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。

この記事では、データ活用人材を採用する際のポイントや陥りやすい失敗例をご紹介します。

執筆者のご紹介

森本このみ
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　人事戦略室　室長　兼　エンジニア事業部　事業部長
メンバーズデータアドベンチャーカンパニーの人事戦略を担当。顧客の需要に応え続けるための人材の定義や育成戦略の立案を行っている。また、エンジニア事業部では事業部長を担当し、データエンジニアの組織運営を担当。
経歴：
事業会社にて新規開拓営業、営業企画、人事を経験し、2021年にメンバーズに入社
メンバーズでは、データエンジニアの採用・育成を担当し事業部の立ち上げを実施。現在は、エンジニア事業部の組織運営だけでなく、メンバーズデータアドベンチャーカンパニーの人事戦略も担当。

目次
01.| データ活用と人材不足
02.|データ活用人材を確保するには
03.|陥りやすい失敗事例
04.| 今回の記事の本題である採用時のポイント
05.|採用で失敗してしまったらどうするか
06.|データアドベンチャーカンパニーができること
07.|まとめ

データ活用と人材不足

DXに取り組んでいる企業は年々増加している一方で、DXを推進できる人材は不足傾向にあります（*1）。
DXに不可欠なデータ活用においても同様の状況で、弊社で実施した市場調査でもデータ活用の内製化に対する課題で「人材不足」が多くを占めました（*2）。
データ活用の内製化が進まない理由として「データ活用人材が育成できない」と回答した方の割合が最も多く、次いで「データ活用人材が採用できない」、「データ活用に人員を割くことができない」という回答が続きました。
このように、データを活用したいが人材を確保できないという課題を多くの企業が抱えていることが見えてきました。

*1　出典：「DX白書2023」（IPA）https://www.ipa.go.jp/digital/chousa/dx-trend/eid2eo0000002cs5-att/dx-trend-2024.pdf（2024年8月8日に利用）
*2　出典：「【プレスリリース】データ活用の内製化、約６割の企業で進むも 人材育成・採用・人員確保が課題に -データ活用内製化に向けた課題を調査-」（株式会社メンバーズ）https://www.dataadventure.co.jp/post-489/（2024年8月8日に利用）

データ活用人材を確保するには

データアナリスト、データサイエンティスト、データエンジニアといったデータ活用人材を確保する方法は特殊なものではありません。
一般的な職種と同様に大きく3つの方法が考えられます。

• ・採用する
• ・データ活用人材へ育成する
• ・外部委託する

それぞれの方法はいたって一般的ですが、採用できない、育成できない、組織を作ったが機能しない、という結果に至ってしまうこともしばしばあると思います。データ活用人材の確保に失敗する企業と成功する企業の違いは何でしょうか？

陥りやすい失敗事例

事例①自社採用しようとしたがうまくいかなかった

データ活用の人材を自社採用しようとしたが応募者でピンとくる人がいない、自社採用したがスキル不足だった、という話をよく聞きます。従来からあり馴染みのある職種であれば、どのような業務をしてもらうか、そのためにどのようなスキルが必要かがイメージできますが、データアナリストやデータエンジニアになると、具体的な業務範囲や必要なスキルのイメージが持てないことが要因として挙げられます。イメージが持てないので適任者か判断しきれず採用に至らなかったり、ポテンシャル採用したがミスマッチになってしまうという結果になることがあります。

事例②データ可視化ツールを導入＆担当社員を育成しようとしたがワークしない

BIツールの導入と合わせてBIツール担当社員を育成しようと考え、BIの導入マニュアルなど使い方を社員に学んでもらったがうまく使えない、ということがあります。一言にBIツールの活用といっても、BIツールで使用するデータの準備やダッシュボードの構築ノウハウがなければBIツールはうまく活用できません。それらを教えることのできる社員や育成の仕組みがなければ失敗してしまう可能性が高いといえます。

事例③外部委託してデータ活用戦略は立てたが実行できていない

外部委託をしてデータ活用の戦略は立ったが、実行者や実行環境がいなくてとん挫したということもあります。データ活用には戦略を実行する専門スキルを持った人材と環境が必要なため、その点まで含めて人材確保ができなければ、推進することが難しくなります。

今回の記事の本題である採用時のポイント

これまでのデータ活用人材の採用経験を踏まえて採用時のポイントをご紹介します。

• 自社の状況を整理する

データ活用のための人材といっても社内のデータ活用状況によって必要な人材のタイプやレベル感が変わります。まずは、社内のデータ活用状況の把握（全く活用していない状況、一部のデータを使って活用を始めている段階、全社的に取り組んでいる段階等）を行うのがよいでしょう。

• データ活用人材に任せる業務内容や必要なスキルを言語化する

既に任せたい業務内容を担っている社員がいる場合は、その社員から業務内容や必要スキルの情報を得ることができます。一方、データ活用を担っている社員がいない場合は、どのデータを何に使いたいかを社内の関連部署にヒアリングし、任せたい業務内容を明確にしていきましょう。例えば、「マーケターがこれまでのマーケティング施策の結果を分析して、次の施策の企画・決定に使用したい」などです。この時にデータの種類やデータの保管場所、使用ツール・環境（Excel、BI、クラウドなど）もわかる範囲で整理しておきましょう。

• 採用要件や採用基準を作成する

採用要件は、言語化した業務内容や必要スキルから作成していきます。採用基準は自社の状況に応じて設定していきます。例えば、データ活用が初めての場合は、採用した人材にデータ活用をどこから始めるか、具体的にやる事を考えて欲しいということもあるでしょう。また、技術的な不明点があった際に社内に知見がある社員がおらず自力で何とかしなければならない、という場面もあり得ます。その場合、ある程度データ活用の技術に関する知見、調査方法などを知っているデータアナリストやデータエンジニア経験者であることを採用基準とする必要が出てくるかもしれません。

• 面接で経験や技術を確認する

ここまでくれば、あとは面接で適任者かどうかを確認するだけです。簡単に書いていますが、私も非エンジニアであったため面接で経験や技術面を確認することにとても苦労しました。必要なスキルや使用するツール・環境を含んだ業務経験があるかを確認し、何を行ってどのような成果が出たかを聞いていきます。また、使ったことのないツールであれば使用イメージを持っているか、不明点はどうやってキャッチアップするかということを確認することもあります。面接を自社のエンジニアに任せる場合は、エンジニアへの面接の仕方の指導や、エンジニアにデータ経験がなければ採用したい人材に求めるスキルや技術の情報も伝えておく必要があります。

採用で失敗してしまったらどうするか

失敗してしまっても成功へつなげる方法はあります。
そもそも採用ができなかった場合は、求人内容や採用基準を見直してみるのがよいでしょう。
育成の負担軽減の観点から、任せたい業務内容に対して採用基準を高く設定していることがあるので、その採用基準が適切であるかを再考していきます。
ただし、むやみに下げてしまうとミスマッチにもつながるので、判断が難しい場合は、弊社のようなデータ活用専門の人材事業会社やセミナー等から情報収集を行うとよいでしょう。
採用できたがスキル不足の場合は、足りないスキルを洗い出して、書籍や社外研修を用いてスキルを身に着けられるように支援しましょう。
データ活用に関連する書籍は数多く出版されています。
このように自社採用が失敗してしまった場合の解決策はいろいろあるとはいえ、IT人材の有効求人倍率は高止まりしている状況で採用自体が容易ではありません。
そのため自社採用での費用対効果が見込めない場合や、自社採用しても育成に手がかかりすぎる場合は、外部委託も検討してみるのも1つの方法です。

データアドベンチャーカンパニーができること

弊社では、データ活用人材を厳選して採用し、専門の育成も行ったうえで顧客に人材を提供することが可能です。
弊社の社員は常駐型で支援するため、データ分析環境の準備から実行まで行います。
データアナリストやデータエンジニアを中心にスキルや経験が様々な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を採用するときのポイントをお伝えしてきました。データ活用人材確保においても採用や育成はそのほかの職種と行うことは同じです。
成功のためには、データアナリストやデータエンジニア、データサイエンティストといったデータ活用人材の職種に関する理解、任せたい業務内容や必要なスキルの整理を行っておくとよいでしょう。
また、データ活用人材を初めて採用する企業や、時間をかけずに人材を確保したい企業では、弊社のようなデータ活用専門の人材事業会社から外部調達することを検討し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

今回お伝えしたいことは、以下です。

• ビジネスの現場において優先すべきは、「データの分析」ではなく「データの活用」
• 「データの活用」のためには、適切にデータを理解し解釈することが必要
• データの理解と解釈において力を発揮するのは、「データの可視化」
• 「データ可視化」を現場で推進していくために必要なこと

執筆者のご紹介

M.H
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
サービス開発室所属
データマネジメント、データビジュアライゼーション領域を中心に、データ活用におけるコミュニケーション設計と、データ「そのもの」の整備を担当しています。
ディレクター的な立ち回りで、データアナリストやデータサイエンティスト、データエンジニアとビジネスサイドをつなぐ役割もしばしば担います。

目次
01.|データ分析とデータ可視化の違い
　　データ分析とは？
　　データ可視化とは？
　　データ分析とデータ可視化の関係性
02.|データを正しく理解できる人は意外と少ない？
　　1.担当者のデータリテラシー不足
　　2.専門用語の壁
　　3.組織の教育不足
03.|データを適切に理解し、可視化することの重要性
　　意思決定の迅速化
　　チーム内の共通認識の形成
　　業務の効率化と生産性向上
04.|適切なデータ可視化のための前提条件
　　データの背景や取得方法を確認する
　　ビジネス目標に照らし合わせて解釈する
　　データの変動要因を考慮する
05.|データを正しく理解するためのプロセス
　　目的の明確化
　　データの品質チェック
　　データ可視化による示唆の抽出
06.|データ可視化による業務改善の実践方法
　　適切な可視化ツールを選択する
　　データの種類に応じた適切なグラフを選ぶ
　　組織内でデータ活用を定着させる
07.|おわりに

01.|データ分析とデータ可視化の違い

「データ分析」と「データ可視化」は、どちらもビジネスにおける意思決定をサポートする重要な手段です。
しかし、それぞれの役割や目的は異なります。データ分析は、データを収集・処理し、統計解析や機械学習を用いて有益な示唆を抽出するプロセスを指します。一方、データ可視化は、分析の前後でグラフやダッシュボードを通じてデータを視覚的に表現し、誰もが直感的に理解できるようにする手法です。

データ分析とは？

データ分析は、数値やテキストなどのデータを整理・加工し、そこから意味のある情報を引き出すプロセスです。データ分析には以下のような工程があります。

1. データの収集: 業務システムやアンケート調査、センサーデータなど、さまざまなソースからデータを収集します。
2. データの前処理: 欠損値の補完、異常値の除去、データの統合などを行い、分析しやすい形に整えます。
3. データの分析: 統計手法や機械学習アルゴリズムを用いて、データのパターンや相関関係を導き出します。
4. 結果の解釈と意思決定: 分析結果を基に、どのようなアクションを取るべきかを検討します。

例えば、小売業の売上データを分析し、「週末に特定の商品カテゴリの売上が増加する傾向がある」と判明した場合、それを活かして週末のプロモーションを強化する施策を検討できます。

データ可視化とは？

データ可視化は、分析の前後でデータを分かりやすく伝えるための手法です。単なる数値の羅列ではなく、グラフやチャートを活用することで、情報の理解度を高め、迅速な意思決定を可能にします。

データ可視化のメリット

• データの傾向を一目で把握できる: 例えば、折れ線グラフを使えば、売上の推移や季節ごとの変動を視覚的に理解できます。
• 異常値の発見が容易になる: データの中に異常な動きがあった場合、棒グラフや散布図などを用いることで、すぐに異常を特定できます。
• コミュニケーションがスムーズになる: データを視覚的に表現することで、異なる職種の人々とも共通認識を持ちやすくなります。

例えば、ある飲食店の売上データを可視化し、「特定の曜日に売上が増加する傾向がある」とわかったとします。
これを折れ線グラフで表現することで、ビジネス担当者は素早く状況を把握し、曜日ごとの人員配置を調整したり、プロモーション戦略を立てたりする判断がしやすくなります。

データ分析とデータ可視化の関係性

データ分析とデータ可視化は密接に関連しており、どちらか一方だけではビジネスにおける意思決定を十分に支援することはできません。データ分析を行って得た示唆を、可視化によって直感的に伝えることで、より多くの関係者がデータに基づいたアクションを取ることが可能になります。

例えば、ECサイトの購買データを分析し、「20代の女性が特定の曜日に特定の商品を購入する傾向がある」と判明したとします。この結果を可視化することで、マーケティングチームがターゲットを絞った広告戦略を考案しやすくなります。

データ分析とデータ可視化を効果的に活用するには？

1. データ分析の目的を明確にする: 何のためにデータを分析し、どのような示唆を得たいのかを明確にすることが重要です。
2. 適切な可視化手法を選ぶ: 分析結果を伝えたい相手に合わせて、最適なグラフやチャートを選びましょう。
3. BIツールを活用する: TableauやPower BIなどのビジネスインテリジェンスツールを活用すると、データの可視化と共有がスムーズになります。
4. 定期的にデータを見直す: 分析・可視化の結果をもとに施策を実施した後は、その効果を定期的にチェックし、改善を繰り返すことが重要です。

02.|データを正しく理解できる人は意外と少ない？

データ分析を専門とするデータサイエンティストやデータアナリストが高度な分析を行っても、それを適切に活用できなければ意味がありません。実際に、多くのビジネスパーソンがデータをうまく解釈できず、せっかくの分析結果が十分に活かされないケースが少なくありません。

データの価値は、ただ収集・分析するだけでは発揮されません。データを正しく理解し、それをビジネスの意思決定に活かせるかどうかが鍵となります。
しかし、多くの企業において、データ活用がスムーズに進まない理由はいくつか存在します。

1.担当者のデータリテラシー不足

データリテラシーとは、データを適切に読み取り、解釈し、意思決定に活かす能力を指します。しかし、多くのビジネスサイドの担当者は、データの読み方や統計の基礎知識が不足しており、分析結果を適切に活用できていません。

データリテラシーが不足する理由

• 数学・統計の基礎知識がない: データ分析には基本的な統計学の知識が必要ですが、ビジネスパーソンの多くは統計学を学ぶ機会が少ない。
• データを見る習慣がない: 日常業務でデータを活用する文化がない企業では、担当者が数値データを分析する機会が少なく、経験不足になりがち。
• データをどのように解釈すればよいか分からない: データを収集しても、どの指標に注目すべきか、何を意味するのかが分からないままになってしまう。

例えば、ECサイトの売上データを見た際に、単に「売上が上がった」「売上が下がった」と捉えるのではなく、「どの曜日・どの時間帯に売上が増えているのか」「特定の商品カテゴリーに影響があったのか」など、具体的な要因を探る視点が求められます。

2.専門用語の壁

データ分析の結果は、専門的な統計用語やアルゴリズムの名前とともに報告されることが多く、ビジネスサイドの担当者にとって理解しづらいことがあります。

難解な専門用語の例

• 回帰分析: ある変数が別の変数にどのような影響を与えているかを測る手法。
• 相関係数: 2つの変数がどの程度関係しているかを示す数値。
• 標準偏差: データのばらつきの度合いを表す指標。
• クラスタリング: データを似た性質のグループに分類する手法。

例えば、「この製品の売上は気温と相関があるため、回帰分析を行いました」と報告されても、「相関」や「回帰分析」の意味を知らなければ、結果をどう解釈すべきか分からなくなります。その結果、分析結果がうまくビジネスに活かされないまま終わってしまうこともあります。

これを防ぐためには、データ専門家がビジネスパーソンに分かりやすい言葉で伝える工夫が必要です。また、ビジネスパーソン自身も基本的なデータ分析の知識を学ぶことが重要です。

3.組織の教育不足

企業がデータドリブン経営を掲げても、それを実現するための研修や学習機会が提供されていないケースが多く見られます。

データ教育の課題

• データリテラシー研修が不足している: データを扱う部署だけが研修を受け、他の部署はほとんど学習の機会がない。
• 学習する時間が確保できない: 日々の業務に追われ、データ分析を学ぶ時間が取れない。
• 学習機会があっても実務に結びつかない: 研修で学んだ内容が、実際の業務でどのように活用できるのか分からない。

例えば、企業内でBIツール（Tableau、Power BIなど）を導入したとしても、従業員がその使い方を理解していなければ活用されません。データ活用を推進するためには、継続的な教育プログラムが必要です。

上記のようにデータを正しく理解できなければデータ活用につなげることは不可能です。
データを正しく理解するために有効な手段としてデータの可視化が存在します。
次章では更に詳しく可視化の重要性を解説します。

03.|データを適切に理解し、可視化することの重要性

データを正しく理解し、可視化することは、ビジネスにおいて極めて重要な役割を果たします。データは単なる数字の集まりではなく、正しく解釈し、効果的に可視化することで、価値ある情報として活用できるようになります。

データを適切に理解し、可視化することで得られる主なメリットは以下の通りです。

意思決定の迅速化

データ駆動型の意思決定とは？

データに基づいた意思決定（データドリブン意思決定）は、感覚や経験に頼るのではなく、客観的なデータをもとに戦略や施策を決定する手法です。データを適切に可視化することで、次のようなメリットがあります。

• 直感的な理解が可能になる: 数字の羅列を眺めるよりも、グラフやチャートを使うことで、データの動きや傾向が一目で把握できる。
• 迅速なアクションにつながる: 例えば、売上データをリアルタイムでダッシュボードに表示することで、急激な変動にすぐに気づき、適切な対応を取ることができる。
• 正確な判断ができる: 例えば、過去の売上データと市場のトレンドを比較することで、新しいプロモーション施策の効果を正しく予測できる。

チーム内の共通認識の形成

データ可視化がチームワークを強化する理由

企業では、マーケティング、営業、経理、物流など、複数の部署が関わりながら業務を進めます。しかし、それぞれの部署が異なる視点でデータを解釈してしまうと、共通のゴールに向かうことが難しくなります。

データを適切に可視化することで、以下のような効果が得られます。

• 部門間の情報共有がスムーズになる: 例えば、営業チームとマーケティングチームが共通のダッシュボードを使用することで、売上やキャンペーンの効果をリアルタイムで共有できる。
• 認識のズレを防ぐ: 数値データをグラフ化することで、各部署の解釈の違いをなくし、意思決定を一貫性のあるものにする。
• データに基づく議論が活発になる: 会議で「感覚的に売上が上がったように感じる」と話すより、「このグラフを見ると、実際に売上が20%増加している」と説明する方が説得力がある。

業務の効率化と生産性向上

データ可視化による業務改善のポイント

データを可視化することで、業務フローのどこにボトルネックがあるのかを発見し、改善することが可能になります。

• プロセスの非効率を発見できる: 例えば、カスタマーサポートの対応時間をヒートマップで可視化すると、特定の時間帯に問い合わせが集中していることが分かり、スタッフのシフトを最適化できる。
• リソースの適切な配分が可能になる: プロジェクトごとの進捗を可視化することで、どのタスクにどれくらいのリソースを割り当てるべきかを判断できる。
• ムダな作業を削減できる: データ入力やレポート作成の自動化を進めることで、単純作業の負担を軽減し、本来の業務に集中できる。

04.|適切なデータ可視化のための前提条件

データを適切に理解するとは、単に数値を並べたり、表やグラフを作成することではありません。データの背後にある文脈や影響要因を把握し、それがビジネスにどのような意味を持つのかを正しく解釈することが重要です。データは、それ単体では意味を持ちません。適切な分析と解釈を加えることで、意思決定に役立つ示唆を引き出せるのです。

データの背景や取得方法を確認する

データの信頼性を確保するためのチェックポイント

データを正しく理解するためには、まず「そのデータがどのように取得されたのか」を確認することが不可欠です。データの出所や取得方法が不明確な場合、誤った結論を導いてしまう可能性があります。

具体的な確認ポイント

• データの取得元は信頼できるか？
  • 公式のデータベースや社内システム、調査会社のデータなのか？
  • SNSなどのユーザー投稿データの場合、偏りがないか？
• データの取得方法は適切か？
  • 自動収集されたデータか、手入力されたデータか？
  • 誤入力や欠損データが含まれていないか？
• データの更新頻度や時点は適切か？
  • いつ取得されたデータなのか？
  • 最新の情報が反映されているか、それとも過去のデータなのか？

ビジネス目標に照らし合わせて解釈する

データの目的を明確にする

データの解釈を間違えないためには、「何のためにこのデータを分析しているのか？」という目的を常に意識することが重要です。データが意味を持つのは、ビジネス目標や課題と結びついたときです。

目的に応じたデータの活用例

• 売上向上を目的とする場合
  • 主要な顧客層はどの年代・性別なのか？
  • どの商品の売上が伸びているのか？
  • 季節性やプロモーションの影響はあるのか？
• マーケティング施策の効果測定を目的とする場合
  • 広告のクリック率やコンバージョン率はどうか？
  • SNSキャンペーン後の売上の変化は？
  • 地域ごとの反応に違いはあるか？
• 業務改善を目的とする場合
  • 在庫管理に課題はないか？
  • 運用コストを削減できる部分はあるか？
  • 顧客対応の時間を短縮できる方法は？

データの変動要因を考慮する

データの変動を引き起こす要因

データは常に変動しています。その変動の背後には、何らかの要因が存在しており、それを特定することがデータ分析の大きな役割の一つです。

　主要な変動要因の例

• 季節性: 例えば、夏は冷たい飲料の売上が伸び、冬は暖房器具の売上が増える。
• 市場トレンド: 特定のファッションアイテムやガジェットが急に流行し、需要が一時的に急増することがある。
• 社会的・経済的要因: インフレや円安・円高などの経済動向が購買行動に影響を与える。
• 競合の動向: 競合が新しい商品を発売したり、価格を変更したりすると、市場全体のデータに影響を及ぼす。
• 広告やキャンペーンの影響: 特定のキャンペーン期間中だけ売上が急増することがある。

05.|データを正しく理解するためのプロセス

データを適切に活用し、ビジネスに役立つ示唆を得るためには、単に数値を分析するだけでは不十分です。データには背景があり、その品質を確保したうえで、適切な方法で可視化し、継続的にモニタリングすることが重要です。

データを正しく理解し、活用するためには、以下の3つのステップを踏むことが必要になります。

目的の明確化

なぜデータを分析するのか？

データ分析の第一歩は、「何のためにデータを分析するのか」という目的を明確にすることです。目的が不明確なままデータを扱うと、膨大な情報の中で迷ってしまい、結局何も得られないことになりかねません。

目的を明確にするための質問

データを活用する際には、以下のような質問を自問すると、目的が明確になります。

• 解決したい課題は何か？
  • 売上を伸ばしたいのか？
  • 顧客満足度を向上させたいのか？
  • 業務プロセスの効率化を図りたいのか？
• どの指標を分析すれば課題解決に役立つのか？
  • 売上データなのか？
  • 顧客の購買データなのか？
  • サービスの利用データなのか？
• どのようなアクションにつなげたいのか？
  • 新しいプロモーション施策を実施する？
  • 在庫管理の最適化を行う？
  • 業務フローを改善する？

事例：売上向上を目的とする場合

例えば、あるECサイトの売上を向上させることが目的だとします。この場合、以下のようにデータを整理していきます。

1. 課題: 売上が伸び悩んでいる。
2. 重要な指標: 訪問者数、コンバージョン率、平均注文単価。
3. 必要なデータ: 広告の効果測定データ、購買履歴、ユーザーの行動データ。
4. 期待する結果: データを分析し、購買につながる施策を検討。

このように、目的を明確にすることで、適切なデータを収集し、分析を進めることができます。

データの品質チェック

なぜデータの品質が重要なのか？

データの品質が低いと、誤った分析結果を導いてしまい、間違った意思決定をするリスクがあります。そのため、データを活用する前に、品質チェックを行うことが不可欠です。

データの品質を確保するためのチェックポイント

　① 取得元の信頼性

• データはどのように取得されたのか？
• データの取得元（社内システム、外部ツール、アンケートなど）は信頼できるものか？
• 手入力データの場合、ヒューマンエラーが発生していないか？

　② データの更新頻度

• データはどのくらいの頻度で更新されているのか？
• 最新の情報が反映されているのか？
• 古いデータを使っていないか？

　③ 欠損値や異常値のチェック

• 欠損値（データが空白になっている部分）はないか？
• 異常値（明らかに他のデータと異なる値）は含まれていないか？
• 重複データが存在していないか？

事例：品質チェックの重要性

例えば、ある小売店が顧客の購買履歴を分析しようとしたとき、データの中に以下のような問題が見つかったとします。

• 一部の購買履歴が抜け落ちていた。
• 同じ顧客が2回登録されていた。
• 商品の価格情報が間違っていた。

このような状態のまま分析を行うと、売上の実態が正しく把握できず、誤った施策を打ってしまう可能性があります。そのため、データの品質チェックは分析前に必ず行うべき重要なプロセスなのです。

データ可視化による示唆の抽出

データを正しく理解するために可視化が必要な理由

データは数字のままでは直感的に理解しにくく、適切な解釈を行うためには可視化が必要です。適切なグラフを選択し、データの傾向やパターンを把握することで、ビジネスに役立つ示唆を得ることができます。

適切な可視化手法の選択

データを可視化する際には、適切なグラフを選択することが重要です。

可視化手法の選び方

具体例

例えば、売上データを分析する際、以下のようにグラフを選択すると適切な可視化が可能です。

• 「今年と昨年の売上の推移を比較したい」 → 折れ線グラフ
• 「店舗ごとの売上の違いを知りたい」 → 棒グラフ
• 「商品の売上構成を見たい」 → 円グラフ
• 「広告費と売上の関係を分析したい」 → 散布図

ダッシュボードを活用し、継続的にモニタリングする

データ可視化の最大のメリットは、継続的にモニタリングできる点にあります。

• リアルタイムの変化を捉える
• 複数のデータを統合して比較できる
• 誰でも直感的にデータを理解できる

BIツール（Tableau、Power BI、Looker Studio など）を活用すれば、売上データ、顧客データ、マーケティングデータなどを一元管理し、経営判断に活かすことができます。

06.|データ可視化による業務改善の実践方法

データ可視化は、業務の効率化や意思決定の迅速化に大きく貢献します。しかし、単にデータをグラフ化するだけでは、適切な示唆を得ることはできません。可視化を有効に活用するためには、適切なツールの選択、データの種類に応じたグラフの選び方、そして組織内でのデータ活用の仕組みづくりが重要です。

ここでは、データの可視化を業務に活かすための具体的な方法を紹介します。

適切な可視化ツールを選択する

どのツールを使うべきか？

データ可視化のツールには様々な種類があり、目的や扱うデータの規模によって適したツールが異なります。

BIツールの使い分けについては以下記事をご参照ください。

BIツール併用でデータ分析を効率化！Tableau×他BIツール併用のメリットとは

データを可視化！BIツール導入によるデータドリブンの促進

データの種類に応じた適切なグラフを選ぶ

データを可視化する際には、適切なグラフを選ぶことが重要です。誤ったグラフを使用すると、データの傾向を誤解し、間違った意思決定をする可能性があります。

可視化手法の選び方については前章の「適切な可視化手法の選択」にてお伝えしましたので詳細は割愛します。

組織内でデータ活用を定着させる

データ可視化を業務に活かすためには、組織全体でデータを活用する仕組みを整えることが重要です。単発の分析だけでなく、日常業務の中でデータを見て判断する習慣をつけることで、組織全体のデータリテラシーを向上させることができます。

① BIツールを活用したKPIモニタリング

BIツール（Tableau, Power BIなど）を活用することで、KPI（重要業績評価指標）のモニタリングが容易になります。

導入メリット

• リアルタイムでデータを確認できる → 売上や業績の変化を素早く把握可能
• 自動更新で作業効率を向上 → 手動でデータを集計する手間を削減
• 社内で共通の指標を持てる → 組織全体で同じデータを見ながら意思決定ができる

② 社内会議でダッシュボードを活用

データ可視化の習慣をつけるには、社内会議での活用が有効です。パワーポイントやExcelの報告資料を作成する代わりに、ダッシュボードを活用することで、最新のデータをリアルタイムで確認できます。

活用例

• 営業会議 → 目標達成率、顧客獲得数の推移を可視化
• 経営会議 → 会社全体の財務データ、事業別売上データをダッシュボードで共有
• マーケティング会議 → 広告の成果、SNSエンゲージメントをデータで分析

③ 可視化スキル向上を目的とした研修の実施

データ可視化を効果的に行うためには、社内のデータリテラシーを向上させることが重要です。そのため、定期的に可視化スキル向上のための研修を実施するのが有効です。

研修内容の例

• 基礎編: データの基本的な見方、グラフの選び方
• 応用編: BIツールの活用方法、ダッシュボード作成
• 実践編: 自社データを使った演習、業務での活用方法

おわりに

「データ分析」と「データ可視化」は、それぞれ異なる役割を持ちながらも、どちらもビジネスにおいて不可欠な要素です。

• データ分析は、ビジネスに活かせる示唆を得るための手法。
• データ可視化は、分析結果を直感的に理解し、スムーズな意思決定を支援する。

データの可視化を活用することで、情報共有の効率が上がり、ビジネスの意思決定スピードも向上します。まずは適切な可視化ツールを導入し、業務に落とし込むことで、データドリブンな文化を醸成しましょう。

\ 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

本記事では、DXとデータ利活用について、以下の点をお伝えします。

• DXとは何か
• DX推進におけるデータ活用の役割
• 日本におけるデータ活用状況と人材

DXの成果がなかなか出ず困っている方や、データ活用の状況や人材についてお悩みの方々に、少しでもお役に立てれば幸いです。

執筆者のご紹介

柏木啓良
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
顧客企業に常駐し、アナリストが分析に使用するデータマートの作成・保守や機械学習モデル構築のためのデータ作成・整備を担当しています。
安定的なデータ品質や効率的な処理の実装・改善に奮闘しています。
経歴：
生命保険会社のシステム開発部門にて、保守・運用を担い、2023年3月にメンバーズに入社

目次
01.|DXとは何か。なぜデータ利活用が重要なのか
02.|DX推進におけるデータ利活用の重要性
　　意思決定の基盤
　　業務効率化
　　顧客エンゲージメント
03.|日本のデータ利活用の現状
　　日本と米国の比較
　　DXの成果とデータ利活用の関係
　　日本のデータ利活用の問題点
04.|データ利活用において必要不可欠なデータ人材
　　データアナリスト
　　データエンジニア
　　データサイエンティスト
05.| DXを促進するデータ人材の予測
　　データ人材の需要動向
　　必要とされるスキルセット
　　未来の計画
06.|データアドベンチャー内のデータ活用でのDX推進事例
07.|まとめ

01.| DXとは何か。なぜデータ利活用が重要なのか

DX (デジタルトランスフォーメーション) とは、デジタル技術やデータ利活用を駆使して、企業や社会全体の変革を実現することを指します。
経済産業省の「デジタルガバナンス・コード2.0」では、DXの目的を次のように定義しています。

企業がビジネス環境の激しい変化に対応し、データとデジタル技術を活用して、顧客や社会のニーズを基に、製品やサービス、ビジネスモデ ルを変革するとともに、業務そのものや、組織、プロセス、企業文化・風土を変革し、競争上の優位性を確立すること。

*1　出典：経済産業省「デジタルガバナンス・コード2.0」（2024年8月8日に利用）

02.| DX推進におけるデータ利活用の重要性

DXを推進するためには、データの利活用が必須です。データは、企業の意思決定の基盤となるだけでなく、業務効率の向上や顧客エンゲージメントの戦略においても不可欠な要素です。ここでは、特に重要な三つの視点について解説します。

意思決定の基盤

企業が最適な戦略を決定するためには、データに基づく分析が必要です。

• 投資判断の高度化：システム開発や新規事業において、過去のデータを利用してROIを計算することで、経営リスクを減らして効率的な投資決定が可能になります。
• データドリブンの効用：可視化ツールやBIツールを駆使して、現在のビジネス状況を統合的に抽出することで、指針を満たした意思決定が可能になります。

業務効率化

業務プロセスの流れを数値化し、改善することで効率化が可能になります。

• コスト削減：業務フローを数値で分析することで、不要なプロセスを排除し、体系的な作業効率化を実現できます。
• AIや自動化の活用：RPAやAIツールを利用することで、人的ミスを減らし、必要な業務にリソースを割り当てることができます。

顧客エンゲージメント

データ利活用により、顧客との関係を強化し、長期的な関係構築を行うことができます。

• パーソナライズマーケティング：過去の買い物データや行動データを利用し、個別のニーズに適したプロモーションを実行することで、エンゲージメントの向上が可能になります。
• リアルタイムインサイト提供：顧客の行動を分析することで、その場で最適な情報を提供し、検討中の顧客から購入してもらう確率を高めます。

データ利活用により、企業のDXを大きく進化させることが可能です。

03.| 日本のデータ利活用の現状

DXを推進するうえで、データ利活用は中心的な役割を果たします。では、日本の企業は実際にどのようにデータ利活用を行っているのでしょうか。
独立行政法人情報処理推進機構（IPA）から発行された「DX動向2024」（*2）の調査結果によると、次のようなことが分かっています。

日本と米国の比較

「全社でデータ利活用を行っている」と回答した企業の割合は、日本は米国と比べて約10%低いことが明らかになっています。しかし、「事業部や部署単位でデータ利活用を行っている」企業の割合は大きく違いがなく、部分的なデータ利活用は進んでいることがうかがえます。(*2 「図表 2-1 データの利活用状況（経年変化および米国との比較）」より)

DXの成果とデータ利活用の関係

日本でDXを実行し、成果をあげている企業を調査すると、その約10%は全社でデータ利活用を実施しており、事業部単位でのデータ利活用も含めると約70%に達しています。(*2 「図表 2-2 データの利活用状況（DX 成果別）」より)

これは、データ利活用がDXの成功にとって欠かせない要素であることを示しています。
一方、DXの成果が不実としている企業の場合は、全社または事業部単位でのデータ利活用を実施している割合が約40%にとどまっていることが分かりました。(*2 「図表 2-2 データの利活用状況（DX 成果別）」より)

*2　出典：IPA「DX動向2024」（2024年8月8日に利用）

日本のデータ利活用の問題点

日本では、部署単位でのデータ利活用は進んでいる一方、全社的にデータを最大限に活用している企業はまだ不足しています。この格差が、DXの成果に大きく差を付ける要因になっていると考えられます。
これを解決するためには、全社のデータ利活用ステージを高めること、データを運用できる人材の磨き上げが必要です。

04.| データ利活用において必要不可欠なデータ人材

DXを動かしていくためには、実際にデータを採集し、分析し、実行につなげる人材が必須です。特に、次の3つのロールが重要です。

データアナリスト

データアナリストは、大量のデータを分析し、ビジネスの意思決定の基盤となる情報を提供する専門家です。データビジュアライゼーションやBIツールを活用し、効率的な解析を行います。

主な業務内容

• データの収集と活用計画の編成：統計データ、トランザクションデータ、顧客行動データなどを収集し、業務に活かす方法を検討。
• データの解析と見える化：科学的な分析手法を駆使して、業務改善や集客につなげる。
• 意思決定の支援：グラフ化したデータを用いて、調査結果をレポートし、経営層や関係部署に提供。

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基盤を構築し、システム内でデータが流通する仕組みを確立する技術者です。

主な業務内容

• データパイプラインの設計と構築：データの保存、収集、分配を効率的に行うためのシステムを構築。
• データの信頼性の保証：データが一律したフォーマットで保存され、統一された認証が可能な環境を構築。
• データフローの効率化とセキュリティ実現：大量のデータを最適なシステムで変換、送信、処理を行い、セキュリティ保証。

データサイエンティスト

データサイエンティストは、データを深く分析し、企業の決定を支えるインサイトを提供する専門家です。

主な業務内容

• プレディクションモデルの構築：機械学習やAIを駆使して、未来の動向を予測するモデルを作成。
• 複雑なデータ解析と拡散インサイトの提供：大量のデータを以て、業務改善や企画に有用な解析を実行。
• AIを駆使した高度な検索と検出機能の構築：機械学習や自然言語処理技術（NLP）を用いて、大量のデータから特定の情報を効率的に抽出・分析し、関連性の高い結果を提供する。

これらの人材が大きく組織のDXを前進させていきます。

05.| DXを促進するデータ人材の予測

DXの進行につれ、データ人材の不足が大きな課題となっています。現代のビジネス環境において、データの効果的な利活用は企業の成長に不可欠ですが、データ利活用に十分な技術力を持った人材が足りないのが現状です。

データ人材の需要動向

IPAの調査によると、全社的または部署単位でDXに取り組んでいる企業の約20%が、データサイエンティストの不足を訴えています。これに加え、データエンジニアやデータアナリストといった職種においても人手不足が明らかになっており、これは年々悪化していると報告されています。

必要とされるスキルセット

データ人材の不足は、営業から情報技術まで広いスキルが求められることに起因しています。特に、次のようなスキルが予想されます。

• 統計分析スキル：データを数学的に解析し、どのような戦略が最も効果的であるかを決定する能力。
• ビジネススキル：データを用いたケーススタディーの分析や顧客インサイトを提供する能力。
• データ基盤構築スキル：データを現場で利用するためのプラットフォーム構築やデータパイプラインの設計。

未来の計画

これからのDXを成功させるためには、一体どのような計画が必要でしょうか。次の点が重要となります。

• エスカレーションプランの構築：企業のどのレベルでどのようなデータ人材が必要かを明確にし、求人ストラテジーを定める。
• 内部育成プログラムの実施：データ利活用を効率的に行えるよう、実際の現場で実践的なトレーニングを実施する。
• アウトソーシングの活用：内部で育てるだけでは足りない場合、アウトソーシングを活用し、他の企業や研究機関とのコラボレーションを推進する。

これらの反映を受けて、未来のDXの機会を最大限に生かすためには、データ人材の価値の再認識が必須です。

06.|データアドベンチャー内のデータ活用でのDX推進事例

ここまで述べてきたように、DXの推進においてはデータ利活用が重要な役割を担っています。
最後に、弊社が支援した、データ活用でのDX推進事例を紹介します。

金融業界における機械学習モデル構築の事例です。
データ分析環境がある程度整っている企業においては、次のフェーズとして、サービスの高度化が考えられます。
その一つとして、機械学習モデルを構築することが挙げられますが、顧客企業とメンバーズデータアドベンチャーが協力し、着実に成果を上げている事例として以下を紹介します。
下記は金融業界における機械学習モデル構築の事例です。

クレディセゾンで活躍　本気のビジネス課題解決にデータのプロフェッショナル人材「常駐サービス」の薦め

データ分析環境がある程度整っている企業においては、次のフェーズとして、サービスの高度化が考えられます。
このようにメンバーズデータアドベンチャーでは、データ利活用の観点から顧客のDXの推進に貢献している事例が複数あります。

07.|まとめ

本記事では、DXとデータ利活用について、以下の点をお伝えしてきました。

• DXとは何か
• DX推進におけるデータ活用の役割
• 日本におけるデータ活用状況と人材

DX推進において、データ利活用は重要な要素になっており、データ利活用を推進することでDXを大きく推進できると考えています。
そういったデータ人材にお悩みの方は、メンバーズデータアドベンチャーまでご相談ください。

\ 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

2024年9月13日（金）に開催される、ビジネス＋IT主催『DX & AI Forum 2024 東京 Summer 夏』にカンパニー社長の白井が登壇します。