データサイエンスData Science

問いを先に絞り込みます

「データを見てほしい」という頼みは、まだ問いではありません。データで答えられる形まで絞り込んで、はじめて仕事が始まります。「最近お客さんが減った理由は」には答えられませんが、「先月入会した人のうち最初の一週間に一度も来なかった割合は、以前より高いか」には答えられます。

絞り込む過程で、何がわかれば何をするかも同時に決めます。どんな結果が出ても行動が変わらないなら、その分析はしなくてよい分析です。この確認を飛ばすと、何週間もかけて作った表がどこにも使われない、ということが起こります。

集めて整えるのに大半の時間を使います

現実のデータはきれいな表として届きません。空欄があり、同じ行が二重に入り、単位が混ざり、時刻の記録がずれています。一人の人物が入会時と決済時で違う名前で残っていることもよくあります。

この段階は地味に見えても結果を左右します。誤って入った値がいくつかあるだけで平均が丸ごと押し上がり、重複した行が成果を水増しします。後にどれだけ良いモデルをつなげても、材料がずれていれば答えもずれます。

整えながら、データがどう作られたかも一緒に確認します。アプリを開いた人だけが記録に残る仕組みなら、そのデータで「人々はアプリをよく開く」という結論は出せません。

まず目で見て確かめます

モデルをつなげる前に、データを図に描いてみる段階があります。平均と合計だけでは見落とすことが多すぎるからです。平均が同じでも、一箇所に集まっている場合と両端に分かれている場合ではまったく違う話です。

この段階で異常な値や予想外の塊が見つかります。年齢が200歳と記録された行、特定の曜日だけぷつりと途切れる記録、はっきり二つに分かれる利用者、といったものです。答えより先に出てくるこれらの発見が、次の問いを生みます。

モデルは最後に取り出す道具です

これから先どうなるかを当てなければならないとき、そこでモデルが必要になります。それより前に、単純な比較や分け方で答えが出るなら、それで十分ですし、そのほうが説明もしやすいです。

ここで最もよく足を滑らせるのが、原因と相関を取り違えることです。二つの数字が並んで動くからといって、一方がもう一方を作っているとは限りません。アイスクリームがよく売れた日に水難事故が増えるからといってアイスクリームが原因ではないように、隠れた三つ目の理由が両方を動かしていることが珍しくありません。

原因を確かめるには、条件を分けて直接比べる方法が必要です。利用者を二つの群に分け、片方にだけ変えた画面を見せて結果を比べる、というやり方です。

伝えるところまでが仕事です

分析が終わったら残る仕事は説得です。何がわかったのか、だからどうすればよいのか、この結論をどこまで信じてよいのかを合わせて伝える必要があります。

数字をよく知る人ほど最後の項目を欠かしません。標本が少なくて揺れる可能性がある、この期間だけの事情が混ざっている、といった注釈を一緒に添えるのです。確信に満ちた結論一つより、どこまで確かでどこから不確かかを分けて示すほうが、実際の決定にはずっと役立ちます。