データの世界へようこそ！
皆さん、こんにちは！管理会計の最も重要な基盤の一つへようこそ。マネージャーをシェフに例えてみましょう。素晴らしい料理を作る（つまり、素晴らしい意思決定をする）ためには、最高の食材が必要です。ビジネスの世界において、その「食材」こそがデータです。この章では、このデータがどこから来て、どうやって収集され、どのような「種類（フレーバー）」があるのかを学んでいきます。まだ「数学は苦手だな」と思っていても大丈夫ですよ。この章は、情報の論理を理解することがメインですからね！
1. 内部データと外部データ
データは魔法のように突然現れるわけではありません。通常、ビジネスの「内側」か「外側」の2つの主要な場所からやってきます。
内部データ (Internal Sources)
組織内に既に存在するデータです。通常は入手が容易で、コストもほとんどかかりません。
例：先月コーヒーにいくら使ったかを知るために、自分の銀行の取引明細を確認する。
一般的な内部データの例：
• 会計記録： 売上請求書、発注書、給与明細。
• 製造部門： 何個製造されたか、機械が何時間稼働したかという情報。
• 人事部門： 離職率、病欠率、研修費用などの記録。
• 在庫データ： 倉庫に原材料がどれだけ残っているか。
外部データ (External Sources)
時には、社内の「冷蔵庫」が空っぽなこともあります。そんな時は、外へ「買い物」に行かなければなりません。これが外部データです。
例：他の店が同じコーヒーをいくらで売っているか、価格比較サイトで調べる。
一般的な外部データの例：
• 政府統計： インフレ率、失業率、経済成長に関するレポート（例：政府機関の発表）。
• 業界誌・専門誌： 特定の業界に特化した雑誌やウェブサイト（建設業者向けや歯科医向けの雑誌など）。
• インターネット： 競合他社の価格や顧客のレビューを確認するための巨大なリソース。
• 専門団体： ACCAやCIMAのような団体が提供する業界基準や最新情報。
クイック復習ボックス：
• 内部データ： 安い、速い、自社に特化している。
• 外部データ： 「全体像」をつかめる、競合他社との比較（ベンチマーク）に役立つ。
2. 一次データ vs 二次データ
データは「誰が最初に収集したか」という視点で考えると分かりやすくなります。これは試験によく出るトピックなので、しっかり整理しておきましょう！
一次データ (Primary Data)
今回の目的のために特別に収集されたデータのことです。「新鮮」で「オリジナル」なデータです。
例え：今何が起きているのかを正確に知るために、自分で写真を撮る。
メリット： まさに必要な情報そのもの。
デメリット： 収集に多額の費用と時間がかかることがある。
二次データ (Secondary Data)
誰かが別の目的のために既に収集済みのデータを、今の自分が利用することです。
例え：教科書やGoogle画像検索にある写真を使う。
メリット： 安く、すぐに入手できる。
デメリット： 古くなっていたり、必ずしも自分の目的に合致していない可能性がある。
暗記のコツ：
Primary = Purpose-built（目的のために作った＝新しい）
Secondary = Second-hand（中古の＝誰かが使ったもの）
3. サンプリング手法（データの選び方）
1万個のスープの具が入った巨大なボウルを想像してみてください。美味しいかどうかを知りたいとき、1万個すべてを食べるのは大変ですよね！そこで、スプーン一杯分のサンプル（標本）を取り出して味見します。管理会計でも、時間とコストを節約するためにこのサンプリングを使います。
A. 無作為抽出法 (Random Sampling)
母集団のすべての項目に、平等に選ばれるチャンスがある方法です。乱数生成器を使うのが一般的です。
よくある間違い：「適当に（近くにあるものを）選ぶ」ことを「無作為」と勘違いすること。会計における無作為とは、数学的に公平でなければなりません！
B. 系統抽出法 (Systematic Sampling)
「n番目」ごとに選ぶ方法です。
例えば、100枚の請求書から10枚を確認したい場合、10枚目ごとに抽出します。
間隔を求める式は： \( \text{Interval} = \frac{\text{Population Size}}{\text{Sample Size}} \)
C. 層化無作為抽出法 (Stratified Random Sampling)
まず母集団を層（グループ）に分け、それぞれの層から無作為に選ぶ方法です。
例：会社が女性60%、男性40%の構成なら、10人のサンプルをとる際に女性6人、男性4人を確実に選ぶようにする。これにより、サンプルの代表性が高まります。
D. 有意抽出法（割当法） (Quota Sampling)
層化抽出法に似ていますが、無作為ではありません。「50歳以上の人を20人探して」と指示し、20人集まった時点で終了します。素早いですが、偏りが生じやすい手法です。
E. 集落抽出法 (Cluster Sampling)
母集団を（通常は地域などで）「クラスター（集落）」に分け、選択したクラスター全体を調査します。
例：国中の学校の質を調べるために、5つの都市を無作為に選び、その都市のすべての学校を調査する。
F. 多段抽出法 (Multistage Sampling)
「サンプルのなかのサンプル」を取る手法です。
例：まず5つの都市を選び（第1段階）、次に各都市から3校を選び（第2段階）、最後に各校から生徒を10人選ぶ（第3段階）。
重要なポイント： 公平性なら無作為、正確性なら層化、移動時間やコスト削減なら集落・多段抽出を使い分けましょう。
4. ビッグデータ：現代のデータソース
このバズワードを耳にしたことがあるかもしれません。ビッグデータとは、SNS、センサー、GPSなどから毎秒生成される膨大な量のデータを指します。
最初は難しく感じるかもしれませんが、ビッグデータの4つのVを覚えておけば大丈夫です！
1. Volume（量）： とにかく膨大。
2. Velocity（速度）： 生成や移動が非常に高速（リアルタイム）。
3. Variety（多様性）： 形式が多種多様（動画、テキスト、数値、「いいね」など）。
4. Veracity（正確性）： そのデータは正確か？（ビッグデータには「乱雑」なものやフェイクも混ざることがあります）。
知っていましたか？ Amazonのような企業はビッグデータを活用して、あなたが欲しいと思う前に「何を欲しがるか」を予測しています！これは管理会計士にとって、売上予測のための強力な外部データとなります。
5. まとめとアドバイス
管理会計の試験では、この章から「内部データか外部データか」を問う問題や、「どのサンプリング手法か」を説明させる問題がよく出ます。
成功のためのヒント：
• 「10番目ごと」「50番目ごと」とあれば、答えはほぼ間違いなく系統抽出法です。
• 「サブグループ」や「比率」に言及があれば、層化抽出法や有意抽出法を疑いましょう。
• 一次データは高価ですが完璧。二次データは安いですが、目的と「ミスマッチ」している可能性があります。
お疲れ様でした！これでデータソースの基本はバッチリです。さあ、この生のデータをどうやって役に立つ情報に変えていくのか、次のステップへ進みましょう！