ニューメディア事業者はどのような視点でデータ分析を行えるのか（展示会業界のデジタル運用：データ分析者が身につけるべき20の分析思考法）

展示会業界のデジタルオペレーション：データアナリストに必要な20の分析的思考スキル

初心者のデータアナリストやデータオペレーターがデータの異常に直面すると、多くの人が次のような問題に直面するでしょう。

「 Aが原因と思われる」「 Bチャンネルと関係があると思われる」「競合相手Cが競合行動をとった可能性もある」などの主観的な推測。

データ レポートに直面したとき、製品ディメンション、時間ディメンション、地域ディメンション、チャネル ディメンションのどれに従って分割すればよいかわかりません。

明らかに、このような思考は混沌としているので、データ分析を行う際には構造化された分析的思考を持つことが非常に重要です。

最近、データドリブンな業務の考え方を解説した本を読み、とてもためになったと感じました。これを基に、私自身の理解を少し加えて、皆さんと議論し、学びたいと考えています。また、これらのコンテンツが私たちの仕事にさらなるインスピレーションを生み出すのに役立つことを願っています。

01信頼性と妥当性の考え方

信頼性と妥当性は、テキスト全体の中で最も理解するのが難しい部分かもしれませんが、最も重要な部分でもあります。この考え方がなければ、意思決定者はデータの中で迷子になってしまう可能性が高くなります。

信頼性と妥当性の概念は調査分析から生まれましたが、データ分析作業のあらゆる側面に拡張することができます。

信頼性とは、正確性や安定性など、データや指標自体の信頼性を指します。

データ取得ロジックは正しいですか?計算間違いはありませんか？これは正確さに属します。

各計算のアルゴリズムは安定していますか?口径は一定ですか?同じ方法で異なるオブジェクトを計算すると、精度は変動しますか?これが安定です。

上記2点が達成されれば、良いデータや指標となるのではないでしょうか？

実際のところ、それだけでは十分ではありません。さらに重要な要素は、有効性です。

妥当性とは、データまたは指標の生成が測定対象と一致している必要があること、つまり、指標の変化が対象の変化を表すことができることを意味します。

信頼性と妥当性の基準を満たした場合にのみ、貴重なデータ指標となります。

例えば、体の肥満度を測るために、衣服のサイズを指標として選びました。一方では、同じ衣服のサイズに対応する実際の衣服のサイズは異なり、アメリカ版や韓国版などの要素があるため、正確性が非常に低くなります。同時に、このブランドの服をしばらく着て、その後別のブランドの服をしばらく着ると、この測定方法の結果は非常に不安定になります。したがって、衣服のサイズ表示の信頼性は十分ではありません。

一方、衣服のサイズで体の肥満度を測るというのはどうでしょうか?体の大きさが肥満を反映しないなんておかしいと思うでしょう？したがって、妥当性は不十分です。

体脂肪率は信頼性と妥当性の基準を満たす肥満測定指標です。

実際の業務では、多くの人が指標を当然のこととして受け止め、それを使用しますが、これは非常に注意する価値があります。

骨を切りたいのにメスを使うのは悲しいことではないですか？信頼性と妥当性の本質は、実際にはデータ品質の問題です。これはすべての分析の基礎であり、強調しすぎることはありません。

02バランスのとれた思考

バランスについては誰もがよく知っており、バランスの概念は誰でもすぐに理解できると思います。

簡単に言えば、データ分析の過程では、物事のバランスを見つける必要があり、そのバランスは、市場における需要と供給の関係、給与と効率の関係、労働時間とエラー率の関係など、企業の運営に関わる大きな問題となることがよくあります。

バランスのとれた思考の重要なポイントは、バランスのとれた状態を示す指標を見つけることです。つまり、図の赤いボックスで示されているように、スケールの傾きの度合いを観察するには、この正確な定量的な指標を見つける必要があります。

この指標を見つけるにはどうすればいいですか?一般的には、まず双方向の問題、つまり高くも低くもない問題を探し、それを指標に定量化し、最後に一定の比率に計算します。長期にわたる追跡を経て、その信頼性と妥当性を観察します。

03カテゴリー思考

顧客のセグメンテーション、製品の分類、市場の格付け、パフォーマンスの評価など、分類の思考が必要なことは数多くあります。

多くの人が混乱していますが、分類の考え方をどのように適用すればよいのでしょうか?

重要な点は、機密事項は中核となる主要指標にギャップを生じさせる必要があるということです。つまり、分類後の結果は有意なものでなければなりません。

図に示すように、水平軸と垂直軸は、多くの場合、操作で注目する中核的な指標であり (もちろん、2 次元に限定されません)、分類されたオブジェクトについては、その分布がランダムではなく、顕著なクラスタリング傾向があることがわかります。

たとえば、グラフが特定の消費者セグメンテーションの結果を反映していると仮定すると、横軸は購入頻度、縦軸は平均注文額を表します。この場合、緑色のグループの人々は明らかに「愚かで金持ち」な「金メダル顧客」です。

04マトリックス思考

マトリックス思考は分類思考の発展です。定量的な指標を用いた分類に限定されなくなりました。多くの場合、裏付けとなるデータがなく、経験に基づいた主観的な推論しかできない場合は、特定の重要な要素をマトリックスに組み合わせて、良い方向と悪い方向を大まかに定義し、分析を行うことができます。

古典的な経営分析手法「ボストンマトリックス」モデルを参考にすることができます。

05パイプライン/ファネル思考

この考え方はかなり普及してきました。これは、登録変換、購入プロセス、販売パイプライン、閲覧パスなど、非常に多くの分析シナリオで見つかります。

しかし、モデルが一般的で理解しやすいほど、その適用はより慎重かつ注意深く行う必要があると私は思います。ファネル思考では、ファネルの長さに特に注意を払う必要があります。

ファネルはどこから始まり、どこで終わりますか?

私の経験では、ファネル内のリンクの数は5 を超えてはならず、ファネル内の各リンクのパーセンテージ値は100倍を超えてはなりません (ファネルの最初のリンクの 100% から始まり、最後のリンクのコンバージョン率の値は1% 未満であってはなりません)。

これら 2 つの数値基準を超える場合は、複数のファネルに分けて観察することをお勧めします。もちろん、この2つは経験値なので、参考までに〜

理由は何ですか？リンクが 5 つ以上ある場合は、キーリンクが複数あることが多く、1 つのファネル モデルで複数の重要な問題を分析すると混乱が生じやすくなります。

数値の差が大きすぎると、数値の変動間の相関関係を検出することが難しくなり、情報が見逃されやすくなります。たとえば、ファネルの前半部分の 60% から 50% への変化は大きな変化のように思えるかもしれませんが、ファネルの後半部分の 0.1% の変化は注目を集めないかもしれません。しかし、ファネルの最後の部分での 0.1% の変化が非常に致命的となることがよくあります。

06関連する考え方

指標を観察する際には、個々の指標の変化を見るだけでなく、指標間の関係性も観察する必要があります。正の相関関係（図中の赤の実線）と負の相関関係（青の破線）があります。指標間の相関係数を頻繁に計算し、変化を定期的に観察することが最善です。

関連する思考の応用範囲は非常に広いので、ここでは見落とされがちな 1 つの点についてのみ説明します。今日、多くの企業経営者が直面している問題は、データの不足ではなく、データが多すぎることと有用なデータが少なすぎることです。相関関係の考え方の応用例の 1 つは、最も重要なデータを見つけ、乱雑すぎるデータの干渉を排除するのに役立つことです。

どうやって実行するのでしょうか？収集可能な複数の指標間の相関関係を計算し、他の指標との相関係数が比較的高いデータ指標を抽出し、その生成ロジックや対応する問題点を分析し、信頼性や妥当性を評価することができます。すべての基準が満たされれば、この指標はコア指標として位置付けられます。

指標間の相関係数を頻繁に計算する習慣を身につけ、相関係数の背後にあるロジックを慎重に考えることをお勧めします。注文数や購入者数など、当たり前の常識もあれば、驚きの数字もあるかもしれません！

さらに、「相関関係がない」ということは、驚きの原因となることがよくあります。

07視点思考

管理職の友人の多くは、この問題に遭遇します。彼らは多くの場合、大量のデータとレポートを持っているのに、注意が非常に散漫で、集中力が欠けているのです。

これは確かに良い現象ではありませんが、どうすれば回避できるのでしょうか?

• まず、前述のように、適切な思考を通じて中核となる問題と指標を見つけます。
• この部分で2番目にお話ししたいのは、長期的な思考モードを開発することです。

中核となる問題を特定した後、他のビジネス上の問題が中核となる問題からどの程度離れているかを分析し、それに応じて近いものから遠いものへとエネルギーを割り当てます。

たとえば、近い将来のコアタスクがカスタマーサービススタッフのサービス品質の向上である場合、カスタマーサービススタッフの言語スキル、顧客評価チャネル、カスタマーサービスシステムの応答速度などが最も差し迫ったサブ問題であり、重点的に取り組む必要があります。ただし、顧客の問い合わせ習慣や購入サイクルは比較的遠い問題なので、今は脇に置いておきましょう。

追伸：私はカスタマーサービス業界について詳細な調査を行っていないため、私が挙げる例が不適切であった場合はご容赦ください。

08論理ツリー思考

図に示すツリーロジックは、皆さんも何度も見たことがあると思います。一般的に、ロジックツリーの分岐を説明する際には、「分解」と「集約」という概念が挙げられます。

ここでは、「ドリルダウン」と「ロールアップ」と呼ばれるデータ分析に近づけるために変更します。

ドリルダウンとは、指標の変化を分析する際に、特定の次元に従って指標を継続的に細分化することを意味します。いわゆるロールアップはその逆を意味します。

ディメンションがドリルダウンおよびロールアップされると、データは継続的にセグメント化され、集計されます。このプロセスで、多くの場合、問題の根本原因を見つけることができます。

ドリルダウンとロールアップは 1 つのディメンションに限定されず、分岐する多次元の組み合わせのノードになることがよくあります。

実際、論理ツリー思考は構造化された思考または「ピラミッド思考」としても理解できます。

詳細:

• 核となる議論: ピラミッドのポイントを見つける (仮説/予測/問題/理由)
• 構造分解: 中心となる議論を、因果関係や依存関係を考慮しながら、上から下まで層ごとに構成要素となる議論に分解します。
• MECE : 相互に独立しており、完全に網羅的である（重複や繰り返しのサブ引数を避け、可能な限り完全になるように努める）
• 検証: 中核となる議論と副次的な議論はすべて定量化および検証可能であり、データによって裏付けられる必要があります。

簡単な例を見てみましょう。たとえば、9 月のオフライン製品の売上が前年比で 20% 減少したことがわかりました。

構造化された思考によれば、問題を次のように分類できます。

09定型的な思考

上記では論理ツリー思考について学びましたが、これには欠点があります。それは十分に形式的ではないということです。

定型的な分析的思考とは、上部と下部が相互に計算され（すべての構造を定量化できる）、左側と右側が関連している（最小の部分は分割できない）ことを意味します。

定式化は、単純に加算、減算、乗算、除算を使用して定量分析を行う分析的思考と見なすことができます。異なるカテゴリのビジネスを重ね合わせるには加算を行うことができ、減算はビジネス間の論理的な関係を計算するためによく使用されます。掛け算と割り算はさまざまな割合または比率です。

上の図の構造化されたマインドマップを式に追加すると、次のようになります。

10.情報源を遡る

論理ツリー思考の 1 つの分岐は、ソースまで遡ることです。

たとえば、次のような問題分析の事例を私たちは皆聞いたことがあるでしょう。

ジェファーソンビルの壁にはひびが入っています。なぜ？

壁は頻繁に洗浄されるため、腐食しています。

なぜ水を流すのですか?鳥の糞が多すぎると、水が溢れてしまいます。

なぜ鳥の糞があるのですか？クモがたくさんいるので、鳥が餌を探しにここにやって来ます。

なぜこんなに蜘蛛が沢山いるのでしょうか？ここの日光は繁殖に適しているからです。

壁の問題をどうやって解決するのでしょうか?蜘蛛を防ぐために環境に優しい洗剤や電気柵を使うのではなく、カーテンを引くだけでいいのです。

これは 5Why 分析手法の最も直接的な応用です。私たちは日々の仕事の中で、問題の本質を捉えられず、表面的な問題を「表面的に」しか見ないことがよくあります。上の話と同じように、今回は壁のひび割れは修復されましたが、すぐに同じ問題が発生するでしょう。

データアナリストには、「物事の真相を究明する」という精神が求められます。問題を解決する前に、まず問題を分析し、問題の根本原因を突き止めなければなりません。こうすれば問題は解決します。

11.時系列思考

多くの問題では、水平比較のためのメソッドとオブジェクトが見つかりません。その場合、歴史的な状況との比較が非常に重要になります。

多くの場合、前年比、前四半期比、固定ベース比率などの問題を分析するために、時間ディメンションでの比較を使用します。

この方法は、外部からの干渉を簡単に排除できるため、新しい業界の企業やまったく新しい製品など、革新的な分析対象に特に適しています。

時系列思考には 3 つの重要なポイントがあります。

• まず、時点が現在に近いほど、より注意を払う必要があります（イベントが最近のものであるほど、再び発生する可能性が高くなります）。
• 第二に、前年と比較する必要があります（図の尖った先端は、指標には一定の周期性があることが多く、意味を成すためにはサイクルの同じ段階で比較する必要があることを示しています）。
• 3 番目に、外れ値が現れた場合は、それに注意する必要があります(たとえば、過去の最小値または最大値が現れた場合は、外れ値の観察を容易にするために、時系列をプロットするときに平均線と平均プラスマイナス 1 または 2 標準偏差線を追加することをお勧めします)。

時系列思考のサブコンセプトとして言及しなければならないのが、「ライフサイクル」という概念です。ユーザー、製品、人員などはすべてライフサイクルを持っています。直感的に言えば、ライフサイクルを明確に測定できれば、いくつかの「閾値」の問題を簡単に特定し、製品と運用のリズムをより明確にすることができます。

12.サイクル/クローズドループ思考

サイクル/クローズドループの概念は、ビジネスプロセスのクローズドループ、ユーザーライフサイクルのクローズドループ、製品機能の使用のクローズドループ、マーケティング戦略のクローズドループなど、多くのシナリオに拡張できます。多くの人が言及しているものの、実際に実行している例はほとんどないため、これは非現実的な概念であると感じることがよくあります。しかし、実際には、この考え方は非常に必要なのです。

ビジネス プロセスのクローズド ループは、管理者にとって比較的簡単に定義できます。企業内の業務リンクをすべてリストアップし、業務プロセスを整理した上で、各リンク間で相互に影響を与える指標を定義し、その指標の変化を追跡することで、経営者はグローバルな視点で企業の運営状況を把握することができます。

例えば、ソフトウェア会社の典型的な業務フローは、プロモーション行動（マーケティング部門）➡メインサイトへのトラフィック流入（マーケティング＋研究開発）➡登録プロセス（研究開発）➡試用体験（研究開発＋営業）➡調達プロセスへの参入（営業部門）➡取引・展開（アフターセールス＋研究開発）➡利用・更新・推奨（アフターセールス＋マーケティング）➡プロモーション行動となる。

クローズドループの後、各リンクの指標は注目に値します：広告クリック率➡登録プロセスエントリ率➡登録コンバージョン率➡トライアル率➡販売チャネルコンバージョン率➡決済率➡推奨率/更新率...

これにはファネル思考が含まれます。前述したように、サイクルを測定するために漏斗を使用しないでください。循環的な思考により、論理的に関連する指標システムをより迅速に確立できます。

クローズドループ思考について語るとき、誰もが間違いなく、アメリカの品質管理の専門家であるシューハート博士が提唱するPCDA サイクルを思い浮かべるでしょう。 PDCA は、英語の Plan (計画)、Do (実行)、Check (確認)、Action (行動) の頭文字をとったものです。

• P（計画）：方針や目標の決定、活動計画の策定などが含まれます。
• D (Do) 実行: 既知の情報に基づいて、特定の方法、計画、計画レイアウトを設計します。その後、設計やレイアウトに基づいて具体的な作業を行い、計画内容を実現します。
• C（Check） チェック：実行計画の結果をまとめ、何が正しいか、何が間違っているかを区別し、効果を明らかにし、問題点を見つけ出します。
• A（アクション）改善：要約と検査の結果を処理し、成功した経験を確認して標準化します。また、失敗から学んだ教訓をまとめ、それに注意を払います。未解決の問題は、解決のために次の PDCA サイクルに提出する必要があります。

上記の処理は一度実行しただけでは終了せず、何度も繰り返されます。 1 つのサイクルが完了すると、いくつかの問題が解決され、未解決の問題は次のサイクルに入り、段階的に上昇していきます。

データアナリストのためのPDCA :

• P (計画) 計画:ニーズを絞り、問題を特定し、タスクを明確にする
• D(Do) 実行:データの抽出 - 変化の観察 - 多次元分析 - クロス分析 - 傾向の予測
• C（チェック）：問題の修正、最適化分析
• A（Act）処理：戦略を立案し、実行を推進し、結果をレビューし、次のPDCAサイクルに入ります。

データ アナリストがビジネス側または経営陣とフィードバック ループを形成する場合にのみ、各サイクルでデータ分析の役割をより効果的に果たすことができます。

13テスト/比較思考

ABテストについては皆さんもよくご存知だと思います。

では、この概念をどのように洗練させればよいのでしょうか?

• まず、条件が許せば、決定を下す前に比較テストを実施してみてください。
• 第二に、テストを行う際には、参照グループの選択に注意を払う必要があります。どのような実験でも、変化しないサンプルのグループを最も基本的な参照として保持することをお勧めします。

比較分析を行う際には、次の点に注意してください。

• 指標の範囲、計算方法、測定単位、指標の種類は一貫している必要があります。
• 比較対象との類似点が多ければ多いほど、比較可能性が高まり、比較の価値が高まります。

14極端な考え方

多くの場合、私たちは解決したい問題が、良い面も悪い面も含めたさまざまな要因によって妨げられていると感じます。

このとき、極端な考え方をすることをお勧めします。

• 1 つは、多くの要因を 1 つまたは 2 つの極端な要因に減らすことです。
• 2 つ目は、これら 2 つの要素の影響を最大化することです。

たとえば、競争環境について考えるときは、考慮すべき要素を 1 つに絞り、その影響を最大に設定し (潜在的な参入者は 1 社だけで、それが世界で最も裕福な企業であるなど)、次に自社のチャンスがどこにあるのか、何をすべきかを考えるのがよいでしょう。

データ分析では、複数の要因によるジレンマに遭遇することがよくあります。多くの場合、指標の変化は多くの要因の影響を受け、まったく分解できません。このとき、指標は最も相関の高い要因のみの影響を受けると想定し、原因を調査するために 1 つの次元のみを選択します。

15.逆転の発想

逆思考は、一般的に履歴データのレビューなどのシナリオで使用されます。過去のデータを確認する必要が生じた場合、多くの場合、まず現時点では非常に正常と思われる事柄を列挙し、次に現在の正常な事柄に対応する異常な状況を一つずつ列挙し、最後に過去のデータ内で異常な出来事が発生した時間や次元を探します。

業務においては、この考え方を使ってデータを観察したり、無意識のうちにこの考え方を使ってデータを観察したりします。通常のデータ パフォーマンス (ほとんどの場合に発生する) と考えられるものを詳細にリストし、それに対応する異常な状況をリストします。データを追跡する際、私たちはこれらの異常に注目します。異常な状況が発生した場合は、問題を特定する必要があります。

16キュー分析の考え方

データコンピューティング能力の向上に伴い、コホート分析が徐々に注目を集めるようになりました。

キュー分析の考え方は、観察対象を特定のルールに従って特定の次元でスライスして観察サンプルを形成し、その後、このサンプルの特定の指標の変化を時間の経過とともに観察することです。現在最も一般的に使用されているシナリオは保持分析です。

たとえば、同社は 5 月 17 日にプロモーションを実施し、その日にアクセスした新規ユーザーを観察サンプルとして採用し、日々の活動を観察しました。 5月17日、6月17日、7月17日にイベントが開催された場合、登録後の一定期間におけるこの3日間の新規ユーザーの使用状況は、3本の線のように後ろ向きに伸びることが想像できます。

17.仮説的思考

仮説的思考とは、何かを証明するための十分なデータや証拠がない場合に、まず仮説を立て、次にデータを分析してその仮説が有効かどうかを検証することを意味します。

データ分析において、仮説的思考の専門用語は仮説検定であり、これは問題に基づいて仮説を提案し、データを抽出し、仮説が有効かどうかをテストし、結果を検証することを意味します。

18帰納的思考

帰納法は「特定のものから一般的なものへ」という過程、つまりいくつかの例から法則を要約する過程です。

たとえば、鉄、銀、銅などは電気を通す（特定）ことがわかっています。これら 3 つの物質はすべて金属なので、金属は電気を伝導できると結論付けることができます (一般論)。

19演繹的思考

演繹とは、 「一般から特定へ」のプロセス、つまり基本原理から特定の状況を演繹することです。

たとえば、金属は（一般的に）電気を伝導できること、そして鉄は金属であることがわかっています。鉄は電気を通すことができると推測できます。

20.指数関数的思考

指数的思考とは、問題を個別に測定する複数の要素を定量化し、それらを包括的な指標（次元削減）に組み合わせて継続的に追跡する方法を指します。最後にこれについて議論する目的は、その重要性を強調することです。前述のように、多くの管理者が直面している問題は「データが多すぎて、使用可能なデータが少なすぎる」ことであり、複数の指標を 1 つの指標に圧縮する「次元削減」が必要になります。

インデックス化の利点は明らかです。

• まず、指標が削減され、管理者はより集中できるようになります。
• 第二に、インデックス化された指標は多くの場合、データの信頼性と妥当性を向上させます。
• 3つ目は、インデックスが長く使えてわかりやすいことです。

インデックスの設計は非常に重要です。重要なポイントは3つあります。

• まず、独立性と徹底性の原則に従わなければなりません。
• 第二に、各指標の単位に注意を払い、単位の影響を排除するために標準化を図る必要があります。
• 3 番目に、重みの合計は 1 に等しくなければなりません。

MECE 原則とは、特定している問題を測定するために複数の指標を収集する場合、各指標は互いに可能な限り独立している必要があり、同時に、問題を測定できる指標は可能な限り網羅的である必要がある(すべてを収集する) ことを意味します。

たとえば、ある会社の営業部門の指標システムを設計したとき、その目的は営業部門のパフォーマンスを測定することでした。コア指標が売上高であると判断した後、パフォーマンスを注文数、平均注文額、リード変換率、注文サイクル、更新率の5 つの独立した指標に分割できます。これら 5 つの指標は、販売実績のあらゆる側面を（徹底的に）カバーします。

最終的に、総合的な販売パフォーマンス指数 = 0.4*注文数 + 0.2*平均注文額 + 0.2*リード変換率 + 0.1*注文サイクル + 0.1*更新率を設計しました。各指標は最大最小法を使用して標準化されます。

要約:さまざまな思考方法の適用に良いも悪いもなく、それを有効にするかどうかは比較的ランダムです。一般的に、データの品質はデータ分析の最大の前提条件です。始める前に、データの品質が良好であることを確認する必要があります。

最も重要な点は、データアナリストがビジネスを深く理解している必要があるということです。データアナリストがビジネスを理解していない場合、データアナリストは「データ」ではなく「ビジネス」を分析するため、ビジネスセンスのない「データ収集マシン」になる可能性が高くなります。

データを通じてビジネスの成長を促進できることがデータアナリストの中心的な価値であることを忘れないでください。

|上記の内容は、公式アカウント：中国統計ネットワークからのものです。著者：Love Data-Orange

マイクロイベントプラットフォーム - イベントシーン向けデジタル情報サービスの全体像

新しいソーシャル メディア プラットフォーム - デジタル マーケティング運用コア - データ ミドル プラットフォーム (DMP)

新社会とマイクロクラブ 袁帥

[ヘッドラインアカウント - 新社会と維財東 袁帥] 運営者：袁帥、展示会業界の情報化とデジタル化の専門家、PMPプロジェクトマネージャー、ネットワークマーケティング、検索エンジンマーケティング運用の経験、データ分析者、中国電子商取引専門マネージャー、CEAC国家情報化コンピュータ教育認定：ネットワークマーケティング担当者、SEM検索エンジンマーケティング担当者、SEOエンジニア。彼は現在、北京新会友科技有限公司の共同創設者兼執行役員、新社会プラットフォームの共同創設者、衛会東プラットフォームの創設者兼チーフマーケティングコンサルタント、Jinghuayuan Boutique Series of Homestaysのオンラインオペレーター、北京宏宇インタラクティブテクノロジー株式会社のビジネスパートナー、およびTASブロックチェーントレーサビリティプロジェクトのマーケティングパートナーを務めています。 O2O2O活動現場デュアルラインクローズドループデジタル操作総合サービスソリューションと活動現場デジタル情報操作総合ソリューション実行計画の提案者であり、マイクロアクションサービスコミュニティの発起者。