データリテラシーとは?3つのスキルと組織で向上させる方法を解説
デジタルマーケティング
2023.12.07
データリテラシーとは、データを正しく読み解き、人に説明し、目的に合わせて扱う力のことです。大学教育のモデルカリキュラムでは「データを読む」「データを説明する」「データを扱う」の3つのスキルに整理されています。
ビジネスでは、ここに「データによって判断する」力が加わります。経済産業省とIPA(情報処理推進機構)が示すDXリテラシー標準は、すべてのビジネスパーソン向けの指針です。
データの項目として「データを読む・説明する」「データを扱う」「データによって判断する」などを挙げています。
この記事では、3つのスキルの中身を一次資料に沿って整理します。そのうえで、データリテラシーが必要な理由、広告運用で起きやすい読み違い、個人と組織で向上させる方法を解説します。
データリテラシーとは
データリテラシーは、数字や表、グラフから事実を正しく取り出し、判断や説明に使う力です。統計の専門家だけに必要な力ではありません。売上報告を読む営業担当者にも、広告の成果を見るマーケターにも求められます。
データリテラシーの意味
数理・データサイエンス・AI教育強化拠点コンソーシアムのモデルカリキュラムは、データリテラシーの学修目標として次のような力を挙げています。
- データの特徴を読み解き、起きている事象の背景や意味合いを理解できる
- データの比較対象を正しく設定し、数字を比べることができる
- 適切な可視化手法を選択し、他者にデータを説明できる
- 不適切に作成されたグラフや数字に騙されない
- スプレッドシートなどで、数百件から数千件のデータを集計・加工できる
つまり、データリテラシーは「計算ができること」より、「数字を見て、何が言えて何が言えないかを判断できること」に重心があります。
情報リテラシー・統計リテラシー・デジタルリテラシーとの違い
似た言葉が多いため、対象と範囲で比べます。
| 用語 | 主な対象 | 中心となる力 |
|---|---|---|
| データリテラシー | 数値・表・グラフなどのデータ | データを読む・説明する・扱う |
| 統計リテラシー | 統計の数字と手法 | 平均やばらつき、標本調査の結果を正しく解釈する |
| 情報リテラシー | 文章や画像を含む情報全般 | 情報を探し、信頼性を評価し、使う |
| デジタルリテラシー | デジタル技術とサービス | IT・データ・AIを仕事で使いこなす |
統計リテラシーはデータリテラシーの土台にあたり、デジタルリテラシーはデータリテラシーを含む、より広い概念です。
デジタルリテラシー協議会は、デジタルリテラシー(Di-Lite)を「ITソフトウェア」「数理・データサイエンス」「AI・ディープラーニング」の3領域で定義しています。
データリテラシーの3つのスキル
「データリテラシーの3つのスキル」は、数理・データサイエンス・AI教育強化拠点コンソーシアムが策定したモデルカリキュラムに由来します。
このカリキュラムは、文理を問わずすべての大学生・高専生が学ぶ内容の参照モデルとして、2020年4月に策定され、2024年2月に改訂されました。
カリキュラムは「導入」「基礎」「心得」「選択」の4区分で構成されています。データリテラシーは「基礎」の区分にあり、次の3項目で構成されます。
| 項目 | 養う力 | 主な学修キーワード |
|---|---|---|
| 2-1. データを読む | データを適切に読み解く力 | 代表値、ばらつき、相関と因果、母集団と標本抽出 |
| 2-2. データを説明する | データを適切に説明する力 | グラフの選び方、条件をそろえた比較、A/Bテスト |
| 2-3. データを扱う | データを扱うための力 | 集計、並び替え、スプレッドシート、BIツール、CSV |
データを読む
データを読む力は、数字の背後にある事実を取り違えない力です。カリキュラムは、平均値・中央値・最頻値の違いや、分散・標準偏差によるばらつきを学修キーワードに挙げています。
代表値の性質の違いも明記されています。カリキュラムには「実社会では平均値=最頻値でないことが多い」とあります。たとえば顧客1人あたりの購入額は、一部の大口顧客が平均を押し上げるため、平均値だけでは典型的な顧客像がわかりません。
相関と因果の区別も、この項目の中心です。2つの数字が一緒に動いていても、一方が他方の原因とは限りません。第三の要因が両方を動かしている「交絡」や、偶然の一致である「擬似相関」を疑う姿勢が求められます。
データを説明する
データを説明する力は、読み取った結果を、相手が誤解しない形で伝える力です。棒グラフ・折れ線グラフ・散布図・ヒートマップ・箱ひげ図など、目的に合ったグラフを選ぶことが含まれます。
比べ方も説明の一部です。カリキュラムは「条件をそろえた比較」「処理の前後での比較」「A/Bテスト」を挙げています。不必要な装飾で読み手の注意をそらす「チャートジャンク」のような不適切なグラフ表現を避けることも、学修キーワードに入っています。
データを扱う
データを扱う力は、データを取得し、集計し、並び替え、分析できる状態に整える力です。カリキュラムは、スプレッドシートやBIツール、CSVなどの表形式データを例に挙げています。
学修目標では、扱うデータの規模を「数百件~数千件レベル」としています。プログラミングができなくても、表計算ソフトで集計・加工できれば、リテラシーレベルの到達目標に届きます。
3つのスキルに含まれないもの
モデルカリキュラムでは、データリテラシー以外の内容は別の大項目にまとめられています。次の内容は「3つのスキル」には含まれません。
- 社会におけるデータ・AI利活用(導入):社会の変化、活用されているデータ、AIの活用領域など
- データ・AI利活用における留意事項(心得):個人情報保護、データ倫理、生成AIの誤情報など
- オプション(選択):統計および数理基礎、プログラミング基礎、時系列データ解析、画像認識など
カリキュラムは「導入」「基礎」「心得」をコア学修項目としています。統計の数理やプログラミングは「選択」に置かれ、コア学修項目には含まれていません。
ビジネスで求められるデータリテラシー
大学教育のモデルカリキュラムに対し、社会人向けの指針として使われているのがDXリテラシー標準です。経済産業省とIPAが策定したデジタルスキル標準の一部で、2026年4月にver.2.0が公表されました。
DXリテラシー標準の構成
デジタルスキル標準は、すべてのビジネスパーソン向けの「DXリテラシー標準」と、DXを推進する人材向けの「DX推進スキル標準」の2つで構成されています。DXリテラシー標準は、次の4つの柱で学習項目を整理しています。
| 柱 | 内容 |
|---|---|
| Why | DXの背景(社会、顧客価値、競争環境の変化) |
| What | DXで活用されるデータ・技術(データ、AI、クラウドなど) |
| How | データ・技術の利活用(活用事例、ツール利用、留意点) |
| マインド・スタンス | 変化への適応、事実に基づく判断など |
データに関する項目は「What」に入っています。具体的には「社会におけるデータ」「データを読む・説明する」「データを扱う」「データによって判断する」の4項目です。
「データによって判断する」が加わる
モデルカリキュラムの3つのスキルと比べると、DXリテラシー標準には「データによって判断する」があります。これがビジネス向けの大きな違いです。
この項目では、分析の前に「データを何に使うのか」「どんな結果が出そうか」という仮説を立てることが重視されています。期待と異なる分析結果もそれ自体が知見になること、分析結果から改善のアクションを決め、その結果をモニタリングすることも含まれます。
使うデータの信頼性を確かめる観点も具体的です。中身に誤りや偏りがないか、量が十分か、出所や更新日が明確か、組織のルールに沿って扱われているデータかを確かめるよう示されています。
民間で使われる「4つの力」との対応
企業研修などでは、データリテラシーを「収集力・読解力・分析力・活用力」の4つの力に分けて説明することもあります。呼び方は違っても、公的な枠組みとおおむね対応しています。
| 民間の呼び方 | モデルカリキュラム | DXリテラシー標準 |
|---|---|---|
| 収集力 | データを扱う(データの取得) | データを扱う(データの入力) |
| 読解力 | データを読む | データを読む・説明する |
| 分析力 | データを読む・データを扱う | データを読む・説明する(分析手法) |
| 活用力・伝達力 | データを説明する | データを読む・説明する、データによって判断する |
どの枠組みを使う場合も、「読む」「伝える」「扱う」「判断に使う」の4つの動作がそろっているかを確かめると、学ぶ内容の抜けを防げます。
データリテラシーが必要な理由
データリテラシーが求められる背景には、扱うデータの増加、生成AIの普及、組織の意思決定の変化の3つがあります。
扱うデータの量と種類が増えた
DXリテラシー標準は、データには数値だけでなく、文字・画像・音声などさまざまな種類があると説明しています。業務システム、ウェブサイトのアクセスログ、広告の管理画面、問い合わせの記録など、一人の担当者が触れるデータの種類は増えています。
データが増えると、どれを信頼し、どれを判断に使うかを選ぶ力が必要になります。数字が多いほど、都合のよい数字だけを拾う誤りも起きやすくなります。
生成AIの出力を確かめる力が要る
モデルカリキュラムは、心得の項目で生成AIのハルシネーション(事実と異なる内容をもっともらしく生成すること)による誤情報に触れています。DXリテラシー標準も、生成AIの出力は客観的な事実を確認した上で利用する、という行動例を示しています。
生成AIは、集計や要約、グラフ作成を短時間で行えます。一方で、出てきた数字が元データと合っているか、比べ方が妥当かを判断するのは人です。生成AIを使うほど、データを読む力の重要性は増します。
組織の意思決定をデータでそろえられる
データに基づいて判断する組織では、会議の議論が「誰の意見か」から「何が起きているか」に移ります。そのためには、参加者全員が同じ数字を同じ意味で読めることが前提です。
データドリブンな組織づくりについては、データドリブンとは?マーケティング・経営での活用理由を解説やデータドリブン経営のメリットと実施方法で詳しく解説しています。
広告運用で問われるデータリテラシー
広告運用は、日々の数字を見て予算や配信先を決める仕事です。データリテラシーの差が、そのまま費用対効果の差になります。ここでは、3つのスキルが広告運用の現場でどう使われるかを、起きやすい読み違いと合わせて紹介します。
媒体ごとのコンバージョンを合計しない
複数の広告媒体を併用していると、各媒体の管理画面がそれぞれ自分の広告によるコンバージョンを計上します。同じ1件の成果を複数の媒体が計上するため、合計すると実際の件数より多くなることがあります。
DXリテラシー標準は「データや事象の重複に気づく」ことを、データを読む力の学習項目に挙げています。媒体の数字を足し上げる前に、自社の受注データや問い合わせ記録と突き合わせることが必要です。
期間と条件をそろえて比べる
先月のCPA(顧客獲得単価)と今月のCPAを比べるとき、繁忙期と閑散期、キャンペーンの有無、計測設定の変更などが混ざっていると、正しい比較になりません。
モデルカリキュラムの「条件をそろえた比較」は、広告運用ではそのまま実務の手順になります。前年同期と比べる、配信条件を変えた期間を分ける、A/Bテストで1つの要素だけを変えるといった方法があります。
平均値だけで顧客の価値を判断しない
1件あたりの売上や顧客生涯価値(LTV)は、一部の大口顧客が平均値を押し上げることがあります。平均値だけを見て入札単価を決めると、典型的な顧客の価値を見誤ります。
中央値や分布を合わせて確認すると、どの層の顧客を増やすべきかが見えてきます。LTVの考え方はLTV(顧客生涯価値)の解説記事で紹介しています。
相関と因果を分けて考える
リターゲティング広告を見たユーザーのコンバージョン率が高くても、広告が購入の原因とは限りません。もともと購入意欲の高いユーザーが、広告の対象になっているだけかもしれないからです。
広告の本当の貢献を知るには、広告を見せないグループと比べる検証が必要です。検証の方法は広告効果測定の解説記事で紹介しています。
少ないデータで結論を出さない
クリック数が数十件の段階でコンバージョン率を比べても、偶然の差を見ているだけのことがあります。モデルカリキュラムは、母集団と標本抽出の考え方を「データを読む」のキーワードに含めています。
判断に必要な件数がそろうまで待つ、期間を延ばして件数を確保する、といった判断も、データを読む力の一部です。
計測されていない成果に気づく
広告の管理画面に表示されるのは、計測できた成果だけです。電話での問い合わせや店舗での購入など、計測の仕組みがない成果は数字に表れません。
数字に表れない成果があると、電話につながりやすい広告ほど過小評価されます。データを扱う力には、何が計測できていて何が計測できていないかを把握することも含まれます。
データリテラシーを向上させる方法(個人)
個人でデータリテラシーを高めるには、統計の基礎を学び、自分の業務データで「読む」「説明する」「扱う」を繰り返すのが近道です。
代表値・ばらつき・相関の基礎を学ぶ
最初に学ぶのは、平均値・中央値・最頻値、分散と標準偏差、相関係数です。モデルカリキュラムでもDXリテラシー標準でも、データを読む力の学習項目に入っています。
高度な数式を覚える必要はありません。「平均値と中央値がずれているのはなぜか」「相関があっても因果とは言えないのはどんなときか」を、自分の言葉で説明できる状態を目指します。
自分の業務データで「読む→説明する」を繰り返す
身近なデータを使うと、学んだ知識が定着しやすくなります。たとえば週次の売上や広告のレポートを見て、次の3点を書き出す習慣をつけます。
- 先週と比べて何が変わったか(事実)
- 変化の原因として考えられることは何か(仮説)
- その仮説を確かめるには、どのデータを見ればよいか(検証方法)
書き出した内容を同僚に説明し、伝わらなかった点を直すと、データを説明する力も鍛えられます。
スプレッドシートで集計と加工をする
データを扱う力は、手を動かさないと身につきません。CSVでデータを書き出し、スプレッドシートで並び替え、集計し、グラフにする作業を一通り経験します。
ピボットテーブルでクロス集計ができると、「地域別×商品別」のような切り口でデータを見られるようになります。分析手法の全体像はデータ分析の手法とは?種類と分析の流れで紹介しています。
生成AIの出力を元データで確かめる
生成AIに集計や要約を任せたときは、結果の一部を元データで計算し直します。数字の出所、集計の条件、比べている期間を確認する習慣は、データを読む力の練習になります。
データリテラシーを組織で向上させる方法
組織全体のデータリテラシーは、研修だけでは上がりません。判断に使うデータをそろえ、データで議論する場を日常の業務に組み込む必要があります。
現状のスキルを共通の物差しで測る
まず、社員がどの程度データを読み、扱えるかを把握します。DXリテラシー標準は、すべてのビジネスパーソンが身につける項目を一覧で示しており、社内のスキル評価や研修設計の物差しとして使えます。
部署ごとに必要な水準は異なります。全員に高度な分析を求めるのではなく、全員が「読む」「説明する」をでき、一部の担当者が「扱う」を深める、といった役割分担を決めます。
指標の定義をそろえる
同じ「コンバージョン」でも、部署によって資料請求を数えたり、受注を数えたりしていると、議論がかみ合いません。指標の名前、計算式、集計元のデータを一覧にした指標の定義書を作ります。
定義がそろうと、会議で数字の意味を確認する時間が減り、数字の解釈と次の打ち手に時間を使えます。評価指標の考え方は評価指標の解説記事も参考にしてください。
データが一か所に集まる仕組みを整える
広告の管理画面、ウェブの解析ツール、CRM、電話の記録がばらばらに管理されていると、データを突き合わせるだけで多くの時間がかかります。社員のリテラシーが高くても、判断に使えるデータが手元になければ活かせません。
自社で集めたファーストパーティデータを一か所にまとめると、全員が同じデータを見て議論できます。考え方はファーストパーティデータの解説記事で紹介しています。
研修と資格を目標に使う
研修は、学んだ直後に自分の業務データで試せる内容にすると定着します。資格試験は、学ぶ範囲が決まっているため、目標として使いやすい手段です。主な資格は次の章で紹介します。
データリテラシーに関する資格
データリテラシーを証明する資格としては、デジタルリテラシー協議会が推奨する3つの試験が代表的です。
| 資格 | 実施団体 | 主な範囲 |
|---|---|---|
| データサイエンティスト検定 リテラシーレベル(DS検定★) | 一般社団法人データサイエンティスト協会 | データサイエンス・データエンジニアリング・ビジネスの見習いレベル |
| ITパスポート試験 | IPA | ITの基礎知識、経営やマネジメントの基礎 |
| G検定 | 一般社団法人日本ディープラーニング協会 | AI・ディープラーニングの基礎知識 |
データサイエンティスト協会は、DS検定★を「数理・データサイエンス・AI教育のリテラシーレベル」の実力の証明にも使えるとしています。試験はCBT形式の選択式で、100問・100分です。
統計の知識を深めたい場合は統計検定も選択肢になります。資格ごとの詳しい内容と選び方は、データ分析の仕事とは?職種・年収・将来性と未経験から始める手順で解説しています。
データを扱うときの注意点
データリテラシーには、データを正しく読む力だけでなく、データを適切に扱う姿勢も含まれます。モデルカリキュラムは、これを「データ・AI利活用における留意事項」として、3つのスキルとは別の大項目にまとめています。
個人情報とプライバシーを守る
顧客データを扱うときは、個人情報保護法などのルールに従う必要があります。利用目的の範囲を超えて使わない、必要な人だけがアクセスできるようにする、といった基本を組織で決めておきます。
詳しくはデータプライバシーの解説記事を参考にしてください。
データの偏りを疑う
アンケートの回答者や、特定のチャネルから来た顧客だけのデータは、全体を代表していないことがあります。モデルカリキュラムは、データバイアスやアルゴリズムバイアスを留意事項に挙げています。
データを見るときは、「誰のデータか」「誰のデータが抜けているか」を確認します。
出所と更新日を確かめる
社外の統計や調査を引用するときは、出所、調査方法、調査時期を確認します。古いデータや出所が不明な数字は、判断を誤らせます。DXリテラシー標準も、出所や更新日が明確かどうかをデータの信頼性を判断する観点に挙げています。
よくある質問
データリテラシーについて、よく寄せられる質問に答えます。
データリテラシーを簡単に言うと何ですか
数字やグラフを見て、何が言えて何が言えないかを判断し、人に正しく伝える力です。大学教育のモデルカリキュラムでは「データを読む」「データを説明する」「データを扱う」の3つのスキルに分けています。
文系でもデータリテラシーは身につきますか
身につきます。モデルカリキュラムは、文理を問わずすべての大学生・高専生を対象に作られています。到達目標は、スプレッドシートで数百件から数千件のデータを集計・加工できる水準です。
データリテラシーとデータサイエンスの違いは何ですか
データリテラシーは、すべての人がデータを正しく読み、使うための基礎的な力です。データサイエンスは、統計学や機械学習、プログラミングを使ってデータから知見を引き出す専門分野です。モデルカリキュラムでは、統計の数理やプログラミングは「選択」の項目に置かれています。
まとめ
データリテラシーは、データを読む・説明する・扱うの3つのスキルで構成されます。ビジネスではこれに「データによって判断する」力が加わり、DXリテラシー標準がすべてのビジネスパーソンに求める項目になっています。
広告運用では、コンバージョンの重複、条件のそろわない比較、平均値の偏り、相関と因果の混同、少ないデータでの判断が、読み違いの典型です。個人は統計の基礎と業務データでの練習で、組織は指標の定義とデータを集める仕組みで、データリテラシーを高められます。
広告運用のデータを、判断に使える形で一か所に集める
データリテラシーを高めても、判断に使うデータが媒体ごとに分かれていては、正しい比較ができません。電話の成果が計測されていなければ、広告の評価もずれます。
オムニデータバンクは、広告運用のためのデータ基盤です。広告運用に必要なファーストパーティデータを収集・管理・運用できます。
- 独自のウェブトラッキングとコールトラッキングで、ウェブと電話の成果を集める
- CRMやメールフォームと接続し、受注や顧客の価値と広告データを紐付ける
- 電話で発生した成果を、広告のコンバージョンとして媒体に戻す
- 成果の価値に応じた重み付けや、既存顧客の配信除外に使うセグメントをGoogle・Meta・Xなどの広告媒体に渡す
Cookieに依存しない計測基盤として、工事不要、お申し込みから最短5営業日で利用を始められます。広告の成果を正しく読み、判断できる状態をつくりたい方は、お気軽にお問い合わせください。