読了: 約 4 分

自社のデータ人材（データアナリスト）の育成を一部してきた中でのデータ人材のキャリア、事業グロースさせるためにデータ分析のタスクや組織を作ろうと思考してきたものについてのメモ。

この記事を書く目的

  • 経営として伸びる会社を作ること
    • ＝思考力×実行力が高い、再現性のある会社
    • 思考力＝データから物事を判断し、最適な実行ができる。仮設構築力が高いこと
    • 抽象的な課題・疑問に対して精度の高い仮説を持って実行し、再現性のある部分を少しでも増やすこと
  • データに強い会社にすること
    • ＝事業を再現性高く伸ばすことができる会社であること
  • データに強い状態にする
    • ＝データから仮説を立てられる、データを適切に取得・可視化・インサイトだしができる、その後各ファンクションの実行を改善支援できること

このような背景の上で、データ人材の採用と育成、弊社の全社員のデータ思考力の強化に結びつけていくために書いている。

データ人材のキャリア

  • 基本職種
    • データアナリスト、データサイエンティスト
  • なり方
    • PM、マーケター、エンジニア、経営企画などデータ関連を見てきた人がなっている
  • 中長期のキャリア
    • PM、事業責任者、グロースアナリスト
  • 業務・役割
    • 事業KGI/KPIの設計
    • 数値のモニタリング
    • 数値からの事業や各ファンクションの実行改善の支援

データ組織の有無に限らず、前提で全社員データ思考力を高めなければ質の高い実行ができる組織とはいえない。質の高い実行ができない組織はアジリティ・スループットが低く強い組織にはなれない。データ思考力について整理する。

データ思考力とは

  • データから仮説を出し、実行を改善するための思考力

必要な背景

  • 不確実性の高い時代においては実行が大切であるが、実行の成功確率を上げるためにはデータから思考する力が必要である

これができなくて起きる課題

  • データから思考する力がないと実行が無駄になる
  • リソースが不足・無駄になる＝仮説設計力、その検証（実行）力（アジリティ）を高める必要がある

仮説設計力・構築力が低い場合

  • ＝実行の精度が上がらない・上がるスピードが遅く、事業成長の鈍化・遅い状態になる

データ思考力を上げる目的

経営観点

  • データドリヴンな経営
    • 事業成長や実行に再現性を持たせること
    • 実行にレバレッジを効かせること
  • 組織のアジリティ、スループットを向上
    • アジリティ、スループットが低い場合＝連携力・思考力・実行不足
    • 連携力不足＝各セクション、KPIのデータ可視化・欠損、ワークフロー化の不足
    • 思考力＝データ思考
    • 実行不足＝リソース、権限委譲
  • 有限資産を生かす
    • 無駄な施策の回数を減らし、リソースや予算を無駄にしないこと時間、予算は有限である。
    • ヒトモノカネを最適化、最大化するのが事業・経営である

実行観点

  • KPI設計後のデータ判断
    • 設計が正しいのか、事業や実行の進捗が良いのか、進捗に対して何をするべき適切な判断できないと事業が遅れる、もしくは伸びない
  • 適切な意思決定、検証サイクルを回す
    • データから適切な判断をできるようにするため

データ思考から事業数値を上げるための方法・流れ

1 KPIツリーを設計する

  1. 正しい設計をしないと正しいデータを見ていない、見ることができない
  2. どのデータを収集するべきかわからず、データ収集の行動ができない

2 KPIに必要なデータを収集する

  1. 1のKPIから必要な情報ソースを整理する
  2. 情報ソースからの収集方法を整理する
    1. API経由で取得
    2. SaaSを使用する
    3. スクレイピングを検討する->開発に依頼する

3 KPIに必要なデータを可視化する

  1. KPIツリーの粒度が細かい場合は細部まで可視化する
  2. これがないと細かい実行改善には繋がらないため大きなKPI数値変化が期待できない

4 各詳細KPIの数値を上げるためのインサイトを出す

  1. データを可視化するだけでは実行は変化しない
  2. 実行を変化させるためには
    1. データから仮説・傾向を出し、実行する意味を理解させ、実行を素早く行わせる・行う必要がある
  3. 実行から逆算した適切な可視化をする
    1. 説明を求めなければいけない可視化やインサイトだしは実行に繋がらない
    2. 実行に繋がらない分析は意味がない分析になってしまう

5 KPIを追うためのワークフローを変化させる

  1. 可視化、インサイト出しまで行ったら各ファンクション、メンバーの実行改善速度をいかに上げるかが大事だ
  2. そのために、数値を見にいくこと・数値から仮説を出すスピードが大切であり、これらをワークフローで提供することが一番早い
  3. コミュニケーションツールなどへのポストがその具体例

データ組織を作るときの整理・判断材料

1 データ分析の必要タスク量を整理

  1. 事業のKPI
  2. プロダクトのKPI、利用数値
  3. 各ファンクションの数値整理（ex: SaaS事業）
    1. セールス
    2. CS
    3. マーケティング
    4. そのほか

2 分析ロードマップを作成する

  1. やること
    1. 上記必要項目、プロダクトや事業の成長に対してどういうスケジュールになるのか
  2. ポイント
    1. 分析人材の整理
    2. 優先度設計、事業のKPIで何を伸ばす必要があるのかとそれの優先度

3 必要人材リソースの整理

  1. 分析のロードマップが事業やプロダクト開発ロードマップに対して遅延する場合不足分が必要リソース

4 データ組織設計

  1. 必要リソースの設計、採用、評価などが必要になる場合シニア以上のデータ人材が必要
  2. データ人材も戦略設計、実行と役割・業務が別れる
  3. 戦略設計だけでなく、分析の物量が必要になる場合実行ができる人材が必要