---
title: "数字を「見る」前に「何を見るか」を決めているか"
description: "データを見る前に「何を見るか」を決める重要性と、AI活用でギャップ分析を行う具体的手順が分かります（Vol.7‑8のリフレーミングを参照）。"
canonical: "https://novajournal.net/question-design/question-patterns/vol-17/"
publishedAt: "2026-07-06"
author: "NOVA JOURNAL編集部"
category: "問いのデザイン"
subCategory: "仕事で使う問いの型"
tags: ["情報リテラシー", "問いの技法"]
---

# 数字を「見る」前に「何を見るか」を決めているか

データを見る前に「何を見るか」を決める重要性と、AI活用でギャップ分析を行う具体的手順が分かります（Vol.7‑8のリフレーミングを参照）。

**データを眺めてから考えるのと、問いを立ててからデータを見るのでは、分析の精度がまったく違います。**

### この記事でわかること

- 「データを見れば何か分かる」が危険な理由
- 問いを立ててからデータを見る、という順番の意味
- 実務で使える「分析の問い」の立て方

---

月次レポートが届く。ダッシュボードを開く。数字をざっと眺める。「先月より下がっているな」「この指標は横ばいか」。眺め終わって、なんとなく状況は分かった気がする。

でも、「で、何をすればいいんだっけ？」。手が止まる。

データを眺めることと、データを分析することは違います。眺めるだけでは、行動につながりません。

### 「データを見れば何か分かる」の罠

「とりあえずデータを見てみよう」。これは仕事でよく聞くセリフです。一見もっともらしい。でも、この出発点には罠があります。

**問いがないままデータを見ると、目に入った数字に引っ張られます。** たまたま目立つ数字——大きく下がった指標、異常に高い値——に注意が向く。それが本当に重要かどうかは分からないのに、「これが問題だ」と思い込む。

Vol.7-8のリフレーミングで整理した話を思い出してください。最初に見えたものに固執すると、別の角度が見えなくなる。データ分析でもまったく同じことが起きます。最初に目に飛び込んだ数字が「問い」を決めてしまう。

もうひとつの罠は、**「何か面白い発見がないか」という探し方をしてしまうこと**。データの中を探索して、目立つパターンを見つけて、「こんなことが分かりました」と報告する。でも、それが判断に使える発見かどうかは別の話です。「面白いけど、だから何？」と言われて終わる。

### 問いが先、データが後

順番を逆にします。**まず問いを立てて、その問いに答えるためにデータを見る。**

「先月の売上が目標に対して15%足りない。ギャップの原因は新規の減少か、既存の解約増加か、単価の低下か。どれが一番大きいか」。

この問いがあれば、見るべきデータが決まります。新規の件数と金額、既存の解約率と金額、平均単価の推移。この3つを比較すれば、ギャップの主因が分かる。

問いがなければ、ダッシュボードの数十個の指標をなんとなく眺めて、「何か気になるものはないかな」と探す。時間がかかる割に、判断につながらない。

**「何を見るか」を先に決めるから、データが「答え」になる。** 「何を見るか」を決めずにデータを見ると、データは「情報の洪水」にしかならない。

### 「分析の問い」の立て方

では、データを見る前にどんな問いを立てればいいか。3つのパターンがあります。

#### **パターン①：ギャップの問い——「なぜ差が生まれているのか」**

目標と実績のギャップ、前月との差、前年との差。差が生まれている原因を特定する問い。

「売上目標に対して15%のギャップがある。新規・既存・単価のどこで生まれているか」。見るべきデータが明確になります。

#### **パターン②：傾向の問い——「この動きは一時的か、構造的か」**

数字が動いたとき、それが1回きりの変動なのか、続くトレンドなのかを判断する問い。

「解約率が先月0.4ポイント上がった。過去6ヶ月のトレンドを見て、上昇傾向なのか、先月だけの突発なのか」。時間軸のデータを見ることが決まります。Vol.11で整理した時間軸の操作そのものです。

#### **パターン③：比較の問い——「何と何を比べれば判断できるか」**

判断するためには比較が必要です。何と何を比べるかを先に決める。

「営業チームAとBで成約率に差がある。チーム規模、リードの質、商談の進め方のどこで差が出ているか」。比較対象と比較軸が決まれば、見るべきデータが決まります。

どのパターンも、共通しているのは**「問いが先にあって、データは問いに答えるための材料」**という順番です。

![](/images/articles/34ab0067d96980b08be0da98ba737762.png)

### データを見た後にも問いが必要

データを見て数字が分かった。ギャップの主因は新規の減少だった。ここで終わると、Vol.14で整理した「報告して終わり」と同じです。

**数字が分かったら、次の問いを立てる。** 「新規の減少が主因なら、リードが減っているのか、商談化率が落ちているのか。どちらか」。

1つの問いに答えると、次の問いが見えてくる。Vol.12の「抽象と具体を行き来する」と同じ構造です。最初は大きな問いで方向を決め、データで答えを出し、次の具体的な問いに降りる。この往復をデータ分析でもやる。

**良い分析とは、1つの問いに答えて終わりではなく、問い→データ→発見→次の問い→データ→発見のサイクルが回っている分析**です。

### AIとデータ分析の問い

AIにデータ分析を頼むときも、問いの有無で結果がまったく変わります。

**問いなし：** 「この売上データを分析して」。AIは汎用的な分析を返します。平均、中央値、前月比、傾向。情報は出てくるが、判断には使えない。

**問いあり：** 「売上目標に対して15%のギャップがある。新規・既存・単価のどこで発生しているか、データから特定して」。AIは問いに答える形で分析します。「ギャップの80%は新規商談数の減少で説明できます。既存と単価は横ばいです」。判断に直結する答えが出てくる。

Vol.15で整理した通り、AIの出力はたたき台です。AIが出した分析結果を鵜呑みにせず、数字の正確性や解釈の妥当性を確認する。でも、問いを渡すことでAIの分析精度が格段に上がるのは確かです。

### まとめ

この記事のポイントを3つにまとめます。

- 問いなしでデータを見ると、目立つ数字に引っ張られて判断を誤る。「何を見るか」を先に決めるから、データが答えになる
- 分析の問いは3パターン。ギャップの問い（なぜ差があるか）、傾向の問い（一時的か構造的か）、比較の問い（何と何を比べるか）。問いが先、データが後
- データを見た後にも次の問いを立てる。問い→データ→発見→次の問い。このサイクルが回る分析が、判断につながる分析

---

次回から「AIへの問い」を前後編で扱います。AIに仕事を任せるとき、最初に設計すべきなのはプロンプトではなく問いです。プロンプトと問いは何が違うのか、前編で整理します。

仮説思考に不安がある方は、ミニシリーズ「仮説思考の基礎」をご覧ください。