以下は、後 正武『意思決定のための「分析の技術」』の添付箇所(「データや情報を効果的に用いる工夫」)を基に、実務で使える形へ再構成したプログレスレポートです。本書全体は「分析には再現可能な技術がある」という立場で、分析を体系化しています。添付部分は、その中でも「集めた情報をどう意思決定へ変換するか」という実践編に当たります。
⸻
プログレスレポート
データや情報を「意思決定」に変える4つの技術
⸻
エグゼクティブサマリー
本章のメッセージは非常にシンプルです。
情報を集めるだけでは価値はない。
分析・図解・仮説・シミュレーションまで行って初めて意思決定になる。
著者は情報活用を4段階に整理しています。
1. データを定量的に処理する
2. 図にして意味を与える
3. 仮説を立て検証する
4. シミュレーションして未来を考える
この4段階を繰り返すことが、
「分析力」ではなく
意思決定能力を生むと述べています。
⸻
① データを定量的に処理する
最初に必要なのは
感覚を数字へ変えること
です。
例えば営業なら
* 訪問件数
* 商談件数
* 受注率
* 売上
* 利益
* 工数
など、
共通の尺度へ変換します。
時間分析なら
「目的別」
「業務別」
「顧客別」
などで集計する。
さらに
OVA(Overhead Value Analysis)
のように
すべての間接業務を金額へ換算する考え方も紹介されています。
つまり
数字になって初めて比較できる
ということです。
⸻
本質
分析とは
数字を作ることではなく
比較可能な指標を設計すること
です。
⸻
② 図にして意味を持たせる
数字だけでは理解できません。
そこで
図にします。
例えば
営業活動なら
営業マンの移動ルート
顧客訪問
時間配分
商談フロー
などを可視化します。
すると
今まで見えなかった
* 無駄
* ボトルネック
* 偏り
が見えてきます。
⸻
図解の価値
図は
単なる見栄えではありません。
著者は
視覚化によって
人は
原因
結果
因果関係
プロセス
を一瞬で理解できると説明しています。
つまり
図は
思考を助ける道具
なのです。
⸻
③ 仮説を立てる
ここが最も重要です。
分析は
データを見ることではありません。
データから
法則
を見つけることです。
そのためには
まず
「こうではないか」
という仮説を立てる必要があります。
そして
その仮説が
再現するか
例外はあるか
検証する。
自然科学では
この繰り返しによって
法則が発見されました。
⸻
実務では
営業でも
マーケティングでも
組織改善でも
同じです。
例えば
「紹介案件は受注率が高い」
という仮説を立て
数字で検証する。
当たれば
営業戦略になる。
外れれば
仮説を修正する。
⸻
科学的態度
著者は
試行錯誤だけ繰り返す人と
原因を考える人では
問題解決能力に大きな差が生まれる
と述べています。
つまり
失敗より
失敗から仮説を作る力
が重要なのです。
⸻
④ シミュレーションする
最後が
未来を考える工程です。
現実は
未知だらけです。
だから
未来を
頭の中で
何度も試します。
例えば
登山なら
* どこで休憩するか
* 雨が降ったら
* 道を間違えたら
* 装備不足なら
を考える。
営業なら
* 相手が反対したら
* 値引きを要求したら
* 上司が出てきたら
を考える。
事業なら
* 売れなかったら
* 人が採れなかったら
* コストが2倍なら
を考える。
⸻
未知を放置しない
著者は
未知を
「起きたら考える」
ではなく
「今考える」
姿勢を重要視しています。
つまり
未来予測ではなく
未来準備です。
⸻
シミュレーションで重要な姿勢
著者は
シミュレーションには
知的謙虚さ
が必要だと述べています。
希望的観測ではなく
現実を見る。
「きっと成功する」
ではなく
「失敗するとしたら」
を考える。
だから
準備の質が上がります。
⸻
全体構造
情報収集
↓
① 数字にする
↓
② 図にする
↓
③ 仮説を立てる
↓
④ シミュレーションする
↓
意思決定
↓
実行
↓
検証
↓
改善
⸻
この章の重要メッセージ
分析は
情報を集めることではない。
分析とは
意思決定できる状態へ
情報を変換することである。
⸻
AI時代への示唆
① AIは①②を高速化する
生成AIは
数字の整理
集計
グラフ化
要約
可視化
を極めて高速に行えます。
つまり
①定量処理
②図解
はAIの得意領域になります。
⸻
② 人間は③が価値になる
AIは
分析できます。
しかし
何を検証するか
という仮説は
人間の問題設定能力に依存します。
つまり
今後の競争力は
分析力より
仮説設定力になります。
⸻
③ AIは④で真価を発揮する
生成AIは
シナリオ生成が得意です。
例えば
「競合参入したら?」
「価格を20%下げたら?」
「海外展開したら?」
を数十通り考えられます。
これは本書がいう
シミュレーション能力を
飛躍的に強化します。
⸻
あなた(田中さん)の活動への示唆
現在取り組まれている以下の活動と、本章は非常に親和性があります。
* メニコン新規事業開発
* moviLinkの体験設計
* 「1日結論OS」
* 白地くんポートフォリオ
* 経営者向け戦略支援
これらを踏まえると、さらに強化できる点は次のとおりです。
1. 「分析→結論」ではなく「分析→仮説→シミュレーション→結論」のOSにする
現在の意思決定フレームに、「失敗シナリオ」「代替案」「条件分岐」を標準項目として追加すると、意思決定の頑健性が高まります。
2. 仮説を資産として蓄積する
案件ごとに「立てた仮説」「結果」「学び」をデータベース化すると、経験が再利用可能な知識資産へ変わります。
3. AIを”分析担当”ではなく”シミュレーション担当”として使う
データ整理だけでなく、
* 「この戦略が失敗する条件は?」
* 「競合ならどう反撃するか?」
* 「3年後に後悔するとしたら何が原因か?」
といった問いを投げることで、AIを意思決定のストレステストに活用できます。
4. 図解を意思決定プロセスの標準成果物にする
顧客提案や社長報告では、文章中心ではなく「因果関係」「意思決定ツリー」「シナリオマップ」を標準化すると、関係者間の認識を合わせやすくなります。
⸻
総括
本章は一見すると「分析テクニック」の説明ですが、本質は情報処理論ではなく意思決定論です。
重要なのは、情報を集めることではなく、情報を「行動可能な知識」に変換することです。そのための基本サイクルは、
定量化 → 可視化 → 仮説化 → シミュレーション → 実行 → 検証
という循環にあります。
このサイクルは1998年の出版時点で提示されたものですが、生成AIの普及した現在では、AIが「定量化・可視化・シナリオ生成」を担い、人間が「問い・仮説・最終判断」を担う形へと発展させることで、より強力な意思決定プロセスとして活用できます。