データアナリスト · 業務ごと

問い合わせを書き、ダッシュボードをつくる

自然言語から SQL への変換と図の生成は、言語モデルの応用のなかで最も成熟した部類であり、BI の提供元はそれを、アナリストがすでに使っている製品へ組み込んできた。アナリストの一週間の多くを占めていた機械的な翻訳の段は、データがきれいで問いがはっきりしている限り、いまや一つの指示で済む。

「データがきれいで問いがはっきりしている限り」は大きな条件である。たいていの会社ではそのどちらも成り立たず、曖昧なスキーマの上で道具は自信たっぷりの誤答を出す。

本当は何を訊かれているのかを割り出す

分析の難しいところは問い合わせより手前にある——その組織の定義、その政治、その数字がどの判断に流れ込むのかを知っていること。道具は訊かれたとおりに答える。アナリストの価値はもともと、その問いのほうが間違っていると気づくところにあった。

自分で触れる道具は、管理職がアナリストに訊く代わりに、自分でまずい問いを立てることを可能にする。問いの立て方の価値は残るが、それを供給するにはアナリストがその場にいなければならず、そしてその人数は減っている。

データが嘘をついているときに気づく

これには、そのデータとの来歴——何が起きたのか、なぜそうなったのかを覚えていること——が要る。組織の記憶を持たないモデルに欠けているのは、まさにそれである。問い合わせの生成が速くなったことで、これはより重要になった。誤った答えがより速く、より体裁よく届くようになったからである。

データについての組織的な記憶は、毎日それに触れることで築かれる。日々の問い合わせが利用者自身の手に移れば、この業務を成り立たせている記憶のほうは積み上がらなくなる。

数字で判断を変える

筋書きと資料をつくるのは速くなった。会議のなかで懐疑的な役員を説得することや、この相手にはどの留保から切り出すべきかを知っていることは、今も人の仕事である。場を読むことと、アナリスト自身の信用に依っているからである。

信用は個人につき、ゆっくり積み上がる。だからそれが守るのは、すでに地歩のあるアナリストだけである。最初に採られたアナリストには信用がなく、しかもそれを稼ぐための日常業務は以前より少ない。

道具が寄りかかっている定義を引き受ける

自然言語による分析は、きちんと定義された指標の上でしか働かない。だからアナリストの価値は、問いに答えることから、誰もが自分で答えられるようにする層を手入れすることへ移る。これは報告というより データガバナンス に近い新しい仕事であり、アナリストの人員が振り向けられている先でもある。

定義を手入れすることは、問いに答えることより小さい仕事であり、しかも組織に一つである。人員がそこへ「振り向けられる」とは、より小さいチームが別の仕事をすることの言い換えである。