2024年7月4日(木) 〜 6日(土)に開催された、IVS KYOTO実行委員会主催『IVS2024 KYOTO』　にて白井が登壇したパネルセッションのアーカイブ動画が配信開始しました。

アーカイブ動画はこちら（IVS公式チャンネル）

登壇内容については以下をご確認ください。

https://www.dataadventure.co.jp/post-695/

企業活動において成果を出すことは大変重要なことであり、もちろんデータ分析も例外ではありません。
では事業上の成果を出すために何が必要なのでしょうか？

データから事業上の成果を出すためには、分析以外にも「組織」「データ」「業務」の3つのパスが必要です。
世の中には分析や分析前の業務の情報は多くありますが、全体的に「組織」「データ」「業務」についての情報は未だ少ないと考えています。
そこで本日は見落とされがちな3つのパスについて成功ポイントをお話しします。

執筆者のご紹介

白井　恵里
株式会社メンバーズ 執行役員
兼 メンバーズデータアドベンチャーカンパニー社長

東京大学を卒業後、株式会社メンバーズへ入社。
大手企業のオウンドメディア運用、UXデザイン手法での制作や、デジタル広告の企画運用に従事したのち、2018年11月に社内公募にてメンバーズの子会社（現、社内カンパニー）社長として株式会社メンバーズデータアドベンチャーを立ち上げ。
データアナリスト、データサイエンティスト、データエンジニアなどデータ領域のプロフェッショナルの常駐により企業のデータ活用を支援し、顧客ビジネス成果に貢献するサービスを提供。
2020年10月から株式会社メンバーズ執行役員兼務。現在カンパニーに所属するデータ分析のプロフェッショナルは約150名。
2024年、一般社団法人Generative AI Japan立ち上げに伴い、理事就任。
X @EriShirai

目次
01.|成果を生む第1歩は成果創出に適したチームを作ること
02.|ツールの進化が生みだすユースケースなきデータ。本当に必要なデータを揃えよう。
03.|分析はあくまでも手段。考えるべきはデータ分析の目的。
04.|初めての取り組みに困りごとや悩みはつきもの
05.|まとめ

成果を生む第1歩は成果創出に適したチームを作ること

データチームの考え方

データ活用を進めるうえで前提としておくべき考え方は、データ分析やデータ活用のみで売り上げや利益を直接生むことはできないということです。
基本的にデータ分析や可視化を行うことで得られるレポート、示唆出しなどは、事業成果において中間成果物であるということを認識しておきましょう。
実際にデータから得られる情報をもとに事業上の成果につなげるのは施策の実行能力を持つ現場であり、データ活用者とは別の立場の部署や人であることが多いです。
そのためデータ活用チームへは、各部署と連携してデータ活用を行うことが求められます。

データチームの編成

前述した「データは単体では成果を出すことができないため、他部署との協力が必要である」点を念頭に置いたうえで、成果創出に適したデータチームを編成していきましょう。
データチームの編成を行うには以下を決定することが必要です。

• ・目指す姿・役割・価値設計
• ・業務・人材スキル・マネジメント決定
• ・組織組成

それではそれぞれの項目を1つ1つ確認していきましょう。

①データチームの目指す姿・役割・価値設計

・チームが目指す姿を決める
チームが目指す姿は以下の順番で考えると決定しやすいでしょう。
理想→理想から逆算したやるべきこと→目指すデータチームの姿

データチームと他部署の関わりは大きく分けて2つあります。
会社の業務や業績全般を俯瞰して考える「経営」と、全体の業績達成のため各事業部ごとにミッションを持っている「現場」です。
「経営」と「現場」でデータチームの関わりも多少変化するため、この2つに分けて目指す姿を設定するのがよいでしょう。

「経営」との関わり方
理想　　：経営がデータを経営資源として捉えている
やること：データを経営資源と捉えた全社的なデータ活用戦略の設計
目指す姿：経営のパートナー

「現場」との 関わり方
理想　　：現場が業務にデータを活用して成果をあげている
やること：早くから成功体験を積ませ、チームの存在価値を認知させる
目指す姿：現場とともに事業成果を作る仲間

上記の目指す姿を実現するために重要な点は、「経営」と「現場」の双方に早い段階でデータチームの存在価値を認識させることです。
基本的にデータ活用は、業務効率の改善や事業成果の創出など業務において付加価値的な要素であり、必要不可欠とは言い難いものです。
そのため組織設立の時点で大きなミッションを達成しようとすると、他部署からはデータチームが行おうとしている業務やそれによって得られる成果が見えづらく、協力を得られにくくなってしまいます。
まずはデータチームがそれぞれの部署にとってメリットのある存在である、ということを認識させるため、小さな成果を早期に生み出すことを意識しましょう。
徐々に全社へデータチームの存在価値を認知させることにより、経営のパートナーや事業成果を尽くす仲間となれるのです。

・役割
データチームの持つべき役割とは一言でいうと、データを使って解決できる問題の中で、解決することで事業上価値がある問題を見つけ、解決することです。
例えば、「データを分析、可視化してBtoBのマーケティング施策のボトルネックを特定したことで商談化率が上昇した」といった場合は、マーケティング部の事業成果をあげることとなり、事業上価値がある問題といえます。
また事業部に合ったダッシュボードを構築することで、担当者が週次で作成していたレポーティング作業がなくなるといった場合も業務効率の改善につながり、事業上価値のあるものと言えるでしょう。
反対に「レポートを作成したが誰も見ていない、または見ていても数字を追うのみで数字を読み解きアクションに反映することがない」といった場合は、事業部の成果創出や業務効率化などネクストアクションへ繋がらないアウトプットとなり事業上価値がないと言えるでしょう。

・全社に提供する価値
全社に提供するデータチームの価値は、目指す姿と役割を実現するものです。
データ活用は基本的に以下の流れで行われます。

上記の流れから鑑みて、データ活用が全社に提供する価値とは、個々の企業が抱えているビジネス課題と施策の間をデータでつなぐこととなります。

②業務・人材スキル・マネジメント決定

目指すべき姿・役割・価値設計まで完了したら、次は以下の観点で業務・人材・マネジメントを決定しましょう。

Ⅰ　業務
・データチームで想定される業務　　
Ⅱ　人材
・業務を達成するために必要なスキル感
・人材調達方針（自社採用かアウトソーシングか）
Ⅲ　マネジメント　
・意思決定までのフロー
・データチームのKGI、KPI
・コミュニケーションの方針
・データ人材のキャリアパス
・データ人材の評価、報酬

ここで重要となるのは、キャリアパスや評価、報酬をどのように決定するかです。
一般的な営業や人事などの、どの会社にも必要なポジションのキャリアパスは実例も多く、想定しやすいでしょう。

しかしデータ人材のようなスペシャリストのキャリアパスについては、想定している企業の方が少ないのではないでしょうか？
データ人材は依然高い需要があり、評価や報酬を低く見積もりすぎると人員の獲得に苦戦するでしょう。
かといって報酬を高く設定しすぎることにより、既存社員との軋轢が生まれる可能性もあります。
どのような観点でデータ人材を評価し報酬を決定するのか、その報酬が市場のデータ人材の価値と見合っているかは慎重に精査する必要があります。

③組織組成

ここまで設計できれば、あとは組織の組成を行いましょう。

①データチームの目指す姿・役割・価値設計
②業務・人材スキル・マネジメント決定

上記の枠組みに沿った仕組みづくり、仕組みづくり、制度づくり、人材調達などを通して
自社にあったデータチーム作りを実現していきます。

ツールの進化が生みだすユースケースなきデータ。本当に必要なデータを揃えよう。

データ活用の相談を受ける際、「データは既にたくさん溜まっている」「必要なデータは用意している」というお客様は多数いらっしゃいます。
しかし実際のところ、いざ活用をしようするとデータを取り直すケースが多く発生します。
なぜデータの取り直しが発生するかというと、データの使い道（ユースケース）を想定しないままデータを溜めているからです。
技術やツールの進化によりデータ取得・蓄積が容易になり「とりあえずデータを溜めておく」ことが可能となり、「ユースケースなきデータ基盤」が多数構築されるようになりました。
そうした状況が生まれることで、「データはある」ものの、成果を生むのに必要なデータはない状況が頻発するのです。

そのためここでは使い道（ユースケース）を決めてデータを取得することが重要です。

ユースケースの作り方フレームワーク

上記の項目を埋めてデータを集積し、それらに適合するデータ収集実行・基盤構築を行うことで、必要なデータがそろっている状態を作り出せるでしょう。
データを取得する以前に、データを使ってどう成果を出すか、成果までの道筋を立てておくことが必要となるでしょう。

分析はあくまでも手段。考えるべきはデータ分析の目的。

前述したデータの使い道（ユースケース）を決めておくことと同様に、データ分析の目的を設定しておくこともデータ活用において成果を出す重要な要素です。

前述では何のためにデータを取得するか、という観点でお話ししましたが今回は何のためにデータを取得していて、データから分析を行った結果、どのようなアクションを起こすかという観点でお話しします。

問題設定

前述したユースケースにも重なる部分ですが、まずはデータ活用によってどのような情報を得たいかの問題設定が必要です。
分析するということは、何か知りたい情報があるはずです。その情報を知りたい理由が問題設定となります。

以下を例としてこの後のアクション設定と方針策定を行いましょう。

例）
知りたい情報：自社サービスのLTVと顧客獲得単価
問題設定　　：直近、新規顧客獲得とLTV向上どちらに投資すべきか判断したい。資金ショートしそうなのでなるべく早く。

分析後のアクション決定

次は分析後のアクションを決定します。
分析によって前述の情報を得た後、どういったアクションを行う想定か明らかにしておきましょう。

例）
LTVが顧客獲得単価を下回っていれば、顧客獲得投資を停止。
LTV向上のためにサービスを改善し、購買頻度・購買単価・利用継続期間の向上を狙う施策を行う。効果は週次定例会でモニタリングする。

分析方針策定

分析後のアクションまで定まれば、アクションに見合う分析方針を決定します。
納期と精度、重さと更新頻度、情報量の多さとコストなど、多くのトレードオフのなかから必要十分な設計を行いましょう。

例）
素早い決定が必要な状況なので、サービス開始時に遡った全数調査はせず、現アクティブユーザーのみ対象とする。
ドリルダウンはしない。効果検証を週次定例会で行うので、レポートデータのリアルタイム更新は行わず、定例会前日に更新するようバッチを組む。

初めての取り組みに困りごとや悩みはつきもの

データから成果を生むには、分析以外に3つのパスが必要です。
以下の全てのパスが嚙み合って初めて成果が出ます。

しかしこれらを自社内で行うとなると、データ領域に関する幅広い知見が必要となります。
またデータチームに求められるスピードに間に合わなくなりデータチームの組成自体が頓挫してしまうケースもあります。

あくまでも最終のゴールとしては、自社内でデータ活用が円滑にでき成果を創出できることですが、その道筋の途中に外注を挟むことも1つの方法です。
弊社では今回の記事でお伝えした分析前に行うべき部分を包括的にご支援しております。
もしデータ分析、データ活用に関して何かしらの課題を抱えていらっしゃるようでしたら必要に応じてご活用くださいませ。　

まとめ

ここまで、データから事業上の成果を生み出すためにデータ分析の前にやるべきことについて記述してきましたが、いかがでしたか？
企業が何か新しいことを始める際には、必然的に事業成果が伴わない限り、継続は難しいです。
もし今年度からデータ活用組織を立ち上げたもののうまくいっていない、または組織組成には成功したものの全社的な価値提供まで拡大することが難しいなどございましたら弊社メンバーズデータアドベンチャーカンパニーへご相談いただけますと幸いです。
弊社の100名ものデータのプロフェッショナルが、高いビジネス貢献思考をもって貴社のデータ活用を支援いたします。

\ データ活用についてのご相談はメンバーズデータアドベンチャーまで /

※今回の記事は2023年10月12日（木）に開催されましたデータビークル様との共催セミナー
「データ分析業界屈指の専門家が明かす、失敗しないデータ活用組織のつくり方」をもとに作成しております。
セミナーでは『統計学が最強の学問である』著書の西内氏の講演や白井との対談もご覧いただけます。
ご興味のある方はぜひ以下よりお申込みください。

今回の記事では、「生成AIを活用したデータ利活用の具体的な方法とそのメリット・デメリット」について詳しく解説します。
生成AIをまだ使いこなせていない方々に向けて、具体的な活用法やノウハウを提供し、苦手意識を取り除くことを目的としています。

執筆者のご紹介

山本
所属：
株式会社メンバーズ　メンバーズデータアドベンチャー　サービス開発室 所属　データストラテジスト
現在、データ基盤開発や生成AIの活用に力を入れており、日々業務の効率化を目指しています。
具体的には、ビッグデータの解析、レポーティング、自動化ツールの開発を担当しており、最近では生成AIを用いたデータ利活用の可能性を探求しています。

目次
01.|生成AI、使用していますか？
02.|生成AIを業務に用いるメリット・デメリット
03.|生成AIを使用する際気を付けるべきポイントとその理由
04.|活用Tips
05.|データ活用領域での利用例（弊社事例）
06.|まとめ

生成AI、使用していますか？

生成AI（Generative AI）は、大量のデータを元に新しい情報やコンテンツを生成する技術です。
自然言語処理（NLP）や画像生成などの分野で活用されており、業務においても様々な用途で利用されています。
例えば、文章の自動生成、データの解析、アイデアの発想支援などが挙げられます。
しかし、その潜在能力を最大限に引き出すためには、適切な使い方を理解することが重要です。

生成AIを業務に用いるメリット・デメリット

メリット

1. 迅速な情報収集と解析
   • 生成AIは、大量のデータを短時間で解析し、必要な情報を迅速に提供します。これにより、データアナリストはより効率的に情報を収集し、意思決定の速度を上げることができます。
2. アイデアの発想支援
   • 生成AIは、様々なデータを基に新しいアイデアを生成することができます。例えば、新製品のコンセプト作成やマーケティング戦略の立案など、創造的な業務において非常に有用です。
3. タスクの自動化
   • 定型的なタスクを生成AIに任せることで、人間のリソースをより高度な業務に振り向けることが可能です。例えば、定型的なレポート作成やデータのクリーニングなどが挙げられます。

デメリット

1. 入力プロンプトの質に依存
   • 生成AIの出力結果は、入力されたプロンプトの質に大きく依存します。不適切なプロンプトを入力すると、期待する結果が得られない場合があります。
2. 精度のばらつき
   • 質問やプロンプトが曖昧な場合、生成AIの出力結果にはばらつきが生じることがあります。また、同じ質問を繰り返すと、生成AIの応答精度が低下する場合もあります。
3. 機密情報の取り扱い
   • 生成AIに機密情報を入力する際には注意が必要です。情報の漏洩リスクを考慮し、適切なセキュリティ対策を講じることが重要です。

生成AIを使用する際気を付けるべきポイントとその理由

1. プロンプトを正しく使う
   • 生成AIの出力結果はプロンプトの質に依存します。具体的で明確なプロンプトを入力することで、より正確な情報を得ることができます。
2. 機密情報を入力しない
   • 生成AIに機密情報を入力することは避けましょう。情報漏洩のリスクがあるため、必要最低限の情報だけを入力することが推奨されます。
3. 商用転用しない
   • 生成AIの出力結果をそのまま商用目的で使用することは避けましょう。著作権や情報の信頼性に関する問題が生じる可能性があります。

活用Tips

1. 明確なプロンプトを設定する
   • 生成AIに対して具体的な質問をすることで、より正確で役立つ情報を得ることができます。
2. 定期的なフィードバックを行う
   • 生成AIの出力結果に対してフィードバックを行い、精度を向上させることが重要です。
3. 多様なデータソースを活用する
   • 生成AIの性能を最大限に引き出すためには、多様なデータソースを活用することが有効です。これにより、より幅広い視点から情報を収集できます。

データ活用領域での利用例（弊社事例）

弊社では、生成AIを用いて業務を効率化しています。実際に業務に用いられた例を見てみましょう。

コード生成

• Pythonで基本統計量を算出するコード生成

顧客分析の初期段階で、Pythonを使ってデータセットの基本統計量を迅速に算出するためのコードを生成AIで自動生成しています。これにより、データの中心傾向や分散をすばやく把握し、次の分析ステップをスムーズに進めることが可能になります。また、このコードを利用して、顧客の行動パターンや購買傾向を明確にし、ターゲティングの精度を高めています。

• VBAの作成

日常的な業務におけるExcel作業の自動化にVBAコードを使用しています。生成AIを使って複雑なVBAスクリプトを生成し、データの集計やレポートの自動化を実現しています。これにより、手動で行っていた反復作業を効率化し、人的ミスを削減しています。

• SQLの生成やクエリレビュー

SQLでのデータクエリを生成AIでレビューし、最適なクエリ構造を構築しています。生成AIはクエリの最適化や効率的なデータ抽出方法を提案することで、データベースの負荷を軽減し、処理時間を短縮します。また、複雑なデータ抽出が必要な際には、生成AIを利用して最適なクエリを生成し、データ分析のスピードと正確性を向上させています。

• Pythonのエラーコードの問題点と修正コードの生成

プロジェクトの開発中に発生するPythonコードのエラーに対し、生成AIを用いて問題点の診断と修正コードの提案を行っています。これにより、その精度向上と開発時間の短縮を実現しています。

情報収集

• SQL構文についての情報収集

特定のデータベース操作を実現するための最適なSQLクエリの作成や、既存クエリの改善方法を作成しています。生成AIを活用することでクエリ作成の時間を短縮し、データの抽出や操作をより効率的に行えるようになっています。

• BigQueryで緯度経度情報を活用した分析について調査

地理情報を用いたデータ分析の手法について、生成AIを通じて最新の情報を収集しています。たとえば、ビジネスの地理的な傾向を分析し、店舗の新規開設やマーケティング戦略の策定に活用しています。生成AIは、地理情報の可視化方法や高度な分析手法を提案し、データドリブンな意思決定を支援します。

• DataRobotを使用したデータ分析についての学習方法

自動化された機械学習プラットフォームであるDataRobotを活用したデータ分析の学習方法を、生成AIから取得しています。特に、初心者から上級者までの学習曲線をサポートするための教材やトレーニングプランの提案を受け、効率的なスキルアップを実現しています。

• Pythonの学習で、わからない部分を噛み砕いて説明してもらう

Pythonのコードやライブラリに関する複雑な概念を生成AIに質問し、詳細でわかりやすい説明を提供しています。これにより、若手のチームメンバーの技術理解を深め、開発効率を向上させています。

• 特定の技術やメソッドに関する詳細情報を収集

最新の技術トレンドや特定のアルゴリズムに関する情報を、生成AIを使って公式リファレンスや学術論文から抽出し、社内での技術革新を促進しています。

アイデア出し

• 顧客分析の最適なアプローチ方法のアイデア出し

顧客分析における新しいアプローチや戦略を考える際に、生成AIを活用しています。生成AIを使って異なる分析手法を比較し、最適な顧客セグメンテーションやターゲティング戦略を提案しています。これにより、顧客のニーズに基づいた効果的なマーケティング活動を実施しています。

• UI/UX改善のためのアイデア出し

製品やサービスのユーザーインターフェース（UI）とユーザーエクスペリエンス（UX）の改善案を生成AIで生成しています。生成AIは、ユーザーのフィードバックを基にしたデザイン提案を行い、使いやすく魅力的な製品を開発するための貴重なインサイトを提供しています。

• 資料でしっくりくる表現にするための語彙探し

資料作成時に、最適な語彙や表現を見つけるために生成AIを活用しています。生成AIは、適切なトーンやスタイルで情報を伝えるための表現を提案し、より説得力のある資料作成をサポートしています。

• スクリーンショットに関するタイトルのアイデア

スクリーンショットに適したタイトルやキャプションを考える際に、生成AIを利用しています。生成AIは、コンテキストに合ったタイトルを提案し、資料の理解を深めるための効果的なコミュニケーションを支援します。

文章生成

• SQL構文について、説明文の表現確認

SQL構文に関連する説明文を生成し、内容の正確性と明瞭性を確認しています。生成AIを利用して、技術的な文章をわかりやすく表現し、チーム内外での知識共有を促進しています。

• 意見を要約

ミーティングの議事録など複数の意見を生成AIで要約し、明確でコンパクトなレポートを作成しています。これにより、会議やディスカッションの結果を迅速に集約し、効率的な意思決定をサポートしています。

• 文章の要約・翻訳や言い換え

既存の文章を生成AIで要約し、翻訳や言い換えを行うことで、グローバルな情報共有を促進しています。生成AIは、言語間のニュアンスを考慮し、適切な表現で情報を伝える能力を提供します。

• ドキュメントの要約

生成AIを利用して、Power BIに関連するリサーチやドキュメントを効率的に要約しています。生成AIは、大量の資料から重要な情報を抜き出し、簡潔な形でチームに提供します。これにより、データ分析チームは必要な情報を素早く把握でき、分析作業の効率を高めています。

まとめ

生成AIを活用することで、データ利活用の可能性が大幅に広がります。
正確なプロンプト設定や機密情報の取り扱いに注意しながら、生成AIを業務に取り入れることで、業務効率化や新しいアイデアの創出が期待できます。
この記事も生成AIを用いて文章の構成を作成してもらい、かなりの時間を短縮しています。
ぜひ、今回の記事を参考に、生成AIを業務に取り入れてみてください。

\ データ活用についてのご相談はメンバーズデータアドベンチャーまで /

▶こちらも要チェック

データアドベンチャーのサービスご紹介

この記事では、データ活用人材に必要なスキルや、育成で押さえるべきポイントをご紹介いたします。

1. データ人材とは　
2. データ活用人材に欠かせないスキル
3. データ活用人材になるには？
4. データアドベンチャーでの育成環境をご紹介

執筆者のご紹介

萩原　梨香
所属：
株式会社メンバーズ　メンバーズデータアドベンチャーカンパニー　アナリスト事業部HRグループ
未経験からアナリストとなるための研修環境整備や育成を担当。
入社～常駐開始までの期間のチームメンバーマネジメントも兼任にて担当。
経歴：
6年間サービス業に携わり、リーダーとして現場マネジメントやOJT担当を経験。通関業界を経て2022年メンバーズに入社。
メンバーズでは、データアナリスト育成を担当し、研修の実施や企画を行う。

目次
01.|データ活用人材とは？　
02.|データ活用人材にかかせないスキル
03.|データ活用人材育成のポイント
04.|毎年数十名をデータプロフェッショナル人材に育て上げるデータアドベンチャーの研修体制とは？
05.|データアドベンチャーができること
06.|まとめ

データ活用人材とは？　

そもそも「データ活用人材」とはいったい何なのでしょうか？

「データ活用人材」とは、データの「収集」とそれを読み解く「分析」、データを用いた「仮説立案」から「意志決定」までを行うことができる人材のことです。
簡単に言えば、データをビジネスに活かせる人材です。

データ活用人材には、様々な職種がありますが、代表的な職種を3つご紹介します。

・データアナリスト
データアナリストは、主にデータの収集、処理、分析、解釈、可視化など、一連のデータ分析プロセスを担当し、企業が持つ大量のデータから有益な情報を引き出し、ビジネス課題の解決や意思決定の支援を行います。

・データエンジニア
データエンジニアは、データを活用するためのインフラを設計・構築し、データの収集・加工・分析を行うための基盤を作る専門家です。

・データサイエンティスト
データサイエンティストは、「高度に情報化された社会において、日々複雑化及び増大化（ビッグデータ化）するデータを、利用者の利用目的に応じて情報を収集・分析する技術を有し、ビジネスにおいて実行可能な情報を作ることができる者」を指します。

※出典：一般社団法人データサイエンティスト協会定款
https://www.datascientist.or.jp/aboutus/statute/（2024年8月8日に利用）
顧客のビジネス課題を抽出し、その解決に向けて、適切にデータを収集・処理・分析をし、分析結果から有益な情報を発見することで、顧客のネクストアクションを支援します。

データ活用人材にかかせないスキル

データ活用人材になるには、どのようなスキルが求められているのでしょうか？
求められるスキルは、職種によって変わります。ここでは「データ活用人材に欠かせないスキル」を3つご紹介します。

・データに関する知識
データ活用人材は、データを蓄積する段階からビジネスデザインを作成していくことがあります。
そのため、「データ」を収集・蓄積・操作できるスキルとデータをどこから習得するのか、どのようなものを習得するのかまでを考える力が必要です。

・プロジェクトマネジメントスキル
データ分析の結果を元にしてプロジェクトを進めるためのコミュニケーション能力や、それぞれの専門家が仕事をしやすいように関係各所と連携しながら、プロジェクトの進捗を管理する能力なども必要です。
さらに、データに価値を生み出し、どのようにビジネスに生かせるのかを考える力も必要です。

・データを扱うための専門スキル
データ活用をしていく上では、技術的なスキルも欠かせません。
データ収集、整理を行うための、Excel、SQL、Pythonなどのツール知識。データを視覚的に表現し伝えるためのBIツールの知識。
データの傾向やパターンを理解し、統計的な手法を用いて分析を行うための統計学と数学の知識も必要になります。

１つのスキルでデータ活用は成り立ちません。スキルを組み合わせることで、データを効果的に活用しビジネスの意思決定を支援することができます。

データ活用人材育成のポイント

社内で人材育成をしたいけれど、何から手を付けていいかわからない。または人材育成の取り組みがうまくいかない。そんな場面に直面することもあります。
これらを乗り越える「データ活用人材に欠かせないスキル」を身につけるためのポイントは2つあります。

・データ活用人材の人物像を定める
データ活用の目的は、「データをビジネスに活かす」ことです。
「何を達成したいのか」「どんな問題を解決したいか」、ビジネス課題に対してデータ分析で何を成し遂げたいかを明確にすることが大切です。
目的によってデータ分析のアプローチや求められるスキルが異なるため、必要とされるスキルに特化した人材育成に焦点をあてるとよいでしょう。

・学習環境を整える
基本的な技術は、書籍やオンラインコンテンツでも習得することは可能です。
ですが、「自身のスキルレベル」に合わせた学習でないと、習得に時間がかかってしまったり、途中で挫折してしまう可能性があります。まず自身のスキルの洗い出しを行い、学習のゴール設計を明確にするとよいでしょう。
データ活用人材に欠かせない「ビジネス力」は、業界に関する知識、課題、目標に対する深い理解が必要となります。書籍やウェブサイトだけでは情報を補完することは難しいため、社内での実務に則した取り組みが必要になります。

毎年数十名をデータプロフェッショナル人材に育て上げるデータアドベンチャーの研修体制とは？

データアドベンチャージョイン～常駐までの研修の流れを紹介

データアドベンチャーでは、入社後2週間かけオリエンテーションを行います。
オリエンテーション期間は、社内を知っていただくだけでなく「なぜデータ活用が今重要なのか」理解を深めていただきます。
オリエンテーション後は、データ活用人材になる技術研修期間に入ります。
研修内容や順番は職種によって異なりますが、データアナリストでは、SQL・アクセス解析・BIツールの技術基礎研修を行い、「データを活用する技術」を学んでいきます。

全員が専門家！データアドベンチャーの学びあい

データアドベンチャーカンパニーでは、入社のタイミングが年に１度ではなくほぼ毎月あります。
そのため入社時期の近いメンバーをチーム制にし、毎日２回「朝会」「夕会」を設け、その中でスキル研鑽で躓いた部分や、「こうやるといいよ！」というナレッジ交換を行っています。
研修内容やスキル研鑽をレポートにまとめ、週に1回の発表の機会を設けています。

アナリスト系の職種だけでも【データアナリスト】【データサイエンティスト】【BIエキスパート】【デジタルマーケティングアナリスト】と複数の専門分野があるので、各プロフェッショナルの視点でフィードバックがありお互いに刺激を受けています。

データアドベンチャー全体を見ると、プロフェッショナル人材の職域と職種は広がり、アナリスト、エンジニア、PM系統の中に各業務に特化した専門職種は9つあります。

※弊社サービス資料より引用

顧客企業へ常駐する形で支援を行っており、全メンバーに社内で会える環境ではないため、チャット文化が根づいています。
各プロフェッショナルメンバー全員参加のチャットがあり「こういった場面では、どのような解決方法がありそう？」と意見を求めると、領域のプロフェッショナルが必ず答えてくれます。
解決だけでなく、自身が困った体験談や外部ツールの情報交換も盛んに行われています。

データアドベンチャーができること

弊社では、データアナリストやデータエンジニアを中心に9つの職種のプロフェッショナルと各職種のエキスパート人材が在籍しているため、顧客企業のデータ活用状況や任せたい業務内容にマッチした人材を提供でき、顧客企業のデータ活用フェーズに合わせて人材を変更することもできます。
これまでに弊社の社員がデータ活用チームが組織にない状態からデータ活用のための戦略策定、組織作り、データ活用の実行、顧客社員へのスキルトランスファーまで行い、データ活用チームを軌道に乗せたという事例もあります。

まとめ

この記事では、データ活用人材に必要なスキルや、育成で押さえるべきポイントとデータアドベンチャーの育成環境をお伝えしてきました。

1. データ人材とは
2. データ活用人材に欠かせないスキル
3. データ活用人材になるには？
4. データアドベンチャーの育成とは？

人材育成は、策定も実施も難易度が高く、環境変化や市場に合わせた調整が必要な繊細な取り組みです。
自社で育成したくてもノウハウがない、どうすれば良いのかわからない場合においては、データ活用戦略から分析基盤構築、運用定着化までを支援する「データ領域特化型のプロフェッショナル常駐サービス」を検討してみてはいかがでしょうか？

2024年9月9日より公開される、Bizcrew主催の『ビジネス課題解決オンラインセミナー』にカンパニー社長の白井が登壇します。

本記事では、採用業務にフォーカスしたデータ活用をテーマに、具体例を交えながら以下についてお伝えします。

• ・採用業務ではどうすればデータが活用できるのか
• ・データ人材が不足する中で、どのようにしてデータ活用を進めていくのか

執筆者のご紹介

西條達也
所属：
株式会社メンバーズ メンバーズデータアドベンチャーカンパニー エンジニア事業部
データエンジニアとして顧客企業に常駐し、現在はCRMで取集したデータの利活用推進を担当。
経歴：
システムエンジニアとして顧客企業のシステム開発に数年携わった後、顧客企業のダイレクトリクルーティング支援を担当。
社内データを活用し、採用担当者に施策提案などを行う。
2024年4月にメンバーズに入社し、現職。

目次

01.|多くの企業で人材は充足していない
02.|採用業務でもデータ活用は有効か
03.|採用業務でのデータ活用術
04.|自社でのデータ活用が難しい場合は

多くの企業で人材は充足していない

人手不足が深刻です。株式会社帝国データバンクの「人手不足に対する企業の動向調査（2024年4月）」によると、

以下引用

『正社員が不足している企業の割合は 51.0％で、前年同月比-0.4ptとなったものの 5 割を超えて高止まり傾向が続いている。業種別では、IT エンジニア不足が顕著な「情報サービス」が 71.7％でトップ。』

であり、主に IT 企業を指す「情報サービス」の人手不足割合は18 カ月連続で70%を超えており、慢性的な「ITエンジニア不足」となっています。

表1

表2

*表1.2出典：「人手不足に対する企業の動向調査（2024年4月）」（株式会社帝国データバンク）
https://www.tdb.co.jp/report/watching/press/pdf/p240501.pdf（2024年8月8日に利用）

また、IPA（独立行政法人情報処理推進機構）の「DX白書2023 エグゼクティブサマリー 」によると、DXを推進する人材の確保状況が「やや不足している」、「大幅に不足している」と回答した企業は2022年度に80%を超えており、DXやDXに付随した戦略を実現するうえで欠かせない人材の確保に苦戦する企業が非常に多いことがわかります。

表3

*表3出典：「DX白書2023 エグゼクティブサマリー」（IPA）
https://www.ipa.go.jp/publish/wp-dx/gmcbt8000000botk-att/000108048.pdf（2024年8月8日に利用）

以上のことから、企業の多くは、以下のような状況に置かれていることが推察されます。

• ・ITエンジニア不足が常態化しており、計画の見直しを迫られる
  →社内のIT投資がなかなか進められない、もしくはリソース不足でやむを得ずプロジェクトを諦める
• ・ITエンジニアに限らず、DXを推進できる人材の確保が進められていない
  →社内のDXがなかなか進められない、もしくはDXを進めたものの、思うような成果があげられていない

ITエンジニアやDX推進人材をはじめ、不足している人材を確保したいとき、企業はまず「採用」を考えるでしょう。
そのため採用担当者のもとには、「なんとか人材を確保してほしい」という切実な声が各部署から寄せられます。

しかし、日々採用活動に携わる方々は、以下のようなお悩みを抱えているのではないでしょうか。

• ・求めるスキルを持った人材が、求人に応募してこない...
• ・採用した社員が早期に離職してしまい、定着しづらい...
• ・改善のために施策を打ちたいが、日々の業務で忙しく手が回らない...

この他にも採用活動に関するお悩みは様々ですが、いずれもその原因は複雑で、改善が容易ではないことも珍しくありません。

ではどうすれば、あなたの企業の採用課題は解決できるのでしょうか？
これらの課題はもしかすると、データを活用することで解決できるかもしれません。

採用業務でもデータ活用は有効か

データの利活用は、商品企画、在庫管理、渋滞予測など、既に様々なシーンで進められています。
採用業務においてもそれは同様で、応募者の情報、求人別のデータ、採用媒体別のデータなど、無数のデータを活用することができます。

しかし、データがあってもどうすれば活用できるのか分からない...またはデータを活用するための工数や人材が確保できない...といった理由から、「うちの会社で採用データの活用は難しい」と考えている採用担当者も多いかもしれません。
もしくは、既存の採用管理ツールやExcelなどでデータを管理しているので、「今のままで問題ない」と考える方もいるかもしれません。

　
例えば、HRMOS 採用やHERP Hire などのATS（応募者追跡システム）を活用する手法であれば、採用担当者の多くが普段の業務で使用するツールを使ってデータ分析に取り組めるため、比較的手軽に実践できるかと思います。
ただし、ATSなどで既に閲覧できるデータをいきなり採用課題の解決に用いるのは、リスクが伴います。
そのためデータを活用して課題解決につなげるためには、データを活用できるようにするためのプロセスを知っておく必要があります。

※一般的なデータ活用のプロセスの詳細についてはこちらをご覧ください。

メンバーズ流　データ活用のススメ

採用業務でのデータ活用術

■データはどうすれば活用できるのか

それでは、具体的にはどのように採用データを活用し、課題を解決することができるのでしょうか。
ここでは中途採用において、内定辞退が頻発しているというケースを例にして考えてみます。

1. データ活用戦略を考える
今回は内定辞退が頻発するというケースですが、まずは具体的にいつまでに、どの程度まで辞退率を低下させることを目指すのか、あらかじめ定義します。
次に設定した目標を達成するために、どのような施策が効果的であるか仮説を立てます。
そして実行する施策の効果測定を行うために、どのようなデータを収集する必要があるかを考えます。
最後に、必要なデータを収集・分析し、採用活動に生かすためにはどのようなツールが必要かを検討します。

2.内定辞退の理由を蓄積する（データを集める）
そもそも候補者が内定辞退する理由は、なんなのでしょうか？
内定フェーズまで進んでいる候補者ですので、志望度が一定以上はあった可能性が高いでしょう。
よくあるパターンとして考えられるのは、下記のいずれかです。

• ・候補者が複数社から内定を得て、比較検討したうえで選ばれなかった
• ・応募時点では志望度が高かったが、選考を進めていくにつれてギャップが生じ、志望度が下がった

どのような要素が内定辞退に直結しているのかを推定するため、まずは辞退理由を把握することが重要です。
また、集めたデータをデータレイクやデータウェアハウスなどのデータ保管庫にどのように蓄積するかを決めることも、データ活用には欠かせないプロセスとなります。

3.目的に応じて情報を整理する（データを加工する）
内定辞退の理由を集めることができたとしても、一目でどのような傾向があるのかを把握するには、データを加工する段階が欠かせません。
この工程を適切に行うことで、採用媒体ごとの費用対効果や、月別の採用進捗といった、複数の採用課題を解決するための情報を迅速に得ることができます。
個人情報を保護するためのマスキングや、目的に応じて一部のデータのみを抽出するデータマート作成などが当てはまります。

4.ダッシュボードの作成（データを可視化する）
データをビジネス課題の解決に活用するためには、可視化も重要な工程になります。
経営陣や現場部門など、他部署に対して採用に関する情報を共有するうえで、一目でわかるデータは大きな説得材料になりえます。
「内定辞退者が頻発している」という課題に対して、「他社との比較検討の結果辞退した方の半数以上が、転職検討理由でワークライフバランスをあげていた」というデータを添えることで、ネクストアクションの合意につなげられるかもしれません。

5.データ活用を最適化・自動化する（業務を改善する）
データを集める、加工する、可視化する、といった一連のプロセスを自動化することで、定常業務の工数削減や、データを使った業務の属人化解消につなげることができます。
さらに運用において、データ業務の負荷を軽減できるようなプロセス改善は、品質向上やコスト削減に直結します。

ここまで5つのステップに分けて、採用でよくあるお悩み事を例に挙げ、データ活用でどのようにアプローチできるかを掘り下げました。
採用管理ツールやExcelで対応できる部分もありますが、工数といったコスト面や、企業ごとの個別事象に対応したカスタマイズ性を考慮すると、データ分析基盤を構築し、収集→加工→可視化の一連を最適化・自動化することができる「データエンジニアリング」が有効ではないでしょうか。

自社でのデータ活用が難しい場合は

データ活用のための工数・人材確保はどうするのか

採用業務におけるデータ活用のイメージが少しずつ湧いてきましたか？
データ活用と聞くとハードルが高い印象を持たれるかもしれませんが、そのプロセスは基本的には「仮説→実行→検証」というシンプルなもので、採用活動でも広く使われる考え方と共通する部分があります。

ただ、日々多くのタスクを抱えている採用担当者が、データ活用に向けて時間を捻出し、採用課題の解決を実現することはできるのでしょうか？
恐らくリソース（工数・人材）上の問題で困難になることが多いでしょう。

では、先ほどご紹介したようなデータ活用に向けたステップは、実行に必要な社内のリソースが不足している採用現場では、実践することができないのでしょうか。
もちろんそのようなことはありません。
社内リソースが充足しない場合は、外部リソースを活用することで、データ活用を進めることができるからです。

外部リソースとして一般的な、ITベンダーに依頼した場合はどうでしょうか。
データ分析に強みを持つITベンダーであっても、先ほどの5つのステップのうち、「1. データ活用戦略を考える」、「5.データ活用を最適化・自動化する（業務を改善する）」で上手くいかないケースはしばしば発生します。

その理由は、データをどのように活用したいのか言語化が難しく、認識齟齬が発生しやすい点や、ベンダーが実業務への理解が浅く、現場に負荷のかかるオペレーションになりやすい点などが挙げられます。

データアドベンチャーの「伴走型支援」で地に足のついたデータ活用を！

当社メンバーズデータアドベンチャーでは、業務でのデータ活用を社内で進める場合、外部に委託する場合、それぞれで起こりうる問題が発生しないよう配慮されたサービスを提供しています。

• ・常駐型サービスで、密なコミュニケーションが可能
  →お客様のビジネスフェーズやニーズにあわせて、上流から下流工程まで対応！
• ・お客様のビジネス理解を深め、当社人材がクライアント社内の社員のように業務を遂行
  →カスタマーサクセス志向の強いクリエイターが、貴社の事業成長・内製化を見据えてご支援！

※当社サービス資料より引用

※当社サービス資料より引用

その他の詳細について少しでも気になりましたら、こちらから当社サービスについて、ぜひご覧ください。

\ キャンペーン実施中/

データ活用に関するお困りごとやご相談がございましたら、お気軽にお問い合わせください。

\ データ活用についてのご相談はメンバーズデータアドベンチャーまで /

本記事では、ビッグデータとは何か、その特徴である5つのV（Volume、Velocity、Variety、Varacity、Value）について説明し、ビジネス活用のメリットについて説明します。
さらに、ビッグデータを取り扱うためには、ビッグデータ人材を確保することが重要であることとその理由、その手法として中途採用、既存人材の活用、新卒採用、ビッグデータ人材支援サービスなどの方法があることをお伝えしたいと思っています。

執筆者のご紹介

まえじま
所属：
株式会社メンバーズ　メンバーズデータアドベンチャーカンパニー　エンジニア事業部　データエンジニア
2024年度から幅広く顧客事業に携われるようエンジニア事業部へ異動しました。
以前まではデータアナリストとして大手アパレル小売メーカーに常駐し、顧客分析や効果検証、ダッシュボード作成・運用等をおこなってきました。
経歴：
大学でデータ解析や経営工学について学び、2022年にメンバーズに新卒入社。
入社後、データアナリストとして大手アパレル小売メーカーに常駐し、データ抽出・加工・分析・可視化、ダッシュボード作成等の業務に従事。
2024年度からエンジニア事業部に異動し、データエンジニアとして業務を行っている。

目次
01.|ビッグデータとは？
02.|ビッグデータの（ビジネス活用）メリット
03.| ビッグデータの取り扱いについて
04.|ビッグデータを取り扱うために必要な人材とは
05.|データアドベンチャー内のビッグデータ取り扱い事例
06.|まとめ

ビッグデータとは？

通常のデータとどう違うのか（５つのV）

ビッグデータは一般的に

• ・Volume（量）
• ・Velocity（速度）
• ・Variety（多様性）

の3Vから説明されています。
近年では、3Vに加えて

• ・Varacity（正確性）
• ・Value（価値）

の2Vが追加されて、ビッグデータについて言及されます。
では、1つ1つのVはどのような意味なのでしょうか？

• ・Volume（量）
  ビッグデータに関する最も一般的な特徴は膨大な量のデータです。
  さまざまなソースやデバイスから継続的に収集・生成される膨大な量のデータを表しています。
• ・Velocity（速度）
  ビッグデータの速度とはデータが生成される速度を指しています。
  データはリアルタイムorほぼリアルタイムで生成されることが多く、データ活用するためには同じ速度で処理、アクセス、分析を行う必要があります。
• ・Variety（多様性）
  データは異種混合で、多くの異なるソースから、構造化・非構造化・半構造化されたものである可能性があります。
  ※構造化データ：スプレッドシートやリレーショナルデータベースのデータ等
  　非構造化データ：画像や音声ファイル、非構造テキスト等
• ・Varacity（正確性）
  ビッグデータは乱雑でノイズが多くエラーが発生しやすいため、データの品質・正確性の管理が困難です。データの正確性が高いほど信頼できます。
• ・Value（価値）
  収集されるデータのビジネス価値を見極めることが非常に大切です。
  意思決定に役立つ分析情報を得るために、ビッグデータに適切なデータが含まれていること、効果的に分析することが必要です。

ビッグデータの（ビジネス活用）メリット

5Vから説明できるビッグデータですが、ビジネス活用はどのようなメリットがあるのでしょうか？
総務省の資料ではこのように記載されています。

図1

*図1出典：「平成25年版情報通信白書」（総務省）
https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/h25/pdf/n1300000.pdf（2024年8月8日に利用）

今回は生産性向上の部分に注目したいと思います。

意思決定におけるデータ活用

何らかの「目標」を立てて、目標達成のために必要な複数の行動の選択肢の中から適切なものを選ぶことを意思決定といいます。
意思決定においては、数字的根拠あるエビデンスに基づく判断が必要不可欠です。
また、市場、消費者、顧客の価値観が大きく変化を遂げている近年では、スピーディーかつ正確な意思決定をする必要性が増しています。
そのために、データから正確な状況を分析・把握することが重要になっています。

ビッグデータの取り扱いについて

気を付けておくべきポイント

5Vで説明されるビッグデータ。
ビッグデータを活かし、データ分析をすることで意思決定に活かしていくことを前述させていただきましたが、ビッグデータを活用するうえで重要なポイントはどのような点でしょうか？

ビッグデータ活用するための3つのポイント

• ・ビッグデータを扱える人材の確保
• ・セキュリティ性能の担保
• ・プライバシー侵害を行わない

・ビッグデータを扱える人材の確保

ビッグデータを活用するには、データ分析の専門知識を持つデータアナリスト・データサイエンティスト・データエンジニアが必要となります。
これらの知識を持つ人材を自社で育成するか、外部から引き入れる必要があります。

データアナリスト・データサイエンティスト・データエンジニアには、数学・統計学・コンピューターサイエンスの知識が必要とされますが、それらのスキルを持つ人材は不足し、経済産業省は2030年までに41万～71万人のIT人材が不足する（*1）と予測しています。
*1出典：「－ IT 人材需給に関する調査 － 調査報告書」（経済産業省）https://www.meti.go.jp/policy/it_policy/jinzai/houkokusyo.pdf（2024年8月8日に利用）

・セキュリティ性能の担保

ビッグデータには重要な商業情報や個人情報が含まれている可能性があり、不適切に取り扱われると組織の信頼や評判を損なう可能性があります。
したがってデータの保護・プライバシーに関する法律の遵守は重要な課題となり、セキュリティ性能の担保ができない場合、専門業者へ相談することが必要です。

・プライバシー侵害を行わない

ビッグデータには、個人情報等のプライバシーにかかわる情報が含まれるケースもあります。
また情報の組み合わせによってプライバシーを侵害してしまうケースもあります。
そのため、プライバシーを侵害するリスクがないか十分に注意しないといけません。

ビッグデータを取り扱うために必要な人材とは

ビッグデータは膨大な量のデータです。
そんなビッグデータを取り扱う人材を有効活用すれば、ビッグデータを効果的に無駄にせず有効利用することができ、ビジネスに活用することができます。

しかし前述したように、ビッグデータを扱える人材は2030年までに不足するという予測があり、独立行政法人情報処理推進機構「DX白書2021」では、今後重要と考え育成していきたい人材の第3位がビッグデータ人材という結果が出ています。（*2）
*2　出典：「DX白書2021」（IPA）https://www.ipa.go.jp/publish/wp-dx/qv6pgp0000000txx-att/000093706.pdf（2024年8月8日に利用）

現状・今後、ビッグデータ人材の需要は高く、今後も確保しにくい状況が続くとなるとビッグデータ人材を確保する方法を把握しておかないといけません。
ビッグデータ人材を確保する方法は下記4つが考えられ、用途やケースに合わせて柔軟に活用してみてください。

• ・中途採用（キャリア採用）
• ・既存人材の活用
• ・新卒採用
• ・ビッグデータ人材支援サービス

データアドベンチャー内のビッグデータ取り扱い事例

メンバーズデータアドベンチャーでは下記のようなビッグデータ取り扱い事例があります。

インタビュー対象者を選定するために属性データや売上データをもとにPythonでクラスター分析のモデルを作成して、顧客をクラス分け。
クラス分けした結果をもとにインタビュー対象者を選定した。

【データ内容】
1.顧客属性データ
2.売上データ
3.サイト利用データ
4.メール配信データ
【データ量】
1.約4.8GB（23,000,000レコード）
2.約10.84GB（51,000,000レコード）
3.約570GB（400,000,000レコード）
4.約126GB（1,600,000,000レコード）

アプリの新機能を評価するためのダッシュボードを作成したいという要望の元、GCPサービスのDataformでデータマートを修正し、Looker（LookML）でexploreを新規作成。
結果として、アプリの新機能の効果検証に使用した。

【データ内容】
1.サイトの利用ログ
2.スタッフ情報
3.ポイント情報
【データ量】
1.約600MB（2,400,000レコード）
2.約20MB（300,000レコード）
3.約2.6GB（5,000,000レコード）

まとめ

今回はビッグデータの概要・活用メリット・取り扱い方法・人材についてお話ししました。
ビッグデータを活用することで意思決定に大きく役立ちます。
一方でセキュリティ性能の担保・プライバシー侵害を行わない・ビッグデータを扱える人材の確保といったビッグデータを取り扱うポイントが存在します。
もし、上記ポイントなどでお悩みがあれば専門家への相談も視野に入れるとよいでしょう。

\ データ活用についてのご相談はメンバーズデータアドベンチャーまで /

▶こちらも要チェック

データアドベンチャーのサービスご紹介

今回はデータ活用プロジェクトなど専門性の高いプロジェクトを推進するPM（プロジェクトマネージャー）をどのように調達するのかを以下４つの観点からお伝えします。

• ・PMに求められるスキル
• ・領域特化型のPM
• ・社内でのPM人材の育成
• ・PMの外部からの調達

執筆者のご紹介

阿曽 良祐
所属：
株式会社メンバーズ　メンバーズデータアドベンチャーカンパニー　エンジニア事業部
データエンジニアとして大手小売業のクライアント様に常駐。
データ分析基盤の開発・運用をするチームに所属し、チームリーダーとして技術リードやチームマネジメントを担当。
保有資格：
AWS認定　ソリューションアーキテクト　プロフェッショナル
経歴：
事業会社の情報システム部門にて、業務システムの更改やデータ分析基盤構築プロジェクトなどを経験。
その後メンバーズに入社しデータエンジニアとして現職に従事。

目次
01.|PM（プロジェクトマネージャー）とは？
02.|PMが持っているスキルや対応範囲
03.|PMという役割を設置することによるメリット
04.|データ活用ではデータに特化したデータ専門のPMをおくことが望ましい
05.|自社でもPMを育成したい場合の対応方法
06.|まとめ

PM（プロジェクトマネージャー）とは？

PMとは、プロジェクトをマネジメントする人のことを指します。
ここでいうプロジェクトとは「目的・目標を設定し、それを決められた期限までに達成するための活動」を指します。
手順書があり、毎月決まって実施しなければならないような、いわゆる定型業務とは明確に区別されます。

そのプロジェクトを、進めていく際に発生する様々な事象をやりくりし、何とか期限までに目標を達成させることがPMの役割です。
様々な事象は一般的に、成果物の品質（Quality）、コスト（Cost）、納期（Delivery）の頭文字をとって、QCDといわれます。
これら３つのバランスをとり、プロジェクトを成功に導くことがPMには求められます。

類似している職種には、プロダクトマネージャーやPMO（プロジェクトマネジメントオフィス）が存在します。
前者は、「プロダクト（＝特定の製品やサービス）」のマネジメントに責任を持ちます。
また後者のPMOは、プロジェクトマネジメント業務の支援や、複数のプロジェクトが同時進行しているケースにおける横断的なマネジメントを行います。
PMをサポートする役割を担うことが多いです。

PMが持っているスキルや対応範囲

プロジェクトを進めていくためにPMに求められるスキルとしては以下のようなものが挙げられます。

• ・先を見通す思考力
• ・合理的思考力
• ・臨機応変な対応力
• ・コミュニケーション力

プロジェクトのゴール（目標）は未来にあります。そのためプロジェクトでは、未来から逆算し今後どのように進めていくか計画を立てていきます。

しかし、未来は不確実なもので、プロジェクトを進めていく中で不測の事態は避けては通れません。
その時PMには、今置かれている状況から合理的な判断を下し、臨機応変にプロジェクトの計画を調整していくことが求められます。

また、プロジェクトには、ステークホルダーと呼ばれる社内外のさまざまな関係者がいることがほとんどです。
ステークホルダーの人たちは、プロジェクトに対してそれぞれ関心を持っています。
このステークホルダーたちと適切なコミュニケーションをとることもプロジェクト成功には欠かせないものとなっています。

このようにプロジェクトを成功に導くためには、多くのことを考え、計画し、それを適切に発信することもPMには求められます。

PMという役割を設置することによるメリット

PMという役割をプロジェクトに設置することには、プロジェクト全体を俯瞰して見ることができるようになり適切な意思決定がしやすい、というメリットがあります。

先に述べたようにプロジェクトにはさまざまなステークホルダーが存在し、それぞれ異なる関心事を持っています。
社内にデータ分析基盤システムを構築するプロジェクトを例に挙げると、次のようなことが起こり得ます。

ユーザー部門は自分たちの業務がより効率的になるよう様々な要望を出してきます。
一方、経理部門や経営層は、プロジェクトにかかるコストに関心があることが多く、低コストでのプロジェクト遂行を望んでいます。
またシステム部門は、品質に関心があり、様々なテストを踏まえシステムをリリースしたいと考え、しばしばプロジェクトのスケジュールに影響を及ぼします。

このような状況下でPMは、各ステークホルダーの要望のバランスをとり、総合的な判断を行う役割を持っているので、適切な意思決定につながりやすくなります。

データ活用ではデータに特化したデータ専門のPMをおくことが望ましい

プロジェクトでは、その目的に沿った専門的な知識が必要なケースとなるケースがほとんどです。

目標設定のフェーズや、プロジェクト計画を策定する際など、プロジェクトを進めていく過程における多くの場面で求められます。
例えばデータ活用推進プロジェクトにおいては、統計や一般的なデータ分析手法に加え、データ分析基盤となるクラウドサービスやセキュリティ、ガバナンスなどの領域の知識等が挙げられます。

各領域ごとに社内の有識者をプロジェクトへ参画してもらうことで情報収集できますが、そうでない場合は、有識者を社外から調達するという選択肢も考慮に入れる必要が出てきます。
有識者とのコミュニケーションによって助言を得たり、様々な方法で過去事例の収集を行うなどもPMの重要な役割となります。

しかし、社内の有識者を探し、日々の業務の合間を縫ってプロジェクトに参画してもらうための交渉が難航したり、収集した情報の精査に時間がかかるなど、プロジェクトを進めるうえでのリスクとなる面もあります。

このリスクを回避するために、領域に特化したPMを配置するという手段があります。
前述のデータ活用推進プロジェクトの例では、データ領域専門のPMを設置するというものです。

特にデータ領域では、データ分析の知識だけでなく、データ分析基盤として用いられることの多いクラウドサービスの知識や、セキュリティなど必要な専門知識は多岐に渡ります。
データ領域特化のPMを配置することで、これらを別々のメンバーとして調達するコストを削減することができます。
加えて、コミュニケーションコストの軽減や豊富な専門知識をプロジェクト全体で活かすなどの恩恵を得ることが期待できるでしょう。

自社でもPMを育成したい場合の対応方法

PMは外部から調達することもできますが、自社でPM人材を育成したいと考えている企業も多いのではないでしょうか。
PM人材の育成には以下の２つの要素が重要だと筆者は考えています。

• ・プロジェクトの実務経験
• ・体系的なプロジェクトマネジメントの知識理解

PM人材の育成において何から始めればいいか迷っている場合は、まずは外部からPMを調達し、社内のPM候補となる人材をプロジェクトに参画させ、経験を積んでもらうことをお勧めします。
PMとコミュニケーションをとり、ノウハウを間近で見ることで、プロジェクトの進め方のコツや、PMの思考法などを得ることができます。
その後、比較的小規模なプロジェクト（半年程度の期間のもの）から任せ、次第に規模を大きくしていくことで経験が蓄積し、PM人材として成長することができるでしょう。

加えて、プロジェクトマネジメント研修などで体系的な知識を習得することも重要です。
プロジェクトマネジメントには「ISO21500」という国際標準が定義されており、これに準拠した研修なども豊富に存在します。
プロジェクトの実務経験と研修などによる体系的なプロジェクトマネジメント知識の習得を組み合わせることで、社内でもPM人材の育成をすることができるでしょう。

しかし、そこでも注意しなければならない事項があります。
データ活用プロジェクトなど専門性の高いプロジェクトでは、プロジェクトを進める上で必要な知識が多岐にわたるため、プロジェクトの遂行と人材育成を両立させる難易度が上がります。
こういったケースでも領域特化のPMを外部から調達しプロジェクトの進行を任せることを検討するとよいでしょう。

まとめ

本記事では、PMがプロジェクトを成功に導くために必要なスキルとして、「先を見通す思考力」、「合理的思考力」、「臨機応変な対応力」、「コミュニケーション力」の４つを挙げました。
またこれら４つに加えて、プロジェクトでは専門的な知識が必要になるケースも多く、そういった場合には領域特化のPMを設置することで解決することができることを説明しました。
社内でのPM人材育成の観点では「プロジェクト経験を積ませること」と「体系的なプロジェクトマネジメント知識理解」の２つが重要だと提案しました。
プロジェクトの成功、人材育成、両方の観点でも、初期段階では外部からPMを調達することで、プロジェクトを円滑に進めつつ人材育成を達成できるので検討してみてはいかがでしょうか？

\ データ活用についてのご相談はメンバーズデータアドベンチャーまで /

▶こちらも要チェック

データアドベンチャーのサービスご紹介

一般社団法人Generative AI Japan主催の「生成AI大賞2024」にて、カンパニー社長の白井恵里が審査員を務めます。

【「生成AI大賞2024」概要】

日本における生成AIの可能性を追求し、業界横断でイノベーションの創造を目指すべく、優れた活用事例を表彰する「生成AI大賞2024」をGenAIと日経ビジネスが共同で開催いたします。ぜひ多くの皆様のご応募をお待ちしております。

■応募対象 日本国内に拠点を有する団体（企業・自治体・学校等）
■受付期間 2024年9月上旬～10月7日
■表彰 生成AI大賞2024 他、各賞を予定
■応募費用 無料
■応募方法 生成AI大賞2024サイト
（ https://events.nikkeibp.co.jp/event/2024/jgaia24/ ）よりエントリー
■イベントの詳細やスケジュールは公式サイトで随時更新されますのでご確認ください。