本日、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は創業5周年を迎えました。
これを記念し、メンバーズデータアドベンチャーカンパニー公式noteに記念記事を掲載しました。
ぜひご覧ください。
『お役立ち情報』ページに下記のサービス資料を追加しました。
・「生成AIを活用したデータ活用支援サービスパッケージ」のご紹介
2024年8月29日（木）～30日（金）に開催された、株式会社アイスマイリー主催『AI博覧会 Summer 2024』にて白井が登壇したセッションのアーカイブ動画が配信開始しました。
※視聴フォームの送信が必要です
登壇内容については以下をご確認ください。
株式会社アイスマイリー主催『AI博覧会 Summer 2024』に弊カンパニー社長の白井が登壇します（2024/06/21）
ベネッセコーポレーションさまは、教育、生活、介護など幅広い分野で、社内業務の効率化だけでなく顧客体験の質向上においても生成AIを積極的に活用しているデジタル先進企業です。同社の企業理念である「よく生きる」を実現するための手段として、生成AIをはじめとしたテクノロジーを活用しています。
AIの力を最大限発揮するには、AIに適したデータを整備する必要があります。しかし、そのことを認識できておらず、AI活用で成果を出せていない企業が少なくありません。そこで今回は同社のデータソリューション部で部長を務める國吉 啓介氏と、メンバーズでデータ活用支援サービスを統括しているデータアドベンチャーカンパニー社長の白井 恵里が対談を行いました。
有識者や先端企業の専門家が集ってAIの活用を推進する組織「一般社団法人Generative AI Japan（GenAI：ジェナイ）」の理事を務める両名に、生成AIを活用する上でのポイントや今後の展望を聞きました。
株式会社ベネッセコーポレーション データソリューション部 部長 Generative AI Japan 発起人/業務執行理事/事務局長 國吉啓介氏（左）
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 カンパニー社長 Generative AI Japan 理事 白井 恵里（右）
生成AIを「価値」につなげる考え方
ーー ベネッセコーポレーションさまでは生成AIを顧客向けのサービスにも導入するなど、テクノロジーの活用に先進的に取り組んでいる印象があります。
國吉 当社の企業理念である「よく生きる」を実現する手段として、テクノロジーを積極的に活用しています。社会の一人ひとりがその人らしく輝いたり、成長したりしていくなかで、お役に立てるような商品・サービスをもっともっと考えていきたいと思っています。そういったことを考える中で「充実したサービスを突き詰めていくと、できることの限界という壁」を感じることもありました。
株式会社ベネッセコーポレーション 國吉啓介氏
例えば、24時間対応したり、一人ひとりの困りごとが発生した時にすぐに対応したり、それぞれのニーズにどんどん応えていきたいのですが、サービスを提供するうえでの限界がある。そこで、ニーズによりきめ細やかに応えていくために、AIを活用できないか、社内に蓄積されているデータを使ってできることはないかと、試行錯誤しながら進めてきた形です。
大企業では、得てしてテクノロジー導入が頓挫しがちです。当社ではAI活用がお題目で終わらないよう、社内活用から顧客向けサービス（社外活用）へと段階的に進めていきました。
ステップ1は「実験環境の構築」です。まずはグループ社員1万5000人に社内向けのチャット環境を整備して利用を促進しました。ステップ2は「社内業務の生産性向上」を目的とし、コンタクトセンターの業務など、生成AIを活用して効率化と顧客体験の向上を進めています。そしてステップ3で、生成AIの活用範囲を顧客向けのサービスにも広げていきました。
ーー 生成AIを活用した顧客向けサービスには、どのようなものがありますか？
國吉 例えば、子どもの興味を元にアイデアやテーマを発見することができる「自由研究お助けAI」というサービスがあります。
「よく生きる」を理念とする当社が、このサービスを通じて実現したかったのは「答えを教えるのではなく、考える力を養う」ことでした。そのため生成AIで「答えを教える」ことは避けたかったんです。生成AIを活用すればできることが広がる一方で、なんでも実現させればいいということではなく、「何をやらないべきか」を取捨選択することが重要です。
AIに限らず、テクノロジーを活用する際は、「実現したいこと」を実現するために最善の方法を取るべきだと考えています。当社では、その実現したいことありきで生成AIの活用の仕方を考え、実装面の工夫をしています。
ーー ベネッセコーポレーションさまの事例からもわかりますが、生成AIやデータを商品・サービスや顧客体験に生かすには、いくつか押さえるべきポイントがあると言えそうですね。
白井 当社はもともとデータ分析の会社として創業しました。昨今では、データはもはや取得するつもりがなくても取得できますし、どんどん溜まっていくものになったと思います。データがあるならそれを活用しない手はないし、競合他社が活用しているなら、自社でも活用しなければ競争に乗り遅れてしまう。そういった企業が増えていることから、企業のデータ活用推進と、その先にある事業成長を支援するようになりました。
そうした支援を行う中で、生成AIを効果的に活用する上で重要なポイントの一つが「データマネジメント」であるということがわかってきました。生成AIは元々ネット上の情報をソースとして学習しているモデルなので、一般ユーザーが日常生活で使う分にはそのままでも有効です。しかし、企業が自社の業務で使うには、出力された情報が自社の状況に十分にフィットするとは限らないため、精度と実用性の観点では70点くらいの感覚だと思います。
生成AIを業務レベルで活用するためには、事前に自社の情報を生成AIに適切な形で流し込まなければなりません。そのためには、これまでのように「人が扱うためのデータ収集」ではなく、「生成AIに理解してもらうためのデータ収集」ができるように業務フロー自体を見直す必要があると思います。
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 白井 恵里
クイック・ウィンで「分かりやすい成果」を出す
ーー 生成AIのような新しいテクノロジーを活用するためには、経営層も巻き込んでいく必要があると思いますが、そこにつまずいている企業も多く見られます。社内で推進するためのコツはありますか？
國吉 デジタルテクノロジーは専門的な事柄も多く、抽象的な概念だけ説明されてもイメージが湧きにくいことも多い。 実際に触れて使ってみないと、それがどんなもので何を実現できるのかわからないことが少なくありません。
ですから、企画・推進する担当者はもちろんですが、経営層が出席している役員会などの場で、実際に現物を見てもらったり、触ってもらったりして、メリットや効果を体感してもらうことが重要です。
それも一度だけではなく、定期的に情報をアップデートする。初期と比較してどこまで進化しているのか、その技術を活用することで何ができるようになるのかを体感してもらう。企画者の実現したいことからのボトムアップと、経営層によるチャレンジの促進がポイントだと思います。
白井 國吉さんもおっしゃったように、トップとボトムの双方から働きかけるのは理想的だと思います。ただ、経営層と現場の間で生成AIの活用に対して熱量のギャップがあった場合には、まずはクイック・ウィンでわかりやすい成果を出していくことが重要です。
「3カ年計画で全社に生成AIの活用を浸透させる」というような大号令も必要ですが、小さくてもいいので目に見える結果をスピーディに出していくことで、「これは使えるぞ」という手応えが得られます。
例えば日々の業務でこれまで10分かかっていたタスクを1分に短縮できたら、それは小さいようで大きな一歩ですよね。
小さな成果を積み重ねていくうちに、手応えを実感し、興味を持ってくれる人が出てきます。そういう協力者を巻き込みながら、スピード感を持って盛り上げていくのがおすすめです。
それに小さな成果でも、積み重なれば大きな成果になります。10個のタスクにかかる時間が短縮できて、それに関わる人が100人いるとすれば、業務効率化としては大きな成果ですし、ROI（投資利益率）が計算できます。
成果を定量化できれば、経営層も熱い状態になるので、あとはその取り組みを社内で広げていくだけです。初めはチーム単位で活用し、次は部署単位で活用する、そして標準の業務フローにも入れ込む。そういう順番で生成AI活用の組織化を支援させていただくことが多いです。
生成AIの効果的な活用は「役割分担」がカギ
ーー 実際に生成AIを活用したプロジェクトがスタートし、業務に落とし込んでいく上での課題や注意点についてアドバイスをお願いします。
國吉 先ほど白井さんがおっしゃった「小さく始める」というのは、まさにその通りだなと思ったのですが、注意点としてはアウトプットの期待値をどう設定するかだと考えています。
生成AIでできることを過度に期待してしまうと、思ったような結果にはならないことも少なくありません。どういうリターンを得たいのか、仮説を立てて具体的に設計していく必要があります。その上であらかじめ設定した期待値に、どこまで届いているのかを検証することも重要です。
それができていないと、「せっかく企画して進めたのに全然期待値に届いてない」や「コストをかけ過ぎてしまった。これではビジネスが回らないよね」となってしまいがちです。仮に成果が出たとしても、投下したコストに見合わなければ、活動を継続することが難しくなってしまいます。
白井 確かに、生成AIに対して過度にアウトプットの精度を期待してしまうと、思うような結果が得られないことが多いですね。
そもそもアウトプットの精度を高く求める必要がない場合もあると思うんです。例えば、生成AIが出したアウトプットを最終的には人間がチェックしてまとめる業務もあれば、まずはアイデアを数多く出すことが必要な業務もあります。まずはアウトプットの完璧さを求めないものに生成AIを活用すると、失敗しづらいと思います。
生成AIを社内で浸透させるまでの道筋や方向性を決めることも重要です。「全社員が使えるようにする」といったリテラシーの底上げを目標とするのか、それとも特定のチームが特定の業務で使ってみて、そこから社内で広めていくのかでも、活用の成否は変わると思うのです。
例えば、ChatGPTを全社員が使える環境を整備して、使い方の説明会を開催して「さあ、全社員が使えるようにしたんだから、どんどん使ってね」と丸投げするだけでは、結果的に一部の社員にしか使われないことがほとんどだと思います。
それよりも、特定の業務や人にアプローチしていく方が成果を出しやすいと思います。そこでは、どの業務を効率化・自動化したら成果が出るのかという、ユースケースの選定がポイントです。その見極めには生成AIの専門知識というよりも、自社の業務やビジネス構造の理解が重要です。それらを熟知している人の意見を取り入れながら、効果的なユースケースをきちんと選ぶと良いのではないでしょうか。
生成AIの入力・処理・出力がさらに高度化する未来
ーー 生成AIと人間、それぞれの役割を明確化させていくことが重要なのですね。今後、このバランスは中長期的にどのように変化していくとお考えでしょうか？
國吉 生成AIは間違いなく急速に進歩していきます。AIの構造は「入力」「処理」「出力」の3つの要素に分けて捉えられ、それぞれの技術がますます高度化していくと考えられます。
まず「入力」については、情報を収集する段階を指します。現時点では、任意のデータを効率的に収集・蓄積するには、まだまだ手間がかかります。しかし、技術の進化で、このプロセスは大幅に簡素化されるでしょう。
例えば、OCR（光学文字認識：Optical Character Reader）のように、画像データからテキストを読み取ったり、紙の文書をデジタル化したりする作業も、AIが介在することでさらに変化していくはずです。
次に「処理」については、スピードやコストパフォーマンスが飛躍的に向上すると予測しています。これにより、例えば、自動運転技術のように、複数の情報を同時に処理し、瞬時に判断を下すマルチモーダルAIが、今後いろいろなシーンで普及していくでしょう。
最後に「出力」については、物理的な形での実装も進むと考えています。例えばロボット分野においては、すでに一部の企業が先進的な取り組みを行っています。例えば、工場などでの作業にAI搭載のロボットがより多く導入されるでしょう。
白井 AIがますます自然な形で日常に浸透し、最近だとユーザーがほとんど意識せずに利用する場面が増えていますよね。例えば、スマートフォンの画像編集機能にも生成AIが使われていて、ユーザーはそれと気づかずに恩恵を受けています。
今後は人間同士のコミュニケーションにもAIがより深く入っていくと考えています。接客においては人の温もりや気配りが大事だとされていますが、実際にはコミュニケーションのパターンはある程度決まっています。
私自身、学生時代にレジ打ちのアルバイトをしていた経験がありますが、毎回同じセリフを言うことが多かったです。例えば、卵を購入したお客さまに「別の袋に入れましょうか？」と声をかけるのは、私としては決められた対応でしたが、お客さまはそれを気配りとして受け取られ、気持ちよく買い物をしていました。
このように、単純なコミュニケーションであっても、人の温もりや気配りは感じられます。一方、人間は忙しい場面ではどうしても感情が表情に出てしまうことがあります。そこで全ての場面でとは言いませんが、AIが人間のコミュニケーションを補完するようなことも担うようになっていくと思っています。
外部人材の登用と採用市場が抱える課題
ーー ベネッセコーポレーションさまは、AIプロジェクトを推進していくためのパートナーとして、メンバーズを選ばれました。データの利活用・推進における、外部人材の登用やナレッジの共有についてはどのようにお考えでしょうか。
國吉 外部人材と連携してプロジェクトを進めていくうえで、生成AIなどテクノロジーに対する「解像度」をできるだけ高くすることを意識しています。
解像度を高くするためには、私たち自身も技術に対する理解を深める必要があります。当社では「能力開発ポイント」という、社員の社外での学習をサポートするポイント制度があるので、そういった制度も活用しています。
躊躇せず、外部人材の方の知識を吸収していくことも大事だと思います。先進的な取り組みを行っている企業でも、技術の進歩が非常に速い現代では、自社内だけで全ての知識やスキルをカバーするのは困難です。外部の専門家は、さまざまな業界で得た経験や、多様なプロジェクトで培った知識を持ち合わせています。専門領域について最先端のトレンドにアンテナを張っていらっしゃることが多いので、そういった知見を吸収していくことには価値があると考えています。
白井 ご支援させていただいている立場の観点でいうと、生成AIで実現したいことをできるだけ具体的にイメージしておくこと、外部に発注する際にかかるコストや期間の肌感覚を持っていたほうがスムーズに進められると思います。
当社としてはクライアントさまが持つビジョンやゴール、そこへ至るまでの大まかな道筋を踏まえて、データの観点からできることや、あるいはできないとしても別の方法を提案していますので、まずは方向性を共有していただくだけで十分かと思います。
國吉さんがおっしゃった「生成AI活用がお題目で終わらないように」というお話しの通り、これからお取り組みを始める企業さまは特に「導入」の部分に目が行ってしまいがちです。ただ、生成AI活用は、いかにデータを収集し活用するかでアウトプットが大幅に変わります。
当社はデータ領域に特化した人材を多数抱えており、様々な企業の活用例が蓄積しやすい環境にあります。これから生成AIを活用したいけれど、「データ分析をした先のイメージが湧きづらい」「社内だけでは要件定義に不安を感じる」といった課題・ニーズにお応えできればと思っています。
國吉さんと私が理事を務める、一般社団法人Generative AI Japan（GenAI：ジェナイ）でも謳っている「1社では解決できない課題を共創で解決」のように、生成AI活用が様々な企業の生産性向上に寄与することを目指しています。当社のナレッジを活用いただくことで一部の先進企業だけではなく、より多くの企業さまに生成AIの恩恵を受けていただき、日本の産業競争力を高めていくお手伝いができれば嬉しいです。
ーー 一方で、AI領域では内製化や専門人材の採用を進める動きもあります。内製化に向けたステップや人材の登用については、いかがでしょうか？
國吉 企業がAIの内製化を進めるにあたり、最も重要なことは、まず自社が提供するサービスの全体像と目指すべき方向性を明確にすることだと思います。その上で、どの部分を自社内で担うべきか、そしてどの部分を外部の専門家に依頼するかを慎重に見極めることが求められます。
内製化に向けた具体的なステップとしては、まずAIの利活用ポイントを押さえ、AI技術を理解し、仕組みや要件を考えることができる人材を確保することが重要です。これにより、AIの導入や運用に際して発生する問題に対して、検討や対応ができるようになります。
しかしながら、AIの運用は、細かい調整やツールのバージョン管理など、時間と労力を要する作業が多いのが現状です。これを全て社内で行うことは難しいため、やはり外部の専門人材を活用することもポイントになると思います。ただし、外部に頼りすぎると、どのようにAIが活用されているのか自社の理解が浅くなり、ブラックボックス化が進んでしまうリスクがあるため、しっかりグリップしておくことが大事だと考えています。
白井 AIやデータ活用における専門人材は、ここ数年は採用側の需要が高く、人材は不足しています。最近はある程度経験者が増えてきている印象ですが、採用する側の企業が抱えている課題として「人材要件を定義できないこと」と「入社後のキャリアパスが社内に存在しないこと」の2つが挙げられます。
まず「人材要件を定義できないこと」については、企業側がどのようなスキルや経験を持つ人材を採用すべきか明確にできていないことに起因します。AIやデータの領域では、開発に強い人材もいれば、統計に強い人材もいます。
自社の状況に合わせて必要な人材を見極めることが難しく、どんな人が成果を出せるのか、採用してみないとわからない状況に直面しています。正社員で採用した場合、すぐに別の人を採用することは難しいため、慎重にならざるを得ないのです。
次に「入社後のキャリアパスが社内に存在しないこと」については、仮に期待通りの人材を採用できたとしても、その人材が長期的に活躍できる環境が整っていないことがあります。例えば、データの専門家が採用された場合、その会社の事業やサービスには精通していない場合があります。それに「営業が花形」の企業であれば、データ人材が中心的な役割を果たすことが難しいこともあります。
転職直後の最初2、3年はデータ人材も目の前の課題解決に取り組めたとしても、その後の待遇が上がりにくく権限も増えない。その結果、定着せずに転職してしまうといった課題があるのです。
これらの課題に対処するためには、企業はまず自社のニーズに合った人材要件を明確に定義しながら、採用した人材が長期的に活躍できるようなキャリアパスを整備することが不可欠です。
ーー AIとデータ人材の内製と外製がうまく機能した取り組みとして、ベネッセコーポレーションさまとメンバーズが連携して取り組んだプロジェクトについてお聞かせください。
國吉 当社の業務効率化プロジェクトを、株式会社メンバーズさまと協働で進めました。生成AIやノーコードツールを導入したところ、「進研ゼミ 中学講座」のWebサイト制作において、制作期間を8週間から3週間に短縮し、コストを4割削減できたことに加え、人的リソースも7割削減できました。
白井 今回のプロジェクトで成果を出すことができた要因を振り返ってみると、「生成AIを使う」ことを目的とせずに、あくまでも本来の目的である「業務の効率化」に立ち返りながら、ベネッセさまと一緒にワンチームで進められたことが大きかったと思います。
もちろん最初は生成AIを使おう、というところからスタートしましたし、実際に導入もしましたが、そもそもの業務の見直しや非効率な点の洗い出しから始めることで、「それは生成AIじゃなくて、ノーコードツールを使う方法もあるよね」というようなフラットな意見が出てきていました。
生成AIはあくまで手段。当たり前のことのようですが、解決したい問題は何か、成し遂げたいことは何かという目的を明確にすることが、成功のカギになると再認識しました。
生成AIを活用した未来はどうなる？
ーー 最後に、生成AIを活用した未来に向けてのメッセージをお願いします。
國吉 日本の将来を考えると、人口減少が深刻で、現在の仕事量を将来の人口構造でどのようにこなしていくのかに危機感を持っています。そうした状況の中、技術が変わるタイミングは、社会課題を解決し、世の中を変革するチャンスでもあると思うんです。
現状の技術では解決できる範囲が限られているかもしれませんが、それでも新しい技術が、新しい価値を生み出すことで、少しでも社会課題の解決に向けて、前進できるのではないかと考えています。そうやって一歩進むことで、新たな課題が見えてくることもあります。生成AIが社会の課題解決に役立つよう、どのように活用していくとよいか、考え続けたいと思っています。
白井 先ほども少し触れましたが、インターフェースが人間ではなくAIになることで、私たちがこれまでできなかったことが実現できるようになる可能性があると考えています。現在、生成AIはビジネスでの利用が中心ですが、将来的には「読み書きそろばん」と同様に、日本人全員が知っているべきリテラシーになるかもしれません。その時に、単なる検索の代替としてだけでなく、もっと人間同士のコミュニケーションに介在するような使い方が増えていくといいなと思っています。
例えば、人間社会のすれ違いは多くの場合、コミュニケーションの問題から生じます。根っから悪い人はいないものの、言い方ひとつで誤解が生まれることは多いですよね。例えば、どういう言い方をすればいいのかを生成AIに相談し、よりスムーズなコミュニケーションができるようになれば、社会全体がもっと心地よいものになるでしょう。
もちろん、ワードやエクセルの作業が早くなるのも素晴らしいことですが、それに留まらず、人と人との関係をより良くする方向にまで広がると、社会における生成AIの本当の価値が見えてくると信じています。
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。