「ビジネス上の意思決定に影響を与えるために結果を活用する」領域は、組織に価値をもたらす意思決定ができるようアナリティクスの結果を活用することです。

アナリティクスの結果は、意思決定支援として、またはワークフローに統合してリアルタイムの意思決定を提供するために使用できます。たとえば、eコマースではお薦め商品を提供でき、金融セクターでは自動保険引き受け、不正検知、自動ポートフォリオ・リバランスなどを提供できます。

そのため、アナリストはビジネス上の推奨事項を作成し、その実現方法を計画し、そしてステークホルダーが実行するためにチェンジマネジメントを考えます。

この領域では次の3つのタスクを行います。

•  アクションを推奨する
•  実現計画を立てる
•  チェンジをマネジメントする

アクションを推奨する：

• アナリシスの成功を見極めるための評価を行い、成果が見込めない場合は、新しい調査課題の定式化に戻り、BDAのサイクルは反復されます。
• 価値ある洞察が認められれば、アナリストはビジネス上検討する複数のソリューション選択肢評価やランクを付け、意思決定者に推奨します。
• BA専門職は組織戦略との整合性をチェックし、価値があるのか、投資効果を考慮し、設定されたKPIに対処したりします。

実現計画を立てる：

実現計画はチェンジのロードマップとチェンジの実現の成功を確かにするためのタスク、サブタスク、要員配置、タスクを完遂するのに責任のあるステークホルダーから提供された概算見積もり、実施順を表すフローを記述します。

チェンジをマネジメントする：

チェンジは、チェンジマネジメント・チームによってマネジメントされることもあれば、アナリスト自身がチェンジマネジャーの役割を担うこともあります。チェンジを具現化することは最終ゴール。この具現化で組織がアナリティクス業務から得られる価値を実現します。ビジネスアナリストはアナリティクス業務とチェンジ具現化の間の継続性を確実にできるため、チェンジマネジャーの役割を果たすのに適任です。

組織モデル、プロセス・モデル、シーケンス・ダイアグラム、システム思考スキルなどが役に立ちます。

この領域に適用できる一般的に使用されているアナリシスとアナリティクスのテクニックの抜粋

• 受け入れ基準と評価基準
• バランス・スコアカード
• ベンチマークと市場分析
• 意思決定分析
• 財務分析
• 教訓
• 組織モデリング
• 優先順位付け
• プロセス分析
• リスク分析とリスクマネジメント

今回でビジネスデータアナリティクスの解説は終了です。

お付き合いいただきありがとうございました。

「結果を解釈し報告する」領域は、データ分析から得られた結果からビジネス上の洞察を、ビジネスデータアナリティクスの成果として、ステークホルダーに伝達・報告する方法を決めます。

この領域でおこなうことは、まず　洞察を伝達するために計画をおこない、ついでアナリティクス結果を解釈し、そして調査結果を説明することです。

この領域で具体的に行うタスクは以下の通りです。

1.  ステークホルダー理解の妥当性を確認する
2.  ステークホルダー・コミュニケーションを計画する
3.  ステークホルダーのコミュニケーション・ニーズを見極める
4.  データから洞察を引き出す
5.  完了した分析からの発見を文書化し伝達する
6.  結果を解釈し報告するためのテクニックを選択する

具体的に解説します。

１．ステークホルダー理解の妥当性を確認する

アナリティクス・チームは継続的に以下のことを評価します。

• ・ 変化しつつあるニーズと目標
• ・ 調査課題の重要性
• ・ アナリティクス結果の速報性への期待
• ・ 結果の解釈に必要なスキルセット
• ・ アナリティクスについて教育と経験のレベル

そして、ステークホルダーがチームに共感を生むような結果の解釈と報告を行うための最良の機会を得られるようにします。

２．ステークホルダー・コミュニケーションを計画する

いつ、どこで、誰に何をどのように（5W1H）伝達する必要があるかを特定します。すなわち他のBAイニシアチブと同様に、ステークホルダーが誰であるかと、個々のステークホルダーやステークホルダー・グループのコミュニケーション嗜好をアナリストが知り、理解することです。

アナリストは次のことを考慮します。

• SHコミュニケーションは最終報告までに中間報告を適宜行う（反復的）。
• 対象のSHによって公式度や詳細度が変わる
• アナリティクス結果を解釈するためにSHに要求される専門性のレベル。
• 維持すべきプライバシーと機密性のレベル。
• 進捗と利用するアプローチについてSHに継続的に報告する
• イニシアチブの期間中にコミュニケーションを維持すること。
• さらなるアクションとフォローアップのためにSHからのフィードバックを記録すること。

３．ステークホルダーのコミュニケーション・ニーズを見極める

これもビジネスアナリシスのイニシアチブでお馴染みのものです。
ステークホルダーのコミュニケーション・ニーズを見極めることで、個々のステークホルダーまたはステークホルダー・グループに対して明確にメッセージが理解されるように、コミュニケーション方法をカスタマイズできます。

ステークホルダー特性を理解することは、コミュニケーション・アプローチの計画に有効です。ステークホルダーのコミュニケーションに関する要求すなわちステークホルダーの次のような嗜好があります。

• どの情報が最も関連があるか。
•  どのように情報を受け取りたいか。
•  どの程度の頻度で更新情報を受けたいか。
• 誰が意思決定者か。
•  どのような先入観を持っているか。
•  どのような要素が分析を弱めることになるか。（たとえば、矛盾した結果やアナリティクス・アプローチ、データ異常、ステークホルダーへの影響、ステークホルダーからの影響

４．データから洞察を引き出す

データサイエンティストやアナリストは様々な化手法、またはデータ・モデルを使用してデータから推論を引き出し、パターンを理解します。データから得られる兆候がビジネス上の洞察につながるかどうかは、「結果を解釈し報告する」領域の適切な分析によって判断されます。

アナリストは、収集したデータから洞察を導き出すために、複数の可視化手法を使用します。特に技術的な可視化手法は、ビジネス・ステークホルダーを対象とした視覚化とは異なり有用です。

得られた洞察を効果的に理解するために、アナリストは可視化とそれを説明するデータストーリーにデザイン思考を適用します。

標準の可視化技法（棒グラフと折れ線グラフ）と独自の可視化手法の両方を使用することで、ビジネスのための意味のある有用なアナリティクスの結果を確実に伝えることができます。

体系化スキル、システム思考、デザイン思考、創造性、細部への注意力、ステークホルダー指向、業界知識などは、情報を処理し、整理された形で結果を検討し、組み立てるために必要とされる重要なスキルである。アナリストには、全体を俯瞰して結果を見る能力も求められます。

５．完了した分析からの発見を文書化し伝達する

アナリストはデータに基づいて結論を導き出します。　データ分析結果をどのようにパッケージ化して伝えるのが最適かを特定し、必要な要約のレベルを決定し、情報をグループ化します。

結果を報告する際に考慮すべきことはつぎの通りです：

• 各ステークホルダー宛ての結論の中で、最も重要な側面はなにか。
• より効果的に情報を伝えるグラフや他の視覚化表現はなにか。
• 意味のある表示をするためには、どのような方法が最も効果的か。
• コミュニケーションをより魅力的なものにする方法（動画など）はなにか

意思決定者は、データの可視化手法によってアナリティクス情報を、さまざまな視点や粒度のレベルから見ることが可能です。

データ・ストーリーテリングとデータの可視化が連携して、明確で簡潔、視覚的に魅力的なコミュニケーションが可能。これらを最も得意とするのは、ビジュアル思考やコミュニケーション・スキルを持っている人です。

６．結果を解釈し報告するためのテクニックを選択する

「結果を解釈し報告する」領域に適用可能な一般的に使用されるアナリシスおよびアナリティクスのテクニックの一部です。

• インタビュー
• プロトタイピング
• 根本原因分析
• ステークホルダー・リスト、ステークホルダー・マップ、ペルソナ
• ワークショップ
• ストーリーボード
• 3分間ストーリー
• ビジネスの視覚化
• データジャーニーとデータ・オーケストレーション
• ビッグアイデア
• データ可視化・視覚化のためのUXパターンまたはUXフレームワーク

次回は　領域「ビジネス上の意思決定に影響を与えるために結果を活用する」を解説します。

「データを分析する」領域には、データ分析をどのように実行するかを決定することですが、それにはどのモデルや数学的テクニックもしくは統計的テクニックを利用するかを決めなければいけません。「データを分析する」領域では分析用にデータを準備し、 データ分析を実施し、 アナリティクスのソリューションや結果がビジネス課題に答えることに役立っているかを判定します。この領域ではビジネスアナリシス専門職はアナリティクス・モデルの実行を自分で担当するよりも、データサイエンティストの支援に回ることが多いです。つまり、データサイエンティストとビジネスアナリシス専門職の強力なコラボレーションによって、アナリティクス作業が適切なビジネス上のコンテキストに沿って実施されることを確実にします。

「データを分析する」領域でのタスクをは以下の通りです。

1.  データ分析の計画を立てる
2.  データを準備する
3.  データを探索する
4.  データ分析を実施する
5.  採用したアナリティクスとシステム・アプローチを評価する

１．データ分析の計画を立てる

データ分析計画を立てる際にアナリストは以下のことを決めます。

•  データサイエンティストが使用しようとしている数学的テクニックや統計的テクニック
•  どの統計的モデル、アルゴリズム・モデルを利用するか（回帰、ロジスティック回帰、デシジョン・ツリーまたはランダムフォレスト、サポート・ベクター・マシン、ニューラルネット）。
•  利用するデータソースは、どのようにデータを関連付けしジョインするか。
•  データの前処し、クリーニングの方法。

ビジネスアナリシス専門職は計画への洞察を与え、データサイエンティストによるレビュー用の初期計画のドラフトを作成します。データ分析深い技術的専門性を持っているのはデータサイエンティストです。効果的なデータ分析のアプローチが計画できるようにアナリシススキルが適用されます。

典型的なモデルやテクニック。

• 最少二乗回帰
• ARIMA (Auto Regressive Integrated Moving Average)自己回帰和分移動平均法
• デシジョン・ツリー
• ランダムフォレスト
• ロジスティック回帰
• k近傍法
• ナイーブ・ベイズ
• SVM（Support Vector Machine：サポート・ベクター・マシン）
• パーセプトロン

２．データを準備する

いわゆるデータ・クレンジング作業を行います。

主にデータサイエンティストが行うタスクで、データ間に存在する関係性を理解します。二つのテーブルは0対1、1対1、1対多、のどの関係か。データソース間の結合またはリンクの確立、データの正規化、標準化、スケーリング、データの変換もあります。収集したデータがそのままでは使えないためデータを補正したり削除したり、すなわちデータ・クレンジングを行うこともあります。

• データサイエンティストは、アナリティクス・イニシアチブで使用するデータを準備する際に、強力な技術的スキルと統計学の知識を使用します。
• アナリストはデータのためのビジネス上のコンテキストを提供します。ファシリテーション、コラボレーションや引き出しのスキルにより情報を補完できます。

３．データを探索する

詳細なデータ分析作業を実行する前に、正しいデータのタイプと品質が得られていることを確認するための品質チェックでデータサイエンティストの責務ですが、ビジネス・ドメインの理解が必要なのでビジネスアナリシス専門職が支援します。

データサイエンティストは、データの品質を評価し、以下のチェック・ポイントを用いて対応の方向性を決定します。

•  データ完全性：データは構造的に正しいか。
•  データ妥当性：データは本当に基礎となる構成要素を代表するものか。
•  データ信頼性：複数回データを収集したときに、同じ結果を得られるか。
•  データの偏り：データは与えられた状況を正確に描写しているか。

探索的データ分析活動は、データ準備活動よりも複雑な作業で、これによりアナリストやデータサイエンティストは、潜在的なデータのギャップや変数間の相互関係を発見する機会をみつけ、複数の統計的検定を行ってデータが調査課題に適しているかどうかを判断します。

データサイエンティストとビジネスアナリシス実践者との継続的なコラボレーションによって、ビジネスアナリシス実践者が保有する業界やビジネス・ドメインの知識とデータサイエンティストが作成した分析結果を組み合わせて、その結果がビジネス課題への回答に役立っているかどうかを判断します。

４．データ分析を実施する

探索的分析によってデータ品質の問題が解決された後に実行される広範で深い分析です。データ分析の実施には、数学や統計学を応用すること、そしてさまざまなステークホルダーのための調査課題への回答に関連した広範な数学的分析を完了します。

データサイエンティストは広範な数学的スキルを必要とする専門的なテクニックを使用します（たとえば、相関ルール学習、デシジョン・ツリー分析、k平均法など）。 機械学習や人工知能の活用など、データサイエンティストの分析能力を向上させる多くのテクニックがあります。予測や見通しを得るための回帰分析。シミュレーションは、一連の手順や振る舞いを再現するために使用します。

データサイエンティストは業界やビジネス・ドメインの知識を利用しますが、その知識がないときは、ビジネスアナリシス専門職のスキルを活用します。

５．採用したアナリティクスとシステム・アプローチを評価する

アナリティクス・アプローチの評価は、「データを探索する」と「データを分析する」を使って反復的に行います。
使用するデータソースにデータサイエンティストが納得するまで、データ探索とデータ分析のタスクが反復されます。データへの評価は、得られたデータの質と、調査課題に答えることへの価値に基づきます。
ビジネスアナリシスの専門家が必要なものはつぎのとおりです。：

• 統計学の基本的なスキルと、データサイエンスのツールとテクノロジーの基本的な理解
• データ分析にコンテキストを提供するためのビジネス感覚
• データサイエンティストがビジネスに関連して提起する質問に答える。

次回は領域4「結果を解釈し報告する」です。

]]> http://kbmanagement.biz/?feed=rss2&p=5307 0 http://kbmanagement.biz/?p=5291 http://kbmanagement.biz/?p=5291#comments Mon, 15 Nov 2021 04:52:50 +0000 admin http://kbmanagement.biz/?p=5291 BDAの領域　2：　データを入手する

 この領域の活動は、与えられた調査課題に必要なデータを決定するトップダウン活動です。組織のデータ・アーキテクチャーに関するテクニカル・スキルを持ち、異なるデータソースから関連するデータを取得、抽出できるスキルを持つ人が実行します。

• データサイエンティスト：データを変数であると見ます
• ビジネスアナリシスの専門家：データ変数の背後にある意味や組織にとってのそのデータの重要性を理解しています。

 良い構成のチームは、ビジネスアナリシスとデータサイエンス双方のスキルを提供できる専門家が必要です。

この領域には次の４つのタスクがあります。

1. データ収集を計画する
2. データセットを決定する
3. データを収集する
4. データの妥当性を確認する

 １．データ収集を計画する

どのデータが一番アナリティクスの問題に関係しているかを見極めます。

• 必要なデータは何か
• そのデータは取得可能か
• その履歴データは必要か
• いつどのようにデータを収集するのか
• 収集後どのようにデータの妥当性を確認するのか

アナリストは必要なデータを特定することで、データ専門家を支援します。

取得するべきデータの分類も重要です。

• 構造化データ：データベースのデータのように、整理され、フォーマット化されているデータ。SQLなどで簡単にアクセスできます。
• 非構造化データ：ワード・プロセッサー型の文書、eメール、ソーシャルメディア、音声やビデオ・ファイルのようなさまざまな形式を取ります。

データ収集の計画が作成されたら、データについて影響のあるステークホルダーがアナリティクス・チームと一緒に計画をレビューします。アナリストはチームを合意に向けてファシリテーションする責任があります。

２．データセットを決定する

データ・タイプ、データ・ディメンジョン、サンプル・サイズ、異なるデータ要素間の関係などの詳細を決定します。

5つのVの評価（volume：量、velocity：速度、variety：多様性、veracity：真実性、 value：価値）は、データセットを決定するのに役に立ちます。

•  量（volume）：生成されるデータ量と処理が必要なデータセットの大きさ。
•  速度（velocity）：データが生成される速度と、データを収集して処理する頻度。
•  多様性（variety）：処理する必要のあるデータソース、フォーマット、およびタイプの多様性。
• 真実性（veracity）：データの信頼性と、データの不確実性や不整合を表します。
•  価値（value）：真に価値あるビジネス・ゴールの視点で考慮します。

３．データを収集する

いよいよデータを収集します。

データ収集にはおおきくわけてつぎの2つの種類。

・受動的データ収集：

日常のとランズアクションで得られるデータです。POSデータ、インターネット・ブラウザー、ウェブ、モバイルデータなどです。

・能動的データ収集：

特定の目的のためにステークホルダーに情報を求めることです。この種のデータは組織には最初からは存在しないものです。自由回答または選択肢型の質問によるサーベイも一つのやり方です。

４．データの妥当性を確認する

このタスクではではデータの妥当性確認とビジネスの妥当性確認を行います。

データの妥当性を確認：

計画されたデータソースが使用可能で、かつ使用すべきであること、そしてアクセス時には、取得データが期待されるタイプの結果を提供しているかどうかの評価をおこないます。ただし概要レベルです（まだ分析していないため）。

ビジネスの妥当性確認：

ビジネスのステークホルダーにデータソースを承認してもらい、データの正確性を評価するためのパラメーターを定義する受け入れ基準を確立してもらいます。

• 正確性：データは正しく、ソースによって意図されたものを表しています。
• 完全性：データは包括的で、不足しているものはありません。例：必須フィールドにNull値が含まれていないことを確認します。
• 一貫性：データ要素の値がソース間で同じであるとき、データ値は一貫性があります。例：日付フィールドに日付の値のみが表示されているのを確認します。
• 一意性：データが一意であることです。例：データに重複がないことを確認します。
• 適時性：古くなったデータよりも、新鮮で最新のデータの方が価値があります。例：受信されたデータが要求された期間のものであるかどうかを確認します。

データの妥当性確認は、結果を分析するための基礎的コンピテンシーを十分に備えたデータアナリスト、データサイエンティスト、またはビジネスアナリシスの実践者によって行われます。

ビジネスの妥当性確認は、アナリティクス・イニシアチブで使用するデータソースを承認する権限と、アナリストと連携してデータの正確性を評価する知識を持つ主要なステークホルダーによって行われます。

次回は領域「データを分析する」です。

 ゴールはデータアナリティクス・チームに対して焦点を明確にし、その後の作業を形作ることです。そして、この後に行うデータ分析を活用することによって、情報に基づいたビジネス上の意思決定を支援する洞察を得られるようにします。

 このドメイン（領域）には、次の7つのタスクがあります。

1. ビジネス上の問題または機会を定義する
2. ステークホルダーを特定し理解する
3. 現状を評価する
4. 将来状態を定義する
5. 調査課題を定式化する
6. ビジネスデータアナリティクス・アプローチを計画する
7. 調査課題を特定するためのテクニックを選択する

1.　ビジネス上の問題または機会を定義する。

BABOKでお馴染みのビジネス・ニーズを定義することです。データが先にあるのではありません。対処するべきビジネス上の重要な問題や機会を定義することが始まりです。ここは通常のビジネスアナリシスそのものです。ただ問題解決の対象がデータアナリティクスが役に立つかもしれません。いずれにしてもビジネスアナリシスの知見をフルに発揮して、引き出し、問題分析のテクニック、そして組織の知識などが役に立ちます。

 ２．ステークホルダーを特定し理解する

これもビジネスアナリシスにおなじみのタスクですね。なるべく多くの方をアナリティクスのイニシアチブに巻き込んで協働するようにしましょう。

•  ステークホルダーは誰か。
•  彼らのアナリティクスの知識レベルはどの程度か。プロジェクトのどのような面に興味を持っているか。
•  どのようなコミュニケーション方法やテクニックが適切か。
•  いつステークホルダーとコミュニケーションを取るべきか。

そして、次のことを把握しておくことが重要です。

• 誰が関連する情報を作り出しているか。
•  組織の中で作られたデータは誰に開示されるか。
•  誰がそのデータから得られた洞察に影響される意思決定者か

3．現状を評価する

これもまさにビジネスアナリシスの代表的な仕事です。とくに次の点に注目することが重要です。これらにこだわるものではありませんが。

• 組織構造
• 情報やデータ
• ビジネスプロセス、バリューチェーン
• ビジネスモデル

 ４．将来状態定義する。

これもビジネスアナリシスそのものですね。重要なのは現状の評価と同時に行いおなじ視点で比較し定義することです。ですから上記の

• 組織構造
• 情報やデータ
• ビジネスプロセス、バリューチェーン
• ビジネスモデル

現状と将来の比較を作成し、そのうえで将来状態を見極めます。その状態におけるビジネスのゴールと目標、KPIなどを定義することです。そして次の点を明確にしておくのが良いでしょう。

•  将来状態は、明確に定義され理解可能である。
•  利用可能なリソースで達成可能である。
•  主要なステークホルダーが、求める成果について合意に基づいた共有のビジョンを持っている。
•  望ましいビジョンが達成されるように、測定可能な目標が設定されている。

５．調査課題を定式化する

具体的な作業を始める前に、ステークホルダーはアナリティクスが答える「問い」を定式化するようにします。例えば、

• 顧客体験に影響を与える要因は何であろうか。（記述的アナリティクス）
•  顧客体験を評価するのに何が基準となるだろうか。（記述的アナリティクス）
•  小売業の個々の取引をどのように肯定的または否定的な体験として分類するのだろうか。（予測的アナリティクス）
• . たとえば 決済ウォレットのような新機能を加えることで、顧客体験は改善するだろうか。（処方的アナリティクス）

 ビジネス・ニーズは、さまざまなソリューションのアプローチにつながる可能性があります。そのアプローチはアナリティクス・イニシアチブを伴うこともあれば、そうでないこともあります。アナリティクスの問題や機会が、アナリティクス・イニシアチブにつながるのは、定量的な成功基準を使って調査課題が特定可能になるまで洗練される場合です。そして、アナリティクスの問いの具体的なリストを作成し、問いがまとまると、スコープが導かれ、アナリティクス・チームの活動が促進されます。

 ６．ビジネスデータアナリティクス・アプローチを計画する

 アナリティクス作業全体のアプローチを計画します。

次のことを行います。

• 組織のケイパビリティとキャパシティを見極める。
• 「すぐに成果が出るもの」を特定する。
• アナリティクスの課題の種類（記述的、診断的、予測的、処方的）を見極める。
•  ビジネス・ニーズ、目的、調査課題、およびその出所のトレーサビリティを維持する。

計画は反復プロセスであり、新しい知識が得られるたびにアプローチは変更されます。6個のビジネスデータアナリティクス領域には、アナリティクス全体へのアプローチに影響を与える計画の要素が含まれています。アプローチの形式には、正解も不正解もありません。テンプレートを使用する組織もあれば、より視覚的なモデルでWikiやワーク・スペースを使用する組織もあります。

テクニックとして役に立つのは

ブレーンストーミング、機能分解、見積もりなど。また、ファシリテーション、リーダーシップ・スキル、交渉スキルを駆使して、ステークホルダーの合意を得るようにします。

次回は　領域２　データを入手する

ビジネスアナリシスとビジネスデータアナリティクス

 ビジネスアナリシス

• ビジネスアナリシスは、ニーズを定義し、ステークホルダーに価値を提供するソリューションを推奨することにより、エンタープライズにおけるチェンジを引き起こすことを可能にする専門活動です（BABOKより）。
• ビジネスアナリシスのツール、テクニック、コンピテンシーはアナリティクスの作業にビジネスのコンテキストを提供することによりアナリティクスのイニシアチブをより効率的にし、向上させることができます。
• ですからビジネスアナリシスはアナリティクスの問題の焦点を定義し、イニシアチブにわたるスコープを設定し、データの収集やデータ収集プロセスの実行の支援も行いますので、情報に基づいたビジネス上の意思決定の実施を促進することができます。

データアナリティクスの専門領域

• データアナリティクスの専門領域はトレンドやパターンを観察、予測するシステマティックなプロセスにおけるデータ分析に焦点を当てます。
• そして代表的なプラクティスは、ビジネスアナリシスの支援によって整理されたデータをソート、加工、分析することに使われます。
• 一旦、収集されたデータの分析が完了したら、ビジネスアナリシスの活動がデータアナリティクスから得られた結果を解釈し、情報をビジネス上の意思決定へ変換することになります。

ですからデータアナリティクスをデータ分析に焦点を当てたビジネスアナリシスと見て、ビジネスアナリシスの特定分野もしくはサブセットと考えることもできます。

しかし、ここでは、ビジネスアナリシスとデータアナリティクスの専門領域を別々に扱うものとします。この書籍では、ビジネスデータアナリティクスをビジネスアナリシスとデータアナリティクスの専門領域の両方の面を含み、エビデンス駆動型のビジネス上の意思決定を通じてより良いビジネス成果を創造するために利用される専門的研究領域と見なします。

ここで議論するビジネスアナリシスとアナリティクスのコンセプトは、アナリティクスのイニシアチブを通じてエンタープライズに価値を生み出すために、ビジネスアナリシスとデータアナリティクスの両方のプロフェッショナルにとって同じように有用です。

これから、一般的にビジネスデータアナリティクスの作業の実践と活動について解説します。重点は、ビジネスデータアナリティクスを実行するためにビジネスアナリシスのスキルが重要となる領域です。作業を実行する上で責任を負う肩書きを特定することではありません。

 これから次の6個のビジネスデータアナリティクスの領域に分類して解説します。

1. 調査課題を特定する
2.  データを入手する
3.  データを分析する
4. 結果を解釈し報告する
5. 結果をビジネス上の意思決定に活用する
6. ビジネスデータアナリティクスの組織レベルの戦略をガイドする

次回は最初の領域「調査課題を特定する」を解説します。

DXが叫ばれて久しいですが、いまだにDXを聞かない日がないくらいすっかりバズワード化し定着しています。そしてDXを行うためにはデータドリブン経営が不可欠とも言われます。ビジネスアナリシスにとってもデータ・アナリティクスは無縁ではありません。毎年ビジネスアナリストに対する要望も強くなってきています。

IIBA本部が毎年実施しているBAサラリー・レポートでもそのことが如実に現れていて、2020年の調査ではなんとBAの38％がビジネスデータアナリティクスに携わっていると回答しています。

また、BAの役割の中でビジネスデータアナリティクスのどの領域が最も重要かという質問には、　データの分析（90％）がトップでついで「結果の解釈と報告」（87％）と続いています。主に北米のデータですが、ビジネスアナリストへの期待がますます高まっていることが分かります。日本でも他人ごとではなくなってくるのではないでしょうか。

　一方、日本国内では日本データサイエンティスト協会がデータサイエンティストのスキル区分を次のように提案しいます。

 データサイエンティスト協会のスキル区分

•  ビジネス力：課題背景を理解したうえでビジネス課題を整理し解決する力
• データサイエンス力：情報処理、人工知能、統計学などの情報科学系の知恵を理解し使う力
• データエンジニアリング力：データサイエンスを意味のある形に使えるようにし実装・運用できるようにする力

日本データサイエンティスト協会　URL:https://www.datascientist.or.jp/

そして、この3つの要素を満たすことがデータサイエンティストにとって重要と謳っています。そして今年（2021年）からデータサイエンティスト（DS）検定（リテラシーレベル）なるものが開始されています。

この様に、データアナリティクスへのニーズは高まる一方です。

 IIBAではビジネスアナリシスの特定分野してビジネスデータアナリティクス分野のガイドブックを公表しグローバルな認定資格としてIIBA-BDA資格も開始しています（2020より）。

日本ではIIBA日本支部がBDAガイドブックの日本語化プロジェクトに着手し、間もなく日本語版が出版される予定です。そこでこの日本語化プロジェクトに参加している筆者がIIBAのBDAガイドについて解説しようと思います。

この書籍の中では次のようにプラクティスとテクノロジーのセットとしてビジネスデータアナリティクス を以下のように定義しています。

 ビジネスデータアナリティクスにおけるプラクティスを、以下の6個のビジネスデータアナリティクス領域のコンテキストで説明しています。

• 調査課題を特定する。
• データを入手する
• データを分析する
• 結果を解釈し報告する
• ビジネス上の意思決定に影響を与えるために結果を活用する
• ビジネスデータアナリティクスのための組織レベルの戦略をガイドする

これら6個のビジネスデータアナリティクス分野は、データ中心アクティビティのセットを定義し、アナリティクス・イニシアチブを成功させるためのビジネスアナリシスのプラクティスを定義しています（詳細は後述）。

ビジネスデータアナリティクスは、科学的方法であるデータ収集とデータ分析の部分に焦点を当てています。一方、その前後のプロセスはビジネスアナリシスによって情報を得ています。ビジネスデータアナリティクスが、ビジネスアナリシスを必要とするのは、回答するのが重要となる質問の特定にデータ分析が確実に焦点を当てて、そしてデータがビジネス上の重要な状況（問題や機会）を解決するための価値ある洞察を確実に生み出すためです。

上図はいわゆる仮説検証のプロセスです。

重要なのは「問い」です。ビジネスにおける重要課題を「問い」の形で投げ掛けることからスタートし、調査を基に「仮説」を立てて検証していきます。

つぎはビジネスデータアナリティクスの典型的な4つの方法です。

記述的

• データを記述したり要約したりすることで、過去についての洞察を提供します。「何が起こっていたのか」という質問に答えることを目的とします。
• 例：地域別の売上データの集計と要約。

古典的なデータアナリティクスとしてご存じではないでしょうか。

 診断的：

• なぜ、その結果が発生したのかを探ります。「なぜ特定の事象が発生したのか」という疑問に答えるために使用されます。
• 例：特定の四半期における売上げの急な落ち込みについての調査。

従来のデータアナリティクスの範囲です。

 予測的：

• データの過去の傾向を分析し、将来についての洞察を提供する。「何が起こりそうか」という疑問に答えるために、予測分析を活用する。
• 例：来期に発生しそうな損益の予測

診断敵から発展して、これから起きそうなことを予測してくれます。これからが大きな価値を提供してくれそうです。

処方的：

• さまざまな形態のアナリティクスから得られた知見を利用して、検討中の意思決定の予想される効果と成果を定量化する。「もし私達があることを実行したら、何が起こるだろうか」という質問に答えることを目的としている。
• 例：組織がマーケティング費用を10％増額したとき、総売上はどうなるか。

具体的なアクションを取ることができそうです。

 従来は記述的と診断敵がメインだったのですが、最近では予測敵が主流になり、さらに処方的に移行しつつあるようです。

ただ、最新の処方敵はデータサイエンスだけでできるわけではなく最新のAIおよび意思決定モデルを組み合わせたものが必要なようです（この書籍の範囲外かもしれません）。

次回はビジネスアナリシスとビジネスデータアナアリティクスの関係についてより詳細に解説していきます。