【コラム#17】数字が苦手な人ほど、数字に騙される──データの「読み方」が判断を変える3つの視点
はじめに
「データドリブン経営」が叫ばれる時代です。
あなたの会社でも、売上データ、顧客データ、アクセスデータが日々集まっています。そして、そのデータに基づいて意思決定をするよう求められます。
しかし、こんな経験はありませんか。
「平均値を見て安心したら、実態と全く違っていた」
「過去のデータを集めたのに、結局何を判断すればいいか分からない」
「数字に基づく提案をしたのに、誰も行動してくれなかった」
問題は、データそのものではありません。データの「読み方」が間違っているのです。
『「数字で考える」は武器になる』は、リクルートで29年間データに基づく意思決定を実践してきた著者が、四則演算だけで仕事の生産性と説得力を高める方法を説きます。『外資系データサイエンティストの知的生産術』は、データを単なる数字ではなく「宝の山」と捉え、課題設定から社会実装までのプロセスを示します。そして『異端の統計学 ベイズ』は、不確実性の中で新しい証拠を得るたびに判断を更新していくベイズ統計学の考え方を描きます。
これら3冊に共通するのは、「数字を見る」のではなく「数字を読む」こと、そして「数字だけでは7割しか真実を説明できない」という現実です。
数字が苦手な人ほど、数字を鵜呑みにします。数字を使いこなす人は、数字の裏を読みます。
1. 平均値は「存在しない人」を生み出す──分散を見ない危険性
平均値は便利な指標です。しかし、平均値だけを見ると、重大な判断ミスを犯します。
1940年代、アメリカ空軍は戦闘機のコックピットを設計する際、「平均的なパイロット」の体格に合わせました。身長、座高、腕の長さ、10項目の平均値を計算し、その平均値に基づいて操縦席を設計したのです。
しかし、結果は悲惨でした。事故が頻発したのです。
調査の結果、衝撃的な事実が判明しました。4,063人のパイロットのうち、10項目すべてが平均値に近い人は、ただの一人もいなかったのです。
平均身長、平均座高、平均腕の長さ。それぞれの項目では平均に近い人がいます。しかし、すべての項目で平均に近い「平均的な人」は、実在しなかったのです。
空軍は、存在しない人間のために操縦席を設計していました。つまり、誰にも合わない操縦席だったのです。
この教訓は、ビジネスにも当てはまります。
「平均顧客単価」を見て施策を決定する。「平均PV数」で記事の成否を判断する。「平均勤続年数」で社員の定着度を測る。しかし、平均値だけを見ると、現実を見誤るのです。
重要なのは「分散」です。データがどれくらいバラついているか。最大値と最小値の差。中央値はどこにあるか。これらを見ないと、平均値は危険な指標になります。
顧客別の利益を分析すると、パレートの法則が現れます。上位20%の顧客が利益の80%を生み出している。平均顧客単価を見ても、この構造は見えません。そして、「平均的な顧客」向けの施策は、最も重要な上位20%にも、残りの80%にも響かないのです。
数字を読む第一の視点は、「平均値だけでなく、分散を見る」ことです。
データの裏に隠れた構造、バラつき、偏り。それを見抜くことで、真の課題が浮かび上がります。
2. データの9割は使えない──「課題」から始めないと迷子になる
「とりあえずデータを集めよう」
データ分析で最もよくある失敗は、課題が曖昧なまま、データ収集から始めることです。
外資系データサイエンティストとして活躍した著者は、こう断言します。「データの9割は使えない」と。
膨大なデータがあっても、分析に必要なデータは限られています。そして、データが揃っていても、課題が明確でなければ、何を分析すればいいか分かりません。結果として、データを集めただけで終わってしまうのです。
データサイエンスで最も重要なのは、「課題設定」です。そのために、IPDACサイクルというフレームワークが有効です。
Issue(課題): 解決すべき課題は何か？
Plan(計画): どのような仮説を立て、計画するか？
Data(データ収集): 必要なデータは何か？
Analysis(データ分析): どう分析し、検証するか？
Conclusion(結論): 最終的な結論は何か？
このサイクルの最初は、「Issue(課題)」です。データ収集ではありません。
リクルートでは、仕事を依頼された際、まず「ROI(投資対効果)」を計算します。その仕事が生み出す効果(R)と、投資する時間(I)を四則演算でざっくり見積もるのです。
例えば、新規データベースを構築する提案があったとします。構築には100時間かかります。それによって削減できる工数は、年間で10時間です。
ROI = 10時間 ÷ 100時間 = 0.1
効果が投資の10分の1しかありません。この仕事は、やる価値がないのです。つまり、データを集める前に、「そもそもこの課題は解決する価値があるのか」を問うべきなのです。
データ分析で成果を出す人は、「何が起きたのか？」「なぜそうなったのか？」「どうすればいいのか？」という3つの問いかけを繰り返します。この問いかけが、課題の解像度を高めるのです。
一方、データ分析で迷子になる人は、データを集めることが目的になっています。Excelで数字を並べ、グラフを作り、レポートを出す。しかし、「で、何をすればいいの？」と聞かれると答えられません。
数字を読む第二の視点は、「課題から始め、データは手段と割り切る」ことです。
課題が明確であれば、必要なデータは自ずと決まります。そして、分析結果から「次のアクション」が見えてきます。
3. 確率を更新する思考──新しい情報で判断を変える柔軟性
ある女性がマンモグラフィ検査で陽性反応が出ました。医師は言います。「陽性反応が出た場合、がんである確率は90%です」
この女性が、本当にがんである確率は何%でしょうか。
多くの人は「90%」と答えます。しかし、正解は違います。
実際の確率は、わずか8%程度なのです。
なぜこの違いが生まれるのか。それは、事前確率を無視しているからです。
そもそも、その年齢層の女性ががんである確率(事前確率)は1%です。マンモグラフィの精度は、がんの人を90%の確率で正しく陽性と判定し、がんでない人を90%の確率で正しく陰性と判定します。
ベイズの定理を使うと、陽性反応が出た場合の実際のがん確率(事後確率)は約8%になります。90%ではないのです。
この思考法が、ベイズ統計学です。事前の情報(事前確率)と新しい証拠(データ)を組み合わせて、判断(事後確率)を更新していく考え方です。
ベイズ統計学は、かつて統計学の主流から外された「異端」でした。しかし、実世界の問題解決において、その価値が再認識されました。
第二次世界大戦中、ベイズは暗号解読に使われました。冷戦下、核兵器の事故リスク評価に使われました。沈没した潜水艦の捜索にも使われました。そして現代では、医療診断、金融市場予測、自動運転車、脳科学など、不確実性が伴う様々な分野で活用されています。
ベイズの考え方が優れているのは、「情報を得るたびに判断を更新する」という、人間の自然な推論プロセスに近いからです。
リクルートでは、「仮説思考」が重視されます。仕事を始める前に、まず結論(仮説)をイメージする。そして、データを集めながら、その仮説を検証し、修正していく。これは、ベイズ的な思考そのものです。
一方、多くの人は、最初の判断に固執します。一度「これが正しい」と思うと、新しい情報が得られても、その判断を変えません。これを「確証バイアス」といいます。
しかし、現実のビジネスは不確実です。市場は変化し、顧客のニーズは移り変わります。その中で、最初の判断に固執することは、危険なのです。
数字を読む第三の視点は、「事前の情報と新しいデータを組み合わせ、判断を更新し続ける」ことです。
完璧なデータが揃うまで待つのではありません。不完全な情報から出発し、新しいデータが得られるたびに、判断を磨いていく。このプロセスが、不確実性の中で最善の意思決定を可能にします。
実践:明日から始める「データの読み方」3つのアクション
これらの洞察を、どう実践に移せばいいのでしょうか。
よくある失敗:「データを集めれば答えが出る」と思い込む
データ分析の初心者は、データを集めることが目的になります。しかし、データは手段です。課題が明確でなければ、データは何も語りません。
アクション1:平均値と一緒に「分散」を必ず確認する
あなたがデータを見るとき、平均値だけで判断していませんか。
今日から、平均値と一緒に「最大値」「最小値」「中央値」を必ず確認してください。Excelであれば、MAX関数、MIN関数、MEDIAN関数を使います。
そして、データを「ヒストグラム」で可視化してください。分布の形を見ることで、平均値だけでは見えなかった現実が見えてきます。
顧客データを分析するなら、顧客を「売上の高い順」に並べてください。上位20%がどれくらいの売上を生み出しているか。その構造を見ることが、真の課題を発見する第一歩です。
アクション2:「ROI思考」で課題の価値を見積もる
データ分析を始める前に、「そもそも、この課題は解決する価値があるのか」を問いかけてください。
フェルミ推定を使います。効果(R)と投資(I)を、四則演算でざっくり見積もるのです。
例えば、新しいレポートを作成する依頼があったとします。作成には5時間かかります。そのレポートを見る人は10人です。それぞれ10分読むとして、合計100分。つまり、投資は5時間(300分)、効果は100分です。
ROI = 100分 ÷ 300分 = 0.33
投資に対して効果が3分の1しかありません。このレポートは、作る価値がないのです。上司に提案してください。「このレポート、本当に必要ですか。効果が投資の3分の1しかありません」
この問いかけが、無駄な仕事を排除し、本当に重要な課題に集中する力を生みます。
アクション3:仮説を立て、データで検証し、判断を更新する
データ分析は、闇雲に始めてはいけません。まず仮説を立てるのです。
「おそらく、原因はAだろう」という仮説を立て、それを検証するためのデータを集めます。そして、データを見て、仮説が正しければ次のアクションに進み、間違っていれば仮説を修正します。
これが、ベイズ的な「判断の更新」であり、リクルートの「仮説思考」です。
あなたのプロジェクトで、「最初に立てた仮説」をメモしてください。そして、データを集めるたびに、その仮説を見直してください。「この仮説は、まだ正しいか。それとも、修正すべきか」
この習慣が、データに振り回されず、データを使いこなす力を生み出します。
おわりに
数字が苦手な人ほど、数字に騙されます。
平均値を見て安心する。データを集めれば答えが出ると思い込む。最初の判断に固執する。これらはすべて、数字を「見ている」だけで、「読んでいない」からです。
『「数字で考える」は武器になる』が示したのは、平均値の罠と、ROI思考で課題の価値を見極める方法。『外資系データサイエンティストの知的生産術』が説いたのは、課題設定の重要性と、データの9割は使えないという現実。『異端の統計学 ベイズ』が教えてくれたのは、事前の情報と新しいデータを組み合わせて判断を更新する思考法。
これら3つの視点に共通するのは、「数字は7割しか真実を説明できない」という謙虚さです。残りの3割は、経験、知識、現場の肌感覚で補完する必要があります。
平均値と一緒に分散を見る。ROI思考で課題の価値を見積もる。仮説を立て、データで検証し、判断を更新する。
この3つのアクションが、あなたのデータの「読み方」を変え、意思決定の質を高めます。
データは手段です。目的は、課題を解決し、価値を生み出すことです。
