データリテラシーの力

データリテラシーの力' (The power of data literacy)

成功的なデータと分析の活用の鍵でしょうか？

データは、現代のビジネスの成功における重要な要素です。しかし、多くの企業がその全体の可能性を引き出すことに苦労しています。これには複数の理由があり、私は最近の記事の中で詳しく説明しています [1]。例えば、’データの沼’の問題があります。これは、組織が避けたいと考えるデータインフラのシナリオです。しかし、それほど望ましくないのであれば、なぜ無数の企業がそこに陥るのでしょうか？

データレイクではなく泥に潜っていることをどのように知ることができますか？以下の3つの質問を考えてみましょう：

1. 構造：必要なデータにアクセスするための経路は簡単ですか？はい / いいえ

2. 直感的：その経路を見つけるのは簡単ですか？はい / いいえ

3. 一貫性：異なるデータタイプに対して経路は同じように見えますか？はい / いいえ [2]

• SciKit Pipelinesについての簡単な紹介’
• データサイエンティストの役割の典型
• 「AIの新機能：ChatGPTプラグインとインターネットアクセスの最新情報」

上記の質問の回答が全て「いいえ」であれば、次のように言えます：

よし、私たちのアーキテクチャに問題があることがわかりました。データ分析チームと協力して対処します。

待ってください、それは正しいアプローチではありません！

問題は単に機能不全のあるデータアーキテクチャではありません。本当の問題は、データから価値を抽出する能力の欠如にあります。技術的な側面は単にそれに続くものです。未使用のデータは本質的には価値を持ちません。データの価値は、データに基づく意思決定から生み出される売上や利益によって正確に測定されます [3]。

問題は明確なデータ戦略の欠如ですか？可能性はあります。しかし、堅牢なデータ戦略は重要ですが、企業のデータ文化が弱い場合は機能しません。スタッフは日常の仕事でデータの使用を取り入れる必要があります。データを活用するためには、データリテラシーを身につける必要があります。

データリテラシーとは何ですか？

データリテラシーは、データを読み解き、理解し、分析し、伝える能力を指します。データリテラシーを培うことは、それを受け入れる個人と優先する事業にとって利点があります。個人としては、データと分析との関わりを批判的に行う能力が向上します。また、現代の求人市場で競争力を持つことを期待できます。ビジネスにとっても利点は明らかであり、データの活用、顧客の理解、機会の把握、課題の解決に役立ちます。

データリテラシーとは何を意味するのでしょうか？

Brent Dykesによると、データリテラシーには2つの異なる側面があります：データ分析とデータ解釈です。これらはしばしば単一のプロセスと見なされますが、それらを区別することは重要です。データ分析は技術的な側面で、データのクリーニングや異常検出からトレンド分析や相関関係の特定までのタスクを含みます。一方、データ解釈はこれらの結果に意味を与えることに取り組みます。以下のような質問をします：

観察されたトレンドの要因は何ですか？特定の相関関係をどのように活用すればよいですか？検出された異常はまれな出来事、見落とされた機会、または一部の場合には観察された相関関係が因果関係を示しているのでしょうか？

ところで、上記の最後の質問に「はい」と答えることは、しばしばビジネス分析の聖杯と考えられています。

それほど昔ではないですが、最新の「BARC Data Culture Survey」を見ました。そこによれば、2022年には参加者のうち32%の人が純粋にデータに基づいて意思決定を行ったとされています。18%の人は経験や直感に基づいて判断しました。その他の51%は両方の組み合わせを使用しました[5]。 これは私に考えさせました：この最後の数字は悪いことなのでしょうか？

一方で、それは悪いことではありません。データサイエンスの進歩、LLMsの導入を含むものの、この「人間の感覚」はまだ必要です。人間しか人間を理解することはできません：彼らの気分、好み、感情などを理解できるのは人間だけです。 どんなに複雑なコンピュータプログラムでも、その分野では私たちよりも劣っています。 一方で、人間の要素の過剰使用は時に有害かもしれません。それはどれだけの量のデータまたは直感を使用し、どのような種類の意思決定に使用されるかによって全てが左右されます。大きな意思決定ほど、人々は信じるか、以前に見たことに従う傾向にあります。 そして、現在ではそれはおそらく正しい方向ではありません。

データ分析とデータ解釈を分けることが合理的な理由

それはまた「人間のこと」です。最大の課題の一つは、詳細と「ヘリコプター」の視点を切り替えることです（逆も同様です）。すでに多くの責任を抱えているマネージャーに対して、与えられたデータセットで数時間または数日遊ぶことを期待するべきではありません。一方、データサイエンティストには、戦略の変化、企業の環境の理解、そしてまだ発表されていない重要な意思決定など、必要なバックグラウンド知識が欠けている場合があります。

多忙なマネージャーは、詳細な分析を実施するためにデータの専門家に頼ることがよくあります。これらの専門家は、広範なデータ探索の後、貴重な洞察を提供します。 しかし、リーダーは受動的に結論を受け入れるのではなく、データの解釈に参加する必要があります。

マネージャーの関与により、データの解釈が組織全体の文脈に合致することが保証されます。

リーダーがデータの専門家からの基本的な洞察を基にして構築すると、集合的な推論により包括的な意思決定が行われます。

組織のデータリテラシーレベルを向上させることの目的は、すべての従業員をデータサイエンティストにすることではなく、データに精通した個人を育成することです。重要なのは、チームのほとんどのメンバーに基本的なデータスキルを備えさせることであり、集中的なデータ駆動型の役割ではありません。

データリテラシーとは、高度な統計学やプログラミングの知識なしに日常のデータを管理する自信を持つことを意味します。

この基礎的な能力により、組織のデータの潜在能力を引き出すことができます。チームにとってデータリテラシーが何を意味するかを判断するために、データの階層構造の各レベルにおける「最小限の実用的な能力」を特定することが重要です。Brent Dykesは、必要なスキルを3×3の行列に分解することができると提案しています。行列の縦軸にデータリテラシーのレベルを、横軸に各レベルの最小限のスキルを配置します[6]。

Readカテゴリでは、Dataレベルは基本的な数値能力と特定の領域の指標理解を含みます。 Informationレベルでは、視覚的な理解（グラフ）と基本的な統計的理解の能力が追加されます。一方、Communicateステージでは、データの解釈と批判的評価が重視されます。

Work Withでは、Dataレベルでは分析ツールとデータの操作に関する知識を優先します。 Informationレベルでは、記述的および診断的な分析スキルが重視され、Insightレベルではデータ洞察に基づいた意思決定が強調されます。

「コミュニケーション」の領域では、データレベルのスキルには要請に対応したり、データに関する議論を行ったりすることが含まれます。また、「情報」のレベルでは、データのプレゼンテーションや可視化が強調され、さらに「インサイト」の段階では、効果的なデータストーリーテリングの技術が重要視されます[6]。

80/20の法則に基づき、私はインサイトのレベルがデータリテラシーを獲得する上で不可欠だと考えています。他のレベルも有益ですが、特に意思決定者の視点からは必須ではありません。

「読む」の領域

組織内のすべての人々、特にマネージャーやリーダーにとって、データサイエンスのツールと技術に基盤を築くことは非常に重要です。これは統計学のコースを取るか、PythonやRの学習に飛び込むことを意味するものではありません。むしろ、基本的な用語を理解し、特定のツールの利点と欠点を把握し、基本的な分析を行うための準備ができるようにすることが目標です。企業の役割には時間的制約があることを認識していますが、基本的な理解さえあれば、データサイエンティストとの対話を高め、基礎的な概念を再度確認する必要がなくなり、協力関係を改善することができると実証しました。

「一緒に働く」の領域

データとの取り扱い方を変えることで、企業の文化を大きく変えることができます。強力なリーダーシップが不可欠です。データに慣れていないリーダーは、数字よりも直感に頼るでしょう。

私たちはチーム内に「データのチャンピオン」を活用する必要があります。これはデータに情熱を持ち、他の人々に理解を助ける意思がある人々です。彼らはデータと分析が複雑な表だけでなく、エキサイティングな発見でもあることを示しています。

また、テクニカルなスキルがなくても誰もがデータを探索し理解できる使いやすいツールも必要です。マネージャーは効果的でよく設計されたダッシュボードを使用して、迅速に明確な情報を得るべきです[7]。

ただし、リスクもあります。貴重なデータに関する熱狂の中で、一部の企業は過剰にデータを収集し、それを分析することで時間を浪費し、意思決定を遅らせてしまうことがあります。

また、データの使用から直ちに利益を得られない場合は、意欲が失われるかもしれません。データドリブンなアプローチに新たに取り組む場合、小さな成功を祝うことが重要です。

「伝える」の領域

ここで「データを使ったストーリーテリング」が重要になります。なぜそれが必要なのでしょうか？ストーリーテリングは、物語と視覚的な手段を通じて膨大なデータを理解しやすくするのに役立ちます。魅力的なストーリーテリングは、どんなに複雑なストーリーでも明確にすることができます。このスキルは、データサイエンティストにとってもトップの要件としてForbesに挙げられています。しかし、多くのアナリストはそれに苦戦しています。効果的なデータストーリーは以下のような特徴を持ちます：

• 複雑なトピックを関連性のあるものにし、共有可能なものにする。
• 個人の経験よりも意思決定の変更に寄与する。
• 複雑なデータ分析の結果を簡素化する。

魅力的なストーリーテリングには、「それがどういう意味なのか」というステートメントがあります。多くのアナリストはデザインの創造力に欠けたり、簡素化を恐れたりします。しかし、わかりにくいビジュアルはビジネスの意思決定を妨げる可能性があります[8]。

私はまもなくデータを使ったストーリーテリングのアプローチについて書く予定です。お楽しみに！

データリテラシーの向上は、短距離競走ではなくマラソンであることを忘れないでください。

そして、これは多くの人々が選ぶ急速な訓練のトレンドとは逆のものです。LLMの台頭など、急速な技術の進歩は、継続的な学習の必要性を示しています。一日15分の記事を読むなど、一貫した日常的な自己教育を優先しましょう。可能であれば、両方の活動を組み合わせることも大切です。ただし、特にストーリーテリングのような領域では、形式的なトレーニングだけでなく、実践と経験が必要です。それは何がうまくいき、共感し、対象となる観衆やおそらくあなた自身の快適領域と一致するかを理解することです。

結論

現代のデータ駆動型の環境では、組織の全メンバー、特にリーダーシップにおいて、データサイエンスのツールと方法に基本的な理解を持つことが不可欠です。これには統計学のコースに登録することやプログラミング言語をマスターすることは必要ありません。代わりに、基本的な用語を身につけ、さまざまなツールの強みと弱点を見極め、基本的なデータ分析ができる能力を身につけることが重要です。企業の世界では時間的制約が理解されていますが、たとえ基礎的な知識であっても、データの専門家との対話を劇的に向上し、効果的に進めることができます。日常の業務におけるデータに基づく意思決定への依存度を高め、ストーリーテリングの力を活用することがこのプロセスの最高点に立つと言えます。その時点で、私たちは本当のデータリテラシーの専門家と言えるでしょう。

この記事は気に入りましたか？ VoAGIで私をフォローすることを考えてみてください。

参考文献:

[1] Szudejko, Micha l, 数字から行動へ：データを企業のために活用する方法、2023年8月14日

[2] Pilcher, Bryce、私のデータレイクは実際にはデータの沼ですか？、2023年3月23日

[3] Mewald, Clemens、データは新たな石油ではなく、データマーケットプレイスは我々を失望させた理由、2023年7月13日

[4] Dykes, Brent、どんなマネージャーにも向けたより良いデータ解釈スキルの4つの鍵、2022年6月16日

[5] BARC、BARCデータ文化調査23 — データユーザーをエンパワーするためのデータアクセスの自由化方法

[6] Dykes, Brent、データリテラシーとデータストーリーテリング：それらはどのように合致するのか？、2022年5月12日

[7] Szudejko, Michal、ストーリーテリングのための管理ダッシュボードの活用：実現可能な道筋か？、2023年8月3日

[8] Decoded、今日の世界を視覚化する：データを使ったストーリーテリング、2022年7月29日

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!