数字は現実を映さない。問いを持ったとき、初めて意思決定になる

「データが多いほど、現実を正確に知ることができる」という考えは、半分しか正しくない。日本の人口を知るために、すべての人を数える国勢調査が必要な場面もあれば、毎月更新される人口推計のほうが役に立つ場面もある。家計の苦しさを考えるとき、食費の金額だけでは足りず、支出全体に占める割合を見る必要がある。プロダクトの改善でも、クリック数を集めるだけでは何も決まらない。

ここに共通するのは、データの量ではなく、何を知りたいのかによって、適切な測り方が変わるという事実である。測定とは現実をそのまま写し取る行為ではない。現実の一部を、特定の問いに答えられる形へ変換する行為だ。

良いデータとは、現実を最も詳しく記録したデータではない。次の判断を最もよく変えられるデータである。

全数を数えることと、今を推定することは違う

国勢調査は、国内に住む人をできる限り漏れなく調べる全数調査である。頻繁には実施できないが、人口や世帯の構造を把握するための基準点になる。一方、人口推計は、その基準点に出生、死亡、転入、転出などの変化を加えて、現在の人口を見積もる。完全な実態そのものではないが、政策や事業を動かすには、数年に一度の確定値を待つより有用なことが多い。

この違いは、単なる精度の差ではない。基準値と更新値の役割の違いである。地図を作るとき、土地の形を詳細に測量した原図と、現在の交通状況を反映したカーナビの情報は、どちらも必要になる。原図だけでは渋滞を避けられないし、最新情報だけでは道路そのものの位置関係を保証できない。

プロダクト分析でも同じ構造がある。ユーザー全体を対象にした大規模なログは、国勢調査に似ている。しかし、そのログが何を意味するかは自動的には決まらない。毎日のアクティブユーザーが増えていても、短時間で迷って離脱する人が増えただけかもしれない。クリック数が伸びていても、購入や予約の完了率が下がっている可能性がある。

逆に、サンプル調査や小規模なインタビューは、全体の規模を直接測るには弱いが、「なぜその行動が起きたのか」を理解する手がかりになる。全数データは広さに強く、サンプルは深さに強い。重要なのは、どちらが優れているかではなく、基準を確定したいのか、変化を追いたいのか、原因を理解したいのかを区別することだ。

「成長している」という数字の裏側を見る

経済指標にも、同じ落とし穴がある。名目GDPは、その年の価格で計算した経済規模である。物価が上がれば、実際に生産した量がほとんど変わらなくても、金額は増える。実質GDPは基準年の価格を使い、物価変動の影響を取り除いて、実際の生産量に近い変化を見ようとする。

この区別は、企業の売上分析にもそのまま応用できる。ある店の売上が前年より十パーセント増えたとする。しかし商品の価格が十五パーセント上がっていたなら、販売数量は減っているかもしれない。「売上が伸びた」という名目の成功と、「顧客に選ばれる量が増えた」という実質の成功は一致しない。

家庭の食費にも、似た構造がある。食費の金額が増えたからといって、食生活が豊かになったとは限らない。物価上昇によって同じ量の食料を買うだけで多く支払っている可能性があるからだ。そこで、家計の支出全体に占める食費の割合であるエンゲル係数を見ると、生活の余白がどの程度残っているかを考えやすくなる。

ただし、エンゲル係数も万能ではない。外食が増えた、健康志向の商品を選ぶようになった、家族構成が変わったなど、割合の変化には複数の原因があり得る。したがって、係数の上昇を即座に「貧困化」と断定するのは危険である。それでも、食費という避けられない支出が家計をどれほど圧迫しているかを捉える、重要な警報にはなる。

ここから得られる原則は明快だ。数値の増減を見る前に、その数値を構成している価格、量、割合、分母を分解することである。

たとえば、アプリの利用時間が増えたとき、次の問いを分ける必要がある。

1. 利用者の人数が増えたのか
2. 一人あたりの利用時間が増えたのか
3. 必要な目的を達成するまでの時間が伸びたのか
4. 継続利用や購入につながったのか
5. 運営コストを含めても価値が増えたのか

同じ「利用時間の増加」でも、答えによって意味は反対になる。満足度が高まり、習慣化した結果かもしれない。あるいは、画面が分かりにくくなり、目的達成に時間がかかっているだけかもしれない。

データを価値に変える、問いの三層構造

分析やAIに曖昧な問題を投げれば、曖昧な答えが高速で返ってくる。高性能なモデルは、問いの不備を修正してくれるとは限らない。むしろ、もっともらしい数字や予測を出すことで、間違った問いへの確信を強めることがある。

意思決定に役立つ分析には、少なくとも三つの層が必要である。

第一層: 何を変えたいのか

最初に決めるのは指標ではなく、行動である。アイスクリーム店が明日のスタッフ配置を決めたいなら、知りたいのは単なる売上予測ではない。来店者数、注文数、混雑のピーク、必要なスタッフ数を予測しなければならない。

「明日は何個売れるか」という問いは、在庫量を決めるには使える。しかし、人員配置を決めるには不十分かもしれない。経営上の判断と指標が接続していなければ、予測の精度が高くても価値は低い。

第二層: 何を観測できるのか

次に、結果を測る従属変数と、結果に影響しそうな独立変数を分ける。来店者数を予測するなら、気温、曜日、休日、地域のイベント、観光客の有無などが候補になる。購入完了率を考えるなら、流入経路、端末、価格、画面の表示速度、会員状態などが候補になる。

ここで重要なのは、変数をたくさん集めることではない。結果を変える可能性があり、かつ意思決定に使える変数を選ぶことである。公開されているだけのデータや、保存されているだけのログは、分析資産とは限らない。

第三層: どの結果なら判断を変えるのか

最後に、予測や実験の結果を、具体的な行動へ結び付ける。アイスクリームの需要が高いと予測されたなら、スタッフを増やすのか、仕込みを増やすのか、営業時間を延ばすのかを決めておく。購入率を改善したいなら、どの程度の上昇を成功とみなし、開発費や運用費に見合うのかを定義する。

この三層を一文にまとめると、次のようになる。

「誰の、どの行動を、何によって変えたいのか。その判断に必要な結果を、どのデータで測るのか。」

この問いに答えられない分析は、知識を増やしても意思決定を改善しない。

指標は現実の窓であり、同時に歪みでもある

どの指標にも、見えるものと見えないものがある。人口推計は現在の規模を見せるが、個々の生活の質までは示さない。実質GDPは物価の影響を除くが、家計が感じる負担を完全には表さない。エンゲル係数は食費の圧迫を示すが、健康や満足度を直接測るものではない。

プロダクト指標も同様だ。コンバージョン率を最適化すると、短期的な購入は増えるかもしれない。しかし、過剰な通知や誤解を招く表示によって、長期的な信頼を失うこともある。一つの数字を目標にすると、人はその数字を上げる方法を見つける。問題は、数字が上がったことではなく、数字の改善が、本当に望んだ現実の改善を意味しているかである。

これを防ぐには、指標を三種類に分けるとよい。

1. 成果指標: 最終的に実現したい状態。利益、継続率、顧客の問題解決など
2. 診断指標: 成果が変化した理由を探るための指標。閲覧、離脱、待ち時間、価格など
3. 安全指標: 成果を追うことで悪化させてはいけないもの。苦情、解約、負荷、誤作動など

たとえば、予約サービスの成果指標を予約完了率にすると、診断指標として入力画面の離脱率や読み込み時間を追える。同時に、安全指標としてキャンセル率や問い合わせ件数を見る。これにより、短期の成果を上げながら、利用者に無理を強いる最適化を発見できる。

この考え方は、家計や社会統計にも適用できる。GDPの成長を成果指標とするなら、実質賃金、家計の食費割合、雇用の安定性を診断指標や安全指標として見る必要がある。人口を政策の基礎にするなら、人数だけでなく年齢構成、地域差、世帯規模も必要になる。一つの数字に社会全体を代表させないことが、測定の最低限の倫理である。

明日から使える「問いから始める」実践法

データ分析を始める前に、次の手順を使うとよい。

1. 決める行動を一つ書く

   「分析する」ではなく、「スタッフを何人配置する」「機能を公開する」「価格を変更する」のように書く。行動が決まらない問いは、まだ広すぎる。

2. 成功の定義を結果で書く

   クリック数ではなく、購入完了、問題解決、継続利用など、目的に近い結果を置く。必要なら短期と長期の成果を分ける。

3. 分母を確認する

   売上なら数量と価格、割合なら分母、人口なら対象範囲を確認する。「増えた」という言葉だけで判断しない。

4. 基準値と最新値を分ける

   比較の土台が必要なのか、直近の変化を知りたいのかを区別する。長期的な基準と短期的な推計は、競合するものではなく補完するものだ。

5. 反証される条件を先に決める

   どんな結果なら仮説を捨てるのかを事前に定める。実験は成功を証明する儀式ではなく、判断を更新する仕組みである。

6. 安全指標を一つ以上置く

   目標指標だけを追うと、隠れた損失を見落とす。解約、苦情、コスト、待ち時間など、悪化してはいけないものを同時に観測する。

Key Takeaways

1. データの価値は量ではなく、意思決定との接続で決まる。 保存されているデータと、判断を変えられるデータを区別する。
2. 全数調査、推計、サンプル調査は役割が違う。 基準の確定、現在の把握、原因の理解を混同しない。
3. 増減の前に、価格、数量、割合、分母を分解する。 名目の成長が、実質の改善とは限らない。
4. 成果指標、診断指標、安全指標を組み合わせる。 一つの数字を最適化することが、全体の価値を損なわないようにする。
5. 分析やAIに渡す前に、判断、変数、反証条件を定義する。 良い問いは、複雑な技術より先に価値を生む。

私たちは数字を見ているつもりで、しばしば数字が切り取った世界を見ている。人口の総数、GDPの金額、食費の割合、クリック率。それぞれは現実の一部を明るく照らすが、照らさない部分も同時に作り出す。

だから、優れた意思決定者は「この数字は正しいか」とだけ尋ねない。さらに一歩進んで、「この数字は何を表し、何を隠し、どの行動を可能にするのか」と問う。

測定の目的は、現実を数字に置き換えて安心することではない。数字を通じて、現実に対する次の一手をより賢く選ぶことだ。データが価値を持つ瞬間は、集め終わったときではない。問いが明確になり、判断が変わったときなのである。