「シェア0.9%」は、本当に小さいのか？
Day2の冒頭で突きつけられた問いです。
0.9%──数字だけ見ると、ほとんど無視できるような小さな値に思えます。でも、その市場が年間数千万個規模だとしたら？ 0.9%は数十万個。1個100円の商品なら、数千万円の売上規模です。
「率」だけで判断するのは危険。必ず実数に当たる癖をつけよう。
Day2の授業は、この強烈なメッセージから始まりました。
「前捌き」──分析を始める前にやるべきこと
Day1では「結果から分解する」という分析の基本姿勢を学びました。Day2では、分解に入るその前にやるべきことが示されます。それが「前捌き」です。
前捌きの3つのポイント
気になる数字に飛びつく前に、ちょっと考えよう。 データを見ると、増減の大きい数字や見慣れない数字につい目が行きます。でも、その数字が本当に重要かどうかは、全体像を把握してからでないと判断できません。
「率」だけは危険。実数に当たる癖をつけよう。 シェアや成長率といった「率」は便利な指標ですが、母数を無視すると判断を誤ります。シェア3倍増でも、売上個数が100個から300個では事業インパクトは限定的です。
「結果」の実数を分解することから始めよう。 Day1で学んだ原則の実践です。いきなり「なぜ？」を考えるのではなく、まず何が起きているかを数字で正確に把握する。
さらに、「見ない範囲を決められないか」という視点も加わりました。データが多いとあれもこれも見たくなりますが、分析の生産性を上げるには何を見ないかを先に決めることが有効です。
ケース：ある消費財メーカーの新商品展開
Day2のケースは、ある外資系消費財メーカーが高級石鹸の新ブランドをカナダ市場に投入するという話でした。テスト市場での結果が芳しくなく、全国展開すべきかどうかの判断を迫られています。
市場規模を「手触り感のある数字」に変換する
ケースに入る前の最初のワークが印象的でした。「テスト市場の石鹸市場規模を、ケースのデータから算出してください」というものです。
ケースにはシェアや売上金額の情報が散りばめられています。それらを組み合わせて「この市場は年間約○○万個規模で、テスト市場での販売個数は約○○万個」と換算する。すると、抽象的だった「シェア0.9%」が「約8万個」という手触り感のある数字に変わります。
身近な単位に換算して数字のイメージを持つ。この「前捌き」があるかないかで、その後の分析の精度がまったく違ってきます。
消費者の購買ファネルで構造を理解する
ケースでは、消費者が「認知する → 興味を持つ → 評価する → 試す → 採用する」という購買プロセスのどこに問題があるかを、定量データで分析します。
テスト市場で実施したマーケティング施策（テレビCM、サンプル配布、店頭プロモーションなど）のそれぞれが、ファネルのどのステップに効いていたかを数字で検証する。すると、認知率は高いのに試用率が低い、あるいは試用はされているのにリピート購入につながっていない──というように、ボトルネックの場所が特定できるのです。
この分析から出てくる施策は、「もっと広告を打とう」という漠然としたものではなく、「トライアル促進に集中すべき」「リテンション施策が必要」といった、ファネルの特定ステップを狙ったものになります。
Day1で学んだ「結果を分解して問題箇所を特定する」の実践編を、まさに体感した瞬間でした。
データを「目で捉える」──可視化の4つの手法
Day2の後半では、データの可視化手法を体系的に学びました。
ヒストグラム：分布の形を見る
データの散らばり方を視覚的に捉えるのがヒストグラムです。平均値だけでは見えないデータの「形」──偏り、ばらつき、外れ値──が一目でわかります。
たとえば上の図のように、営業チームの月間売上をヒストグラムにしてみると、平均値がほぼ同じでも「全員が400-600万円に集中しているチーム」と「100万円台と1000万円超に二極化しているチーム」では、打つべき施策がまったく異なります。
パレート図：重要な少数を見極める
パレートの法則（80:20の法則）を可視化するツールです。売上の80%は上位20%の商品が生み出している──といった「重要な少数」と「些末な多数」の構造を把握できます。
改善活動において、すべての問題に等しく取り組むのは非現実的です。パレート図でインパクトの大きい要因から優先的に着手することで、効率的な改善が可能になります。
ウォーターフォールチャート：増減の要因を分解する
全体の増減を要因別に積み上げ式で示すグラフです。「前年比で売上が2億円減った」とき、どの要因がいくら寄与しているかが一目瞭然になります。
経営会議で「どこが効いたのか/足を引っ張ったのか」を説明するときに非常に有効なツールです。
時系列分析：トレンドと季節性を読む
データを時間軸で並べることで、トレンド（長期的な方向性）と季節性（周期的な変動）を識別します。
「今月の売上が落ちた」が長期トレンドの一部なのか、毎年この時期に起こる季節変動なのかで、対応はまったく変わります。
「中心」と「散らばり」をセットで見る
可視化手法と並んで学んだのが、データを数値で集約する指標です。
代表値：データの中心はどこか
- 平均値： 全データの合計÷個数。外れ値の影響を受けやすい
- 中央値： 真ん中の値。外れ値に強い
- 最頻値： 最も頻度の高い値
「平均年収800万円」と言われると「高い」と感じますが、一部の高額所得者が平均を引き上げている場合、中央値は400万円かもしれない。平均値だけを見て「全体像」を判断するのは危険です。
散らばり：データはどのくらいばらついているか
- 分散・標準偏差： データが平均からどれだけ散らばっているかを示す指標
2つのクラスの平均点がどちらも70点でも、標準偏差が5点のクラス（みんなが65〜75点に集中）と20点のクラス（30点台から100点まで散らばっている）では、教え方のアプローチが変わります。
代表値（中心）と散らばりをセットで見る。これがデータを正しく理解するための基本姿勢です。
「どのグラフを使うか」ではなく「何を明らかにしたいか」
Day2で学んだ手法は、いずれもExcelの標準機能で作れるものばかりです。難しい統計ソフトも、プログラミングも不要。
しかし大事なのは、「ヒストグラムの作り方」を覚えることではありません。
「この分析で何を明らかにしたいのか」という目的意識があって、初めて適切な可視化手法が選べる。手法が先ではなく、問いが先。Day1で学んだ「仮説を持ってデータを見る」がここでも一貫しています。
Day2で持ち帰った3つのこと
- 「率」で判断する前に、実数に換算する。 数字に手触り感を持たせることで、分析の精度が上がる。
- 前捌きをしてから分析に入る。 見ない範囲を決め、結果の実数を分解してからスタートする。
- 代表値と散らばりはセットで見る。 平均値だけでは、データの本当の姿はわからない。
Day2を終えて感じたのは、「データ分析」というと高度な統計手法のイメージがありますが、実は分析の前段階──前捌きや可視化──こそが、実務での定量分析の成否を分けるということです。
次回のDay3では、いよいよ「相関」「回帰分析」「モデル化」と、変数間の関係性を捉える手法に入ります。Day1-2で学んだ思考の型が、どう活きてくるのか楽しみです。
参考書籍
– 『統計学が最強の学問である【実践編】』ダイヤモンド社（西内啓著）── 授業でも引用された一冊。標準偏差やばらつきの意味合いを実務寄りに解説
