柏木吉基のレビュー一覧
-
-
-
-
Posted by ブクログ
ネタバレめも
考えて:分析前の問題・目的定義と仮説構築
作業して:分析そのもののスキルや知識
考える:分析結果の解釈とストーリー構築
Q.あなたは何を知りたいのか。それを知って何をしたいのか。そのためには、どんなデータ指標が必要なのか
→この問いかけを自らにしましょう
データ分析は目的化されやすい。そうではない。手段です。ツールに過ぎない。
データ活用のプロセス
表面的な現象
↓
(目的・問題定義)
目的・問題を定義する※具体的に/問題なのか要因なのか方策なのかの意識を
↓
指標を特定する
↓
(現状把握・評価)
現状を把握する
↓
評価をする
↓
(要因)
要因を特定する
↓
(方策)
方策を考える
自分が考えることをロジカルに客観的に相手に伝え、理解・納得してもらうか。自ら結論に至るストーリーを構築できるスキルが大事
(問題定義)
問題と要因が混ざっていないか、主観でしかない想定が要因とされていないか.目に見える現象ではないか.で、何がどれくらい具体的に問題なのか、その問題はやはり要因が混在していないか.想定や仮説に過ぎないのではないか、目的でもいいが具体的に定義しましょう、
比較する際のチェックポイント
(1)結論となる結果が得られるか(必ずしも結論通りの結果が得られるとは限らないが)
(2)比較することで「差」が見出せそうか
目的思考の人は、データによる結果を述べるのではなく、結論を述べること
要因候補の挙げ方と指標の特定の仕方
要因候補を上げる
↓
指標を特定する
↓
関係性を確認する
問題に対する要因は見つかるが、そのデータが存在しない時、(1)類似のデータを考える(2)今から集める(3)定性情報で対応する
分解のコツ
1.ペアコンセプト…対になるもの
2.自己否定
思いつきのアイデアを否定→次のアイデアも否定→どんどん否定してアイデアを出していく事
-
-
-
Posted by ブクログ
標準偏差 stdev
分散=偏差(平均-各データ)二乗の合計/データ個数
標準偏差=√分散
全データの2/3が収まっている範囲がわかる
相関関数 correl
2範囲の相関性+1〜-1
散布図にすると0.7くらいから方向性が見える
データの前提を見誤ると変なデータになる
単回帰分析 散布図>データ>線形近似
・グラフに数式を表示する
・グラフにR-2乗値を表示する
R-2乗値は相関値の二乗なので、0.49が相関0.7と同じ。R-2乗値が0.5を超えたら相関性を認めて良さそう。
y=ax+b になる
bは切片。例えば費用ゼロでもいける売上。実態からbを引けば試作効果がわかる。
-
Posted by ブクログ
データ分析超入門も読んで、ダブルの評価です。
分析とは、仮説を検証することである。
良い名言ですねー！
目的を押さえて→仮説を立てて→手段(分析の)
という型を教えてくれました。
目的→仮説→手段が全部ロジカルにつながっているかも大事である。
目的→仮説の段階では、サラッと当たりをつける分析
(フレームワークや上位で並列な軸、よりインパクトがある軸を選ぶ)
仮説→手段の段階では、しっかりとした論理作りのための分析
分析の手段とは、仮説の根拠を集めること。
仮説の根拠を集めるには、データ収集をする。
その手段が沢山ある。
例えば…
・絶対値を比率に加工する
・要素ごとにさらに分解する
・定性情報を定量情報にする
・平均、中央値、外れ値、標準偏差、ヒストグラム、相関分析、単回帰分析が分析の手段。
・e-Statで人工関連の調べものができる。
データ収集のコツは、仮説の一歩外までデータを集める。
(データ切れ対策のために)
データ収集のコツは、データの軸に着目する。
データ収集のコツは、データの範囲を意識する。
-
-
-
-
Posted by ブクログ
これまで統計分析もどきの数字を使った仕事をいくつかやってきたが、どれもいい加減、虚仮威しな感じが否めない。100％の正解は無いとしても、及第点だったかどうか？ 多少の用語には慣れていたものの、ちゃんと理解している訳ではなかった。これまで、なんとか自分で消化して頭の中に入れようとこの手の本に挑戦してきたものの、いずれも撃沈されていた気がする。ほぼ全てが苦手の数学に足を取られてしまい前進出来なくなったり、読み切ったとしても上っ面になっていまうのだった。そして、ようやく出会ったのがこの本。リアル感を出すための商社を舞台にしたストーリーは、逆に絵空事丸出しに思えるが、統計・分析のことを順序立てて理解するには、良いガイド役。とにかく、シンプルな説明、易しい言葉遣い、明確な筋立て、お陰で何の戸惑いもなく頭に入ってくる良書。
-
-
Posted by ブクログ
空き時間を利用してサラリと読ませていただきました。
著者の柏木吉基 さん（データ＆ストーリー 代表）は、多数の本を出版されていますが、新書ははじめてだそうです。(p.177)
タイトルにあるように、「超」入門なのでこの領域にすでに知識のある方々にとってはミスマッチが生じますが、そうではない最初の一歩が踏み出せない方にとっては図表やイラストが多数利用されており、最適な一冊であると感じました。
昨今の統計ブームのおかげで、データ解析界隈の本は多数ありますが、その中でも初級中の初級として位置づけられる本であると感じました。
「データを活かす」ことを目指す本質は、表面的な手法とは違い、「データリテラシー」そのもの(p.176より)
まさにおっしゃる通りだと思います。
で、誤植ですが、
p.39
× 「分解」をして中身を除く
〇 「分解」をして中身を覗く
p.158と159
図中の対角線を本文中で「45度」と表現されていますが、縦軸と横軸のスケールが異なりますので、これは45度の傾きにはなっていません。
対角線と45度とは意味が異なります。
図の縦軸と横軸のスケールを揃えて長方形ではなくて正方形の図にしたほうが理解が容易になると思います。
付箋は14枚付きました。 -
-
-
Posted by ブクログ
単なる分析スキルではなく、組織内での壁の乗り越え方にも言及があり、実践的実務書である。
課題発見→解決方法の提案まで一貫で書かれているので、腹にも落ちやすい。
「統計学は最強の学問である」といった類書よりも記述が絞られているので、時間があまりない人へもおすすめ。
【メモ】
目的・課題の明確化（どのような現象が表れているか）
→課題ポイントの特定（どこが悪さをしているのか：課題を構成している要因をロジックツリーで分解）
→要因の特定（なぜそれが起こっているのか：課題と関係のある要因を相関分析）
→方策の検討・実施（どのような対策が必要か：何を触ればいいのかを単回帰分析で確認） -
-
-
Posted by ブクログ
・分析をするための発想とコツ
・分析手法
・結果の伝え方、見せ方
上記３つの観点が分かりやすくて実際に仕事でつかえそうだったのですごく為になった
読書メモ＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝
【発想とコツ】
■分析とは
・仮説を確認（検証）すること
■仮説が必要な３つの理由
①無駄な分析をさけることができる
何を調べるかが明確だとそのためにどのデータが必要でどの手法を使えばよいかについてのブレが減る
②分析の目的が明確になる
「何をしりたくて調べていたのだっけ？」と本来の目的を忘れ「分析結果を出すこと」だけを追いかけてしまう状態をさけることができる
③大局的な視点でストーリーが作りやすい
仮説は目的を達成するための要素である。
その複数の仮説（要素）に対する分析結果を組合わせることで、目的に対する多面的、大局的な視点を持つことができ、より説得力のある答えを引き出すことに繋がる
■仮説アプローチの罠
①見えない課題を見逃すリスクがある
最初から課題ありきで始まる場合、もし同じデータにより重要な情報が埋まっていた場合それを見逃す可能性がある
・仮説アプローチの対極にある「網羅的アプローチ」
目的や課題を限定せずに片っ端から網羅的に分析にかけること
「大きな仮説がとくにない」というときに使える
労力がかかるが想定しない発見に出会う可能性を秘めている
②バイアスのリスク
「仮説」は、検証前の「思いつき」でしかないため、
その仮説が、個人の主観にある程度頼らざるを得ない限り、その人の思い込みやバイアスに左右されるリスクは避けられない。
いくら分析テクニックを身につけようが仮説作りに失敗してしまうと、集めるべきテータや分析手法が最適でなくなりアウトプットの質が下がる
■仮説を効果的にたてる為のポイント
①モレなくダブりなく（MECE）
仮説を立てる範囲に抜けがあれば大事な視点を見逃す可能性がある
またダブりがあると無駄な分析につながる
最初の段階でこれらのリスクをできるだけつぶしておくことが大事
②現状の制約条件にとらわれない
手元にデータがない、今まで調べたことがない社内に知見を持った人がいないなどの理由から、それらに関わる仮説を最初から排除してはいけない
そこに大事な発見がある可能性があるため
③複数の仮説を立ててみる
問題の原因や、機会の存在は１つとは限らない。
何かしらのストーリーやロジックをもって相手を説得する場合にも１つの根拠だけに頼るよりも、複数の切り口からお互いの仮説を保管し合う主張のほうがより強いメッセージとなる
④最初から100点を狙わない
最初からある程度本質をついた仮説のほうがより効率的に答えにたどり着くことは事実
しかしそれにこだわると発想も広がらず思い込みが入りやすくなる
「仮説は完璧でなくてこも良い」ということを常に念頭において置く
■「仮説構築のための分析」と「仮説検証のための分析」
限られた時間では仮説のあたりを付ける精度を上げて分析をより効率的にすすめる必要がある
そのようなときにも「分析」が活躍する
ラフな分析を短時間で行い、その結果を見て深堀すべきポイント、仮説の優先度を見極めることができれば分析作業全体の効率が上がる
例）お店ページのSEO順位をあげるための問題をみつけたい
・ある都道府県に問題があるのでは
・投稿数が多いと少ないで問題があるのでは
・あるジャンルで問題があるのでは？
・お店名のパターンによって問題があるのでは？
上記のように問題になりそうな仮説を網羅的にだす
それぞれの仮説ごとに傾向をだして、問題がありそうな傾向が見られた仮説に対してさらに深く分析する
「さらっとあたりを付けるための分析」と「しっかりとした論理作りのための分析」をうまく使い分けられるようになれるとよい
【データの集め方と分析の視点】
■データ集積のポイント
①仮説の一歩外までデータを集める
②データの軸ごとに分解する
例えばお店UUの軸として「投稿数」「ジャンル」「都道府県」という軸がある
それらの軸ごとに分解することで軸ごとに違いが見えてくる
・分解しすぎることの問題
ーコストがかかる
ーおおきなばらつきの問題
雑音となり得るデータが含まれている可能性があるため
③データの範囲を意識する
どこまでのデータを採用するかによっても分析結果は変わる
一日、週間、月間、年間によって傾向がかわるため目的に沿った範囲でとること
とくにこれという正解はないので取れれば多く取っておいたほうがいい
④外れ値は理由を考えて処理する
分析する上で最も大事なのが「外れ値が存在していることを認識していること」
もし外れ値が正当な理由なく入っている場合、それを外しておくべき
・散布図にして外れ値を見つける
【平均・中央値】
■平均の罠
・平均は常に真ん中にあるとは限らない
・平均の周りに最も多くのデータがあるとは限らない
■中央値はポジショニングを知るヒントになる
・データの中にある極端な値の影響を回避できる
中央値と平均を比べて極端な「外れ値「など極端な値のデータの有無のフィルターとして機能することもわかる
【相関分析】
■相関の強さを示す「相関係数」
相関の大きさには強い弱いがある
一方のデータがどの程度他方のデータの動きに連動しているかで決まる
相関の強さは「相関係数」という指標で示される
相関係数は＋１〜ー１までの範囲
相関係数がプラスだと正の相関「２つのデータの増減方向が同じ」
相関係数がマイナスだとマイナスの相関
ゼロだと全く相関がないということになる
-1 ~ -0.7：強い負の相関
-0.7~-0.5：負の相関
~0.5~0.5：相関なし
0.5~0.7：正の相関
0.7~1.0：強い正の相関
■見せかけの相関と因果関係
①単なるデータの偶然（たまたま傾向が似ていただけ）
例えば株価下落と季節が冬に向かっているときの気温は同じく数値が現象していて相関係数は高くなるが
これにはなんにも理論的なつながりがない
②単に”関連”のあるデータの組み合わせ
身長と体重など
③疑似相関
２種類のデータには全く相関関係がないのに、その他の要因が影響して計算上相関があるようにみえること
例えば「年収」と「起床時間」の関係である
「早起き」→「年収が高い」は計算上では相関関係が高いことが出てしまう
しかし実際は「早起き」→「年寄り」、「年寄り」→「年収が高い」（年功序列がまだあるため）
のように「年寄り」は「早起き」と「年収が高い」ことと相関があるが「早起き」と「年収が高い」には実は相関がない
このような見せかけの相関を「疑似相関」と呼ぶ
従って早起きすれば年収が上がるとは言い切れない
大事なのは疑似相関があるということを常に意識すること
■相関分析で、データ範囲を扱うときに覚えておきたい重要ポイント
・データがあったからそのまま分析に使うのではなく、目的にあった範囲のデータを使うこと
・相関係数の計算だけを鵜呑みにせず、散布図で視覚化することで全体の様子をみること
【見せ方、伝え方】
■分析することと伝えることは違う
分析タスクと結果を伝えるタスクは全く別ものだと考えること
・データ分析の目的
データから特徴を見出す
予測やシュミレーション結果を得る
・プレゼンテーション（伝える）
伝えたいメッセージを理解、共有
同意、承認
■伝え方のポイント
①分析したことを全てみせようとしない
受けてにとって必要なことのみを見せる
②分析結果を文章で言い換えてみる
相手に理解してもらうために文章にしてわかりやすく伝える（メッセージ＋図で分かりやすく伝えるほうがいいかも）
③情報源の出所を明記
データソースに信頼がなければ結果の質を下げる
■数値だけではなく視覚に訴える
・伝えたいポイントを吹き出しで入れる
・比較してメッセージを強調する
