5-1. 各週のおさらい
特に新しいことなし
5-2. データ分析に基づく問題解決ケーススタディ(1)
問題の分解・整理
ざっくりとした問題意識をいかに具体的な数値での問題意識に落とし込めるか。PPDACサイクルに当てはめて考えることが大切。
以下はコンビニオーナーの事例
Problem
課題：自社の業績伸び悩み→KGIは店舗の売上と定義
Plan
店舗の売上拡大という課題をロジックツリーに落とし込んでいく。売上＝CVR×アクセス数×注文単価の公式のように、売上を構成する要素が何なのかを分解していく。
店舗の売上→顧客数の増大、注文単価の増大など。
細かく要素を分解していくことで、これは実現可能性が低い、これは効果が高いなどの順位付けを行っていく。実務上すべての改善を行うことは難しいので、折り合いをつけていく。
この際に分解した各要素の現在の数値確認を行う。例えば「購入単価の向上」を「購入点数を増やす」と「商品単価を上げる」に分解した場合、各数値が減少してるなら改善案、横ばいなら追加の一手など見通しをたてていく。
アップセルとは、顧客の単価を向上させるための営業手法の一つで、現在ある商品を検討している顧客や以前商品を購入した顧客に対しより高額な上位モデルに乗り換えてもらうことです。
https://www.emotion-tech.co.jp/resource/2017/upsell_crosssell
クロスセルとはある商品の購入を検討している顧客に対し、別の商品もセットもしくは単体で購入してもらうためのセールス手法になります。
Planのフェーズでは、以上の流れから仮説（Plan）を設定し、数値目標を改善できるような仮説を生成する。例えば「クーポンの発行有無で平均購入額が向上するのではないか」など。この場合のKPIは平均購入額（円）となる。
仮説検証の方法もこの流れで設定する。具体的なクーポンの内容やターゲット、収集が必要になるデータの選定（顧客マスタ、売上データ、オープンデータなど）を行う。
5-3. データ分析に基づく問題解決ケーススタディ(2)
Analysis
第２回の詳細版。設定したKPIをもとに、まずは現状の把握を行う。大枠での確認→ドリルダウンして現状を深堀していく。
全体に対してざっくり施策を行うのではなく（例えば示唆のないままクーポンを全体に配る）、改善する対象を具体的にあぶり出した上でA/Bテストを試みていく。
Conclusion
分析結果をまとめていく。結果の報告には以下のような形態が分かりやすい。
現状把握
対象の概観、問題意識がどこにあるかの数値的な説明
A/Bテスト設計
対象をどのように選定したのか、どのKPIを伸ばそうとしているのかを説明
効果検証
シンプルに結果を出す
今後のアクションプラン
結果を受けて、どうするかを提案
5-4. 様々な企業で活躍するデータサイエンティスト
データサイエンティストの仕事の魅力は「データの持つ力を解き放つ」ことにある。課題の洗い出し、データの収集、分析、ビジネスの改善のサイクルを回せる。
探索的に知的な満足感が得られ、社会や組織への貢献度が高い。この２種類の満足感がデータサイエンティストの醍醐味。
