サイト内の現在位置

「AI活用」に少しずつ取り組んでいこう

コラムで学ぶデータ活用

新見さんは、前回「データ駆動型経営/ビジネス」について確認しました。そしてその話のなかで、古田先輩は最近なにかと話題の「AI」についても語られており、大変気になっています。そこで今回は「AI活用」という視点で話を聞くことになりました。

「AI活用」についての学びポイント！

AIを、データから人間の経験や勘ではなく科学的に数字の裏に隠された情報をあぶり出す分析の手段として捉え、これを経営やビジネスに活用していく。
分析作業は仮説検証型で進めていく。
「AI活用」を進めるためには、人材育成と会社のしくみづくりが必要であり、少しずつでも取り組みを始めていくことが大切。

AIによるデータ分析

前回は、データ活用において、人間の経験や勘ではなく、科学的な根拠に基づいて膨大なデータから情報を捉え、活用していくことがポイントで、仮説検証を繰り返し、データを充実させながらDXを実現していく仕組みを企業内に作っていく必要性についても勉強しました。あとAIについても少し語られていましたが・・・・。

おお、よく覚えているね。データについてはまだ話したいことがあるのだが、これは後日に回すことにしよう。本日は、前回少し触れたAIについて少し深掘りしてみようか。

ところで、そもそもAIとは何でしょうか。

人によって意見が異なるが、例えば、広辞苑では「推論・判断などの知的な機能を人工的に実現するための研究。また、これらの機能を備えたコンピューター‐システム。」と定義しているね。
今回はAIとは何か、機械学習が何だという専門的な話はやめておこう。それは学校で学べばよいからね。ここでは、AIを、データから人間の経験や勘ではなく科学的に数字の裏に隠された情報をあぶり出す分析の手段として捉え、これをどう経営やビジネスに活用するのかという視点で話をしよう。高度な統計解析ツールのようなものも含めてAIとして考えて聞いてくれるかな。
まず昨今、経営やビジネスにおいてAIはどのような使い方をされているか。大体この３つのパターンに分類されると私は思っている。（図1）。

例えば、新製品企画で社長にこの製品がどれくらい売れるのか理由を説明する、もしくはその後、売れなかった場合に原因を説明するような場面を想定してみよう。経験や勘を根拠とした情報だけで、どれくらい納得してもらえるか。もちろん、社内外のあらゆる情報を収集して、裏付けは取るだろう。しかし、消費者の嗜好が多様化、企業をとりまく環境の変化も激しさを増し、かつスピードも求められる中で、現在ある情報の中からどれほど説得できる材料が揃えられるだろうか。このような場面でAIを活用しようというのがケース1。ここでは例としてソフトバンクについて書かれた文献（※1）から紹介しよう。ソフトバンクは圧倒的なスピードで世界のトップ企業になった会社だね。その背景には、数字へのこだわりをもった経営があるという。今日の売上や利益はなぜこの数字になったのか、その理由や原因は何か、次は何を実行すれば何％の数値改善が見込まれるのか。ソフトバンクでは、すべてを数字で語ることが求められている。現場の社員は科学的な分析手法を取り入れ、常に数字を理解し、その裏にある意味や背景を分析し説明することがまさに実践されているんだよ。

成長のかげには、そのような取り組みがあるのですね。

ケース2は、データ分析から新たな発見や気づきから、新たな施策を行うというもの。今度はUSJについて書かれている文献（※2）から例を紹介しよう。USJでは、既に年間で最大の集客月だった10月には普通はもう数字が伸びないと考えられていた。そこに科学的な分析手法により、10月のハロウィーン・シーズンに最大の伸び代を発見。ハロウィーン・ホラー・ナイトを実施し、それ以前に比べて倍増させることに成功させているんだ。

分析から伸び代を発見するという活用方法もあるのですか。

分析で「予測」というのは活用方法としてメジャーだが、「予測」と「現実」にギャップがあった際に、本来であれば「予測」どおりになるはずという発想で、まだ「伸び代」があると考えるのは斬新だよね。実に学びがあるよ。
そして最後にケース３。もし、分析結果から精度の高い予測モデルが見つかったとしよう。システムのプロセスにそのロジックを組み込み自動化すれば、業務の効率化につながるだけなく、新たなビジネスモデル創出も期待できる。まさにDXで目指す活用方法だね。

どのようにデータ分析を進めるのか

次にこのような分析を、どのように進めていけばよいかを例で示そう。

まずは、分析を何のためにやるのか、問題は何なのかを明確にすることが必要。そして、問題から仮説ベースで課題を設定していく。例えば、通販で売上が上がらないということが問題であれば、新規顧客発掘、リピート率を上げる、会員の退会率を下げるといった具体的な課題に落とし込む。課題を明確にした後は、具体的にどのようなデータを使ってどのような分析（手法・ツール）を行うかを決定していく。
次に、分析のためのデータ作りだ。顧客マスタや購買履歴、アンケートの結果などなど、課題に影響を与えるであろう、あらゆるデータを仮説ベースで集め、作り込んでいく。もちろん、場合によっては値が欠損していたりするデータを、分析で悪さをしないように補正したり、除去したりするようなプロセスも必要だ。このデータづくりが非常に煩雑で、膨大な時間がかかったりする。このようにデータを整備してやっと分析がはじめられる。
もし分析の結果が悪ければ、仮説やプロセスのどこかが間違っていたと考える必要がある。課題を再設定したり、分析方針を見直したり、データを変えてみたりして改めて分析を行う。これを何度も何度も繰り返し、よい結果が出れば、実際の現場で検証していく。例えば、リピート率の予測の精度に影響を与える主要な要因がプロモーションの回数であることをAIが示せば、実際にプロモーションの回数を増やしてリピート率が上がるかどうか検証する。また、これまで実施していた顧客への特典がまったくリピート率に影響していないとわかれば、思いきってその特典を止めて検証してみる。そして、最終的に現場の検証でよい評価が出れば、本格的にビジネスに取り組むといった段取り。

かなり長いプロセスですね。専門的な知見も必要そうです。

そこでAIのようなデジタル技術の出番だ。これまで専門的な知識や技術を持った人がやっていた作業の多くをAIが補完してくれるようになった。それがゆえにDXが進んできているということかな。

おもしろいですね。ぜひやってみたいです。

そうだ。とにかくやり始めることが重要だね。AI、ツールが発達し専門的な技術を知らない人でも取り組めるようになった。とはいえ、データを作成するためのITのスキル、業務に対する知見、そして分析に関する考え方を理解する人材育成が必要であり、分析を進めるための会社のしくみも作っていかなくてはいけない。そして、最初から良い結果が得られるとは期待せず、仮説検証を繰り返しながら、ノウハウを蓄積しデータとモデルの充実化を継続的に図り、企業のコアコンピタンスを作りあげていくことだ。
とにかく時間とコストがかかる取り組みではある。しかし、「デジタル競争の敗者」とならないために、少しずつでも進めていった方がよいと考えているんだ。