本記事は50社以上の成長支援を手がけるKPIコンサル・岩田圭弘が解説します。
BIツールを導入し、データ基盤を整え、全社ダッシュボードも用意した。それでも役員会議で交わされる言葉は去年と変わらない——「なるほど、ただ肌感とは違いますね」。データドリブン経営が進まない原因は、データが足りないことではない。決めることを決めないまま、データだけを増やしたことにある。この記事では、データの量からではなく意思決定の側から逆算してKPIを設計する手順を解説する。
データを増やしても、意思決定は増えない
最初に結論を書く。データドリブン経営の本体は、データではなく意思決定の設計である。
多くの企業が踏む順番はこうだ。①データを集める → ②可視化する → ③そこから何が言えるかを考える。一見すると合理的だが、ほぼ確実に③で止まる。何を決めたいのかが先に決まっていない数字は、どれだけ正確でも「へえ」で終わるからだ。会議で数字が読み上げられ、全員が頷き、何も決まらないまま次の議題に移る。この光景に見覚えがあるなら、原因はデータの精度ではない。
正しい順番は、まるごと逆になる。
①何を決めるのかを決める → ②その判断を分けるのはどの数字かを決める → ③その数字だけを取りにいく
この順番で設計すると、集めるべきデータは驚くほど少なくなる。そして少ないほうが機能する。判断に使われない数字は、正確であるほど厄介だ。画面の面積を奪い、異常値を埋もれさせ、「見ているつもり」を作り出すからである。
なお、この記事はデータをどう可視化するか（載せる指標の切り口、BIツールの選び方、Excelからの移行）には踏み込まない。そちらはKPIダッシュボードで失敗する会社の共通点で扱っている。本記事が扱うのは、その手前にある経営としての意思決定の組み立て方である。
データドリブン経営が形骸化する3つの原因
原因1：データ基盤の構築そのものが目的になる
最も多い失敗がこれだ。データ統合基盤を入れ、各システムを連携し、全社のデータが1か所に集まった時点で「データドリブン化が完了した」と扱われる。しかしそこで完了したのはデータの引っ越しであって、意思決定の変更ではない。
判定は簡単だ。基盤導入の前後で、経営会議の議題が1つでも変わったか。変わっていないなら、それは基盤ではなく倉庫を作っただけである。
原因2：網羅しようとして指標が増え、誰も見なくなる
「経営の全体像を把握したい」という動機は正しい。だがそれを指標の網羅で解こうとすると、必ず失敗する。指標が50個並んだ画面は、5個並んだ画面より情報量が多いように見えて、実際にはどれが異常なのかが判別できない分だけ情報量が少ない。
人が異常に気づけるのは、平常時の姿を覚えている数字だけだ。覚えていられる数は多くない。網羅は安心を生むが、発見は生まない。
原因3：数字を査定に直結させ、現場が数字を作りにいく
データドリブンを掲げた組織が次にやりがちなのが、可視化した数字をそのまま評価に紐づけることだ。この瞬間、データは計器から処遇を決める道具に変わる。人は自分の処遇を決める数字に対しては、事業を良くする行動ではなく、数字を良く見せる行動を取る。
実際に起きるのは、受注確度の低い案件をパイプラインに積む、失注が確定した案件を進行中のまま放置して転換率の分母を操作する、期末に無理な条件で受注を押し込む、といった現象だ。そして最も重いのが、数字が悪化しているチームほど、レビュー会議で実態を出さなくなることである。こうなるとデータは信用できなくなり、データドリブン経営は根本から成立しない。この線引きはKPIを人事評価に使うと数字が歪むで詳しく扱っている。
3層フレームで設計する——各層は「誰が何を決める層」か
KPIは、KGI（最終成果）→中間KPI（遅行指標）→先行KPI（行動指標）の3層で設計する。データドリブン経営で重要なのは、この3層に意思決定の主体・頻度・粒度を対応させることだ。層が違えば、決める人も、決めるタイミングも、決める内容も違う。
| 層 | 誰が決めるか | 何を決めるか | 頻度 |
|---|---|---|---|
| KGI（最終成果） | 経営 | どの事業に人と金を配分するか、撤退・投資の判断 | 四半期〜年次 |
| 中間KPI（遅行） | 部門長 | プロセスのどこを直すか、施策の続行・中止 | 月次 |
| 先行KPI（行動） | 現場マネージャー | 今週の稼働をどこに寄せるか、型が回っているかの確認 | 日次〜週次 |
この対応づけが崩れると、会議は必ず空回りする。経営会議で日次の行動量を議論しても決まることは何もなく、現場の朝会で事業ポートフォリオを議論しても動かせるものは何もない。「データを見ているのに決まらない」という症状の多くは、層と会議体のミスマッチが原因だ。3層構造そのものの考え方はKGI・KPI・KDIの違いを、ツリーへの落とし込みはKPIツリーとは？作り方5ステップと7職種別サンプルを参照してほしい。
主要指標と「意思決定に使うか、監視に使うか」
データドリブン経営で最も効く仕分けが、その数字で何かを決めるのか、それとも異常に気づくために見るのかという区別だ。両者は役割が違うので、置く場所も見る頻度も変わる。
| 指標 | 種別 | この数字で決めること | 頻度 | 意思決定／監視 |
|---|---|---|---|---|
| 売上・営業利益 | 遅行（KGI） | 事業への配分、投資と採用の総量 | 月次〜四半期 | 意思決定 |
| 受注率 | 遅行（中間） | 営業プロセスのどの工程に手を入れるか | 月次 | 意思決定 |
| 顧客獲得単価（CAC） | 遅行（中間） | チャネル間の予算配分、撤退するチャネル | 月次 | 意思決定 |
| 継続率・解約率 | 遅行（中間） | 新規獲得と既存深耕のどちらに人を張るか | 月次〜四半期 | 意思決定 |
| 平均単価 | 遅行（中間） | 価格改定、ターゲット顧客層の変更 | 四半期 | 意思決定 |
| パイプラインカバレッジ | 先行 | 着地見込みの修正、期中の増員・前倒し投資 | 週次 | 意思決定 |
| 商談数・面談数 | 先行 | —（単体では決められない） | 日次〜週次 | 監視 |
| 架電数・接触数 | 先行 | —（稼働の異常検知のみ） | 日次 | 監視 |
| リード数 | 先行 | —（質を伴わないと判断材料にならない） | 週次 | 監視 |
| 型の実行率（SOP準拠率） | 先行（型） | —（型に無理がないかをレビュー会議で議論する材料） | 週次 | 監視 |
表を見て気づいてほしいのは、「意思決定に使う」と言える指標が思ったより少ないことだ。そして少なくてよい。監視指標は捨てるのではなく、決める場から外して、気づく場に置く。この配置換えだけで、会議の密度は変わる。
注意が必要なのは中間KPIの扱いだ。受注率のような転換率は、分子は操作しにくくても、分母は現場が操作できる。案件登録のルールと失注確定のルールを先に固めておかないと、意思決定の土台が静かに歪む。
KSFは「比較」から見つける——AIが出すのは材料であって答えではない
「どの数字を動かせば成果が変わるのか」。データドリブン経営の核心はこの問いだが、これはあるべき姿からの逆算では答えが出ない。実務で機能する成功要因（KSF）は、成果が出ている人・チームと平均との差分を比較することでしか掴めない。
この比較作業は3段階で進める。順番を飛ばすと必ず失敗する。
①データ・AIは、比較材料を大量に用意する
SFAのログ、商談解析ツール、行動履歴。上位者と平均層の違いを大量に並べる作業は、機械が圧倒的に速く、正確だ。人間が数日かける集計を数分で出す。ここは全面的に任せてよい。
②人間が、本質的な違いを抽出し、型として言語化する
しかし材料をいくら並べても、そこから「勝敗を分けているのは何か」を一段抽象化し、1つの型として言葉にする作業は、ツールにもAIにもできない。これはマネージャーやコンサルタントなど人間にしかできない仕事だ。「上位者は接触回数が多い」で止めれば、返ってくるのは「もっと動け」という指示だけである。「上位者は、初回の時点で決裁ルートと関与者を確認している」まで言語化して初めて、他の人が真似できる型になる。
ここを取り違えている組織は多い。データ基盤に投資すれば示唆が出てくると期待するが、機械が出すのは相関であって、打ち手ではない。相関を因果の仮説に変換し、行動の言葉に翻訳する工程は、依然として人間の側にある。
③人間が、その型が全員に実行可能かを判断する
さらに、抽出した差分がそのまま全社の型になるわけではない。「これは全員が実行できる型か、それとも特定の担当者の経験・人間関係・センスに依存していて再現できないものか」を判断する工程が要る。この実行可能性の判断も、人間の仕事だ。前職の人脈で決裁者に直接会える、業界歴の長さで相手の内情を言い当てられる——こうした行動は成果に効いていても、他の人には再現できない。
先行KPIとして全社に置いてよいのは、③をくぐり抜けた「全員が実行できる型」だけである。再現不能な行動を指標にすると、現場は達成できない目標を渡されたと受け取り、数字だけを合わせにいく。属人性の切り分けについては営業の属人化を解消する方法で詳述している。