人間は単純な数値では測定できない：データを真の実用的な洞察から分離する方法は次のとおりです

企業やマーケティング担当者は、これまでになく多くのデータにアクセスできるほか、データをサポートするデータや、最初のデータの正確性を証明するデータなどにアクセスできます。

あなたのビジネスのためにデータ主導の意思決定をしたいのなら、原材料はそこにあります。 しかし、人的要素がなければ、データには意味がありません。

データと洞察：違いは何ですか？

調査プロセスにおけるデータと洞察の役割と、それらが最終結果にどのように影響を与えることができるかを理解することが重要です。

データは、既存の標準に従ってキャプチャされた未処理の未処理の情報です。 数字、画像、文字起こし、またはその他の形式の場合があります。 処理、集約、および整理されたデータは、データの視覚化、レポート、およびダッシュボードに情報として配置され、人間がより簡単に解釈できます。

情報を分析して状況を文脈化し、結論を導き出すことで洞察が得られます。 これらの結論は、ビジネスをサポートするための実用的な決定に使用できます。

「データ駆動型」は、ビジネスやマーケティングなどでよく使われますが、それはまさにデータから得られる洞察に関するものです。 現代のビジネスには事実上無限のデータストリームがありますが、分析と洞察がなければ、基本的には役に立ちません。

データから洞察を得る原則

ビジネスの意思決定者はデータに精通していない可能性があります。数値と統計の間で、ビジネスとの明確なコンテキストと接続が失われます。 洞察が欠けていると、意思決定の流れにギャップが生じます。

データがより豊富になり、より複雑になるにつれて、このギャップは拡大する可能性があります。

データから洞察を得る原則は次のとおりです。

コラボレーション

多くの場合、確立された企業には、データプロセスの各ステップを処理するための複数の部門またはチームがあります。 それでも、全員が同じページにいない限り、これにより情報サイロが作成され、ギャップが生じる可能性があります。

データ、状況、および目標を包括的に把握するには、すべての部門からのコラボレーションが必要です。 コミュニケーションとサポートにより、主要な意思決定者はデータから貴重な洞察を収集し、「全体像」を確認できます。 誰もが同じ目標に向かって取り組んでいるため、お互いに助け合うことを約束しています。

透明性

複数の部門がデータ分析と意思決定プロセスを処理しているため、各部門はさまざまな側面に精通しています。 アナリストはデータソース、プロセス、タイプ、およびメトリックを知っていますが、意思決定者は答えようとしている質問と達成しようとしている目標を知っています。

すべての部門は、お互いのニーズを理解し、タスクの各部分が最大限に完了するように、オープンかつ透過的に通信する必要があります。

特異性

透明性と同様に、データプロセスに関与するすべての部門は、最終目標とより大きなビジネス目標を理解する必要があります。 データ、管理、意思決定者、およびその他の関係者は、要件、意図、および目標を定義する必要があります。

これにより、問題をさらに曇らせるのではなく、適切な質問が行われ、適切なデータセットが使用されるようになります。

原則をデータインサイトに適用する

質問を定義する

前述のように、特異性が重要です。 漠然とした幅広い質問は、実用的な答えを集めることをより困難にします。

たとえば、より多くの収入を上げる方法を尋ねることは、豊富な仮説につながる可能性があります。 代わりに、コストを上げずに収益を上げて利益率を高めるために、どのチャネルに焦点を当てるべきかを尋ねます。 または、前四半期に最高のROIをもたらしたマーケティングキャンペーンと、その結果を再現するために何ができるかを尋ねます。

また、答えが気に入らない場合は、別の質問をすることを忘れないでください。

コンテキストを明確にする

分析のコンテキスト、動機、制限された望ましい結果を理解することで、あなた（またはデータサイエンティスト）は、監視するのに最適なメトリックを決定できます。 データをコンテキスト化する場合は、すべてのステップを全体的なビジネス目標に関連付ける必要があります。

明確な期待を設定する

さまざまなデータセットを使用して、さまざまな質問に答えることができます。 収集している特定のデータセットからどのような洞察を得ることができるかを理解することが重要です。

たとえば、あなたは平均を探していますか？ 変化率は？ 合計？ これらの詳細は重要であり、プロセスに通知します。

測定可能なKPIを定義する

指標とKPIは常に測定可能であり、SMART（具体的、測定可能、達成可能、関連性、期限付き）の目標に関連している必要があります。

データは必ずしも数値ではなく、単語、測定値、観察結果、説明、または単純な事実である可能性がありますが、目標を達成するために順調に進んでいるかどうかを確認するために、KPIを測定可能にする必要があります。

仮説を立てる

データサイエンスは科学であり、仮説は科学的プロセスの重要な要素です。 仮説とは、調査の出発点として限られた証拠に基づいて提案された説明または仮定です。

たとえば、ランディングページの明瞭度を向上させると、混乱が減り、コンバージョンが向上するという仮説を立てることができます。 結果が否定的な場合は、顧客の行動に影響を与える可能性のある他の障壁を調べることができます。 結果が良好な場合は、ページの明瞭さを改善し、何が最も効果的かをテストすることに取り組むことができます。

適切なデータを収集する

前述のように、質問をするときは適切なデータセットを確認することが重要です。 必要な情報を示し、必要な結果に影響を与える可能性のあるデータとメトリックを選択します。

いくつかの対策を検討し、探している答えにつながる結果を得る方法を決定するための計画を立てる必要があるかもしれません。

セグメンテーションを活用する

データをセグメント化すると、情報のより具体性と詳細なビューが得られます。 質問によっては、業界、オーディエンス、Webサイトのセグメントなど、より大きなデータセットの選択されたサブセットに焦点を当ててから、動作のより詳細なビューを確認することをお勧めします。

データの統合と相関

複数のデータソースは、ビジネス情報のより包括的なビューを提供します。 データソースを統合し、質問をサポートするために最高品質のデータを選択します。

データも相互に関連付ける必要があります。 バウンス率を調べてトラフィックの指標を正しく把握するなど、相互に影響を与える可能性のある指標を検討してください。

コンテキストを発見

場合によっては、特定のデータポイントをコンテキストに配置して、それらがより大きなビューにどのように適合するかを確認する必要があります。

ベンチマークは、そのジャンルで最初の小説など、他のすべてを測定するための基準です。 同様に、データは、業界標準、目標、競合他社などの他のデータと比較する必要があります。

このようなベンチマークを使用すると、パターン、動作、成長率を特定したり、傾向、異常、不整合を特定したりするのに役立ちます。 これにより、競争の激しい状況のどこにいるかがわかります。

パターンを特定する

すべてのメトリックにはパターンがあります。これにより、データポイントの関連性を判断できます。 パターンと、購入行動やオンライン検索の季節変動など、ユーザーの行動をどのように示しているかを認識することが重要です。

たとえば、コンテンツ作成スタジオのページでは、ホリデーシーズンの直前にオンライントラフィックが急増することに気づきました。 私たちのチームはすぐに、この種の増加したトラフィックを活用する方法について戦略を立て始めました。

パターンを確認できれば、異常な動作をすばやく特定し、より効果的に評価できます。

繰り返し可能なプロセスを開発する

データ分析は、「設定して忘れる」状況ではありません。 ビジネスの存続期間を通じて一貫してデータを収集および分析します。そのための標準的で反復可能なプロセスを用意するのが最善です。

データを洞察に変えることは科学的なプロセスであり、まさにそれがあなたがそれに取り組むべき方法です。 実行する手順に基づいてデータ分析の構造化されたワークフローを設定し、データ分析を反復可能な人間主導のプロセスに変えます。

人間主導のデータ分析を採用する

データはビジネスにとって非常に価値がありますが、それだけでは成り立ちません。 データはこれまでのところしか理解できません。実用的な洞察は、人間の調査と解釈から得られます。

著者略歴

カイル・ジョンストンは、受賞歴のあるブランド、コンテンツ作成およびクリエイティブエージェンシーであるGigasavvyの創設パートナー兼社長です。 カイルは過去20年以上南カリフォルニアで過ごした後、最近家族をアイダホ州ボイジーに移し、次の成長段階で代理店を率い続けています。