自民党が衆院選で圧倒的多数を確保した。この出来事は、単に「人気が戻った」「政策が刺さった」と平均的な現象ではありません。ネットが作り出した雰囲気などと片付けていては本質を見失います。

今回の選挙結果は、与党が下院で大きな優位（3分の2規模）を得た、歴史的な“地殻変動”です。ここで起きているのは、支持率の上下という“平均”ではなく、社会の意思決定がどの層で、どの経路で、どの速度で動いたのかという「構造」の変化です。

同じ構造変化は、私たちの周辺でも露骨に進んでいます。アクセンチュアは、昇進にAIツールの“定常的な利用”を結びつけ、利用状況を評価に織り込む動きが報じられました。これは「全員の生産性が少し上がる」という話ではありません。AIを使う人だけが上方へ伸び、使わない人との間に“分布の差”が開くということです。平均値は、その差を隠します。

クラウドワークスの決算でも、利益の落ち込みや見通しの不確実性が示され、構造改革・投資・事業再編など複数要因が絡む局面であることが読み取れます。「AIのせいで儲からなくなった」と単因で語るのは簡単ですが、現実は要因が絡み合うネットワークです。ここでも必要なのは、“平均の増減”ではなく「どこで歪みが生まれ、どこがボトルネックで、どこが介入点か」という構造認識です。

要するに、これからのリアルワールドは「平均との差」では動きません。重い尾（勝者側の伸び）と、二極化と、連鎖で動きます。だから必要なのは、意識改革という精神論ではなく、見方の改革です。

DSA＋DAGが外れ値を産まず、特異点を見つける新しいアルゴリズムであることのる価値もそこにあります。派手な技術論ではなく、現実を「分布（どこが伸びて、どこが沈むか）」と「因果（なぜそうなるか）」の両方で捉える——その“読み方”が、政治や産業、医療、キャリアにも、そのまま効いてくる時代に入っています。

ロジスティック回帰は、人事データ分析の“入口”としてとても便利です。残業が多い、評価が低い、異動が多い、通勤が長い――こうした変数を入れれば、「辞めた人に多い特徴」や「辞めやすい人の傾向」はかなりの精度で見えてきます。ここで多くの人が「原因が分かった」と思ってしまいますが、実はそれは半分だけ正解です。ロジスティック回帰が教えてくれるのは、基本的に“相関”だからです。

相関の怖いところは、「当たって見えるのに、打ち手が外れる」ことです。たとえば「残業が多いほど退職が増える」という結果が出たとします。では残業を減らせば辞めなくなるのでしょうか。必ずしもそうとは言えません。部署が炎上している、上司のマネジメントが悪い、役割が曖昧で揉めている――こうした“共通の原因”が、残業も退職も同時に押し上げている可能性があるからです。この場合、残業は原因というより「炎上の症状」に近く、残業だけ減らしても根本原因が残れば退職は減らない、ということが起こり得ます。

ここで威力を発揮するのがDAG（因果ダイアグラム）です。DAGは「どの変数がどの変数に影響しているか」を矢印で描き、相関ではなく因果の筋道を固定します。ポイントは、回帰式そのものを賢くすることではありません。DAGによって「回帰に入れるべき変数」と「入れてはいけない変数」を決められることが価値です。例えば、原因の共通項（交絡）は調整すべきですが、施策の途中にある結果（媒介）をうっかり調整すると“施策の効き目”を自分で消してしまいます。また、複数要因の合流点（コライダー）を調整すると、存在しなかった関係を人工的に作ってしまうことがあります。ロジスティック回帰が「数字を出す装置」だとすれば、DAGは「数字の出し方を間違えないための設計図」です。

この設計図を持つと、「辞める人の特徴」から一歩進んで、「何を変えれば辞めにくくなるか」という問いに近づけます。たとえば介入を一つ定義します。残業削減、1on1頻度の増加、配置転換、役割の明確化、評価の透明性向上――どれでも構いません。次にDAGで、その介入が退職に届く経路と、同時に介入にも退職にも影響する交絡要因を整理します。最後に、その設計図に従ってロジスティック回帰（または時系列なら離散時間ハザード）を組めば、「介入した場合に退職確率がどれだけ変わる見込みか」という“打ち手の推定”に変わります。つまり、分析の成果が「当てる」から「動かす」へ変わるのです。

もちろん、DAGを描けば魔法のように正解が出るわけではありません。観測できない要因は残りますし、退職は確率現象なので個人を確定的にコントロールすることもできません。それでも、ロジスティック回帰だけで陥りがちな「相関を原因と誤認し、施策が外れる」という失敗は大きく減らせます。人事データ分析に求められるのは、説明のうまさではなく、現場で再現される意思決定です。その意味で、DAGは“分析を意思決定の道具に変える”ための、最も費用対効果の高い追加パーツだと言えます。

退職分析をやるなら、まずロジスティック回帰で地形図を描く。そして「どうすれば辞めないか」を知りたいなら、DAGで戦場のルールを固定する。相関の地形図に、因果の設計図を重ねたとき、分析は初めて“実行可能な戦略”になります。

通常の目標管理はこう考えます。

〇〇をやれば、頑張れば成功する

しかしDAGで見ると、中心（ドラフト8球団）に
外周から直接入る矢印に直接的な因果変数は存在していません。

外周（習慣・行動）
　↓
媒介（能力・評価・状態）
　↓
アウトカム

つまり、

行動 → 媒介 → 結果

です。

---

2️⃣ 媒介の数が“構造の厚み”になる

ここが極めて重要です。

中心に近い8つのエレメント（球速、コントロール、キレ、メンタル、人間性、運など）は

結果を決める“媒介変数”

です。

そして外周は

媒介を動かす“因果変数”

になります。

成功確率は、

• 媒介の数が多いか
• 媒介の質が高いか
• それぞれに複数の因果が入っているか

で決まります。

---

3️⃣ レバレッジの本質

仮に球速という媒介が1つしかなく、
その球速を高める因果が1本しかなければ、

構造は脆弱です。

しかし実際のマンダラは違います。

球速に対して：

• 体づくり
• 下半身
• 体幹
• 可動域
• フォーム安定

と複数の因果が入っています。

これは

冗長性（robustness）を持つ構造

です。

---

4️⃣ 本当に面白いのはここ

目的達成に直結する因果はない

これは極めて重要です。

成功は「直接打つ矢」ではなく、

媒介の総合値

として現れます。

つまり、

• 行動は媒介を高める
• 媒介が結果を押し上げる

この二段階構造です。

---

5️⃣ ビジネスへの翻訳

例えば売上。

売上に直接効く因果はない。

広告 → 売上
は幻想です。

実際は：

広告 → 認知（媒介）
認知 → 信頼（媒介）
信頼 → 問い合わせ（媒介）
問い合わせ → 受注（媒介）
受注 → 売上

です。

売上に直接効くのではなく、

媒介を積み上げている。

---

6️⃣ マンダラDAGの核心

成功とは

媒介の数 × 媒介への因果の数 × 構造の整合性

で決まる。

ここが構造分析と因果推論が交差する地点です。

---

7️⃣ さらに一段深い話

媒介が8つあるということは、

どれかが落ちても全体が崩れない。

つまりこれは

分散型成功モデル

です。

逆に、

1つの媒介（例：才能）だけに依存すると、

構造は崩れやすい。

---

8️⃣ DAGの視点

DAG的視点では

• 因果の本数
• 媒介の厚み

に注目します。

多くの人は

「何をやるか」

に注目します。

しかし本質は

媒介を増やせているか？

です。

---

ここからさらに進むと、非常に面白い問いが出ます。

• 媒介は8個が最適なのか？
• 媒介の相互作用（交互作用）はどう描くか？
• 媒介間の競合（トレードオフ）はあるか？
• 媒介の重要度をどう定量化するか？

これは完全に構造分析×因果推論の世界です。

― 構造分析（DSA）と因果推論（DAG）で読む“勝てる設計図”

大谷翔平のマンダラチャートが世界のデータサイエンティストに分析されているそうです。なぜなら、あの1枚は“努力のチェックリスト”ではなく、成果を生み出す構造そのものを描いた「設計図」だからです。

1. まず前提：目標は「分解」ではなく「構造化」する

多くの目標設定は、こうなりがちです。

• 目標を決める
• 行動を増やす
• 頑張る
• 結果が出たら正解、出なければ根性不足

これだと、結果が出ても出なくても、説明が“後付け”になります。
つまり再現できません。

一方、マンダラチャートの中心には「ドラフト8球団」が置かれ、その周囲に「球速160km/h」「コントロール」「キレ」「体づくり」「メンタル」「人間性」「運」などが並びます。

ここで起きているのは、分解ではなく構造化です。
言い換えるなら、

「結果を生む要因の仮説を、全体構造として配置している」

2. 構造分析（DSA）：成果は“能力”ではなく“構造”で決まる

構造分析で見るポイントは、「項目の良し悪し」ではありません。配置と階層です。

マンダラは三層構造になっています。

• 中心（成果）：ドラフト8球団
• 第一層（直接要因）：球速、コントロール、キレ、メンタル等
• 第二層（基盤要因）：食事・睡眠・体幹・下半身・習慣・人間性

この三層はビジネスで言えばこうです。

• 売上（成果）
• 価格・品質・営業力（直接要因）
• 組織文化・採用・仕組み・習慣（基盤要因）

多くの会社が「売上が伸びない」と言いながら、第一層だけをいじります。
施策（広告、営業、キャンペーン）です。

でも本当は、成果を押し上げるのは第二層、つまり基盤構造です。大谷チャートが面白いのは、球速と同じ盤面に「ゴミ拾い」「あいさつ」「感謝」「信頼される人間」といった“基盤”を置いている点です。

これは精神論ではありません。構造分析的には、

「成果を決めるのはパフォーマンスだけでなく、パフォーマンスが生まれる土台構造である」

という意思表示です。

3. 因果推論（DAG）：なぜ「ゴミ拾い」がドラフトに繋がるのか

ここからが因果推論（DAG）の出番です。

「ゴミ拾いがドラフトに関係あるの？」
普通はそう思います。

しかしDAG的には、直接効果でなく間接経路（媒介）や環境経路を疑います。

たとえば因果の経路はこう描けます。

• ゴミ拾い → 人間性の評価 → 指導者の信頼 → 練習機会・推薦 → ドラフト
• あいさつ → チーム内関係 → 情報や助言の流入 → 成長速度 → パフォーマンス → ドラフト
• 感謝 → 支援者の増加 → 環境の改善 → 継続性 → パフォーマンス → ドラフト

つまり「ゴミ拾い」は、球速を上げる薬ではありません。環境と支援の因果構造を設計する介入なのです。

ビジネスに置き換えると分かりやすいです。

• 5S（整理整頓）
• 挨拶
• 報連相
• 期限厳守
• 誠実な対応

これらも売上を“直接”作りません。
でも、信頼・協力・紹介・継続という因果経路を通じて、結果的に売上に効きます。

DAGで読むと、マンダラは

「見えない因果経路まで含めて、勝ち筋を設計している」

ということになります。

4. この1枚が“データサイエンティスト向き”な理由

データサイエンティストが興奮するのは、ここが揃っているからです。

• 目的（アウトカム）が中心に固定されている
• 要因（説明変数候補）が網羅されている
• 階層（直接要因／基盤要因）が分かれている
• 因果（媒介・環境・評価の経路）が暗黙に含まれている

これは統計の世界で言えば、

• KPIツリー
• 因果ループ
• ベイジアンネットワーク
• 介入設計（policy design）

の“手書き版”です。

---

5. ビジネスへの教訓：成果を出す人は「努力」ではなく「構造」を作る

結論はシンプルです。努力とは“量”ではありません。努力とは“構造への投資”です。

大谷チャートが示しているのは、

• 何をやるか（施策）ではなく
• どういう構造なら勝つか（設計）

です。

だからこそ、これは目標管理シートではなく、成果を再現するための構造モデルなのです。

そして、構造分析（DSA）と因果推論（DAG）を使えば、私たちはこの1枚を

①感動話でも、②根性論でもなく、③再現可能な意思決定の言語

として読み解けます。

まとめ：マンダラは「意思決定の可視化」である

「目標を立てる」のではなく、「成果が生まれる構造を定義する」。
さらに、「その構造を因果でつなぐ」。

この2つが揃ったとき、初めて目標は“達成可能な設計”になります。

大谷翔平マンダラの価値は、ここにあります。