データ分析に必要なのはパッションか – 数字を動かすのは情熱、数字を正しく読むのは冷静さ

みなさん、おはようございます！こんにちは！こんばんは。Jindyです。

データ分析で一番必要なものは何か。

統計の知識。Python。SQL。可視化。ロジカルシンキング。いろいろな答えが浮かびます。

でも、もっと人間くさい答えもあります。パッションです。

これは精神論として片づけるには惜しい話です。実際、心理学の研究では、内発的な動機や調和的なパッションは、粘り強さやフロー、パフォーマンスと結びついています。Cerasoliらの40年間のメタ分析では、183サンプル、21万人を超えるデータを統合し、内発的動機がパフォーマンスを予測すること、特に仕事の量より質との関係が強いことが示されています。Curranらのメタ分析でも、調和的なパッションはポジティブ感情、フロー、パフォーマンスなどと正に関連していました。(researchgate.net)

だから、分析に情熱はいらない、とは言えません。むしろ必要です。

ただし、ここで話を終えると危ない。

データ分析は、熱量が高ければ正解に近づく仕事ではありません。猛烈に分析して、猛烈に間違えることもできるからです。

この記事では、パッションが分析を強くする理由と、逆に分析を壊す瞬間、そして強い分析者が何を見ているのかを、会計・投資・経営までつないで考えます。

読後には、仕事や決算、投資判断での数字との付き合い方が少し変わるはずです。

パッションは分析のエンジンになる – 数字の違和感を放置できない人は強い

データ分析というと、冷静で機械的な仕事に見えます。

でも実務では、きれいなデータに正しい手法を当てれば答えが出る、なんて場面ばかりではありません。

数字が合わない。定義が分からない。前年と比較できない。原因が複数ある。データを掘るほど新しい疑問が出る。

ここで分析を続ける力になるのが、知りたいという欲求です。

良い分析は、しつこさから始まる

売上が前年同期比で10％落ちた。

この数字だけなら、誰でも見られます。

問題はその次です。

数量が落ちたのか。単価が下がったのか。為替の影響なのか。特定地域なのか。特定顧客なのか。製品構成が変わったのか。

さらに掘れば、数量減少も市場縮小なのか、競合に奪われたのか、供給制約なのかで意味が変わります。

優秀な分析は、計算速度の差よりも、どこまで問いを掘り続けられるかで差がつく場面が多い。

このしつこさは、命令だけではなかなか出ません。

なぜこうなっているのか。

この一言を本人が面白がれるかどうか。

内発的動機がパフォーマンス、とりわけ質と結びつくという研究結果は、こうした分析の性質と相性がいい。(researchgate.net)

数字は、聞かれたことにしか答えません。問いを多く持てる人ほど、数字から多くを引き出せます。

会計は、完成した数字ではなく数字ができるまでを見る

会計の世界では、分析以前にもう一段深い場所があります。

数字がどう作られたかです。

たとえば売上高100億円という数字があったとしても、それだけでは情報が足りません。

出荷時点なのか、検収時点なのか。返品は控除されているのか。値引きはどこに入っているのか。内部取引は除かれているのか。外貨建てならどのレートで換算したのか。

財務諸表の数字は、自然界から採取された石ではありません。

ルール、契約、業務フロー、会計処理、人の判断を通過して作られた人工物です。

ここが、数字を読むだけの人と、数字ができるまでを想像できる人の差になります。

MillerとSpiegelは研究データの完全性について、何を収集するかを計画し、適切に収集し、頑健で再現可能な形で処理することがデータ品質に不可欠だと整理しています。研究データの話ですが、企業データにもほぼ同じ感覚が通用します。(nature.com)

分析モデルを高度にする前に、元データの意味を疑う。

地味ですが、ここを飛ばした高度分析はかなり怖い。

投資家に必要なのは、数字に興奮する力より数字の裏へ回る力

投資でも同じです。

営業利益が30％増えた。

一見すると強い決算です。

でも、本当に見るべきなのは30％という伸び率そのものではありません。

販売数量が伸びたのか。価格転嫁なのか。原材料価格の低下なのか。為替なのか。一過性利益なのか。前年が悪すぎただけなのか。

同じ増益でも、翌年も続くかは原因によって違います。

投資家が買うのは過去の利益ではなく、将来のキャッシュフローです。

だから決算分析とは、過去の数字を採点する作業ではありません。

今見えている数字の中から、未来に残る部分と消える部分を分ける作業です。

ここでも必要になるのは、表面の数字で満足せず、もう一段掘る好奇心です。

パッションは、分析を始める理由というより、分析を途中でやめない理由になります。

ツールは操作方法を教えてくれます。しかし、なぜこの数字がおかしいのかを気にするかどうかまでは教えてくれません。

だから分析者にパッションが必要だという感覚には、かなり本質があります。

ただし、エンジンが強ければ車が正しい方向へ進むとは限りません。アクセルを踏み込む人ほど、ハンドルを間違えたときの被害も大きいのです。

分析で最初に決めるべきは答えではなく問い – 正しい計算で間違った問題を解くな

分析の現場では、手法の高度さが注目されがちです。

回帰分析を使った。AIで予測した。ダッシュボードを作った。

もちろん技術は必要です。

でも、その上流にあるのが、何のために分析するのかという問いです。

ここが曖昧なまま進むと、分析は派手なのに意思決定には使えない、という妙な成果物ができます。

問いが違えば、同じデータでも見る数字が変わる

売上が落ちた会社を考えてみます。

経営者が知りたいことが、来期の利益を戻す方法なら、価格、数量、固定費、変動費、商品構成を見る必要があります。

営業組織の問題を知りたいなら、商談数、成約率、顧客離脱、担当者別の動きが中心になる。

投資家が企業価値を考えるなら、一時的な売上減なのか競争力の毀損なのかが焦点です。

同じ売上減でも、問いによって必要な分析は変わります。

WildとPfannkuchは、統計的問題解決を問題設定から結論まで続くプロセスとして捉えています。分析は途中の工程であって、出発点ではありません。(doi.org)

ここ、実務ではかなり見落とされます。

データがあるから分析する。それでは順番が逆です。

意思決定があるから問いが生まれ、その問いに答えるためにデータを使う。この順番が、分析を仕事に変えます。

管理会計は数字を測る技術ではなく行動を設計する技術でもある

会計には面白い特徴があります。

財務会計は起きたことを一定のルールで記録しますが、管理会計では、何を測るか自体が経営行動に影響します。

営業利益だけを評価すれば、長期投資を削って短期利益を作る誘惑が生まれるかもしれない。

売上高だけを追えば、粗利を犠牲にしてでも数量を取る行動が合理的になることがあります。

在庫回転だけを厳しく見れば、必要な安全在庫まで削るかもしれません。

数字は中立に見えますが、KPIには経営者の思想が入ります。

何を数字にし、どの期間で、誰の責任として測るのか。

これらは全部、問いの設計です。

だからデータ分析の前に、測っている数字が本当に目的とつながっているのかを確かめる必要があります。

精密に測定した間違ったKPIほど厄介なものはありません。数字がきれいなので、かえって疑われにくいからです。

AI時代ほど、問いを作る側の価値が上がる

生成AIによって、分析の作業部分は急速に軽くなっています。

コードを書く。集計する。グラフを作る。仮説の候補を出す。

以前よりずっと速くできます。

だから、人間の価値がなくなるわけではありません。

作業コストが下がるほど、何を分析するかの差が大きくなります。

間違った問いでも、AIは高速で立派なアウトプットを作れてしまう。

これが怖い。

昔なら、集計に三日かかるから分析テーマも慎重に選びました。作業が数分になれば、間違った問いを大量生産することもできます。

AI時代の分析者に必要なのは、計算を独占することではなく、経営課題を分析可能な問いへ翻訳する能力です。

何が分かれば意思決定できるのか。

その数字は本当に観測できるのか。

相関が見つかったとして、何を変えられるのか。

この問いを置ける人が、AIを使って強くなります。

分析の価値は、グラフの枚数でもモデルの複雑さでもありません。

意思決定が変わるかどうかです。

正しい問いを置ける人は、簡単な集計だけでも経営を動かします。逆に問いが弱ければ、高度なモデルでも説明資料で終わります。

パッションがエンジンなら、問いはハンドルです。

速く走ることより、どこへ向かうかを決めるほうが先です。

情熱は分析を深くするが、結論への愛着は分析を壊す – 仮説には熱く、結果には冷たく

ここからが、いちばん厄介な話です。

分析対象に興味を持つことは強みになります。

でも、特定の結論を望み始めると、その情熱は弱点に変わります。

人間はデータを見る機械ではありません。期待も、立場も、過去の判断も背負って数字を見ます。

同じデータを見ても、分析者は同じ答えを出さない

Silberzahnらの研究は象徴的です。

29チーム、61人の分析者が、同じデータを使って同じ研究質問を分析しました。

それでも分析方法は大きく分かれ、推定された効果量にも幅が出ました。20チームは統計的に有意な正の関係を報告し、9チームは有意な関係を確認しませんでした。(journals.sagepub.com)

ポイントは、不正の話ではないことです。

複雑なデータには、変数定義、除外条件、統制変数、モデルなど、合理的な選択肢が複数あります。

企業分析でも同じです。

調整後利益を見るのか会計利益を見るのか。

ROEを見るのかROICを見るのか。

単年度を見るのか複数年平均を見るのか。

特殊要因を除くのか含めるのか。

どれも場合によっては合理的です。

つまり、数字が結論を自動的に吐き出すわけではありません。

数字と結論の間には、人間の判断が何層も挟まっています。

投資で最も危険なのは、自分の保有株を分析するとき

投資では、この問題がさらに露骨になります。

買う前には弱点を探していたのに、買った後は強みばかり探す。

悪材料が出れば一時的と考え、好材料が出れば構造変化だと評価する。

立場が変わると、同じ数字の解釈まで変わります。

Kundaのmotivated reasoning研究は、人が正確な結論を求める場合と、望ましい結論へ到達したい場合では、推論の動きが異なることを整理しています。特定の結論を望む動機は、その結論に到達しやすい情報や推論を選ばせる可能性があります。(pubmed.ncbi.nlm.nih.gov)

これは投資家に刺さる話です。

銘柄への愛着は、企業理解を深めることもあります。

しかし、その企業に上がってほしいという願望に変わった瞬間、分析の目的が企業価値の推定から、自分の判断の正当化へすり替わる。

ここは本当に危ない。

良い投資家は、自分の仮説を守る人ではなく、自分の仮説を壊す証拠を探せる人です。

経営会議で数字が政治になる瞬間

企業内でも、数字は政治から自由ではありません。

新規事業を推進した部門は成功を示したい。

撤退を提案した部門は悪化を強調したい。

予算を持つ側は達成可能性を説明したい。

評価される側は自分に有利な指標を見せたい。

ここで結論への思い入れが強いと、悪意がなくても都合のいい分析を選び続ける危険があります。

Simmonsらは、データ収集や分析における柔軟な選択が偽陽性を増やし得ることを示しました。GelmanとLokenも、データを見ながら合理的に分析経路を選ぶだけで、多数の分岐が生まれる問題を指摘しています。(pubmed.ncbi.nlm.nih.gov)

だから経営で強い分析とは、結論が派手な分析ではありません。

前提が見える分析です。

どの数字を使い、何を除いたのか。別の定義でも結果は残るのか。

そこまで見せて初めて、数字は説得材料から意思決定材料になります。

分析対象には惚れていい。でも分析結果に惚れてはいけません。

この区別は、データ分析だけでなく、投資にも経営にも効きます。

知りたいという欲望は強く持つ。一方で、自分が望んだ答えが出たときほど疑う。その両方を持てる人が強い。

情熱と冷静さは反対ではありません。

役割が違うのです。

結論　パッションはアクセルであり、知性とはブレーキを踏めることでもある

データ分析という言葉には、どこか科学的で無機質な響きがあります。

しかし、実際に数字を扱うのは人間です。

どの数字を見るかを人間が決め、どこまで掘るかを人間が決め、何を異常と呼ぶかを人間が決め、最後に何を意味すると解釈するかも人間が決めます。

だから、データ分析から人間臭さは消せません。

必要なのは、それを自覚して使うことです。

パッションがなければ、違和感を追いかける前に分析をやめてしまうかもしれない。

しかしパッションだけなら、自分が信じたい物語を数字で補強する人にもなれる。

会計は、この二面性をよく教えてくれます。

数字は厳密です。貸借は一致します。計算も合います。

それでも、その数字が経済実態を正しく映しているとは限りません。

投資も同じです。

決算書に書かれている数字は過去の事実ですが、株価は未来への期待で動きます。事実から未来へ橋を架ける部分には、必ず人間の解釈が入る。

経営も同じです。

KPIを作った瞬間、その数字は社員の行動を変え始めます。数字を測っているつもりが、数字によって組織のほうが作り変えられていくことさえあります。

だから、数字に強い人とは計算が速い人ではないと思います。

数字が作られた背景を疑える人。

問いがズレていないか立ち止まれる人。

自分に都合のいい結果が出たときほど、別の切り口を試せる人。

そして、それでも分からないものを分からないと言える人です。

パッションは必要です。

むしろ、かなり必要です。

ただし、その情熱を答えに向けてはいけない。

向ける先は問いです。

なぜだろう。

本当にそうなのか。

別の説明はないのか。

数字の向こう側で何が起きているのか。

この問いを手放さないために、情熱を使う。

そして答えが出た瞬間だけは、自分の情熱から少し離れる。

仮説には熱く。

結論には冷たく。

仕事でも、投資でも、経営でも、人生でも、数字とうまく付き合う人は、この温度差を持っています。

数字は未来を教えてくれる魔法ではありません。

でも、自分の思い込みを壊す鏡にはなります。

その鏡を覗き込む勇気まで含めて、データ分析の力なのだと思います。

数字と思考を、もう一段深くするための5冊

1．『統計学が最強の学問である　データ社会を生き抜くための武器と教養』西内啓

データ分析そのものの土台を押さえるなら、統計学が何のためにあるのかを先に理解しておきたいところです。本書は、統計を数式の暗記ではなく、データからより良い意思決定を引き出すための武器として説明しています。この記事で扱った、分析手法より上流に問いと意思決定があるという話を、統計学側から掘り下げられます。平均や検定の意味を知りたい人だけでなく、経験や勘とデータをどう使い分ければいいのか迷う人にも向いています。ほかの4冊が人間の判断や企業の数字へ踏み込むのに対し、こちらは分析の共通言語となる統計の全体像をつかむ役割です。

統計学が最強の学問である データ社会を生き抜くための武器と教養 [ 西内　啓 ] 価格：1,980円（税込、送料無料) (2026/8/13時点) 楽天で購入

2．『行動経済学が最強の学問である』相良奈美香

数字を正しく計算しても、人間が正しく判断するとは限りません。本書は、人の意思決定を歪める要因を、認知のクセ、置かれた状況、感情という軸から整理し、ナッジ、プロスペクト理論、システム1とシステム2などの主要概念を体系的に扱います。この記事の後半で触れた、投資家が保有銘柄に都合のいい情報を探したり、経営者が望む結論に数字を寄せたりする危険を理解するうえで相性がいい。統計を学ぶだけでは消えない、人間そのもののクセを知りたい読者向けです。数字ではなく、数字を見る側を分析するという点で、ほかの4冊とは違う角度から補強してくれます。

行動経済学が最強の学問である [ 相良 奈美香 ] 価格：1,870円（税込、送料無料) (2026/8/13時点) 楽天で購入

3．『THINK　AGAIN　発想を変える、思い込みを手放す』アダム・グラント著、楠木建監訳

分析力を高めるには、正しい答えを見つける能力だけでなく、自分の答えを捨てる能力も要ります。組織心理学者アダム・グラントが扱うのは、思い込みを手放し、既存の考えを再検討するための知的柔軟性です。自信と謙虚さをどう両立するか、耳の痛い意見とどう向き合うか、学び続ける組織をどう作るかまで射程に入ります。この記事の仮説には熱く、結論には冷たくという考えを、分析技術ではなく思考習慣の側から深めたい人に合います。ほかの本が数字やバイアスの仕組みを教えるのに対し、自分自身の確信を更新する技術へ焦点を当てているところが特徴です。

THINK　AGAIN　発想を変える、思い込みを手放す （単行本） [ アダム・グラント ] 価格：2,200円（税込、送料無料) (2026/8/13時点) 楽天で購入

4．『「お金の流れ」がたった1つの図法でぜんぶわかる 会計の地図』近藤哲朗・沖山誠著、岩谷誠治監修

この記事で繰り返した、数字は自然に存在するものではなく、経済活動と会計処理を通って作られるという感覚をつかむには、会計の数字同士をつなげて見る必要があります。本書は、売上、費用、利益、PL、BS、CFから時価総額、PBR、ROEまでを一つの流れとして図解します。利益だけ、ROEだけ、と指標を点で覚えるのではなく、その数字が会社のどの活動から生まれ、別の数字とどう結びつくのかを理解したい読者に向いています。統計や心理を扱う3冊とは違い、企業データそのものが作られる構造へ降りていけるのが強みです。仕事と投資を会計という共通言語でつなぎたいときに役立ちます。

「お金の流れ」がたった1つの図法でぜんぶわかる 会計の地図 [ 近藤哲朗 ] 価格：2,420円（税込、送料無料) (2026/8/13時点) 楽天で購入

5．『最高の教訓 倒産　決算分析のプロが教える』村上茂久

数字を読む力が本当に試されるのは、順調な会社より、表面の数字と経済実態がズレ始めた会社かもしれません。本書は複数企業の倒産や再生を題材に、財務構造、安全性、キャッシュフロー、ビジネスモデル、ファイナンスを横断して企業を分析します。営業黒字なのに資金が苦しくなるケースや、財務指標だけでは企業の強さを判断できないケースを通じて、この記事で触れた数字の裏へ回るという視点を具体化できます。決算書を読めるようになった先で、投資や経営判断にどうつなげるのか知りたい人向けです。ほかの4冊が思考の土台を整える本だとすれば、こちらは実際の企業を材料に分析を動かす実戦編に近い位置づけです。

最高の教訓 倒産 決算分析のプロが教える [ 村上茂久 ] 価格：2,420円（税込、送料無料) (2026/8/13時点) 楽天で購入

データ分析そのものから入りたいなら『統計学が最強の学問である』、自分の判断のクセを知りたいなら『行動経済学が最強の学問である』から入ると流れをつかみやすいです。自分の仮説を疑う力まで鍛えたいなら『THINK AGAIN』、企業の数字がどうつながっているのかを知りたいなら『会計の地図』へ。すでに決算書の基礎があり、数字から企業の異変やビジネスモデルまで読みたい人は『最高の教訓 倒産』まで進むと、この記事で扱った問い、数字、解釈、意思決定が一つにつながって見えてきます。

それでは、またっ！！

引用論文・参考文献

• Cerasoli, C. P., Nicklin, J. M., & Ford, M. T. (2014). Intrinsic Motivation and Extrinsic Incentives Jointly Predict Performance: A 40-Year Meta-Analysis. Psychological Bulletin, 140(4), 980–1008. (pubmed.ncbi.nlm.nih.gov)
• Curran, T., Hill, A. P., Appleton, P. R., Vallerand, R. J., & Standage, M. (2015). The Psychology of Passion: A Meta-Analytical Review of a Decade of Research on Intrapersonal Outcomes. Motivation and Emotion, 39(5), 631–655. (purehost.bath.ac.uk)
• Wild, C. J., & Pfannkuch, M. (1999). Statistical Thinking in Empirical Enquiry. International Statistical Review, 67(3), 223–248. (doi.org)
• Silberzahn, R., et al. (2018). Many Analysts, One Data Set: Making Transparent How Variations in Analytic Choices Affect Results. Advances in Methods and Practices in Psychological Science, 1(3), 337–356. (journals.sagepub.com)
• Kunda, Z. (1990). The Case for Motivated Reasoning. Psychological Bulletin, 108(3), 480–498. (pubmed.ncbi.nlm.nih.gov)
• Simmons, J. P., Nelson, L. D., & Simonsohn, U. (2011). False-Positive Psychology: Undisclosed Flexibility in Data Collection and Analysis Allows Presenting Anything as Significant. Psychological Science, 22(11), 1359–1366. (pubmed.ncbi.nlm.nih.gov)
• Gelman, A., & Loken, E. (2013). The Garden of Forking Paths: Why Multiple Comparisons Can Be a Problem, Even When There Is No Fishing Expedition or p-Hacking and the Research Hypothesis Was Posited Ahead of Time. Unpublished manuscript. (osf.io)
• Miller, G., & Spiegel, E. (2025). Guidelines for Research Data Integrity. Scientific Data, 12, 95. (nature.com)