何社の競合他社の価格を調べれば良い？
新しいサービスを提供する時、
競合する他社が
一体どれぐらいの値段で
自分と似たサービスを提供しているのか
知りたいですよね。
それを真似するわけではないと思いますが、
お客様からして
妥当な値段だと判断してもらうためには
そのような調査も必要です。
ここで1つ質問をします。
この調査をするのに
あなたは何社の価格を調査しますか？
珍しい業界であれば
調べることすら困難かもしれません。
ですが自分が調べた会社の数が
仮に10社だとします。
その10社分の平均価格を参考にする事は
果たして十分な調査対象数と言えるのかどうか、
その判断をするときに使われる考え方について
今日はお話ししていきます。
こんにちは！
はやとです
競合する他社の平均価格を調査していて、
「調査した数が十分と言えるのかどうか」
「自信があると言えないデータを
信用しても良いのだろうか？」
そんなふうに悩まれたことが
あるかもしれません。
実際問題、
適当な対応信じて
値段設定をすることができますか？
お客様は必ず競合する他社を調べた上で
意思決定をされます。
その時点でビハインドになってしまうのは
第一印象からしても非常に不利になってしまいます。
だからといって他と比べて
一番安くするということはは、
それぞれにコンセプトがあるのでしないと思います。
そういう時に使われるのが
標準誤差と言う考え方です。
前回紹介した標準偏差という名前に
非常に似ているのですが、
これらはそれぞれ違うものです。
ですが
非常に見たものである
とも言えるものなのです。
先に標準誤差とは何かについて説明をすると、
言葉ではイメージしにくいと思いますか、
今回はここについては深堀しないようにします。
標準誤差というのは
世の中のすべてのデータの中から抽出した
代表値の標準偏差とも考えられます。
つまり自分が調査することのできる集団の
標準偏差と考えることができ、
平均値から標準偏差の2倍の幅分に
95%のデータが含まれているという性質が成り立ちます。
例えば
自分で調査することができた会社が
提供するサービスの平均価格が4000円だとしたときに、
標準偏差が1200円となれば、
3600円から4400円という価格帯が
一般的な値段だと判断できます。
ただ、
この価格帯が10個のデータから出して、
12000円から28000円の幅で存在する
という結果が出たら振り幅が大きすぎ、
データを増やす必要があると
判断することができます。
要するに
どれぐらいの幅であれば
価格設定をするのに参考になるかによって
調査するデータの数を決定する
と言う考え方なのです。
標準偏差や標準誤差の詳しい説明については
参考書の本に譲りますが、
Excelを使って値を出すことができます。
関数だけ紹介しておくと、
標準偏差は
=STDEV(範囲)
標準誤差は
=STDEV(範囲)/SQRT(サンプル数)
と書くことで値を出すことが可能になります。
標準誤差を出す計算式から、
標準誤差を2倍した値が平均値からの片幅になります。
その値で許される範囲を自分で推定し、
計算をしてみてください。
それではまた！
95%信頼できる奴を味方につける！
このグラフを見てください。
これはあるキャンペーンを行う前後での
売り上げを比較したグラフです。
このグラフから果たして
キャンペーンは効果的であったかどうかを
判断することはできますか?
こんにちは！
はやとです
試しに行ってみた調査の結果を判断するのに
せっかく集めたデータを
経験や勘で判断してしまっていませんか？
統計的な知識を使うことで
ほぼ正確にそれらを判断することができる
というのに経験や勘だけで考えてしまうのは
非常に危険でありもったいないです。
ほぼ正確というのは
大体95%と考えてください。
この95%の信頼性を味方につけるために
今日は上のグラフの事例を使いながら
説明して行きます。
最初に提示したグラフでは
売り上げの平均しか出ていませんでしたが、
そこに加えて
平均値からどれぐらいの誤差の幅があるかを計算します。
その時に用いられるのが標準偏差と言う考え方です。
標準偏差とは簡単に説明すると
各値から平均値を引いたものの2剰を全て足し合わせたものの
平方根のことです。
文章で説明しても伝わる自信がないので、
そういうものが存在すると考えておいてください。
この計算からどれだけ平均値から
ばらつきがあるデータが存在するかを
数値化することができます。
なぜ2剰するか等の数学的な話については
一旦置いておくとして、
平均値から、
この標準偏差を2倍した数の大きさを
一方では足して、
もう一方では引いたものの間の幅は
全体のデータの95%を占めるという法則があります。
それを踏まえて
もう一度新しいグラフを描くと下のようになります。
キャンペーン実施前後の売り上げのほとんどの値段は
上のグラスの高い月のヒゲの幅の中にあります。
（先ほどのグラフから増えた部分をヒゲと呼びます。）
このグラフから、
キャンペーン実施前後で
ヒゲ同士が交わるやっていないことを考えると、
キャンペーンは充分効果的であったと
結論付けることができます。
今回も架空のデータを使って検証をしています。
実際にデータを取っていないという方でも
ぜひ誤差を含んだ図を使えるようになりましょう！
作り方は簡単で、作成したグラフを選択し、
グラフデザインからグラフの要素を追加、
誤差範囲、標準誤差の順番で選択します。
まだデータを取るまでに事業が進んでいない
という方であっても
いつかやるだろうと考えていては
永遠に数字を味方につける事はないと思います。
大事な事は
実際に手を動かしてやってみる
という事だと私は思います。
少しでも多くExcelなどを使ってみて
活用していくうちに
自分なりの工夫を施しながら
数字を味方につけていきましょう。
それではまた！
斬新なアイディアは見えないところにある！
「新しいアイデアを考えたい」
「次の一手を打つためのヒントが欲しい」
事業を取り組んでいる人や
戦略立案をしている人は
一度はこのようなことを
考えたことがあるのではないでしょうか。
こんにちは！
はやとです
統計の知識を使うことで
新しいアイデアを得るためのヒントを
手に入れることができます。
以前紹介した回帰分析はその1つの手段です。
ですが単純にこれを使うだけでは
ありきたりな相関関係しか出てこず、
「そんなのわかってるよ！」
と言うような結果しか
もしかしたら得られないかもしれません。
ですがそれには明確な原因があり、
そもそも関係がありそうな数同士
で計算をしてしまっている可能性があります。
恐竜について研究をするよりもむしろ
恐竜の足跡についての研究をする方が
有名になれる
と言うのと同じように、
ビジネスのチャンスは
皆が目を向けるようなことに
同じように着目するのではなく、
誰も考えないような項目同士で
計算をしてみることで新しいアイデアが
生まれるものなのではないでしょうか。
例えば、
子供の学力に相関があるものとして
何か思いつきますか?
普段取り組む勉強時間
塾に通っているかどうか
読書の習慣
など様々な追いつくかと思います。
ところが最も強い相関を出したのは
親の年収だったと言われています。
もしかしたらこの話は
どこかで聞いたことがあるかもしれません。
その理由としてこれらの
項目同士で相関を取るという発想自体が
斬新だったからです。
このような
斬新な関係性を見いだすためには
ありきたりなもの同士で関係を取るのではなく、
潜在的に眠っているようなものを
掛け合わせる考え方が必要だと思います。
ソフトバンクの社長である
孫正義氏は学生時代、
毎日必ず1つ発明をする
習慣をつけていたそうです。
その考え方が、
この項目同士を掛け合わせてみる考え方に近く、
全く関係ない
例えば
ペン×星
のようなお題で何か1つ発明をする
ということをしていたみたいです。
新しいアイディアというのは
そういうものから生まれてくるものでもあるので
統計的考え方をぜひ活用してみてください。
様々な項目において
関係性を試すことができるのは
重回帰分析と言うやり方です。
これは回帰分析というやり方を
同時にいくつもの項目で検証するやり方になります。
回帰分析については
以前の記事で触れていたので参照してみてください。
すべての項目において
関係性を調査するのは多少無駄かもしれませんが、
少しでも可能性があるものについては
どんどん試しに調べるようにしてみてください。
ちなみに
ペニシリンを発明した
アレクサンダー・フレミングは、
ペニシリンを発明したのは
血のにじむような努力の結果ではなく、
彼が彼女とのデートに行くのに
研究の途中で放置していたシャーレから
たまたま発見されたものだったのです。
大きな発見と言うのは
思いもよらないところにあるのかもしれません。
それではまた！
統計の勉強始めるならまず◯◯◯をもて！
こんにちは！
はやとです
「統計学を学んでいこう！」
そう思い立ったとしても
長続きしなかったり何をしたらいいのか
わからなかったりします。
実際私も始めたて時は
「こんなことが一体何に使われるのか」
「何から始めていけばいいのか」
「だんだん興味がなくなっていく」
なんてことがよくありました。
ですが、ある時
インターネットで
調べながら勉強進めていたら、
自分に何が足りていなかったのか
ということがはっきりわかった時がありました。
それは
大局観
でした。
確率は確率、
検定は検定
などのように
ただ与えられたものを取り組んでいこうと
考えていたから実生活でどう活用されるのか、
やっていても身に付いていない感じがしていたのです。
統計において基本とされるのが
確率、相関、検定、回帰
です。
なので私はまずこの4つを学びながら
実生活でどう活用されるのか
ということを考えながら学習を進めました。
上で述べた4つの統計学については
以前のブログで触れています。
そちらも参照してみてください。
そうは言っても、
統計学も立派な学問なので
一朝一夕ではできるようにはなりません。
なので大局観を持つと言うことに加えて
もう一つ続きやすい状態を作る事が
大事なことだと思います。
なので、例えば
動画を使って学習したり
実際の活用例を学びながら勉強したり
自分で実践的な知識を得られている
という実感を持ちながら取り組んでいく事は
モチベーションの持続には
大きな役割を果たしてくれます。
これはあるギター演奏者に聞いた話なんですが、
ギターを初めて習う人に
いつもどういう風に教えるかと聞くと、
限られたコードで聴ける物を取り組ませる
とおっしゃってた
というお話を聞いたことがあります。
そうすることで
自分ができるようになっている
という実感を覚えながら
演奏ができるようになるのだそうです。
まさにその心理を利用して
腰を据えて勉強でも
長続きさせられる工夫ができると思います。
実際に本屋に行って
本を探すもまず始めてみる上では
良い手段です。
そういう方は
自分の現状に合ったものから
探してみると良いです。
自分の場合は大学で
統計を学んでいたので
専門書を使うことがあっていたのですが、
数学をゼロから始める人にとっては
そうとは限らないので、
何を使って始めるかということを
最初に検討してみるのが良いと思います。
最初の一歩を、
勇気を出して踏み出しましょう！！
それではまた！
分析を外部委託という選択肢
こんにちは！
はやとです
「自分で分析をする時間がない」
「分析を専門でやってるほどでもない」
「それでもデータ分析が必要なのはわかっている」
そんな悩みをお持ちの方は
データ分析の外部委託
を考えてみたことがある方もいるのでは
ないでしょうか。
外部委託を検討するときに
どのようなことを
気をつけなければならないのか、
という事について
今日はお話をしていきたいと思います。
最近では
様々なデータを記録することができるので
それらをうまく活用して
有効な手立てを考えられるようになりました。
データの分析を委託する時の
多くの理由として挙げられるのが
規模が大きくなりすぎて集計しきれなくなったから
ということです。
こんな課題を抱えた企業に対して
どのようなことをしてくれるかと言うと、
データ分析そのもの
アンケート項目の修正
アンケートの集計
データの保存
などがあるみたいです。
例えば、
私が実際に調べてみたところでは、
アンケートを集計したが集めるだけで社内で
分析しきれなくなった
というケースがありました。
そんな
外部に発注する場合に
気をつけたいこととしては、
コスト体系
企業かフリーランスか
発注者側に実務経験者はいるか
これらの3つになります。
コストは様々な形式があり、
アンケートやサンプル数ごとに
金額が違ったり、
初期費用と月額でお金を支払うケース
などがあります。
また、分析の規模よっては
フリーランスで受注している人に
お願いするケースも最近は増えています。
一方企業の場合は
様々なケースで経験豊富な人材が
揃っていることも利点であります。
そして何より大事なこととして
発注する時は
すべてを任せるのではなく、
適切なペースや品質で分析できているかを
判断できる経験者が
発注する側にも必要なのです。
なので、
個人で事業を行っている方などについては
最終的に自分もある程度
統計の知識を持っていなくてはならない
ということになります。
また、
外部に委託する際は必ず
何が問題なのかを明確にし、
目的に応じて手段を選ぶのが
不可欠です。
依頼をすれば、
魔法のように何をすべきかが返ってくる
わけでもないので、
目的を明確した上で
委託するかどうかを
検討するのが良いでしょう。
今はインターネットのサイトで
実例や金額についても提示されています。
まずはサイトを見てみて
自分が欲しているものが得られるかの
確認をしてみると良いと思います。
それではまた！
統計学は現代の教養のひとつになる！
こんにちは！
はやとです
「統計ってAIが代替してくれるのでは？」
「機械にもできることをやったって仕方がない」
計算機を使って計算をする
統計家にはそのような印象を
持つかもしれません。
なので
今日は
統計は果たしてAIに代替されるのか
について
お話をしていきたいと思います。
昨今AIに代替される
職業のランキングなどが
話題になっています。
どんな職業が
AIによって代替されるのかを
知ることで危機感を覚えることも
あるかもしれません。
そうなったときに
果たして統計学を使う
データサイエンティストなどは
どうなのか
気になりますよね。
結論から申し上げると、
代替されることは考えにくい
ということになります。
むしろ
データを扱える人材は
不足している
とまで言われています。
AIに代替されない理由として
そもそも統計を駆使して行うことと
AIが得意とすることが違うからです。
統計は
先に仮説を立ててそれを検証するための
ツールとして活用します。
一方機械学習では
膨大なデータを用いて
その法則性から
予測を立てることをします。
ベストセラーになった
「統計学が最強の学問である」
の著者である西内啓さんは、
ITの技術がいくら向上しようと、当面この因果関係の洞察に関しては人間の頭で行ったほうがいい。
とおっしゃっています。
さらに、
高度なデータサイエンティストよりも日々現場の感覚を培いながら多少の東京リテラシーを身に付けた人間の方が同じデータからその価値を引き出す上で大きなアドバンテージがある。
ともおっしゃっていることから、
現場で顧客にサービスを
直接与えているような人の方が
専門的に分析をしている人よりも
鋭い洞察をすることができると
言うことです。
だからこそ
どんなビジネスの場でも
統計学は1つの教養として
持ち合わせておくことで
その威力を大きく発揮させることが
可能になります。
統計学はAIに代替されるなんてことよりも
むしろビジネスマンが教養として
身に付けておくべきスキルの1つだと
言っても過言ではないと思います。
そんな統計学を1から始めようとするときに
文系理系という枠組みでも
取り組み方が変わってくると思います。
文系の方の場合
まずはExcelでも良いので
とにかく時計の持つ力を
体感することが良いと思います。
小難しい計算式や数式が出てくると、
手が止まってしまうことも
あると思うのでExcelで
実際に活用してみましょう。
理系の方の場合
統計は計算ができたらおしまいなのではなく、
その計算結果からどのようなことが
考えられ応用できるのかというところまで
求められます。
なのでまずは
右脳を使ってどうなることが
良いのか想像することから
始めてみるのが良いでしょう。
手付かずの状態で
いきなり統計学を
実際に仕事で活用してみようと思っても
なかなかイメージがわかなかったり
使うことができなかったりします。
なのでまずは
実生活の中で使えそうなもの
を考えてみるようにしてみてください。
例えば、
自分が最もお金を使っているカテゴリー
使っている時間の集計
目標達成までにかかった時間
生活の中には
分析をして工夫しやすいもので
あふれています。
できるところから始めてみてください。
それではまた!
「だから何？」と言われない分析をするために
こんにちは！
はやとです。
分析を頑張ってしていたが、
どんな分析をしているのか友人に教えてみた時、
「それが分かってどうなるの？」
と言われるようなことがあったらショックですよね。
また、自分で分析をしていても、
途中のどこかで
「分析したけど、なんだか生かせそうにないな」
「結局何も分からないのではないか？」
「果たして平等に評価できているのか？」
と不安になる事ができてくるかもしれません。
そんな、せっかく頑張ったのに
結局何も価値あることが分からず仕舞いだった
という事を防ぐために、
今回は
分析する前に必ず意識すること
についてお話していきます！
意味がない分析をしてしまう
原因として、
➀調査した先に目的がない
②フェアな調査ができていない
というものが挙げられます。
調査した先に目的がない
調査をするのは良いのですが、
そこから何が分かって、
どう改善できるのかが分からなければ
調査する意味がありません。
例えば下のグラフをご覧ください。
これは商品購入者に対して
広告を見たことがあるかのアンケートを
実施したとしましょう。
一見頑張って調査しているように見えますが、
このグラフから一体何が言えるのか、
何をどうすればよいのか、
わかりませんね。
広告を見て商品を購入したかもしれませんし、
購入した後で、広告が目に入るようになったことも
考えられます。
なので、広告が意味あるものであったかは
この調査だけからは
わかりません。
フェアな調査ができていない
続いて、アンケートを
誰に向けて行うかについても
考えなくてはなりません。
女性ばかりに調査をする
調査対象の年齢が偏っている
調査した相手の職種が偏っている
など、
フェアでないと、適切な
調査結果が得られません。
なので、なるべくランダムに
対象を選択し、
偏りのない調査をする必要があるのです。
まとめると、
➀目的をもって調査をすること
②ランダムで調査対象を選ぶこと
この２つのことが
考えなくてはならないことになります。
売り上げを伸ばしたいとしても、
どこをターゲットにするのか、
単純に多くの人に認知してもらうのか、
などで手段は異なってきます。
なのでまず、
調査の前には
「何を解決したいのか」
について
しっかり考えることが必要です！
せっかく頑張って調査をしたのに
結局何の意味もなかったとなると、
骨折り損になってしまいます。
掛けたはしごを必死で登っていたが、
そもそも掛けたところが間違っていた
なんてことにならないためにも、
勢い任せではなく、
十分な準備をして
取り組みましょう！
それではまた！
