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。
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。
