目次

• はじめに

DAY0　データドリブン文化のはじまり

0-1　プロローグ

• データを扱うのにITの専門家である必要はない
• データリテラシーを1か月で学ぶ

0-2　なぜデータドリブンを目指すのか

• データの本質を考える
• データを見ることが世界を知ることになる
• 八百屋さんのデータ活用例
• データを使ってマスマーケティングから脱却する
• データドリブンと共存する「経験と勘2.0」
• データで経験を拡張する

0-3　すべての人が持つべき「データリテラシー」

• リテラシーと文化のつながり
• データを「読む」「書く」力が必要になる
• データリテラシーの4つの必須要件
• データリテラシーを学んで，広げる

DAY1　データストーリーテリング

1-1　なぜストーリーが必要なのか

• ストーリーで理解を深める
• ストーリーの力を体感する
• ストーリーを使う2つの意義
• 思考のフローのきっかけを生み出す

1-2　インプットとアウトプットの連鎖で思考する

• インプットとアウトプットを同時におこなう
• アウトプットをかんたんにする
• データを扱う道具
• 良い道具は「身体の一部」となる

1-3　ストーリーでデータを分析する

• デモンストレーションで思考のフローを学ぶ
• Eコマースの売上データ分析デモ
• 必要なこと以外をあえて削ぎ落とす
• デモでは操作説明をしない
• デモで意識するべき4つのポイント
• 見る人を飽きさせない3つの工夫

1-4　ストーリーテリングの枠組みを理解する

• 構造化データとスプレッドシート
• 列の値を2つに分類する――メジャーとディメンション
• ディメンションの4種の属性
• ディメンションの階層を確認する
• データ分析の2つの方向性
• ディメンションが不十分なデータの問題点
• 分析するデータの信頼性
• 存在していないデータに思考をめぐらせる
• 5W1Hの「4W」でストーリーを紡ぐ
• 見慣れない専門用語を学ぶ意義

1-5　他人のアクションを導く強いストーリーを作る

• データストーリーテリングのゴール
• 美しいグラフだけではアクションを呼び起こせない
• 起承転結でストーリーを強くする
• 身に着けるということ

DAY2　ビジュアル分析

2-1　ビジュアルでデータを理解する

• グラフは本当に「あいまい」なデータなのか
• 視覚を駆使してデータを理解する
• 「見やすい」の本質を考える
• ビジュアルを正しく使う必要性
• すべての人が理解できる表現を選ぶ
• データをビジュアル化する意義

2-2　ビジュアル分析のサイクルを理解する

• データ分析で何を解決するのか定義する（Task）
• Taskに沿ってサイクルをすばやく回す
• Taskを解決する行動を常に意識する（Act/Share）
• Taskが見当外れだった場合も成果になる

2-3　思考のフローを生み出す脳のしくみを押さえる

• 記憶を構成する3つの要素
• アウトプットとしてデータをビジュアル化する
• 感覚記憶の力を最大限に使う
• 感覚記憶を動かす10種の視覚属性（Preattentive Attribute）
• Preattentive Attributeの強さの違い
• ①色vs形状――見え方の違い
• ②サイズvs長さ――見え方の違い
• ③位置vs色――見え方の違い
• 最適な視覚属性は常に変化する
• 一般的な知識としてビジュアルを土台にする

2-4　データに合わせて視覚属性を使いこなす

• データには3つのタイプがある
• Preattentive Attributeとデータのタイプの相性
• コンテキストを利用して視覚属性を重ねる
• データ数が多いときはビジュアル選択に気をつける
• 視覚属性のパターン増加に注意する
• コンテキストを持たない記号的な視覚属性に注意する
• 無意味な色分けに気をつける
• 色を有効に使う
• 背景色とビジュアルの相性を考える
• ビジュアルの背景色をそろえる
• 色覚多様性に配慮する
• 場所は必ずしも地図でなくていい
• 比較で伝えたいことを強化する

2-5　ビジュアルの構成をまとめあげる

• 「探索型」か「説明型」かビジュアルのタイプを見極める
• タイトルと色のポイント
• 相手の「ほしいもの」ではなく「したいこと」をベースにする
• ビジュアル化の表現は無限

DAY3　分析プラットフォーム

3-1　データを使える環境を共有する

• データドリブン文化に必要な3つの要素
• 分析後のデータ共有の課題
• すべてのデータと人を同じ土台に乗せる
• データベースと分析プラットフォームは別物
• 理想的な分析プラットフォーム
• データカタログを用意する
• 分析プラットフォームの上での行動を明確にする
• 分析プラットフォームに必要な要件を押さえる
• 分析プラットフォームを活用する

3-2　データの自由化と保護のバランス

• 昔と今のプラットフォームの変化
• データを保護するだけではかえって危険になる
• データを守りながら，データを開放する
• 分析プラットフォームはウォーターフォールよりアジャイル
• 文化醸成の最初のステップを進めるパイロット部門を選ぶ
• データドリブン文化を全社展開する
• 文化醸成は終わりのない旅路

3-3　データを開放して人々を動かす活用例

• ゴール達成のためにハンズオンセミナーを改善した例
• 周囲を説得するデータを分析プラットフォームに乗せる
• データは人を動かすことができる
• 手作業が多いデータは廃れてしまう
• データは見られるほど美しくなる
• 道具と共に進化する分析プラットフォーム
• 分析プラットフォームが支える3つの役割

3-4　データを見るだけの人は存在しない

• 3つの役割すべての人を分析プラットフォームに乗せる
• 3つの役割が担うビジュアル分析のパート
• データ原始時代から脱却し，データ文明時代へ

DAY4　データとはなにか

4-1　データの語源と歴史を振り返る

• データ（data）の語源から意味を考える
• 「データ」と「情報」の区別
• 与えられたものを「記録」したものがデータとなる
• 人類最古のデータとは
• 紙媒体によるデータの4つの問題点
• コンピューターとデータの進化
• データ飽和状態の現代

4-2　データを管理・活用するシステムのしくみ

• 入力を正確に早くおこなうために生まれたデータ
• 正規化で入力するデータ量を極限まで減らす
• 基幹系システムとデータの活用
• データを情報にするための情報系システム
• 情報系システムがクリアするべきポイント
• 巨大化するデータを保管するためのデータウェアハウス（DWH）
• 膨大なデータを集計・視覚化するBIツール
• 基幹系からデータを変換して取り込むETL
• ETL/DWH/BIの各ツールは明確に分けられるものではない
• データの入力値を制御する
• DWHのパフォーマンスを上げるデータマートとキューブ
• データマートとキューブの処理の限界
• 巨大なデータを直接処理するためのインメモリデータベース
• 列指向と行指向
• カーディナリティ

4-3　現代の情報系システムの進化

• データの保管・変換手法の変化
• 増え続けるさまざまなデータの種類に対応する
• データの利用目的に合わせて保管場所を変える
• すべてのデータ処理を同時におこなう試み
• データ分析に最適なシステムを選択する

4-4　目の前のデータの正しい知識を身につける

• データの価値を見極める3つの指標
• 分析しやすいデータの形
• あり得る値と欠落した値に想いを馳せる
• データの粒度を見極め，詳細レベルを操る

DAY5　データドリブン文化をさらに広げるために

■5-1　データとテクノロジーの進化を学び続ける

■5-2　データドリブンの仲間を増やす

• 必要な知識は組織によって異なる
• 真の「データドリブン」とは
• 多くの人に基本知識を伝えて「学ぶきっかけ」にする
• 最低限のデータリテラシーとはどこまでか
• 人の心を揺り動かす「強い言葉」から逃げない

• おわりに
• さくいん
• 著者プロフィール