近年では、IoT・AI・RPA・ビッグデータなどデジタルトランスフォーメーションを象徴する先端テクノロジーに注目が集まるとともに、情報通信技術の進展が目まぐるしい状況です。クラウド・通信技術・センサーなどの技術が発展し、あらゆるものが低コストでインターネットに接続できる世の中となりました。そして、膨大なデータが生み出されるなか、蓄積されたデータの利活用が社会で求められています。
データの利活用を推進する際によく使われるキーワードとして、データドリブンがあります。データドリブンは、直訳すると「データ駆動」ですが、具体的には「蓄積されたデータの分析結果をもとに、問題や課題を解決するための意思決定を行うこと」を意味します。
しかし、多くの企業では、いまだデータドリブンをビジネスの意思決定に活かせていないのが実情です。そこで本記事では、データドリブンの基本的な定義や活用方法・必要なITツールについて解説していきます。
データドリブンとは
データドリブンは、直訳すると「データ駆動」という意味です。データ駆動とは、データが動力を与えて動かす、データに基づいて動かすことを指します。この意味では、データドリブンで何をすればよいのか、具体的にイメージしにくいため、もう少し掘り下げて考えていきます。
なぜ企業は、データドリブンに積極的に取り組んでいるのでしょうか。それは取り組んでいる企業の多くは、取り組まない企業より成功を収めている傾向があるためです。
企業内で統一されていないデータやレポート機能などを統一し意思決定に活かすことや、センサーからのデータを蓄積し、顧客動線を分析した結果を顧客サービスに活かすことで売上や業務効率・顧客満足度の向上など、さまざまな観点で成功を収めた事例が存在します。
企業は、ビジネスをするなかでさまざまな意思決定を行っています。企画の決定・商品化の決定・店舗地の決定・発注量の決定など、決定内容の大小を問わず意思決定を迫られる機会は多いでしょう。それらの意思決定は、何を根拠に決定を下しているのでしょうか。それは、今までの経験や勘です。このような書き方をすると「経験や勘を使わずにデータドリブンな考え方で意思決定をする」と思われてしまうかもしれませんが、経験や勘とデータドリブンの考え方を共存させる必要があります。
最終的に意思決定をするのは、当然「人」です。その人が決定を下すための要素である経験や勘に、データ分析の結果を加えようというのがデータドリブンの基本的な考え方なのです。
しかし、闇雲にデータ分析を行うだけでは、意思決定に活かすことはできません。インターネット検索をすると、データドリブンに関する失敗例についての事例がたくさん出てきます。
次項では、データ分析を実施するためのシナリオをご紹介し、その過程で設定する問題や課題について説明します。
データドリブンの課題
多くの企業は、データ基盤や分析のためのソフトウェアを購入し、データ分析に多額の投資をしたものの、ビジネス成果にはつながらずに悩んでいます。「ツールを購入したけれど使用されていない」「データ分析はしたけど業務改革に至らない」などの状況が散見されます。
一方、データ分析の結果を活かし、業務変革に成功して成果を上げている企業もあります。違いはどこにあるのでしょうか。本章では、データ分析をうまく活用できていない問題や課題について取り上げます。
データドリブンの問題
先述したように、データ分析をうまく活用できていないケースでは、「データ分析結果を出して報告した」「施策を行った際の効果を分析し報告した」「情報共有・状況報告をしたが、業務変化や意思決定に活用されない」などの状況が想像できます。
いずれのケースでも、ビジネスや業務に役立つデータや情報が示せていないことが問題です。言い換えれば、分析者や報告者が自己満足するためのデータであり、ビジネスには活かせないデータとなっているのです。
問題はなぜ発生するのか
データ分析をビジネスに活かせていない原因として、「データ分析することを目的としている」「ビジネスの問題や課題設定を間違えており、活用できないデータ分析をしている」ことが考えられます。
では、問題と課題の設定はどのように行えばよいのでしょうか。
まずは、基本に立ち返り、「問題」と「課題」の定義から考えてみます。
- 問題：理想と現実、目標と現状との差異
- 課題：問題の差異を埋めるためにすべきこと
この問題と課題の捉え方を間違えてデータ分析をしてしまうと、先述した自己満足のデータ分析になってしまいます。逆に言えば、適切に問題や課題の設定ができれば、ビジネスや業務に役立つデータ分析が可能となるはずです。
データ分析のゴールはなにか
データ分析のゴールは、データ分析の結果を会社やビジネスに役立てることです。
そのために、会社が抱えている問題や課題を解決する必要があります。
データ分析をビジネスに活かすには、ビジネスを理解し、適切な問題・課題設定を行うことが大切です。データ分析のスキルだけではなく、ビジネス理解や問題・課題を提起できるスキルも求められます。
データ分析をビジネスに活かすには
続いて、データ分析をビジネスで活かすためのシナリオについてご紹介します。
意思決定の仕方
データ分析をするには、何の問題を解くかを明らかにしなければなりません。「何を予測したいのか」「どういう仮説を検証したいのか」が明確でないままデータ分析をしても、活用されずに自己満足の分析結果となる恐れがあります。
課題は、予測や仮説を立てて、行動を起こすことにより解決されます。データ分析はその行動を起こすための要素を与えてくれます。
行動とは、企業や人々が行っている「意思決定」を指します。企業や人々は、意思決定を行うことで、さまざまな行動をとります。経験や勘から意思決定をすることもありますが、意思決定がビジネスの結果に結びつかない、適切な判断に繋がらないことも多々あります。結果だけがフォーカスされることが多いですが、意思決定した内容に問題があるだけではなく、意思決定に至るまでの過程に課題があったとも考えられます。
データ分析のシナリオ
データ分析のシナリオは、以下のように進められます。
・ビジネスで何の問題を解消したいのか
可能な限り定量化された問題を設定します。定量化されていない場合、今後設定する課題やデータ分析で解く内容が抽象的になってしまう恐れがあります。
・問題を解決するための課題はなにか
課題を設定する場合は、課題をこれ以上深堀できないところまで検討します。
・意思決定に至るまでの課題はなにか
設定したビジネス課題を、意思決定までの課題ととらえ設定します。その場合、定量化できているか、具体性のある内容であるか、という考えを念頭に置いて検討してください。
・データ分析で何の問いを解くのか
先述した通り、課題を具体的に定量的に設定していれば、データ分析で何の問いを解くかが設定しやすくなります。設定できていない場合は、問題や課題が深堀できていない可能性があるため、前のステップに戻り再検討します。
このステップに沿って進めることで、データ分析で何の問いを解くのかシナリオを作成できるようになります。ただし、厳密に何をデータ分析するのかまで掘り下げられていることは稀です。シナリオを作成してからも、厳密に何の問いを解くのかを検討することが大切です。次章では、どんなデータを使い、どんな分析を行うのか、またデータドリブンな思考で意思決定をするにはさらにどんな定義が必要なのかをご紹介します。
データドリブン思考
データ分析をせずに意思決定している現在の状態は、経験や勘に頼り過ぎています。そのような状況では、成果の見えづらさ・精度の低さ・極度な属人性など、多くの課題が発生します。多くの場合、意思決定をするまでの過程に対して、データ分析結果を活かせるように改善すると課題を解決できます。
データドリブン思考を意思決定に活かす場合、意思決定までの過程を暗黙知から形式知に変換することが求められます。
暗黙知とは、個人のなかにはあるものの「言葉にできない」「言語化しても伝わらない」という理由で、人に説明できない状態の知識です。ここでは、経験や勘で意思決定を行うことを指します。
形式知とは、言葉や図・計算式など人に説明できる形に変換された知識のことです。データ分析はパソコンで行われるため、意思決定までの過程を数値化（形式知化）する必要があります。
意思決定に必要な、形式知化は以下の流れで実施します。
1. 選択肢の収集
選択肢を検討します。例えば、DMを送付する対象顧客の総数・決断の選択肢（YES or NO）・分析対象の全メニューなど、分析するために選択しうる対象を収集します。
2. 手がかりを得る
1の選択肢から対象を選ぶための手がかりが必要です。どんな手がかりが欲しいのかを具体的に検討します。その手がかりを念頭におき、データ分析で対象を選択することに役立つ手がかりを提供することが求められます。
3. 選択（意思決定）
2で得た手がかりを参考に、経験や勘なども加味しながら#1の選択肢の中から選択をします。
このように意思決定の流れを形式知化する必要がありますが、それが難しいケースも考えられます。2で手がかりに求められることを形式知化できない場合、データ分析で何を解くか具体化できないため、データ分析が役に立ちません。意思決定の流れを形式知化することがデータ分析をビジネスに活かす重要な要素となるため、先述したシナリオや考え方で、ビジネス課題やデータ分析で何を解くのかをできるだけ具体的にしましょう。
データ分析のためのプラットフォーム
ここまで、データドリブンの考え方についてお伝えしてきましたが、データ分析するためにはITツールが必要です。本章では、データ分析を行うための一般的なシステム構成をまとめました。また、そのシステムを構成するITツール群はさまざまなサービスがありますが、本記事ではMicrosoftが提供するサービスで構成する場合に、どのようなITツールの選択肢があるのかをご紹介します。
データ分析に必要なプラットフォーム
企業にはさまざまなデータが蓄積されていますが、その中心のシステムとして挙げられるのが基幹システムです。
基幹システムはさまざまなシステムに分かれており、システム毎にデータベース（DB
）を持っているため、データ分析をする際は、散らばっているデータを集めてデータ分析するツールも必要です。一般的に必要と言われている3つのシステムをご紹介します。
ETL (Extract Transform Load)
ETLとは、E(Extract)：抽出、T(Transform)：変換、L(Load)：格納の略で、データ統合の過程で発生する処理の頭文字をとったツールです。
文字の通り、基幹系システムなどの各システムからデータを抽出し、変換を行った後に、後述するDWHなどのデータベースにデータを格納します。
同じ商品を表すデータであっても、各システムで値が異なった場合の突合せや、抽出の際に不要なデータの削除や正規化されたデータを非正規化するなど、データベースに保管する際に複雑な処理（SQL文を書くなど）が必要なく、GUIベースで処理できる点が特徴です。
DWH (Data Ware House)
基幹系の各システムのデータにETLがアクセスし、データのコピーを保存し、それを分析するために整理する役割を担います。DWHはデータを時系列で収集し整理することが可能なため、データ分析を得意としているツールです。
BI (Business Intelligence)
さまざまdな観点でのデータ分析をする際に使用されるツールです。DWHなどに蓄積された膨大なデータを人が理解するには、集計して視覚化する必要があります。
データドリブンを支援する Microsoft のプラットフォーム
MicrosoftでETL・DWH・BIの役割を担うツールは、Microsoft Azure ・ Microsoft 365から提供されています。昨今のサービスは、1つのサービスでETLやDWHの役割を担い、簡単な分析であれば1つのサービスですべての役割を担う機能が提供されています。データ分析で使用されるMicrosoftから提供されているサービスを紹介します。
Azure Server Integration Services（SSIS)
SSISは、Microsoft SQL Serverの一部であるオンプレミスのデータ移行および統合ツールです。主にETLの役割として使用されており、SSISを利用して、データソースからのデータ収集や抽出・データクレンジング・データマージなどを行います。後述するAzure Data Factoryとほぼ同等の機能を持ちますが、SSISは簡単なデータ処理を行うのに適しています。
Azure Data Factory
Azure Data Factoryはデータの抽出や変換・読み込みを提供するサービスです。GUIを利用することで簡単にデータ統合を行えます。ETLやDWHの機能を持ち、オンプレミス・クラウドのデータにアクセス可能で、サービス内でデータを一元管理できます。オンプレミスのSQL ServerからAzureへ簡単にデータ移行することも可能です。先述したSSISの機能も提供されています。
Azure Synapse Analytics（旧Azure SQL Data Warehouse）
Azure Synapse Analyticsとは、DWH（データウェアハウス）とビッグデータ解析を1つにまとめた分析プラットフォームです。企業内で蓄積されたデータを収集し、ビッグデータを含んだデータ統合を可能とします。また、データを統合するだけではなく、BIツールやML（Machine Learning）ツールとシームレスな連携ができる点が特徴です。
Power BI
Microsoftが提供しているBIツールであり、オンプレミス・クラウドのデータにアクセス可能です。特にMicrosoft 365やAzureサービス内のデータとの接続の親和性が高いのが特徴です。Power BIだけでもデータの収集・加工・分析・結果の表示といった、データの一連作業を行えます。それぞれ用意されている機能は異なりますが、DesktopとWeb版が提供されており、さまざまなデバイスからデータ処理やレポート作成ができます。Mobile版も用意されており、レポートなどを参照するビューアーとして使用できます。
まとめ
本記事では、データドリブンを企業のビジネスの問題や課題に活かす考え方を中心にご紹介してきました。紹介した考え方は、データ分析だけではなく、普段の業務で発生する問題や課題の定義にも活用できます。データ分析する際は、分析することを目的にするのではなく、「問題や課題を深堀り・棚卸すること」「意思決定までの過程を明確にすること」「意思決定するための課題はなにか」「その課題を解決するための手がかりはなにか」「その手掛かりに対してどんなデータ分析をすればいいのか」をできるだけ定量化・具体化することを念頭におき、データドリブン思考で企業のビジネスの問題に貢献してみてください。
データドリブン分析に役立つツールを検討する場合は、Microsoftが提供するAzureがおすすめです。 Azure Data Factoryでは、簡単にデータの抽出・統合を行えるため、操作性が高く、企業の課題解決に役立てられます。ぜひ検討してみてください。
