グレゴリー・P・クロフォード氏はオハイオ州マイアミ大学の学長である。
すべてのリーダーが、日々の意思決定や長期計画におけるデータの不可欠性を認識していると思う。データリテラシーに関する最近の記事を発展させ、より深く正確な洞察を得るために、私がどのようにデータを検証しているかを説明したい。
リーダーは毎日、報告書、予測、財務諸表、市場動向、メディアなど、さまざまなデータを受け取っている。誤解を招く、不完全な、あるいは偏ったデータを使用することを避けるため、そのデータに対して批判的である必要がある。データをそのまま受け入れると、特に不適切な仮定や小さなサンプル、あるいは特定の視点を支持するように枠付けられたデータに基づいている場合、誤った判断につながる可能性がある。
情報源、方法、内容を問うことで、リーダーが関連性があり、正確で、証拠に基づいたデータに基づいて行動していることを確認できる。データに対する懐疑主義は、データを否定することではなく、批判的に検討することを意味する。それは、可能な限り最良の決断を下すために、厳密さ、明確さ、真実を要求することを意味する。
長年にわたり、私は議論を支持するためにデータが提示されたとき、問うべき質問を洗練させてきた。そのデータの文脈と解釈、情報源と構造、数値とニュアンス、そしてその目的が情報提供なのか説得なのかを理解したいと考えている。
文脈と解釈
まず、データが何を伝えようとしているのか、そしてなぜかを探る。それはどのような問いに対応しようとしているのか。主張を検討する際に、ストーリーと文脈を理解できるよう、常に最初に結論を求める。議論がどこに向かっているかを知ることで、その強みと弱みを評価するのに役立つ。
より広い文脈について尋ねる。孤立したデータは誤解を招く可能性がある。これらのデータはどのように収集され分析されたのか。適切なベンチマークや比較対象はあるのか。データセットは発見されるものではなく、組み立てられるものであり、そのプロセスには人間の視点が関わっている。それはどこから来ているのか。明確に定義されているのか。
人間の視点は分析にも影響を与える。私たちは自分の信念を支持するデータを受け入れ、それに挑戦する可能性のあるデータを却下する傾向がある。データから導き出された逆の結論を研究することで、このバイアスを軽減できる。もしデータが代替案を支持していたとしても、提示された結果を信じるだろうか。
私の大学はリーダーを育成することで知られているため、リーダーシッププログラムの学生がより高い成績平均点（GPA）を持っているというデータは、それらのプログラムを支持しているように見えるかもしれない。しかし、相関関係は因果関係ではない。もしそのデータが、より高いGPAを持つ学生がリーダーシップに焦点を当てた活動に自ら参加する可能性が高いことを意味しているとしたらどうだろうか。
リーダーは、ある視点や別の視点を支持するデータ、調査、解釈の洪水を受け取る。行動する前に批判的に考える必要がある。
情報源と構造
常にデータの情報源を尋ねるべきだ。それはどこから、どのように収集されたのか。誰がどのような方法論で分析を行ったのか。どのような仮定の下で結論が導き出されたのか。分析に追加のデータを組み込むべきか。さらなる検討を必要とする弱点はあるか。時には、分析に欠けているものが、提示されているものと同じくらい重要である。
高等教育機関の分析では、同業者から収集されたデータセットに対して堅牢で学術的な方法論が使用される。私たちは、データセットがメディア、アドボカシーグループ、批評家、あるいは議題を持つ他の人々によって作成または分析されたかどうかを問い、適切な場合にはより高いレベルの精査を適用することに警戒している。
高等教育機関は通常、投資収益率に特に関心を持っている。大学卒業生の収入データを提供する唯一の包括的なデータセットは、連邦助成金と融資を受けている学生の収入データのみを含む全国学生ローンデータシステムからのものである—これはすべての卒業生を代表しているとは考えにくいが、広く使用されている。これらの分析は不完全なデータに依存しているが、ランキングやメディアレポートでよく使用される。
数値とニュアンス
数字が得意でない場合は、経験豊富な定量的専門家に相談すること。一部の組織では、データ戦略に焦点を当て、取り組みを導くチーフデータオフィサーがいる。
技術的な側面では、平均値の使用方法、それがどのように枠付けられているか、中央値がより適切かどうか、またサンプルサイズと外れ値に注意を払うこと。定量的データと定性的データの両方が必要かどうかを判断する—例えば、5月に購入された製品の数（定量的）と、顧客が5月に特定の製品を購入した理由（定性的）。
フィッティングルーチンが使用されている場合、分析の信頼レベルをより適切に評価するために、フィットした曲線の相関係数を理解すること。常に外れ値が省略されたかどうか、そしてなぜかを尋ねること。分析の境界をテストする。例えば、より大きな数字やより小さな数字を考慮した場合でも成り立つかどうかを尋ねる。データを超えた外挿を含み結論を形成するプレゼンテーションは、より大きな精査を受けるべきである。
例えば、私たちの大学への志願者数は年々着実に増加している—フィットした曲線は高い相関係数を持ち、5年後にさらなる成長を予測できることを示唆している。しかし、より広い文脈では、高校卒業生の数が減少していることを知っているため、この期待は正確でない可能性が高い。
情報と説得
データの整理に苦労している場合は、他の人の助けを求めること。異なるレンズは、異なるパターンや全く新しい解釈の可能性を明らかにするかもしれない。誇張的な言語、懇願するトーン、誇張された主張を含む可能性のある、説得するように設計されたフレーミングは「赤信号」である。
私は常に、データ駆動型の議論を提示されているのか、それともセールスピッチを提示されているのかを尋ねる。後者のヒントがあれば、個人的な議題や、情報提供ではなく説得するために設計された選択的な強調の可能性を調査するきっかけとなるべきだ。最良の解釈を得ているのか、それとも単に最も劇的な解釈を得ているのか。データは独自に成り立つほど堅牢か。
最後に、緊急性の圧力に疑問を投げかける。すぐに行動しなければどうなるのか。何が間違う可能性があり、なぜか。
繰り返すが、リーダーは相関関係と因果関係の混同の可能性に対して高い警戒心を持つべきである。提案された原因が唯一の可能性のある原因ではないかもしれない。複数の潜在的な説明がある場合、理解を洗練させるために他のどのようなデータセットや証拠が役立つかを尋ねる。
リーダーがデータとそれに伴う議論や解釈で溢れる日もある。データは強力だ。それはあらゆる組織に価値ある洞察と予測を提供できる。
しかし、リーダーはさらに質問し、解釈を精査し、結論をテストする準備ができた状態でデータを受け取らなければならない。データは意思決定のための素晴らしいツールとなりうる。リーダーシップとは、そのツールを適切かつ効果的に使用することを意味する。
