データドリブンは「データが決める」、データインフォームドは「データを参考に人が決める」。優れた企業は両方を使い分けています。「すべてデータで決めるべき」という思い込みは、データ活用を推進する企業が陥りやすい罠です。価格最適化やA/Bテスト判定はデータドリブンが適しますが、新規事業判断やブランド戦略ではデータインフォームドが有効です。本記事では、両者の定義・使い分け・実践フレームワークを体系的に解説します。

データドリブンとデータインフォームドの定義

データドリブンとは、データを意思決定の主な根拠とするアプローチです。データが示す結論をそのまま行動に反映する考え方であり、A/Bテストの結果に従ってUIを変更する、需要予測に基づいて発注量を決める、といった場面で力を発揮します。

データインフォームドとは、データは参考情報の一つとして活用しつつ、最終判断には人間の経験・文脈・直感を加味するアプローチです。データが「何が起きているか」を教えてくれますが、「何をすべきか」の判断には、データには表れない定性的な情報や長期的な戦略観が必要になります。

重要なのは、この2つが二項対立ではなくグラデーションであることです。

【意思決定スペクトラム】

完全な勘                                           完全なデータ依存
  |----+--------+--------+--------+--------+----|  
       |        |        |        |        |
     直感    データ     データ    データ   アルゴ
     主導    参照      インフォームド ドリブン リズム
             程度                         的判断

  <-- 定性的・戦略的    定量的・反復的 -->
  <-- 不確実性が高い    不確実性が低い -->

スペクトラムの左端は「完全な勘」、右端は「完全なデータ依存（アルゴリズム的判断）」です。多くのビジネス判断は、この中間のどこかに位置します。問題なのは、自社のどの意思決定がスペクトラムのどこに位置するかを意識せずに、一律に「データドリブン」を目指してしまうことです。

なぜ「すべてデータで決める」は危険なのか

データドリブンを極端に追求すると、以下の3つの罠にはまります。

1. 過去データに未来の不確実性は含まれない

データは過去の記録です。市場の構造変化、パンデミックのような非連続なイベント、競合の予期しない動きは、過去データからは予測できません。Netflixがストリーミングに舵を切った判断は、当時のDVDレンタルデータからは導き出せませんでした。非連続な意思決定には、データ以外の洞察が不可欠です。

2. 数値化できない定性情報がある

ブランド価値、従業員のモラル、組織文化、顧客との信頼関係――これらはビジネスの根幹を支える要素ですが、定量化が極めて難しい領域です。NPS（Net Promoter Score）やeNPS（Employee NPS）は近似指標にはなりますが、数字が捉える範囲は限定的です。「データにならないから考慮しない」のは、見える物だけで判断する危うさと同義です。

3. データの偏り・欠損による判断ミス

そもそもデータ自体が偏っている、あるいは重要なデータが欠損している場合、データドリブンな判断は「正確に間違った結論」を導きます。生存バイアス（成功事例のデータしか残っていない）、選択バイアス（特定の顧客層のデータに偏っている）は、日常的に発生する問題です。データの質を見極める人間の判断力が、データドリブンの前提条件になります。

データドリブンが適する場面・データインフォームドが適する場面

使い分けの原則はシンプルです。反復的で定量化しやすい意思決定にはデータドリブン、戦略的で不確実性の高い意思決定にはデータインフォームドを適用します。

意思決定の種類推奨アプローチ理由典型的なデータソース
価格最適化データドリブン需要弾力性を定量的にモデリング可能販売データ、競合価格
広告入札・予算配分データドリブンROASを即時計測、自動最適化が可能広告プラットフォームデータ
在庫発注量の決定データドリブン需要予測モデルが成熟した領域販売実績、季節指数
A/Bテスト結果の判定データドリブン統計的有意差で機械的に判断できる実験データ
新規事業の投資判断データインフォームド既存データでは未来の市場を予測できない市場調査、顧客インタビュー
ブランド戦略の策定データインフォームドブランド価値は定量化困難な要素が多いブランド調査、定性分析
人事評価・登用判断データインフォームドパフォーマンス指標だけでは評価できない評価データ、360度フィードバック
M&A・提携の意思決定データインフォームドシナジー効果の予測は高度に不確実財務DD、Tech DD結果

データインフォームドを実践するフレームワーク

「データインフォームド」は、ともすると「データを見たけど結局勘で決めました」の言い訳になりかねません。以下の4ステップを踏むことで、データインフォームドを規律あるプロセスに昇華させます。

ステップやることアウトプット所要時間目安
1. 問いを立てる何を意思決定するのか、どんな選択肢があるかを明確にする意思決定の論点整理シート30分〜1時間
2. データを収集・分析する関連する定量データを収集し、各選択肢の定量的な見通しを整理分析レポート（数値根拠）1日〜1週間
3. 仮説を並べるデータが示す仮説と、経験・直感が示す仮説を並列で記述仮説一覧表（定量＋定性）1〜2時間
4. 判断し記録する両方を踏まえて判断。なぜその判断に至ったかの根拠を記録意思決定ログ（判断根拠付き）30分

ポイントはステップ4の「記録」です。判断の根拠を言語化して残すことで、後から振り返ったときに「データに基づく部分」「経験に基づく部分」を分離して評価できます。これにより、組織として意思決定の質を継続的に改善するフィードバックループが生まれます。

成功企業はどう使い分けているか

事例1: EC企業――戦術はデータドリブン、戦略はデータインフォームド

従業員300名規模のEC企業では、商品の価格変更と在庫発注はデータドリブンで自動化しています。需要予測モデルが日次で発注推奨量を算出し、担当者は例外ケースのみを確認します。一方、新ブランドの立ち上げや海外市場への参入は、市場データを参考にしつつもCEOと事業責任者の判断で決定しています。「数字で証明できることは数字に任せ、証明できないことは人が責任を持って決める」が社内の共通言語になっています。

事例2: SaaS企業――機能改善はA/B、プロダクトビジョンは直感＋データ

BtoB SaaS企業（従業員150名）では、UI/UXの改善はA/Bテスト（データドリブン）で判断しています。コンバージョン率が統計的に有意に改善する方を採用し、主観は入れません。しかし、プロダクトの方向性を決めるロードマップ策定は、利用データを参考にしつつも、CPOが顧客インタビューと業界トレンドを総合的に判断するデータインフォームド型です。結果として、短期の最適化と長期のビジョンが両立できています。

組織に「使い分け」を浸透させる方法

使い分けの概念を理解するだけでは不十分です。組織として実践するには、以下の3つの仕組みを導入します。

  1. 意思決定テンプレートに「判断タイプ」を明記する: 提案書や稟議書に「この判断はデータドリブン/データインフォームドのどちらで行うか」を記入する欄を設ける。判断の前提を共有することで、会議での議論がすれ違わなくなる
  2. 振り返りで判断の質を検証する: 四半期ごとに過去の意思決定を振り返り、データドリブンで行った判断とデータインフォームドで行った判断それぞれの成功率を検証する。これにより「どちらが適するか」の組織的な知見が蓄積される
  3. データインフォームドを「逃げ」にさせない: 「データを見たけど直感で決めた」が許容されるのは、判断の根拠が記録されている場合のみ。根拠なき直感は「データインフォームド」ではなく単なる怠慢と明確に区別する

まとめ――直感を否定するのではなく、直感を磨くためにデータを使う

  • データドリブンは「データが決める」、データインフォームドは「データを参考に人が決める」アプローチ
  • 両者は二項対立ではなくグラデーション。すべてをデータで決める必要はない
  • 反復的・定量的な判断にはデータドリブン、戦略的・不確実性の高い判断にはデータインフォームドが適する
  • データインフォームドを規律あるプロセスにするには、「4ステップ＋判断記録」のフレームワークが有効
  • 組織に浸透させるには、判断タイプの明記・振り返り検証・「逃げ」の防止の3つの仕組みが必要

「データドリブンか、データインフォームドか」ではなく「どの意思決定にどちらを適用するか」が本質です。DE-STKでは、組織のデータ活用の仕組みづくりをお手伝いしています。