ビジネス力

No SubNo スキルカテゴリ スキルレベル サブカテゴリ ビジネス力：チェック項目 必須スキル
1 1 行動規範 ★ ビジネスマインド ビジネスにおける論理とデータの重要性を認識し、分析的でデータドリブンな考え方に基づき行動できる ○
2 2 行動規範 ★★ ビジネスマインド ビジネスではスピード感がより重要であることを認識し、時間と情報が限られた状況下でも、言わば「ザックリ感」を持って素早く意思決定を行うことができる
3 3 行動規範 ★★ ビジネスマインド 作業ありきではなく、本質的な問題（イシュー）ありきで行動できる ○
4 4 行動規範 ★★ ビジネスマインド 最終的な結論に関わる部分や、ストーリーラインの骨格に大きな影響を持つ部分から着手するなど、取り組むべき分析上のタスクの優先度を判断できる
5 5 行動規範 ★★★ ビジネスマインド プロフェッショナルとして、作業量ではなく、生み出す価値視点で常に判断、行動でき、依頼元にとって真に価値あるアウトプットを生み出すことをコミットできる ○
6 6 行動規範 ★ データ倫理 データを取り扱う人間として相応しい倫理を身に着けている（データのねつ造、改ざん、盗用を行わないなど） ○
7 7 行動規範 ★★ データ倫理 チーム全員がデータを取り扱う人間として相応しい倫理を持てるよう、適切にチームを管理できる
8 8 行動規範 ★★★ データ倫理 データの取り扱いに関する、会社や組織全体の倫理を維持、向上させるために、必要な制度や仕組みを策定し、その運営を主導することができる
9 9 行動規範 ★ 法令 個人情報に関する法令の概要を理解している ○
10 10 行動規範 ★★ 法令 担当するビジネスや業界に関係する法令を理解しており、データの保持期間や運用ルールに活かすことができる ○
11 11 行動規範 ★★ 法令 個人情報の扱いに関する法令、その他のプライバシーの問題、依頼元との契約約款に基づき、匿名化すべきデータを選別できる（名寄せにより個人を特定できるもの、依頼元がデータ処理の結果をどのように保持し利用するのかなども考慮して）
12 1 論理的思考 ★ MECE データや事象の重複に気づくことができる ○
13 2 論理的思考 ★★ MECE 初見の領域に対して、抜け漏れや重複をなくすことができる
14 3 論理的思考 ★★★ MECE 未知の領域であっても、類似する事象の推測などを活用し、抜け漏れや重複をなくすことができる
15 4 論理的思考 ★★ データをもとに論理的に捉える 様々なデータや事象を、階層やグルーピングによって、構造化できる（ピラミッド構造）
16 5 論理的思考 ★★ データをもとに論理的に捉える 仮説思考を用いて、論点毎に分析すべき点を識別できる
17 6 論理的思考 ★★★ データをもとに論理的に捉える 論理的な整理にとらわれず、批判的・複合的な視点で課題を識別できる
18 7 論理的思考 ★ 言語化能力 分析結果の意味合いを適切に言語化できる ○
19 8 論理的思考 ★★ 言語化能力 近しい概念がある場合、データ表現に対して適切な言葉を選択できる
20 9 論理的思考 ★★★ 言語化能力 データ表現に適した言葉がない場合でも、適切な言葉を新たに作り出すことができる
21 10 論理的思考 ★ ストーリーライン “一般的な論文構成について理解している（序論⇒アプローチ⇒検討結果⇒考察や、序論⇒本論⇒結論　など）”
22 11 論理的思考 ★★ ストーリーライン “因果関係に基づいて、ストーリーラインを作れる（観察⇒気づき⇒打ち手、So What?、Why So?など）”
23 12 論理的思考 ★★★ ストーリーライン 相手や内容に応じて、自在にストーリーラインを組み上げることができる
24 13 論理的思考 ★ ドキュメンテーション 1つの図表〜数枚程度のドキュメントを論理立ててまとめることができる（課題背景、アプローチ、検討結果、意味合い、ネクストステップ）
25 14 論理的思考 ★★ ドキュメンテーション 10～20枚程度のミニパッケージ（テキスト&図表）、もしくは5ページ程度の図表込みのビジネスレポートを論理立てて作成できる
26 15 論理的思考 ★★★ ドキュメンテーション 30～50枚程度のフルパッケージ（テキスト&図表）、もしくは10ページ以上のビジネスレポートを論理立てて作成できる
27 16 論理的思考 ★ プレゼンテーション プレゼンテーションの論拠不足や論理破綻を指摘された際に、すみやかに理解できる
28 17 論理的思考 ★★ プレゼンテーション 論理的なプレゼンテーションができる
29 18 論理的思考 ★★★ プレゼンテーション プレゼンテーションの相手からの質問や反論に対して、説得力のある形で回答できる
30 1 プロセス ★ 基礎知識 目的やゴールの設定がないままデータを分析しても、意味合いが出ないことを理解している ○
31 2 プロセス ★ 基礎知識 課題や仮説を言語化することの重要性を理解している
32 3 プロセス ★ KPI 一般的な収益方程式、バランスシートなどに加え、自らが担当する業務の主要な変数（KPI）を理解している
33 4 プロセス ★★ KPI 自らが関連する事業領域であれば、複数の課題レイヤーにまたがっていても、KPIを整理・構造化できる
34 5 プロセス ★★★ KPI 初見の事業領域であっても、KPIを構造化し、重要なKPIを見極められる
35 6 プロセス ★ 問題の大枠定義 自分の担当する業界について、市場規模、主要なプレーヤー、支配的なビジネスモデル、課題と機会について説明できる ○
36 7 プロセス ★★ 問題の大枠定義 事業モデルやバリューチェーンなどの特徴や事業の主たる課題を自力で構造的に理解でき、問題の大枠を整理できる
37 8 プロセス ★★★ 問題の大枠定義 領域の主要課題を他領域の課題との連関も含めて構造的に理解でき、問題の大枠を定義できる
38 9 プロセス ★ 課題の定義 担当する業務領域であれば、基本的な課題の枠組みが理解できる（調達活動を5フォースで整理する、CRM課題をRFMで整理するなど）
39 10 プロセス ★★ 課題の定義 取り扱う課題領域に対して、新規課題の切り分けや枠組み化ができる
40 11 プロセス ★★★ 課題の定義 仮説や可視化された問題がなくとも、解くべき課題を構造的に整理でき、見極めるべき論点を特定できる ○
41 12 プロセス ★ プロジェクト推進 ウォーターフォール開発とアジャイル開発の違いを理解している
42 13 プロセス ★★ プロジェクト推進 アジャイル開発体制のポイントを理解した上で、アジャイルな開発チームを立ち上げ、推進することができる
43 14 プロセス ★ アプローチ設計 スコープ、検討範囲・内容が明快に設定されていれば、必要なデータ、分析手法、可視化などを適切に選択できる
44 15 プロセス ★★ アプローチ設計 解くべき課題がフレーミングされていれば、必要なデータ、分析手法、可視化などを適切に選択できる ○
45 16 プロセス ★★★ アプローチ設計 複数の事業や課題にまたがっていても、必要なデータ、分析手法、可視化などを適切に選択し作業手順に落とし込める
46 17 プロセス ★★★ アプローチ設計 複数のアプローチの組み合わせでしか解けない課題であっても、その解決までの道筋を設計できる
47 18 プロセス ★★★ アプローチ設計 他社による模倣を防ぐなど、競争力を保つ観点でアプローチの設計ができる（機械化や標準化の範囲を絞るなど）
48 19 プロセス ★★ 分析価値の判断 分析で解くべき課題か否かを判断できる
49 20 プロセス ★★★ 分析価値の判断 プロジェクトの開始時点で、入手可能なデータ、分析手法、インフラ、ツールの生み出すビジネス価値を適切に見積りができる
50 1 データの理解・検証 ★ 統計情報への感度 ニュース記事などで統計情報に接したときに、数字やグラフの持つメッセージを理解できる
51 2 データの理解・検証 ★★ 統計情報への感度 積極的に統計情報を収集しているとともに、表現に惑わされず数字を正当に評価できる（原点が0ではないグラフ、不当に誇張されたグラフなど）
52 3 データの理解・検証 ★★★ 統計情報への感度 数字やデータの検証のために、何と比較するべきかすみやかに把握し、収集・利用できる（業務データや過去に接触した統計情報の想起・活用を含む）
53 4 データの理解・検証 ★ データ確認 単独のグラフに対して、集計ミスなどがないかチェックできる ○
54 5 データの理解・検証 ★ データ確認 データ項目やデータの量・質について、指示のもと正しく検証し、結果を説明できる
55 6 データの理解・検証 ★★ データ確認 複数のグラフや集計表で構成されているレポートに対して、全体として集計ミスや不整合が起きていないかチェックできる ○
56 7 データの理解・検証 ★★ データ確認 データ項目やデータの量・質の検証方法を計画・実行し、その結果をもとにその後の分析プロセスを立案・修正できる
57 8 データの理解・検証 ★★★ データ確認 多数のグラフ、集計表、外部の統計情報、高度なデータ解析手法を用いた解析結果などを含むレポートに対して、不整合が起きていないか、妥当性の高い論理構造であるかチェックできる
58 9 データの理解・検証 ★★★ データ確認 分析に必要なデータを想定し、現在取得可能なデータで量・質ともに分析に耐える内容であるか判断できる。また、目的が達成可能であるか見込みが立てられる ○
59 10 データの理解・検証 ★ 俯瞰・メタ思考 データの裏を読むことの重要性を理解している
60 11 データの理解・検証 ★★ 俯瞰・メタ思考 データを俯瞰して、変化をすみやかに察知できる。また、変化が誤差の範囲かどうか判断できる ○
61 12 データの理解・検証 ★★★ 俯瞰・メタ思考 複数のデータを多元的かつ大局的に俯瞰して、大きな動きや本質的な事実を見抜くことができる ○
62 13 データの理解・検証 ★ データ理解 データから事実を正しく浮き彫りにするために、集計の切り口や比較対象の設定が重要であることを理解している
63 14 データの理解・検証 ★ データ理解 普段業務で扱っているデータの発生トリガー・タイミング・頻度などを説明でき、また基本統計量を把握している
64 15 データの理解・検証 ★ データ理解 何のために集計しているか、どのような知見を得たいのか、目的に即して集計できる ○
65 16 データの理解・検証 ★★ データ理解 生データを眺めて、どのような切り口で集計・比較すればデータの理解や事実の把握につながるか検討できる ○
66 17 データの理解・検証 ★★ データ理解 扱ったことのない新たなデータに内容の不明な項目があっても、生データの閲覧や集計を通して何の項目かあたりをつけられる
67 18 データの理解・検証 ★★ データ理解 扱っているデータの関連業務の知識と分析目的を踏まえて、どんな説明変数が効きそうか、あたりをつけて洗い出し、構造的に整理できる
68 19 データの理解・検証 ★★★ データ理解 データの変化の裏で起きている事実を読み取り、仮説を立て検証方法を立案できる
69 20 データの理解・検証 ★★★ データ理解 データを入手する前に、存在するであろうデータとその分布を想定して基礎俯瞰の方向性やその結果の想定ができ、それを前提とした解析方法の検討・ラフ設計をすることができる
70 21 データの理解・検証 ★★★ データ理解 扱ったことのない新たなデータであっても、ER図やテーブル定義、生データなどを見ることによってデータの発生源や欠損値の意味などのあたりをつけられる
71 22 データの理解・検証 ★★ データ粒度 分析目的とデータの量・質を踏まえて、想定されるメッセージと統計的観点から適切な集計単位とサンプリング率を決定できる
72 23 データの理解・検証 ★★★ データ粒度 分析目的とデータの量・質に加えて、想定しているメッセージ、深堀りの方向性・可能性、処理負荷、データ処理フローなども総合的に踏まえた最適な集計単位とサンプリング率を決定できる
73 24 データの理解・検証 ★ ビジネス観点 ビジネス観点で仮説を持ってデータをみることの重要性と、仮説と異なる結果となったときにそれが重大な知見である可能性を理解している
74 25 データの理解・検証 ★★ ビジネス観点 特定の分析プロセスにおいて、統計手法による閾値や係数（量的変数の統計的カテゴライズなど）に対して商品単価や購入周期を考慮するなど、ビジネス観点で納得感のある調整ができる
75 26 データの理解・検証 ★★★ ビジネス観点 分析プロセス全体を通して常時、ビジネス観点での妥当性をチェックしている。また、データから得られた示唆がビジネス観点で新しい知見であるか都度判断できる ○
76 1 データ入手 ★ データ入手 仮説や既知の問題が与えられた中で、必要なデータにあたりをつけ、入手できる ○
77 2 データ入手 ★ データ入手 現場に出向いてヒアリングするなど、一次情報に接することの重要性を理解している
78 3 データ入手 ★★ データ入手 自身が担当するプロジェクトやサービスを超えて、必要なデータのあたりをつけることができる ○
79 4 データ入手 ★★ データ入手 既存のサービスやアプリケーションに対して、有効な分析をするためのログ出力の追加仕様を整理することができる
80 5 データ入手 ★★★ データ入手 組織全体及び関連する社外のデータを見渡して、必要なデータのあたりをつけることができる
81 6 データ入手 ★★★ データ入手 入手可能なデータに加え、分析結果の品質・効果を向上させる新たなデータ入手方法を提案できる（IoTでの新設センサーの種類・配置場所・データ入手間隔など）
82 1 意味合いの抽出、洞察 ★★★ 開示 担当および関連する分析プロジェクトのデータ、分析結果を顧客、外部に開示すべきか判断できる
83 2 意味合いの抽出、洞察 ★ 洞察 “分析、図表から直接的な意味合いを抽出できる（バラツキ、有意性、分布傾向、特異性、関連性、変曲点、関連度の高低など）” ○
84 3 意味合いの抽出、洞察 ★ 洞察 想定に影響されず、分析結果の数値を客観的に解釈できる
85 4 意味合いの抽出、洞察 ★★ 洞察 ビジネス上の意味を捉えるために、特異点、相違性、傾向性、関連性を見出したうえで、ドメイン知識を持つ人に適切な質問を投げかけられる
86 5 意味合いの抽出、洞察 ★★ 洞察 データの特徴を見て意味合いの明確化に向けた分析の深掘り、データ見直しの方向性を設計できる
87 6 意味合いの抽出、洞察 ★★★ 洞察 担当および関連する分析プロジェクトのデータを眺め、裏にある構造や意味合い（真実）を見ぬくことができる
88 7 意味合いの抽出、洞察 ★★ 評価 担当する分析プロジェクトの分析結果を見て検討目的と合っているか再評価できる ○
89 8 意味合いの抽出、洞察 ★★ 評価 各種の解析手法（主成分分析、クラスター分析、決定木分析など）の結果を解釈し、意味合いを適切に表現・説明できる
90 9 意味合いの抽出、洞察 ★★ 評価 分析結果が当初の目的を満たしていない場合に、必要な分析手順を追加できる
91 10 意味合いの抽出、洞察 ★★★ 評価 分析結果が当初の目的を満たしていない場合に、必要に応じてプロジェクト全体を再設計できる
92 1 解決 ★★ 総合的評価 分析内容を総合的に評価し、モデルの定性的な評価ができる
93 2 解決 ★★ 提案 分析的検討に基づき、担当業務に対する必要なアクション、改革案を整理して結論を導くことができる
94 3 解決 ★★★ 提案 分析的検討に基づき、経営レベルで必要なアクション、改革案を整理して結論を導くことができる ○
95 4 解決 ★★★ 提案 データを利活用した持続性のある事業モデルを設計できる
96 1 事業に実装する ★★ 実装 現場に実装する際、現場での実行可能性を考慮し適切に対応できる
97 2 事業に実装する ★★ 実装 担当する案件が自分の持っている予算内で解決するように取り組みをデザインし、実装できる
98 3 事業に実装する ★★★ 実装 費用対効果、実行可能性、業務負荷を考慮した実装ができる　
99 4 事業に実装する ★★ 異分野とのコミュニケーション 異なるスキル分野の専門家や事業者と適切なコミュニケーションをとりながら実装を進めることができる ○
100 5 事業に実装する ★ モニタリング やりっぱなしではなく結果、改善の度合いをモニタリングする重要性を理解している
101 6 事業に実装する ★★ モニタリング 事業・現場へ実装するにあたりモニタリングの仕組みを適切に組み込むことができる
102 7 事業に実装する ★★★ モニタリング 既存のPDCAに新たな仕込みを行い、次の改善的な取り組みにつなげることができる
103 8 事業に実装する ★★★ 横展開 特定のビジネス課題に向けた新しいソリューションを個別の現場の特性を考慮し横展開できる
104 1 活動マネジメント ★★★ データ倫理 ウイルス、DDoS攻撃などの深刻なセキュリティ攻撃を受けた場合に対応する最新の技術を熟知し、対応する専門組織（CSIRT）の構成を責任者にすみやかに提案できる
105 2 活動マネジメント ★ リソースマネジメント 指示に従ってスケジュールを守り、チームリーダーに頼まれた自分の仕事を完遂できる ○
106 3 活動マネジメント ★★ リソースマネジメント 自身とチームメンバーのスキルを把握し、適切なプロジェクト管理ができる ○
107 4 活動マネジメント ★★ リソースマネジメント 担当するプロジェクトで、設定された予算やツール、システム環境を適切に活用し、プロジェクト進行できる
108 5 活動マネジメント ★★ リソースマネジメント 5名前後のチームを設計し、スケジュール通りに進行させ、ステークホルダーに対して期待値に見合うアウトプットを安定的に生み出せる
109 6 活動マネジメント ★★★ リソースマネジメント プロジェクトに求められるスキル要件と各メンバーのスキル・成長目標・性格をふまえ、現実的にトレードオフ解消とシナジーを狙ったリソースマネジメントができる
110 7 活動マネジメント ★★★ リソースマネジメント プロジェクトメンバーの技量を把握した上で、プロジェクト完遂に必要なツール選定、予算策定、スコープ設定、またはアウトソーシング体制を検討・構築できる
111 8 活動マネジメント ★★★ リソースマネジメント 複数のチームを設計し（総合的なプロジェクトマネジメント）、スケジュール通りに進行させ、複合的なステークホルダーに対し、期待値を超えたアウトプットを安定的に生み出せる
112 9 活動マネジメント ★ リスクマネジメント 担当するタスクの遅延や障害などを発見した場合、プロジェクトオーナーに迅速かつ適切に報告ができる
113 10 活動マネジメント ★★ リスクマネジメント 担当するプロジェクトでの遅延や障害などの発生を検知し、リカバリーするための提案・設計ができる
114 11 活動マネジメント ★★★ リスクマネジメント プロジェクトに何らかの遅延・障害などが発生した場合、適切なリカバリー手順の判断、リカバリー体制構築、プロジェクトオーナーに対する迅速な対応ができる ○
115 12 活動マネジメント ★★ 育成/ナレッジ共有 自身とチームメンバーのスキルを大まかに把握し、担当するプロジェクトを通してチームメンバーへのスキルアドバイスやスキル成長のための目標管理ができる
116 13 活動マネジメント ★★ 育成/ナレッジ共有 チームメンバーのスキルに応じ、研修参加や情報収集への適切なアドバイスやチーム内でのナレッジ共有を推進できる
117 14 活動マネジメント ★★★ 育成/ナレッジ共有 チームの各メンバーに対し、データサイエンティストとしてのスキル目標の設定、到達させるためのプロジェクトを通した適切なアドバイスができる
118 15 活動マネジメント ★★★ 育成/ナレッジ共有 チーム育成の上で、データサイエンティストに求められるスキルについて、研修制度の設計やナレッジ共有の仕組み構築と運営ができる
119 16 活動マネジメント ★★★ 育成/ナレッジ共有 チームに必要な情報やデータサイエンスの新しい技術・手法に関する情報収集戦略やラーニング方法を主導し、自ら情報を取捨選択し、チームにフィードバックできる
120 17 活動マネジメント ★★ 営業マネジメント ビジネス要件を整理し、分析・データ活用のプロジェクトを企画・提案することができる
121 18 活動マネジメント ★★★ 営業マネジメント 依頼元やステークホルダーのビジネスをデータ面から理解し、分析・データ活用のプロジェクトを立ち上げ、プロジェクトにかかるコストと依頼元の利益を説明できる
122 19 活動マネジメント ★★ 組織マネジメント データサイエンスチームの役割を認識し、担当するプロジェクトにおいて、組織内や他部門・他社間でのタスク設定や調整ができる
123 20 活動マネジメント ★★★ 組織マネジメント データサイエンスチームを自社・他社の様々な組織と関連付け、組織内での役割の規定、組織的な目標設定を行う