成果が出るデータ経営は何が違うのか！？
せっかくの取り組みで、どうして満足な結果が得られないのか--。
「データ経営」「データドリブン」という形で、データを経営に生かそうという機運は盛り上がっているが、現実の結果に頭を抱えるケースは少なくないようだ。特に近年はIoTやAIへの取り組みが活発化したことで、これまでのデータ分析では経験しえなかった壁にぶつかるケースも増えている。その背景にある「罠」は、もしかしたらCIOの尽力によって回避できたかもしれない。3つの「仮想」の事例で考えてみる。
そうだったのか… 事例1
データ分析の速度がビジネス速度に追いつかない
1つめは「データ分析の速度がビジネス速度に追いつかない」というケースだ。
消費者向けに化粧品や健康食品を提供しているメーカーA社は、新商品のマーケティングのため、深層学習や機械学習といったAIの知見を活用しようと考えた。具体的には、これまでに自社店舗で商品を購入した顧客の行動を分析し、新商品を購入してくれそうなターゲット層に対して、的確にDMを打つ、といった施策の検討だ。
こうした取り組みに向いた機能は、すでにA社が利用していたCRMツールでも提供されていた。しかし、A社は独自に顧客を分析することが競合他社に有利になると考え、予測モデルの作成からモデルの展開までを自前で構築しようと考えた。
データ分析の知見を持った分析担当者を新たに採用し、学習のためのツールも整備。仮説を立て、効果を検証して改善するためのサイクルを回す仕組みも整えた。しかし、いざ取り組みをスタートさせてみると、思わぬ壁にぶつかることになった。モデルを作成して実際に利用してみると、利用するころには市場のニーズが変化し、モデルの精度が悪くなってしまうのだ。
モデル作成までに時間がかかることは事前の調査や専門家のアドバイスを聞いていた。そのため、データの整備作業を効率化するためのツールも用意した。また、モデル作成もデータ分析に沿った適切なものであることを確認した。しかし、収集するデータはどうしても過去数ヶ月前のデータを使わざるをえなかった。数ヶ月前なら結果に影響はでないと判断していたが、実際には、それを上回るスピードで市場が変化していたのだ。
そうだったのか… 事例2
データ人材を集めることは困難、それなのに探し続けてしまう
2つめのは「データ人材を集めることは困難、それなのに探し続けてしまう」という問題だ。企業のなかには、データサイエンティストのように市場で脚光を浴びる職種が登場すると「それが唯一の答え」だと感じ、それにこだわり続けてしまうのだ。業務用空調メーカーのB社も、その「罠」にはまってしまった企業だ。
データ人材とは、データを分析するデータサイエンティストや、データを管理するデータスチュワード、ビジネスを分析するビジネスアナリストなどのことだ。企業が扱うデータは膨大で、部署や部門に散在している。また管理主体や責任範囲もそれぞれ異なっている。そのためデータ分析では、1人の担当者に任せるのではなく、収集や管理、展開などそれぞれの活用フェーズに合わせて、複数の専門家が担当することが一般的だ。必要に応じて業務部門の人間が担当したり、社内で専門家として育成することも求められる。
もともと同社は、適切な温湿度で自社製品が稼働できるよう、空調の稼働データを蓄積するなどデータ活用に積極的な企業だった。社内に専門家も多く、かつて製品へのAI適用も検討したこともある。
ところが、ビッグデータやAIブームのなかで、データサイエンティストが脚光を浴びると、経営層は過去の取り組みを無視するようにITツールに明るいとされるデータ人材を採用した。これが社内から反発を招いた。実際には、データ分析のためには業界経験が必要だったが、高額の給料で迎え入れたデータサイエンティストにはそうした経験が皆無だった。取り組みが頓挫するなか、経営への反発もあり、既存のデータ人材はそろって退職。基調な分析ノウハウすら失われてしまった。
そうだったのか… 事例3
エッジからデータセンター、クラウドまでのデータ処理に一貫性がない
3つめのは「エッジからデータセンター、クラウドまでのデータ処理に一貫性がない」というケースだ。これまではデータセンターで一括処理することが一般的だったが、データが増大する昨今は、新たな課題も現れている。部品メーカーのC社は、クラウド活用から一歩進めて、データが生成される場所としての「エッジ」に注目した。しかし各段階で問題が発生し、思うような結果は得られなかった。何が足りなかったのだろうか…。
C社がデータ処理の最適化に着手したきっかけは、IoTやAIなどの取り組みが進むなか、取り扱うデータが肥大化してきたことだ。データ量が増えれば、それらをデータセンターに集めて分析する工程も大掛かりになり、運用コストも増大する。まず最初に活路を見出したのが生産管理のクラウド化だ。
クラウドに直接データを送り、そこで加工・分析する。AIによる商品の画像認識なども実装し、コストやリソースの最適化を進めていった。とはいえ「データ転送に一定の時間がかかる」というクラウド特有の弱点もあり、特に数ミリ秒での対応が求められる処理については、遅延をどう解決するかが深刻な課題になってきた。そこで、課題解決の期待をこめて着目したのが「エッジ処理」というわけだ。
データが生成される場所であるエッジにおいて直接データを処理してしまい、必要に応じて分析まで行うことで、時間をかけずに高度な分析が可能になるはずだった。しかし実際には、分析環境が分散してしまったことで、さらなる別の問題が顕在化した。それがデータ処理の一貫性だ。部品メーカーであるC社にとって、これは死活問題だった。
今後は、より厳格かつ全社的なマスターデータ管理システムの導入など、システム分散への新たなコストが必要となる可能性が高い。エッジに分析環境を整えたまではよかったかもしれないが、結果としては、当初からは違った方向に軸がぶれてしまったのだ。
CIOが助言すべき、データドリブンに欠かせないITインフラ基盤の要件とは
これら3つの事例はどのように解決できるのか。
カギとなるのは、ITインフラ基盤の考え方について、CIOがより経営に近い、深いレベルで助言することだ。例えば、1つめの「データ分析の速度がビジネス速度に追いつかない」を解消する1つの方法は、ビジネス環境の変化に対応できるスピードを持ったIT基盤を構築することである。近年は、NVMe接続SSDやストレージクラスメモリ(SCM)など、ストレージ分野での技術革新が進み、よりスピーディーなデータ処理が可能になっている。高速なデータ処理基盤を活用しながら、分析の改善サイクルをすばやく回していくことが1つのポイントだ。
もちろん、それだけでは十分ではない。2つめの「データ人材を集めることは困難、それなのに探し続けてしまう」といったように、人の判断や組織の問題も大きいからだ。この問題を直接的に解決することは難しいが、ここもCIOの腕の見せ所だ。人材難に対してツールを活用するという手もある。機械学習や深層学習のためのITツールはかなり使いやすくなってきている。それらを活用しながら、特定の専門家に頼らない分析環境を整えていくことがポイントだ。
「エッジからデータセンター、クラウドまでのデータ処理に一貫性がない」という問題は、統合的なITプラットフォームを構築することが重要な策となる。ツールが使いやすくなれば、その分、システムの個別最適が進みやすい。IT部門が統括しながら、エッジからクラウドまでの分析プラットフォームを整備していくことが望ましいのだ。
データドリブン経営は、人、プロセス、ツールな企業全体が関わる大きな取り組みだ。CIOはITに長けたマネジメントとして、トップの意思決定を支えることが求められるだろう。
