初めてのデータ分析案件で学んだこと

新入社員が初めてのデータ分析案件で経験豊富な先輩から学んだ、データの取得経緯の確認、因果関係の見極め、目標の細分化など、データ分析における重要な6つのポイントを解説します。

はじめに

Ｓｋｙ入社後、初めての案件として約2週間という短期間でのデータ分析案件に携わりました。
データ分析初心者の私が、経験豊富な先輩方から学んだ貴重な知見を共有させていただきます。

データ分析で学んだ重要なポイント

1) データの取得経緯の確認

データの集め方や対象者によって、データの傾向が大きく変化するため、データそのものだけでなく、データがどのように集められたかを理解することが重要です。
データは「どのように集めたか」によって内容や傾向が大きく左右されます。
例えば、アンケートの場合、対象者が特定の年代や職種に偏っていれば、結果も偏ったものになるのは必然です。
こうした偏りや欠損を防ぐためには、データを集める段階でさまざまな工夫が必要になります。

データを集める段階で必要な工夫としては下記のようなものが挙げられます。

必須項目の設定：重要な情報が欠損しないようにする
カテゴリの細分化：「その他」に集中してしまうような大まかな分類ではなく、実態に合った細かい選択肢を用意することで、分析時に正確な傾向が把握できる
収集対象・方法の記録：後から分析者がデータの信頼性や適用範囲を判断できるようにする

データの取得経緯を確認することで「このデータにはどのような偏りや制約があるのか」を理解でき、分析結果を誤って解釈するリスクを減らすことができます。
データ分析の精度は、分析手法だけでなく、データの収集段階から決まっていると学びました。

2) 相関関係ではなく因果関係を見極める

データ分析を行う際は、データ同士の相関関係に惑わされず、真の因果関係があるデータを探し出すことが重要です。
相関関係から安易に結論を導くとミスリードが起こりやすく、「一緒に動いているだけ」なのか「原因と結果の関係」なのかを見極めることが重要となります。
相関関係と因果関係の違いとしては下記のようになっています。

	相関関係	因果関係
意味	2つのデータが一緒に動く関係	一方が原因で、他方が結果となる関係
例	アイスクリームの売上↑ → エアコンの電気代↑	気温上昇 → アイスクリームの売上↑

上記表で、相関関係に着目すると、アイスの売上とエアコンの電気代は同時に増えていますが、アイスを買ったことがエアコンをつけることにつながるというのは正しいとは思えません。
両方とも「気温上昇」という共通の原因によって動いているだけであり、直接の因果関係はありません。

相関関係をそのまま因果関係と解釈してしまうと、誤った結論に基づいた施策を立ててしまう危険があります。
例えば、「営業訪問回数が多い担当者ほど受注率が高い」という相関が見えたとしても、実際には「見込み度の高い顧客を多く担当しているから訪問回数も受注も多い」という背景があるかもしれません。
この場合、単に訪問回数を増やしても受注率は上がらず、有用なデータ分析ができたとは言えません。

因果関係を見極める視点として下記のものが挙げられます。

第三の要因（交絡因子）がないか確認する：2つのデータが同時に動いている場合、共通の原因が別に存在していないかを疑う
時間的な順序を確認する：原因は結果よりも先に発生しているはずである
「なぜそうなるのか」のメカニズムを説明できるか考える：論理的な因果の経路が説明できなければ、単なる相関の可能性が高い

相関関係の発見はあくまで「仮説の始まり」であり、そこから因果関係を検証するプロセスを踏むことで、正確で実用的な分析結果にたどり着くことができると学びました。

3) データ状態の変化に注目する

進捗状況やステータスなど、時間とともに変化していくデータでは、変化のタイミングを意識して分析することが重要です。
どのタイミングでそのデータが取得できたのか、変化するまでにどのくらいの期間がかかったか、どのタイミングでデータ内容が変化したか、また変化は急激なものであったかなど、さまざまな観点でデータの変化に対して情報を集めることが重要です。
上記のような変化したタイミングで起きた事象を調べることで、因果関係の発見につながると考えます。

データの「現在の値」だけを見ていては、なぜその状態になったのかという背景が見えてきません。
時系列データにおいて変化のタイミングに着目することで、以下のような分析が可能になると考えます。

成功パターンの発見：例えば「受注までの期間が短い案件」に共通する特徴を見つけることで、効果的な営業手法やプロセスが見えてくる
問題点の特定：ステータスが長期間停滞している部分を抽出し、停滞の原因となっているものを特定できる
外部要因との関連把握：データが急激に変動したタイミングで、社内外でどのような事象（制度変更、市場変化、施策実施など）が起きていたかを照合することで、変動の原因を推測できる

時系列データは「いつ・どのくらいの期間で・どう変わったか」という観点で分析することで、単なる集計では見えない因果関係や改善のヒントを得ることができると学びました。

4) 日時データも立派な情報源

日付や時刻など、一見単なる記録に見える日時データであっても、他のデータと結びつけることで有用な情報源になる場合があります。
日時データ単体では意味がないように見えても、特定の曜日・期間・季節にデータが偏っていないか、世の中の情勢や業界の動向などの情報と紐づけられないか検討することで、分析に活用することができます。

日時データは多くの場合、単なるタイムスタンプとして記録されているため、分析対象として見落とされがちです。
私も分析対象データを選定している際に、分析対象から真っ先に外していました。
しかし、日時を軸に他のデータと掛け合わせることで、下記のような発見につながる可能性があります。

季節性・周期性の発見：特定の月や四半期に受注が集中している場合、業界特有の繁忙期や予算執行のタイミングが影響している可能性がある
曜日・時間帯による傾向把握：問い合わせや申込みが特定の曜日・時間帯に多い場合、対応リソースの最適配置や施策の実施タイミングの判断材料になる
外部環境との関連分析：法改正、競合の動き、社会的なイベントなど世の中の情勢と日時を照合することで、データ変動の背景を理解できる

「このデータは何に使えるだろう？」という視点を常に持つことが重要であり、日時という基本的な情報からでも、分析の切り口次第で新しい発見やビジネス上の示唆を得ることができると学びました。

5) データから派生する情報も活用する

取得したデータそのものだけでなく、そこから派生して算出・取得できるデータも分析に活用することができます。
既存のデータを加工・集計することで、新たな分析軸を生み出したり、元データにはない情報でも、計算や組み合わせによって導き出せるものが分析に活用できます。
具体例として下記のようなものが挙げられます。

元データ	派生データ
実施項目に関する情報の一覧	実施回数
取引開始日・取引終了日	経過日数・取引期間
各月の売上データ	前月比・成長率
顧客の購入履歴	購入頻度・平均購入額

収集されたデータをそのまま眺めるだけでは、分析の切り口が限定されてしまいます。
しかし、既存データを起点に派生情報を作り出すことで、以下のメリットがあります。

分析の幅が広がる：元データだけでは見えなかった傾向やパターンが、派生データによって可視化される
比較・評価が可能になる：割合や平均値などに変換することで、異なる条件同士を公平に比較できるようになる
追加のデータ収集コストがかからない：新たにデータを集め直す必要がなく、手元にあるデータの活用度を高められる

「今あるデータから他に何が導き出せるか」を考える習慣を持つことで、限られたデータからでも多角的な分析が可能になり、より深い洞察を得ることができると学びました。

6) 大きな目標は細かいゴールに分割する

大きな1つの目標に向けてデータ分析を行う場合、最終目標にいきなり到達しようとせず、細かいゴールに分割して段階的に進めることが重要です。
最終ゴールに至るまでの中間ゴールを設定し、それぞれのデータや分析結果を段階的に紐づけていき、小さな発見を積み重ねて、最終的な大きなゴールにたどり着くことが分析のコツだと考えます。

具体例として「売上を向上させる」という大きな目標の場合下記のように分割できると考えます。
最終ゴール：売上向上の施策を提案する
├─ 中間ゴール①：受注率が高い顧客の特徴を明らかにする
├─ 中間ゴール②：受注までの期間が短いパターンを特定する
├─ 中間ゴール③：離脱が多い工程を特定する
└─ 中間ゴール④：①～③の結果を統合し、施策の方向性を導く

大きな目標に対していきなり答えを出そうとすると、以下のような問題が発生しやすいです。