女性向けエンジニアスクール
3秒でわかる
数字やグラフを読み解き、根拠として使えるか判断する力。分析の道具を使う前に、問いと数字の意味を合わせるための土台になります。
もう少し詳しく
どういうものか
データリテラシーは、手元の数字が何を測ったものかを理解し、そこから言えることと言えないことを区別し、意思決定に使える形で伝えるまでの一連の力です。集計の技術そのものより、集計の前後にある判断を指します。
内訳としては、データの出どころと集め方を確認する力、平均や中央値などの指標を適切に選ぶ力、グラフの見せ方が印象を歪めていないか気づく力、相関と因果を混同しない力が含まれます。
なぜ必要か
分析の道具は誰でも使えるようになりました。表計算にも生成 AI にも、数字を投げれば何らかのグラフと解釈が返ってきます。そのため、誤った前提のまま出てきた結論が、見た目だけ整った状態で共有される機会が増えています。数字を出す速度が上がったぶん、その数字を疑う力の価値が上がっています。
具体例
同じ売上データでも、選ぶ指標で見える景色が変わります。
import statistics
sales = [3, 4, 4, 5, 5, 6, 300] # 1件だけ法人の大口注文
print(statistics.mean(sales)) # 46.71... 平均
print(statistics.median(sales)) # 5 中央値平均だけを見て「客単価は約47」と報告すると、実態と大きくずれます。極端な値が混じるときは中央値も併記する、というのがデータリテラシーの働く場面です。
グラフでも同じことが起きます。
縦軸が 0 から始まる棒グラフ 縦軸が 98 から始まる棒グラフ
100 |## ## 100 | ##
|## ## 99 |## ##
0 +-------- 98 +--------
A B A B
ほぼ差がない 2倍の差に見える同じ数字でも、軸の取り方だけで印象が変わります。
つまずきやすいところ
相関を因果と読んでしまうのが最大の落とし穴です。アイスの売上と水難事故の件数は連動しますが、片方がもう片方を起こしているわけではなく、気温という共通の要因があります。
生存者バイアスも見落とされます。継続している利用者だけにアンケートを取れば、満足度は当然高く出ます。答えていない人がなぜ答えていないかを考えないと、都合のよい数字だけが残ります。
サンプル数を書かない報告も危険です。「改善率30パーセント」が10人中3人なのか、1万人中3千人なのかで、信頼できる度合いはまったく違います。
覚え方
数字を見たら「誰が、いつ、どうやって数えたか」を先に聞く習慣を持つと、たいていの誤読は防げます。
