目次

序章　「センス」と「事例」で分析をするな

01　日本人が知らない「リサーチデザイン」というスキル
データ活用のよくある失敗例／個人のセンスに頼らないリサーチデザイン／
「枝葉」よりも「幹」の改善を

02　本書の構成と枠組み
本書が対象とする４つのテーマ／本書での説明の手順とキーワード

第１章　経営戦略のための統計学

03　データで戦略を導け
コンサルタントはマトリックスがお好き／マトリックス分析の２つの限界

04　経営戦略の理論的背景①　ポーターのＳＣＰ理論
経営戦略を代表する理論／シンプルで美しいファイブフォース分析／
ポーターへの反証となった日本企業の躍進

05　経営戦略の理論的背景②　経営戦略論の相性問題
企業内の強みに注目したジェイ・バーニー／ポーターとバーニーはどちらが正しいのか？／
経営戦略の統計分析の歴史

06　経営戦略のための分析手順①　分析対象の設定
統計学的な戦略策定のアプローチ／水平方向への市場分析／垂直方向への市場分析／
非連続的な市場分析

07　経営戦略のための分析手順②　分析すべき変数のアイディア出し
ビジネスマンのためのシステマティックレビュー入門

08　経営戦略のための分析手順③　必要なデータの収集
まずは公開された客観的なデータから／「儲かっている度合い」に総資本利益率を使う理由／
非上場企業も分析の対象に／調査会社への上手なオーダー法／
主観的な要素が入ったデータを集める際の注意点／集めたデータのまとめ方

09　経営戦略のための分析手順④　分析とその解釈
単純集計の２つの限界／ステップワイズ法と人の目による変数選択／
分析の解釈の実例と基礎知識／詳細な分析手法と、それをおすすめしない理由／
厳密な検証よりも、素早い小規模なアクションを

10　本章のまとめ
統計学的な補足コラム１　分散成分分析または混合効果モデルについて

第２章　人事のための統計学

11　優秀な人は採れてますか？
「戦略よりも人材」という真実／科学的なエビデンスに基づくGoogleの採用プロセス／
ただの「面接」はあまり役に立たない

12　一般知能と状況適合理論
「勉強ができれば仕事もできる」は３割正しい／
リーダーシップの研究者たちが発見した状況適合理論／
メタアナリシスで見る「仕事は相性次第」／「高学歴でハキハキ」ばかりではもったいない

13　人事のための分析手順①　分析対象の設定
数十人いたら分析ができる／解析単位の広げ方、分割の仕方

14　人事のための分析手順②　変数のアイディア出し
人事のアウトカムの設定は難しい／「ランダム性を取り入れる」という工夫／
説明変数は広くアイディアを収集する

15　人事のための分析手順③　必要なデータの収集
社内に埋もれたデータを見つけ出す／アウトカムの設定の注意点：データ不足をうまく補う／
説明変数に関わるデータの拡充：性格特性の測り方

16　人事のための分析手順④　得られたデータの分析
相関の強い説明変数は「縮約」する／相関する２項目の得点は合算してもいい／
いくつもの項目が相関する場合は「因子分析」を／あとは重回帰分析かロジスティック回帰を

17　人事のための分析手順⑤　分析結果の解釈
ロジスティック回帰の見方の復習／「経験や直感に反する結果」はないか？／
取るべきアクション：「変える」／取るべきアクション：「ずらす」／
人的資源管理の施策の候補となる「ＨＰＷＰ」

18　本章のまとめ
統計学的な補足コラム２　「打ち切り」と「切断」

第３章　マーケティングのための統計学

19　マーケティング戦略と顧客中心主義
iPhoneのニーズは本当にリサーチでわからなかったのか？／
ブルー・オーシャン戦略に倣ったアプローチ／統計学が天才に打ち勝つ理由

20　現代マーケティングの基礎知識
コトラーによるマーケティングの定義とよくある誤解／誰を相手にビジネスを営むのか／
何をどう売るのか

21　マーケティングのための分析手順①　「誰に売るか」考えるためのデータの準備
マーケティングのデータ分析は最低３周回す／分析対象は、「よっぽどあり得ない」以外の全て／
まずはシングルソースデータの分析を

22　マーケティングのための分析手順②　「誰に売るか」考えるための分析
重回帰分析とロジスティック回帰を使わない理由／おすすめは「クラスター分析」／
良いセグメントの発見がクラスター分析の目的

23　マーケティングのための分析手順③　「何を売るか」考えるためのデータの準備
ポジショニング＝何を売るか／良いポジショニングは質的調査と量的調査の組合せで／
マーケティングの力を実証した「truthキャンペーン」

24　マーケティングのための分析手順④　統合行動理論を用いた質的調査
多くの学問の成果をカバーする統合行動理論／質問と調査票の具体的な作り方

25　マーケティングのための分析手順⑤　「何を売るか」考えるためのデータ分析と解釈
分析からわかること／今度は重回帰分析やロジスティック回帰で／
ポジショニングを考える２つの方法

26　マーケティングのための分析手順⑥　「４つのＰ」を考えるための分析
セグメントの対象者を理解する／試作品やチラシによるテストマーケティングを

27　本章のまとめ
統計学的な補足コラム３　決定樹分析とランダムフォレスト

第４章　オペレーションのための統計学

28　デミングがもたらした新しい「マネジメント」
サウスウエスト航空の成功を支えたオペレーションの改善／
kaizenを生み、ビル・クリントンを支えた統計学者／
「バラツキの背後で影響する原因」に対処せよ

29　部分最適から全体最適へ
社内に眠る、広大な改善のフロンティア／「ボトルネック」から始めよう

30　バリューチェーンと部署ごとの定石
バリューチェーンの考え方／具体的なアウトカムと解析単位

31　業務のためのデータから分析のためのデータへ
まずは今あるデータの分析から／データを分析可能な形にする／データを紐付ける

32　データの品質向上と加工のポイント
「完全なデータ」という罠／「窮屈さ」を感じたらしめたもの／ムリに「仮説」を考えない

33　「洞察のための分析」と「予測のための分析」
「予測のための分析」とは／「洞察のための分析」では、あなたの暗黙知が武器になる／
「予測のための分析」が難しい２つの理由／失敗していたGoogleのインフルエンザ患者の予測

34　自己回帰モデルとクロスバリデーション
自己回帰モデルの概要／過学習に注意する／クロスバリデーションで検証する

35　本章のまとめ
統計学的な補足コラム４　集合知を使った予測手法

謝辞

参考文献

索引

著者

西内 啓（にしうち・ひろむ）
東京大学大学院医学系研究科医療コミュニケーション学分野助教、大学病院医療情報ネットワーク研究センター副センター長、ダナファーバー／ハーバードがん研究センター客員研究員を経て、2014年11月より株式会社データビークルを創業。自身のノウハウを活かしたデータ分析支援ツール「Data Diver」などの開発・販売と、官民のデータ活用プロジェクト支援に従事。著書に『統計学が最強の学問である』『統計学が最強の学問である［実践編］』（ダイヤモンド社）、『1億人のための統計解析』（日経ＢＰ社）などがある。