データドリブンとは｜意味・進め方・事例とデータドリブン経営に必要なこと

データドリブンは「データを集めること」ではなく、決めたいことを先に置き、その判断にデータを使い、結果を見て次の判断を直す繰り返しです。全体の流れを図にすると次のようになります。

flowchart TD
    G[1 目的を決める<br>何を判断したいか] --> M[2 指標を決める<br>KGI・KPI]
    M --> C[3 データを集める<br>ログ・売上・顧客]
    C --> V[4 見える形にする<br>表・ダッシュボード]
    V --> D[5 判断して動く<br>施策・優先順位]
    D --> R[6 振り返る<br>効いたか・指標は妥当か]
    R --> G

よく調べられることの答えを先にまとめます。

確認環境：Ubuntu 24.04.5 LTS の上で、Python 3.13.18・pandas 3.0.5・NumPy 2.5.3・SciPy 1.18.1 を使い、この記事のために作った架空のデータ（ECサイトの売上・端末別の訪問・クーポン・注文の明細・気温）で計算しました。本文のコードと出力は、そのまま実行して得たものです。乱数は default_rng(331) で固定しています。統計の値は IPA「DX動向2025」（本文と図表）とそのプレス発表、言葉の背景は経済産業省「中間取りまとめ ～CPSによるデータ駆動型社会の到来を見据えた変革～」、広告での用語は Google 広告ヘルプ、企業の事例は Google の re:Work の公式ページで確かめました。図は mermaid-cli 11.16.0 で描画を確かめています（確認日 2026年11月10日）。

データドリブンとは（意味をわかりやすく）

この節では、データドリブンという言葉の意味と、どこまでを指す言葉なのかが分かります。

データドリブン（data-driven）は「データに基づいて判断し、行動すること」です。 英語の driven は「〜によって動かされる」という意味で、data-driven は「データに動かされる」、つまり判断の出発点がデータにある状態を表します。日本語では「データ駆動」「データ駆動型」とも言います。

言葉としては単純ですが、次の3つがそろって初めてデータドリブンと言えます。

反対に、きれいなダッシュボードがあっても、誰もそれを見て判断を変えていなければデータドリブンではありません。逆に、表計算ソフトの表1枚でも、それを根拠に決めて振り返っているならデータドリブンです。道具の新しさではなく、判断の仕方を指す言葉だと考えると分かりやすくなります。

使い方の例

• 「新機能の優先順位は、利用ログを見てデータドリブンに決めよう」
• 「データドリブンな組織にするには、まず全員が同じ指標の定義を使う必要がある」
• 「データドリブン経営への転換を中期計画に掲げる」

背景にある「データ駆動型社会」

国の資料では、経済産業省の産業構造審議会 情報経済小委員会が2015年5月にまとめた「中間取りまとめ ～CPSによるデータ駆動型社会の到来を見据えた変革～」が、この考え方を早くから扱っています。そこでは、IoT・ビッグデータ・AI などの技術によって「実世界から得られたデータを分析・解析し、その結果を再び実世界にフィードバックする」仕組み（CPS：サイバーフィジカルシステム）が現実のものになった、と説明されています。データを分析して、結果を現実の行動に戻すという点は、企業のデータドリブンと同じ構造です。

「ドリブン」の意味と、場面別のデータドリブン

この節では、「ドリブン」という言葉のふだんの意味と、IT・ビジネスの場面ごとにデータドリブンが何を指すのかが分かります。

「データドリブン」は使われる場面によって、指すものの範囲が変わります。 経営の話なのか、広告の設定なのか、ソフトウェアのテストなのかで意味がずれるので、最初に整理します。

Google 広告ヘルプは、データドリブン アトリビューションについて「通常、ユーザーが最後に操作した広告だけに貢献度が割り当てられますが、決め手になったのは最後に操作した広告だけとは限りません」と説明し、ほとんどのコンバージョン アクションで既定のモデルになっていると書いています（2026年11月10日時点）。検索して出てくる「データドリブン」が広告の設定の話なら、この記事の経営・組織の話とは別物です。

データドリブンとKKD（勘・経験・度胸）の違い

この節では、データドリブンとよく比べられる KKD の違いと、両者をどう組み合わせるのがよいかが分かります。

KKD は「勘・経験・度胸」の頭文字で、個人の感覚と経験で決めるやり方を指す言葉です。 データドリブンは KKD を否定する言葉として紹介されがちですが、実際には「経験から仮説を出し、データで確かめる」という組み合わせがいちばんうまく回ります。

経験は「どこを調べるか」を決めるのに役立ちます。データは「その仮説が当たっているか」を確かめるのに役立ちます。経験で仮説を立て、データで確かめ、外れたら経験を更新するのが、両者を対立させない使い方です。

データドリブンが注目される理由（調査の数字）

この節では、データドリブンがなぜ求められるのかを、公的な調査の数字で確かめられます。

理由は大きく3つです。データが集まりやすくなったこと、顧客の行動が複雑になったこと、そして成果を測れない取り組みは続けにくいことです。 3つめについて、IPA（情報処理推進機構）の「DX動向2025」は、日本・米国・ドイツの企業を比べた結果を公表しています。

IPA の報告書は、成果指標の設定について「日本は（中略）合計は 27.4%であるが、米国、ドイツはそれぞれ 89.8%、82.7%であり、成果指標の設定においては大きな差が見られる」と書いています。指標を設定していない理由では、日本は「評価指標はこれから定める」が最も多く、次に「評価指標の設定方法がわからない」が多かったとされています。

またデータ利活用の状況について、日本で DX の成果が出ている企業では「全社で利活用している」「事業部門・部署ごとに利活用している」の合計が70%を超えている、と報告されています（図表2-2）。報告書は「DX の成果創出にはデータ利活用が重要であると考えられる」とまとめています。

数字から読めるのは、「データが無い」よりも先に「何で成果を測るか決まっていない」ことが壁になっているという点です。データドリブンの最初の一歩が、ツールの導入ではなく指標を決めることである理由がここにあります。なお、調査は2025年2月上旬から3月下旬に行われたもので、値は調査時点のものです。

データドリブンの進め方（6つのステップ）

この節では、データドリブンを始めるときの手順と、各段階で決めることが分かります。

順番は「目的→指標→収集→可視化→判断→振り返り」です。 多くの失敗は、3番目の「集める」から始めてしまうことで起きます。

1回目は小さく始めるのがこつです。全社のデータ基盤を作ってから始めるのではなく、1つの判断・1つのチーム・手元にあるデータで6段階を1周してみると、どのデータが足りないかが具体的に分かります。指標の決め方は、関連記事「ノーススターメトリックとは｜KGI・KPIとの違い」で扱っています。KPI そのものの意味・設定方法・職種別の例は、関連記事「KPIとは｜意味・KGI・KSFとの違いと設定方法・職種別の例を計算式つきで」で詳しく説明しています。

pandasで試すデータドリブンな分析の例（架空の売上データ）

この節では、売上が落ちたときに「どこが原因か」をデータで絞り込む手順を、Python の pandas で実際に計算した結果で確かめられます。

使うのは、この記事のために作った架空のECサイトのデータです。 実在の企業の数字ではありません。9月に比べて10月の売上が下がった、という場面を想定します。

売上を3つの要素に分ける

売上は「訪問数 × 購入率 × 客単価」に分けられます。どの要素が動いたかを見るのが、最初の切り分けです。

import pandas as pd
# 架空のECサイトの2か月分（架空のデータ）
df = pd.DataFrame({
    "月": ["9月", "10月"],
    "訪問数": [120000, 126000],
    "購入率": [0.025, 0.020],
    "客単価": [6000, 6200],
})
df["注文数"] = (df["訪問数"] * df["購入率"]).round().astype(int)
df["売上"] = df["注文数"] * df["客単価"]
print(df.to_string(index=False))
chg = df.set_index("月").pct_change().iloc[1] * 100
print(chg[["訪問数", "購入率", "客単価", "売上"]].round(1).to_string())

実行結果です。

  月    訪問数   購入率  客単価  注文数       売上
 9月 120000 0.025 6000 3000 18000000
10月 126000 0.020 6200 2520 15624000
訪問数     5.0
購入率   -20.0
客単価     3.3
売上    -13.2

売上は13.2%減りましたが、訪問数は5.0%、客単価は3.3%増えていました。下がったのは購入率だけ（-20.0%）です。 「集客が足りないから広告を増やそう」という KKD の判断は、この数字を見ると外れていることが分かります。広告で訪問を増やしても、購入率が下がったままでは売上は戻りません。

端末別に分けると、原因がさらに絞れる

購入率が下がった理由を探すため、PC とスマホに分けます。

import pandas as pd
seg = pd.DataFrame({
    "月":   ["9月", "9月", "10月", "10月"],
    "端末": ["PC", "スマホ", "PC", "スマホ"],
    "訪問数": [48000, 72000, 37800, 88200],
    "注文数": [1680, 1320, 1323, 1197],
})
seg["購入率%"] = (seg["注文数"] / seg["訪問数"] * 100).round(2)
seg["訪問の割合%"] = (seg["訪問数"] / seg.groupby("月")["訪問数"].transform("sum") * 100).round(1)
print(seg.to_string(index=False))
# 10月の端末の割合のまま、9月の購入率だった場合
r9 = seg[seg["月"] == "9月"].set_index("端末")["注文数"] / seg[seg["月"] == "9月"].set_index("端末")["訪問数"]
v10 = seg[seg["月"] == "10月"].set_index("端末")["訪問数"]
print("割合だけ変わった場合の購入率: %.3f%%" % ((v10 * r9).sum() / v10.sum() * 100))

  月  端末   訪問数  注文数  購入率%  訪問の割合%
 9月  PC 48000 1680  3.50    40.0
 9月 スマホ 72000 1320  1.83    60.0
10月  PC 37800 1323  3.50    30.0
10月 スマホ 88200 1197  1.36    70.0
割合だけ変わった場合の購入率: 2.333%

ここから2つのことが分かります。

全体の購入率2.5%→2.0%のうち、約3分の1は「端末の割合が変わった」こと、約3分の2は「スマホの購入率そのものが下がった」ことで説明できます。 次に調べるのはスマホの購入画面（表示速度・入力フォーム・決済の選択肢）で、PC のサイトを直す理由はありません。このように、合計を分けていくと、手を打つ場所が1つに絞れます。

端末・客層などで分けて集計する考え方は、関連記事「pandasの使い方 逆引き81選｜pandas 3.0の実行結果つき」で groupby・pivot_table の書き方として扱っています。生成AI に集計を頼むときの検算の仕方は、関連記事「生成AIデータ分析プロンプト集｜CSV集計・グラフと検算」で扱っています。

データドリブンに必要な仕組み（DWH・BI・ログとツール）

この節では、データドリブンを支える仕組みを「集める・貯める・見る」に分けて、代表的なツールの役割が分かります。

仕組みは3層で考えると整理できます。業務のシステムやログでデータが生まれ、DWH（データウェアハウス）に貯めてつなぎ、BI ツールで見て判断します。 最初からすべてをそろえる必要はなく、判断に必要な層から作ります。

仕組みで最も大事なのは、指標の定義が1か所にまとまっていることです。「売上」がキャンセルを含むのか、税込みか、注文日か出荷日かが部署ごとに違うと、同じ会議で違う数字が並び、議論が数字の正しさの確認で終わってしまいます。DWH や BI の役割の半分は、この定義をそろえることにあります。

小さく始めるなら

専用のツールが無くても、CSV を書き出して pandas や SQL で集計し、決まった表を毎週同じ形で共有するだけで、データドリブンの1周目は回せます。ツールは、手作業の集計が週に何時間もかかるようになってから選ぶと、必要な機能がはっきりしています。

データドリブンに必要な人と組織

この節では、データドリブンを進めるときに必要な役割と、組織として整えることが分かります。

データドリブンは分析担当者だけでは進みません。決める人・分析する人・データを整える人の3つの役割と、結果を見て判断を変えられる組織が必要です。

組織の段階は、次のように進むことが多いです。いきなり上の段を目指すより、今いる段を確かめて1段ずつ上がるほうが確実です。

1. 1データが散らばっている各自の表計算ファイルに数字があり、部署ごとに定義が違う
2. 2決まった数字を毎週見ている指標と定義が決まり、同じ表を全員が見る
3. 3数字から原因を探している合計を分けて、どこが動いたかを説明できる
4. 4施策の効果を確かめている比べる相手を置き、効いた・効かないを判定する
5. 5判断の仕組みに組み込まれている予算・計画・振り返りの場で、データが前提になっている

開発チームの場合は、デプロイの頻度や変更の失敗率などを指標にして同じ考え方を当てはめられます。具体的な指標と計算式は、関連記事「開発チームのKPI一覧｜指標の計算式とFour Keysの測り方」で扱っています。

データドリブン経営とは（経営での進め方と事例）

この節では、データドリブン経営の意味と、経営の判断にデータを使うときに押さえることが分かります。公式に発表された事例も1つ紹介します。

データドリブン経営とは、投資・撤退・人や予算の配分といった経営の判断を、データを根拠に行うことです。 部署ごとの改善と違い、部署をまたぐデータをつなぎ、全社で同じ指標を見ることが前提になります。

データドリブン経営で押さえること

• 1経営の目標を数字で書くKGI を決め、そこへつながる KPI をツリーで分ける。IPA の調査で日本の課題として挙がった「成果指標の設定」がここにあたる
• 2部署をまたいで定義をそろえる売上・顧客・利益の定義を全社で1つにし、DWH などで同じ計算を使う
• 3会議の資料をデータから作る手で転記した数字ではなく、元データから自動で出した数字で議論する
• 4やめる判断にもデータを使う始める判断より、効かない施策をやめる判断のほうが、データの効き目が大きい
• 5データの扱いの決まりを作る誰がどのデータを見られるか、個人情報をどう扱うかを先に決めておく

目標と指標の組み立て方としては OKR もよく使われます。KPI との違いとスコアの付け方は、関連記事「OKRの書き方とエンジニア向けの例｜KPIとの違いとスコア計算」で扱っています。

事例：Google の Project Oxygen（人事でのデータ活用）

Google は、人事の研究と実例を紹介する公式サイト re:Work で、マネージャーの役割を調べた Project Oxygen を公開しています。出発点は、2000年代はじめに社内の一部にあった「マネージャーは実はそれほど重要ではない」という仮説でした。

Google は、評価やフィードバックの調査、社員へのインタビューの記録など、マネージャーに関する1万件を超えるデータを分析しました。その結果、優れたマネージャーのいるチームは成果が高く、満足度も高く、離職が少ない傾向が見られ、優れたマネージャーに共通する10の行動（よいコーチであること、細かく管理しすぎずに任せること、などを含む）がまとめられています。この知見は、Google の評価制度やリーダー育成の仕組みに取り入れられたと説明されています。

この事例で参考になるのは、「マネージャーは要らないのでは」という経験からの仮説を、データで確かめ、結果を制度に戻した流れです。データドリブンは、仮説を否定するためにも肯定するためにも使えます。

架空の例：問い合わせ対応の人員配置

もう1つ、身近な規模の架空の例です。問い合わせ窓口で「人を増やしてほしい」という声が上がったとき、曜日・時間帯ごとの問い合わせ件数と待ち時間を1か月分集計すると、待ち時間が長いのは月曜の午前だけで、ほかの時間帯は人が余っている、ということがあります。この場合の判断は「人を増やす」ではなく「月曜の午前にシフトを寄せる」になり、費用をかけずに待ち時間を減らせます。

データドリブンでよくある失敗（相関と因果・平均・揺れ・重複）

この節では、データを見ているのに判断を誤るよくある失敗を、架空のデータで実際に計算した結果とともに確かめられます。

失敗の多くは「データが無い」ことではなく、「データの読み方」で起きます。 計算して確かめた4つの読み違いを紹介します。

失敗1：全体の数字だけを見て、逆の結論を出す（シンプソンのパラドックス）

クーポンを配った人と配らなかった人の購入率を比べる、架空の例です。

import pandas as pd
c = pd.DataFrame({
    "客層": ["新規", "新規", "既存", "既存"],
    "クーポン": ["あり", "なし", "あり", "なし"],
    "人数": [800, 200, 200, 800],
    "購入": [48, 10, 76, 280],
})
c["購入率%"] = (c["購入"] / c["人数"] * 100).round(1)
print(c.to_string(index=False))
t = c.groupby("クーポン")[["人数", "購入"]].sum()
t["購入率%"] = (t["購入"] / t["人数"] * 100).round(1)
print(t.to_string())

客層 クーポン  人数  購入  購入率%
新規   あり 800  48   6.0
新規   なし 200  10   5.0
既存   あり 200  76  38.0
既存   なし 800 280  35.0
        人数   購入  購入率%
クーポン
あり    1000  124  12.4
なし    1000  290  29.0

全体ではクーポンありが12.4%、なしが29.0%で、クーポンは逆効果に見えます。ところが客層別に見ると、新規でも既存でもクーポンありのほうが購入率は高い（6.0%＞5.0%、38.0%＞35.0%）のです。原因は、クーポンを主に新規客（もともと購入率が低い）に配っていたことです。このように、グループの構成が違うと全体と部分で結論が逆になる現象を、シンプソンのパラドックスと呼びます。

失敗2：相関を因果と読む

架空の60日分のデータで、アイスの売上と熱中症の搬送の数を比べます。どちらも気温で決まるように作ってあります。

import numpy as np
rng = np.random.default_rng(331)
# 何も変えていない店：1日の注文数は平均100件（架空）
daily = rng.poisson(100, size=7 * 12)
weekly = daily.reshape(12, 7).sum(axis=1)
wow = np.diff(weekly) / weekly[:-1] * 100
print("週の注文数:", weekly.tolist())
print("前週比: 最小 %.1f%%  最大 %.1f%%" % (wow.min(), wow.max()))
print("前週比が±5%%以上の週: %d / %d" % ((abs(wow) >= 5).sum(), len(wow)))
# 気温→アイスの売上・熱中症の搬送（架空）
temp = rng.uniform(15, 35, 60)
ice = 50 + 8 * temp + rng.normal(0, 15, 60)
heat = np.clip(-20 + 1.5 * temp + rng.normal(0, 4, 60), 0, None)
def resid(y, x):
    return y - np.polyval(np.polyfit(x, y, 1), x)
print("アイスと搬送の相関 r=%.2f" % np.corrcoef(ice, heat)[0, 1])
print("気温の影響を除いた相関 r=%.2f" % np.corrcoef(resid(ice, temp), resid(heat, temp))[0, 1])

週の注文数: [686, 713, 712, 735, 701, 719, 678, 682, 684, 731, 698, 692]
前週比: 最小 -5.7%  最大 6.9%
前週比が±5%以上の週: 2 / 11
アイスと搬送の相関 r=0.89
気温の影響を除いた相関 r=0.01

アイスの売上と搬送の数の相関係数は0.89と強く出ますが、気温の影響を取り除くと0.01になり、関係はほぼ消えます。 アイスが熱中症を起こしているわけではなく、気温という共通の原因（交絡因子）が両方を動かしていただけです。ビジネスでも「アプリをよく使う人ほど解約しない」から「通知を増やせば解約が減る」とは言えません。もともと満足している人がよく使っているだけかもしれないからです。

失敗3：ただの揺れに意味を見つける

上のコードの前半は、何も変えていない店の注文数を、平均1日100件の乱数で12週分作ったものです。何もしていないのに、前週比は-5.7%から+6.9%まで動き、11回のうち2回は±5%を超えました。 「今週は5%落ちたから対策を」と毎週反応すると、ただの揺れに振り回されます。前週比だけで判断せず、数週間の平均や前年同期、普段の揺れ幅と比べてから判断します。

失敗4：重複や欠けたデータで数字がずれる

import pandas as pd
o = pd.DataFrame({"注文ID": [101, 102, 102, 103, 104, 104, 104, 105],
                  "金額":   [5000, 3000, 3000, 8000, 2000, 2000, 2000, 6000]})
print("重複したID:", o[o.duplicated("注文ID")]["注文ID"].unique().tolist())
print("そのまま合計:", o["金額"].sum(), "円", len(o), "件")
u = o.drop_duplicates("注文ID")
print("重複を除いて合計:", u["金額"].sum(), "円", len(u), "件")
print("過大になった割合: %.1f%%" % ((o["金額"].sum() / u["金額"].sum() - 1) * 100))

重複したID: [102, 104]
そのまま合計: 31000 円 8 件
重複を除いて合計: 24000 円 5 件
過大になった割合: 29.2%

データを複数のシステムからつなぐと、同じ注文が2回・3回入ることがあります。この例では、重複を除かずに合計すると売上が29.2%多く出ました。 分析の前に「キーが重複していないか」「欠けた値がないか」を確かめる手順を、毎回の集計に組み込みます。

よくあるつまずきの一覧

施策が効いたかを確かめる（A/Bテストと必要な人数）

この節では、データドリブンの「振り返り」で欠かせない、施策の効果の確かめ方と、どれだけのデータが要るのかが分かります。

施策の前後を比べるだけでは、季節や揺れの影響と区別できません。同じ期間に、施策を当てるグループ（B）と当てないグループ（A）に分けて比べるのが確実です。 これを A/Bテストと呼びます。購入率2.0%の画面を改善して2.4%になった、という架空の結果を、人数を変えて判定します。

import math
from scipy import stats
def ztest(x1, n1, x2, n2):
    p = (x1 + x2) / (n1 + n2)
    se = math.sqrt(p * (1 - p) * (1 / n1 + 1 / n2))
    z = (x2 / n2 - x1 / n1) / se
    return z, 2 * (1 - stats.norm.cdf(abs(z)))
for n in [1000, 5000, 20000]:
    a, b = round(n * 0.020), round(n * 0.024)
    z, p = ztest(a, n, b, n)
    print(f"1群{n:>6}人  A {a}件  B {b}件  z={z:.2f}  p={p:.3f}")
p1, p2 = 0.020, 0.024
za, zb = stats.norm.ppf(0.975), stats.norm.ppf(0.8)
pb = (p1 + p2) / 2
n = ((za * math.sqrt(2 * pb * (1 - pb)) + zb * math.sqrt(p1 * (1 - p1) + p2 * (1 - p2))) ** 2) / (p2 - p1) ** 2
print("2.0%→2.4%を見分けるのに必要な人数（1群）:", math.ceil(n))

1群  1000人  A 20件  B 24件  z=0.61  p=0.542
1群  5000人  A 100件  B 120件  z=1.36  p=0.173
1群 20000人  A 400件  B 480件  z=2.73  p=0.006
2.0%→2.4%を見分けるのに必要な人数（1群）: 21109

購入率が2.0%から2.4%へ「20%改善」したように見えても、1群1,000人では p 値が0.542で、偶然の差と区別できません。 同じ率でも1群20,000人なら p 値は0.006になります。小さな差を確かめたいほど、多くの人数（長い期間）が必要です。テストを始める前に必要な人数を計算し、「何人集まったら判定するか」を決めておくと、途中で都合のよいところで止める読み方を避けられます。

A/Bテストの手順・サンプルサイズ・有意差の判定は、関連記事「ABテストとは｜やり方・サンプルサイズ・有意差の判定をPythonで実演」で詳しく扱っています。

データドリブンのメリット・デメリットと判断表

この節では、データドリブンのよい点と注意する点、そしてデータで決めるべき場面とそうでない場面が分かります。

データドリブンは万能ではありません。 判断の種類によって、データの重みを変えるのが現実的です。

迷ったときは、「この判断は何回繰り返すか」「間違えたときに取り返せるか」「比べる相手を置けるか」の3つを考えると、データにどれだけ時間をかけるかを決めやすくなります。

よくある質問

この節では、データドリブンについてよく調べられる疑問に、短く答えます。

Q. データドリブンを一言でいうと？
データを根拠に判断し、行動し、その結果を見てまた判断を直すことです。「データ駆動」とも言います。

Q. データドリブンとデータ分析の違いは？
データ分析は数字を集計・解釈する作業そのものです。データドリブンは、その分析を判断と行動に使い、振り返りまで回す考え方を指します。分析だけで判断が変わらなければ、データドリブンとは言えません。

Q. KKD は悪いものですか？
悪いものではありません。経験は「どこを調べるか」という仮説を出すのに役立ちます。経験だけで決めて確かめないことが問題で、経験で仮説を立てデータで確かめる組み合わせが有効です。

Q. データドリブン経営は大企業だけのものですか？
規模は関係ありません。売上の表を訪問数・購入率・客単価に分けて毎週見るだけでも、データドリブンの1周目は回せます。専用ツールは、手作業の集計が重くなってから選べます。

Q. 何から始めればよいですか？
判断したいことを1つ決め、その判断に使う指標を3〜5個に絞るところからです。IPA の「DX動向2025」でも、日本で成果指標を設定している企業は27.4%にとどまり、指標づくりが最初の壁になっていることが分かります。

Q. どんなツールが必要ですか？
集める（ログ・CRM・SFA）、貯めてつなぐ（DWH）、見る（BI）の3層があります。最初は CSV と pandas・SQL・表計算ソフトでも始められ、規模に合わせて足していきます。

Q. 相関があれば施策に使ってよいですか？
相関は「一緒に動いている」ことしか示しません。この記事の例では、相関0.89の2つの数字が、気温の影響を除くと0.01になりました。施策を決める前に、比べる相手を置いて試すと確実です。

Q. A/Bテストにはどれくらいの人数が必要ですか？
見分けたい差の大きさで変わります。購入率2.0%と2.4%を見分けるには、有意水準5%・検出力80%で1群21,109人が目安でした（この記事の計算）。差が小さいほど多くの人数が必要です。

Q. データドリブンアトリビューションとは何ですか？
Google 広告などの機能名で、成果に至るまでに接した複数の広告に、データから貢献度を割り振る方式です。経営・組織の「データドリブン」とは別の、広告の設定の話です。

Q. データドリブンで失敗しやすいのはどんなときですか？
目的を決めずにデータを集め始めたとき、指標が多すぎるとき、全体の数字だけを見たとき、相関を因果と読んだとき、毎週の揺れに反応したときです。どれも読み方の問題なので、事前に確かめる手順を決めておくと防げます。

まとめ

• データドリブンとは、データを根拠に判断・行動し、結果を見て判断を直す考え方。道具の新しさではなく、判断の仕方を指す。
• KKD と対立させず、経験で仮説を立ててデータで確かめる。進め方は目的→指標→収集→可視化→判断→振り返りの順。
• IPA「DX動向2025」では、日本で DX の成果指標を設定している割合は27.4%（米国89.8%・ドイツ82.7%）。最初の壁は指標づくり。
• 架空の売上データでは、合計を分けると原因が「スマホの購入率」に絞れた。全体の数字だけでは逆の結論（シンプソンのパラドックス）や、相関の読み違い（0.89→0.01）が起きる。
• 施策の効果は比べる相手を置いて確かめる。2.0%→2.4%の差を見分けるには1群約2万人が必要で、人数は始める前に決めておく。

参考・出典

確認日はいずれも 2026年11月10日です。

• IPA（情報処理推進機構）「DX動向2025」（図表1-25 成果指標の設定状況、図表2-2 データ利活用の状況、図表2-5 データの企業間連携の状況）：https://www.ipa.go.jp/digital/chousa/dx-trend/tbl5kb0000001mn2-att/dx-trend-2025.pdf
• IPA プレス発表「日本・米国・ドイツ企業のDX推進状況を調査した「DX動向2025」を公開」（2025年6月26日）：https://www.ipa.go.jp/pressrelease/2025/press20250626.html
• 経済産業省「産業構造審議会 商務流通情報分科会 情報経済小委員会 中間取りまとめ ～CPSによるデータ駆動型社会の到来を見据えた変革～」（2015年5月21日）：https://www.meti.go.jp/shingikai/sankoshin/shomu_ryutsu/joho_keizai/20150521_report.html
• Google 広告ヘルプ「データドリブン アトリビューションについて」：https://support.google.com/google-ads/answer/6394265?hl=ja
• Google re:Work「Following the data: The research behind great managers」（Project Oxygen）：https://rework.withgoogle.com/intl/en/guides/following-the-data-the-research-behind-great-managers
• pandas documentation「API reference」：https://pandas.pydata.org/docs/reference/index.html
• SciPy documentation「scipy.stats.norm」：https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.norm.html

株式会社RJC ― SI事業・SES事業・AI駆動開発。RJCは一緒に成長を楽しめる会社です。