ 6：行動
このステップで自分に問いかけるべきこと
実際にステークホルダーのニーズや期待に応えるためには、ステップ 5 の分析で得たフィードバックをどのように活用すればよいか
これら6つのステップを踏むことで、データ分析プロセスをより小さく、
管理しやすいパーツに分割することができ、これを構造化思考と呼びます。
構造化思考には以下の取り組みが含まれます。
現在起きている問題や状況を認識する
活用できる情報を整理する
生じているギャップや機会を明らかにする
考えうる選択肢を特定する▼データアナリストがよく直面する課題のタイプについて。
一般的な6つの課題のタイプに焦点を当てます。
「予測を立てる」
「物事を分類する」
「異常を見つける」
「テーマを特定する」
「つながりを発見する」
「パターンを見つける」
▼6つの課題のタイプについて
・予測を立てる
新規顧客を獲得するための最適な広告手法を知りたいという企業の例は、
データアナリストによる予測を必要とする課題の一例です。
広告を出す場所、媒体の種類、過去の広告の結果獲得した新規顧客の数などのデータを持つアナリストは、
予測の結果を保証することはできないものの、ターゲット層にリーチするための最適な広告の出し方を
予測することができるでしょう。
・物事を分類する
たとえば、ある企業の顧客満足度を向上させるため、データアナリストによる物事の分類が必要な課題があるとします。
この場合データアナリストは、顧客からの問い合わせを特定のキーワードやスコアに基づいて分類します。
これにより、優秀なカスタマーサービス担当者を見つけ出したり、
特定の行動と顧客満足度の高さを関連付けることができます。
・異常を見つける
たとえば、健康状態を把握するスマートウォッチを販売する企業が、
異常を発見するためのソフトウェアを設計しようとしているとします。
この場合アナリストは、健康に関するデータを集計・分析して、
データが通常と異なる傾向を示したときに異常を検知しアラートを鳴らすための最適なアルゴリズムを決定すべく、
開発者を手助けします。
・テーマを特定する
ユーザー・エクスペリエンス（UX）デザイナーは、ユーザー・インタラクションに関するデータを分析するため、
データアナリストの力を借りることがあります。「物事を分類する」課題と近しいですが、
ユーザビリティの改善プロジェクトでは、改善すべき製品の機能に優先順位をつけるため、
データアナリストによるテーマの特定が必要な場合があります。
多くの場合そのテーマは、リサーチャーがデータの特定の側面を深掘りするために活用されます。
たとえばユーザー調査をする場合なら、ユーザーの好きなもの、習慣、およびニーズがテーマの例です。
ここまで聞いて、物事を分類することとテーマを特定することの間に何の違いがあるのかと疑問に思うかもしれません。
物事の分類が項目をカテゴリに割り当てることであるのに対し、
テーマの特定は、これらのカテゴリをさらに一歩進めてより広義の概念にグループ化することである、
と考えると理解しやすいでしょう。
・つながりを発見する
企業から委託された物流会社が他の会社と協力して、時間通りに顧客に貨物を届けようとしています。
その際のデータアナリストの課題は、つながりを発見することです。
たとえば複数の出荷拠点での待ち時間を分析することで、適切なスケジュール変更を判断でき、
定刻便の発送数を増やすなどの対策を取ることができます。
・パターンを見つける
機械の故障による作業の遅れを最小化する、という課題においては、
データアナリストはパターンを見つける必要があります。
例えば、メンテナンスのデータを分析することで、
定期メンテナンスが15日以上遅れると故障が多く発生する、といったことが発見できるでしょう。
▼SMARTフレームワークの詳細
具体的: その問いかけは、車の特定の特徴に焦点を当てているか？
測定可能: その問いかけでは、機能をレーティングできるようになっているか？
行動指向:その問いかけは、異なるまたは新しい機能の追加につながるか？
関連がある: その問いかけで、車を購入するかしないかを左右する機能を特定できるか？
時間的制約がある: その問いかけは、過去 3 年間のうちに人気だった機能のデータを検証しているか？
※よくある問いかけのテーマとしては、以下のようなものが挙げられます。
目的：深堀りをする目的は何か？また、深堀りすることによって答えが得られるとしたら、それはどのような問いかけによるものか？
ターゲットオーディエンス：ステークホルダーは誰か？深堀りした結果に興味や関心を持つのは誰か？プレゼンテーションを聞いてもらいたい、ターゲットオーディエンスは誰か？
時間：やり遂げるまでの期間は？何月何日までに完了する必要があるか？
リソース： 深堀りするという目標を達成するために、どのようなリソースが活用できるか？
セキュリティ： どこまでの範囲の人に情報を公開するか？▼ウィークリーチャレンジ1
3回目やって、71.88%で不合格でしたー、
24時間後までチャレンジできません。(´;ω;｀)
コメント