【データサイエンス】経営に”データで示して”とエビデンスを求められた際の留意点

データサイエンス
ワタシ

今回は分析結果の“レポート報告”について考えます。

業務を遂行する中で、各種分析に関するレポート報告する場面が多々あります。

その際に問題になるのが前提としての報告対象が統計知識がゼロの上で、かつ事業・経営的なメリットを求めている場合が多いという点です。

そのため、単に分析結果や考察をしたところで「で?」となることは必至のため、経営層に報告する際に留意すべき視点を整理します。

合わせて確認したい記事

データサイエンスを網羅的にコスパ良く実践的に学びたい時はこちらもオススメ!
>>データミックス使って感じたメリット・デメリット

今回の論点整理

”分析レポート“の報告観点

今回の想定は出来上がった結果を経営層の方に報告するというシーンです。そのため、ポイントを一言で言うならば、

ビジネスの意思決定を判断する根拠にできるか

が論点です。これを実現するためには、回帰係数や、RMSE、Confusion Matrixなどの今まで触れてきたものを整理する必要があるため下記にまとめます。

具体的な想定場面

今回の想定は以下の通りです。

架空事例
想定:自分は新規事業の立案を任されており”AIを絡めた新ビジネス”がお題として課されている
状況:データビジネスの企画はできるも、その意思決定を判断する根拠が現在はない
意図:新企画におけるビジネスインパクトを定量的に示して経営層の意思決定を促したい

このような時、「報告の見せ方」が勝負だと思います。

以下はレポート(パワポスライド)を創る際に、どういう点を意識してまとめると良いか、解釈の視点を絞って備忘録としてまとめます。

今回の抑えドコ

そこで、今回は上記を実現する手順について下記に備忘録的にまとめたいと思います。

抑えドコ!
  • 今回の焦点
    ▷経営へのアップレポートに関して
    (想定場面:データを用いた新企画を立案する際)
  • ポイント
    ▷報告の観点
    ▷現状分析(統計的有意差、回帰係数の解釈など)
    ▷今後予測 (RMSE, 混同行列の解釈など)

”レポート報告”でのポイント

ポイント① 報告の観点

報告をするにあたりまずは、聞き手の属性を考える必要があります。

今回のケースは経営層になりますので、興味になるのは

ビジネスとして価値があるかないか

正直なところそれだけです。

それを時間がない中、判断してもらうための判断材料を差し出すというのが目的です。

また、後述しますが、プレゼンや報告をする際に考えたいのが以下の4観点です。

報告時に留意すべき点
  • 立場
    ▷事業の経営をして意思決定する立場
  • 興味
    ▷イケてる新規事業、データを上手く絡めた企画
  • 求めていること
    ▷ビジネスインパクトのある内容・説明
  • 理解されていること
    ▷新聞などで出る他社でのデータ活用事例など
  • 感じているネガ
    ▷現実味のない企画、収益にならない企画ではないか
  • ゴール
    ▷「面白い!試してみよう!いくら必要か?」の反応

プレゼンをするときもそうですが相手に合わせて報告内容は変えるべきだと思いますので、今回は上記の通りかなと思います。

上記を踏まえると、報告内容で意識すべきは以下の3点

報告ポイント
  1. どうメリットがあるかがわかる
  2. シンプルで見やすく判断しやすい
  3. ビジネスインパクトが分かる

そのため、分析のプロセスなどは報告資料にいれつつも必ずしも興味範囲ではないので報告する必要もないというのがポイントです。

つまり

結果とビジネスへの示唆だけを話す

ということです。

また、一方で報告する資料自体は

抜け漏れがないか

という視点が大事かと思います。興味範囲でなかったとしても

「あれ、~~の部分はどうなっているの?」

と問われて慌てるみたいなことがないように、質問回答用にある程度の網羅性は担保する必要があると思います。

その視点でいうと、以下の7観点は報告レポート(報告内容)に何等か加味する必要があるかと思います。

報告の論点
  1. 分析の目的
    ▷何のためにやりはじめたか。ここを一番熱く語る。
  2. 結果の概要
    ▷ポイントはどこかを最初にサラッと報告して聴衆の意見を聞く。
  3. 分析の背景
    ▷上記の意見を踏まえ必要に応じて触れる。基本はサラッと
  4. 分析の方針
    ▷上記の意見を踏まえ必要に応じて触れる。基本はサラッと
  5. 分析の過程
    ▷完全に飛ばす(話したところで理解されず、よくわからん!となるので)
  6. 結果と考察
    ▷既存ビジネスへの影響とビジネスインパクトを伝える
  7. 今後の計画
    ▷次の打ち手と今後の進め方・拡張を問う

上記を部分的にappendixにいれるかどうかはその場に応じてですが、どの内容もなんらか組み込んでおく必要があるかなと思います。

尚、「これから分析を進めたい」という初期段階であれば①~④までの体裁になるかと思います。

分析が終了した後は報告もかねて①~⑦を網羅的に記載する必要があるかなと思います。

ちなみに、上記の報告・プレゼン時は個人的に以下の書籍などを参考にしたりします。

ポイント②現状分析(統計的有意差、回帰係数の解釈など)

また、ここで上記で一番難しいのが⑥の考察部分です。ここで大事になるのは

如何にビジネスインパクトがあるか

を示すという点です。

特にデータ分析は定量的に出す必要があるため、定量的に事業貢献度を数字で示す必要が出ます。

そこでポイントになるのが下記2点です。

ここにタイトル

どちらもデータ分析の解釈の視点で利用ができます。

前者においては分析対象のどれがどの程度効いているかを示すことが出来ます。また後者は偶然なのか、そうでないのかを統計的に示すことが出来ます。

そのため、これらを組み合わせることで、行っている施策の効果検証など、現状の分析を定量的に比較するなどして考察が出来ます。

これによって、例えばABテストをやった影響の有無を考えたり、今の打ち手を強めるべきか撤退すべきかなど、今後どのような方針にすべきかの示唆を与えることが出来ます。

ポイント③今後予測 (RMSE, 混同行列の解釈など)

上記と併せて考えたいのが

じゃぁ今後どの程度・改善が見込める?

みたいな「今後のこと」を問われることへの準備です。

その際には予測モデルを介した結果考察が必要になります。主には以下の2点です。

ここにタイトル

ポイント②で示した方法だけでも定量的に示すことは出来なくはないと思います。

ただ、ここでさらにつっこむと、現状の効果についてはわかったが、今後はどうなる?といった予測をする場合には、上記の検証が必要になると思います。

やることは今持っているデータを元に機械学習を用いて結果を予測し、想定する(比較したい)結果と誤差を計測することです。

そしてこの誤差がビジネスの内容と照らし合わした時にどのような影響があり、それが許容範囲かどうかが論点になります。

また、少し話はそれますが、予測モデルの構築という点では、今後の見込み層が可視化できるという側面から、下記の別軸での訴求もできたりします。

可視化によって出来うる例
  • 営業のアタックリスト作り
  • リコメンド・MAツール化
  • 不良品の自動摘出など

これらそれぞれ、調べれば詳細は出てきますが、どの程度の精度の予測精度かがわかると、どの程度インパクトがあるかを算出が可能となります。

(例えば、不良品の摘出による歩留まりが○○%改善すれば、○○万円のコストカットが期待できる等)

あとは組合せでありどういうシナリオにするかは報告担当者の腕次第なのだと思います。

まとめ 

上記を活用する際に、理解しておくべきポイントは以下3点

今回の抑えドコ
  • ポイント①:報告の観点
    ▷報告対象の興味を起点に7つの視点でまとめていく
  • ポイント②:現状分析(統計的有意差、回帰係数の解釈など)
    ▷どの要因がどの程度効いているかを定量で示す
  • ポイント③:今後予測 (RMSE, 混同行列の解釈など)
    ▷想定数値と予測数値を比較して今後の施策・インパクトを算出する

上記で述べた通り、一番のポイントは、報告を受ける側の興味にどれだけ寄り添えているか、が最重要なのでそこを留意する必要があります。

こう考えるとデータ分析においても一番必要なのは上記のような嗅覚とシナリオメイキングといったソフトスキルの力なのかもしれません。(営業していた時の感覚に近い。。)

これは普段の業務でも鍛えることができることなので、日々意識してソフトスキルの向上も意識していきたいと思います。

ご精読頂きありがとうございました!
m(_ _)m

その他、統計基礎のお勉強のお供

上記の内容と併せて実務で活かすという視点では下記の参考図書も合わせて確認すると理解が深まります(-_-)

created by Rinker
¥2,822 (2021/08/03 04:09:22時点 Amazon調べ-詳細)

その他、統計初学者が抑えておきたい理解ポイント

実務での応用を考えると下記のポイントを抑えると実務につながりやすいと思うので合わせてご参照下さい(‘ω’)ノ

【統計基礎】P値、帰無仮説とは一体何か、使いどころを考える

【統計基礎】データサイエンスにおける確率分布(ポアソン分布、正規分布等)とは

【統計基礎】重回帰分析やロジスティック回帰分析の違いとは

【統計基礎】分類問題における決定木やランダムフォレストの仕組とは

【統計基礎】クラスタリングにおけるk-meansやエルボーメソッドとは

【統計基礎】分析結果やモデル精度の解釈(決定係数, AUC, 混合行列等)とは

【統計基礎】ディープラーニング, 画像処理(プーリング等)とは

【統計基礎】自然言語処理、テキストマイニング、word2vecとは

【統計基礎】データサイエンスの知識整理 / AI, 機械学習, 深層学習の位置づけ

【統計基礎】経営に”データサイエンス風な報告”を求められた際の留意点

合わせて確認したい記事

データサイエンスを網羅的にコスパ良く実践的に学びたい時はこちらもオススメ!
>>データミックス使って感じたメリット・デメリット