コンテンツにスキップ
ホーム » データ駆動型意思決定の潜在的な落とし穴

データ駆動型意思決定の潜在的な落とし穴

2月XNUMX日データ主導の意思決定

データは、現代のビジネスにおける多くの戦略的変化の背後にある大きな原動力です。 データの可用性と余剰が高まるにつれ、企業が収集した情報から得られた洞察に基づいて、企業が分析および変更を行うことが容易になっています。 データ駆動型の意思決定というこの概念は、新しいものではありません。 企業は、新製品に関する定性的なデータの収集や販売チームのパフォーマンスの完璧化など、長年にわたっていくつかの方法でこれらの手法を使用しています。 私は、企業が意思決定にデータを使用する際に直面する可能性があるいくつかの一般的な落とし穴を分析したいと思っています。

主な質問

データを収集するプロセスは、時間がかかり、多くの場合高額なプロセスになる可能性があります。 スペクトルの安価な側面は内部データを収集することになりますが、より高価な側面は、新規または既存の製品を中心に展開する定性的なフォーカスグループをリードすることになります。 私がデータ収集のために焦点を当てるメディアは、おおむねこれらXNUMXつの調査の中間です。

調査の作成からいくつかの問題が発生する可能性があります。 最も顕著なもののXNUMXつは、回答につながる質問を書くことです。 これは意図的または非意図的に行うことができますが、そうすることで調査の結果を歪める可能性が非常に大きくなります。

以下は、主な質問の実際の良い例です。

森林破壊が環境に与える悪影響についてどう思いますか?

もちろん、森林破壊が否定的であるという主張を裏付ける複数の研究がありますが、質問で森林破壊が否定的であると示唆することは、その考えに対応する人を素因とします。 これにより、ほとんどの回答者は、森林破壊がネガティブであるとすでに考えている質問に答えることになります。

公平な回答には、次のXNUMXつの質問の方が適切です。

-森林破壊は環境にどのような影響を与えましたか?

-1から7までのスケールで、1が非常に否定的で7が非常に肯定的である場合、森林破壊が環境に与える影響をどのように説明しますか?

さて、これらのXNUMXつの質問はまだ完全ではありませんが、XNUMX番目の質問は最初の質問の主要な性質を削除します。 質問をXNUMXつに分けて、回答を公平で偏見のないものにすることができます。

データは確実です

私はこの点を十分に強調することはできません。 調査研究はすべて、会社によって設定された許容誤差範囲を備えています。一般に、4%から8%の間で、95%の信頼レベルがあります。 これは最終的に、研究から得られたサンプルと結果が、総人口を完全に示しているわけではないことを意味します。 そのような結果を達成するためのコストは天文学的なものになるでしょう。 これを知っていることは、ビジネス上の意思決定を推進するためにデータを使用することはリスクを軽減する優れた方法ですが、行われるすべての決定には依然としてリスクがあることを認識することが重要です。 これは、研究に参加してデータを分析する際の別のよくある間違い、バイアスにつながります。

バイアスに注意

ブログ全体と、研究におけるバイアスの概念にもっと費やすことができました。 初期の設計から分析まで、研究プロセスのあらゆる側面に存在する可能性があります。 主にデータ分析に存在する可能性のあるバイアスについてお話したいと思います。 データしゅんせつと呼ばれる慣行は、企業や製品に非常に有害な場合があり、多くの場合、研究者や企業によって意図せずに行われます。 大まかに言うと、データの浚渫は、特定の関係が統計的に有意であると示すことができるようにデータを解析してデータを分析することです。 誤検知が発生するリスクが非常に高いため、これは非常に有害です。

FiveThirtyEightという会社が調査を実施したところ、54人が完了した調査が送信されました。 次に、そのデータに対して約27,716回の回帰を行いました。 結果のいくつかは陽気でした。

以下は、統計的に有意であることが判明した多くの相関のほんの一部です。

-レモネードを飲むことは、「クラッシュ」が最高の写真を獲得するに値するという信念との間に正の相関関係があります

-貝を食べることは右利きであることと正の相関があります

-食卓塩を食べることは、インターネットサービスプロバイダーとの関係が良好であることと正の相関があります。

明らかに、これらはばかげた相関関係ですが、考慮する必要があるさらに重要なことは、これらのいくつかは実際の相関関係である可能性があるということです。 ただし、相関関係は因果関係とは等しくありません。 これらの例を使用すると、データに対して実行された分析に問題があることに気付きやすくなります。 あなたのビジネスまたはあなたの会社が取り組んでいる新製品に関連するデータを分析するときその問題に気づくのはより難しいかもしれません。

データを確認または分析するときに一歩下がって、意図的または非意図的なバイアスが存在する可能性があり、それを警戒する時期を理解することが重要です。

データは有益です

このブログのほとんどで、データの誤用や誤解のさまざまな方法について説明してきましたが、全体として、データ分析は意思決定の優れたバックボーンであることを付け加えたいと思います。 リスクを大幅に削減し、従業員に十分な情報を提供して生産性を向上させることができます。 ビジネス上の意思決定を推進するためにデータを使用することを強くお勧めしますが、データだけが決定要因ではないことも重要です。

上記のFiveThirtyEightによる研究の詳細に興味がある場合は、以下のリンクを使用してください:

https://fivethirtyeight.com/features/you-cant-trust-what-you-read-about-nutrition/