データ分析の種類

このシナリオでは、VP は売上が増加していないことを認識していますが、その単一の観察では次に何をすべきかはわかりません。 各フォローアップの質問には、異なる分析方法が必要です。 5 種類の分析が連携して、最初の観察から具体的な価格に関する推奨事項まで調査を行います。

説明的な分析: 何が起こりましたか?

説明的な分析では、理由を説明することなく 、何が起こったかを定量化 します。

Tailwind Traders の場合、これはチャネルと製品別に売上合計を分割するダッシュボードを構築することを意味します。 ダッシュボードは、オンライン販売が総収益のほぼ半分を占めており、ソーシャルメディアが第2位のチャネルであることを示しています。 店舗やアウトレットの貢献が大幅に少なくなります。 毎月の傾向は VP の懸念を確認します。 売上は季節的に変動しますが、全体的な成長は示されません。

次の図は、関係者がチャネルと製品全体のカード、ドーナツ グラフ、横棒グラフ、傾向線を使用してパフォーマンスをひとめで確認できる販売およびマーケティング ダッシュボードを示しています。

診断分析: 発生した理由

目標は常に 症状から原因に移行することです。

ダッシュボードは売上が伸び悩んでいることを示しましたが、副社長は今、成約に至った案件を後押ししている要因を把握する必要があります。 診断プロセスは、次の 3 つの手順に従います。

1. 何を調査すべきかを特定する — 成約率は製品や営業チームによって大きく異なります。
2. 関連データ (割引レベル、製品カテゴリ、キャンペーンの種類、販売所有者) を収集します。
3. パターンを見つけます。割引レベルは、取引が終了するかどうかに最も大きな影響を与え、可能性がほぼ 3 倍になります。 製品の種類と販売チームも結果に影響を与えます。

この分析では、より深い分析情報が得られます。 チームは、取引を終了するために大きな割引に頼っている可能性があり、取引量は高くなりますが、マージンは損なわれます。

次の図は、Power BIの主要なインフルエンサー ビジュアルの例を示しています。 この種のビジュアルは、特定の結果を最も強く推進する要因を自動的に識別し、影響によってそれらをランク付けし、散布図に関係を示して、パターンを視覚的に検証できるようにします。

予測分析: 次に何が起こる可能性がありますか?

予測分析では、過去のパターンを使用して 、発生する前に将来の結果を推定します 。

チームが何が結果を生み出しているのかを理解したので、VPは収益がどこに向かっているのかを知りたいと考えています。 チームは過去 2 年間の月次収益をプロットし、予測を追加します。 傾向線はやや下降傾向を示しており、予測ではこの傾向が今後数か月にわたって続くと示されています。

次の図は、予測が組み込まれた折れ線グラフを示しています。 灰色の網掛け領域は、過去のパターンに基づいて傾向が今後どこに向かうかを予測して示し、チームが将来取り得る可能性の高い値の範囲を視覚的に把握できるようにします。

規範的分析: 何をすべきでしょうか。

重要な質問は、常に"これを行う場合とそうする場合、結果がどうなるのか" です。

診断分析では、大幅な割引によって閉鎖は促進されますが、マージンは損なわれ、収益は徐々に減少しています。 VP は、適切な価格戦略を決定する必要があります。 チームは、10% から 20% の増加に価格を調整することの影響をモデル化し、明確なトレードオフを発見します。価格を下げると収益は増加しますが、利益は縮小しますが、中程度の増加は 約 7 から 10%、 顧客の抵抗によって両方のメトリックが低下する前に利益を最大化します。

次の図は、調整された収益をさまざまな価格ポイントで調整された利益と比較した 2 軸グラフを示しています。これにより、意思決定者は、トレードオフのヒントが好ましいポイントから好ましくないポイントまでの正確な場所を確認できます。

コグニティブ分析: AI は何を理解するのに役立ちますか?

Cognitive Analytics は、手動で実行できる作業のより高速なバージョンだけでなく、 人間の能力を超えた処理が必要な質問に回答します。

Tailwind Traders は、何千もの顧客レビュー、サポート チケット、ソーシャル メディアのメンションも収集します。 コグニティブアナリティクスでは、AI を活用して、この非構造化データを人手による分析では到底及ばない規模で処理します。具体的には、フィードバックをテーマ別やセンチメント別に分類し、数百もの変数にまたがる予期しない相関関係を特定し、アナリストが発見するにははるかに長い時間を要するパターンを明らかにします。

分析における AI

AI ツールは、方法としてのコグニティブ分析だけでなく、4 つの従来の種類すべてにおいてアナリストがより効果的に作業するのにも役立ちます。 AI は、初期データの概要を生成し、調査、異常の検出、および自然言語の質問を分析クエリに変換する要因を提案できます。

各ケースにおけるアナリストの役割は変わりません。適切な分析の種類が適用されていることを確認し、出力が質問に回答していることを検証し、データが十分に信頼できるかどうかを判断して対処します。