データ活用自体を目的にするのは“危険な兆候”　ゼロからのデータ分析組織立ち上げの注意点

持続可能な体制にするための「チーム作り」

立川裕之氏（以下、立川）：今までうかがってきた話はどちらかというと、実際に着手されたところだと思うんですが、どう進めるべきかという戦略的なアプローチや考え方はどうだったのでしょうか。

越智祐輔氏（以下、越智）：ここに関しても、大きく4つぐらいのお話があるかなと思います。着手の仕方といった話ですよね。まずは「取り組みの持続可能性を高める」というお話です。先ほどは、基盤を作って分析して、機械学習のPoC（Proof of Concept：実証実験）を回して投資対効果を提示するというお話までさせていただいたかと思います。

一連の流れがある程度できてくると、ここまでの取り組みを個人に依存したかたちではなくて、組織として持続可能な状態に持っていくのはどうしたらいいのかというところが、会社としても課題になってくるかと思います。

当社の場合は、経営陣から組織化に向けて動いていただきましたが、必要条件がちゃんと満たせていれば、組織化まで進めるんじゃないかと考えています。

立川：まだあまり具体的にイメージが持てていないんですが、要は「チームを作る」という話ですか？

越智：そうですね、チームを作るという話です。

立川：どういう位置づけのチームを作ろうというのが、もともとの考え方なんですか？

越智：大きく2つの話があると思っています。1つは先ほどの機械学習PoCにもあったような、データ活用を高度化することでの取り組み。これらを組織化して、属人化しないかたちで運用していく必要がある。

つまり、仮に担当者に病気や退職といったリスクが生じた場合でも、ほかのメンバーが対処できれば、組織としてデータ活用の高度化に対する業務知識を失わずに業務遂行できる。そんな環境を目指すべきという話が1つですね。

もう1つは分析に関しての話です。今まで一連のステップを踏んでいって、分析のノウハウも貯まってきました。それを組織化して、ほかのメンバーにも伝播させることで、分析レベルを上げていく。こんなところが主にやるべきことだったと思います。

内部人材を育てるか、外部人材を登用するか

立川：属人化というワードが出たんですけど、もともと越智さんが1人でやられてたんでしょうか？

越智：はい。それまでは僕のところで、分析を進めていましたね。

立川：1人でやられてたので、周りの部署から集めてきたというところですよね。

越智：そうです。そこが次の「メンバーの登用」の話になってくると思うので、そのお話もしちゃいます？

立川：そうですね、ちょっとおうかがいできれば。

越智：組織を作る際に、「どのような観点で組織組成を行うか」というところが、また問いになってくるかと思います。当社はメンバーを登用する際に、内部から登用をして組織組成をすることにチャレンジしました。

情報システム、マーケティング、営業といった部署から、こういった取り組みに対して適性がありそうなメンバーにジョインしてもらいました。

それ以外の選択肢として、外部登用という話もありました。ただ、当時は組織立ち上げの頃で、どちらかというと当社のビジネスがちゃんとわかった上で、データサイエンス系に向き合える人材が必要であると。

そこで、ビジネス理解、つまり今まで現場で手を動かしてた人にまず入ってもらって、そこから育成をしたほうがいいんじゃないかという方針のもと、（人材を）登用していきました。

立川：なるほどですね。メンバー登用の際、データサイエンスそのものについては越智さんがトレーニングをされたんですかね。

越智：そうですね、その話に関しても大きく2つに分かれると思います。それがこの下の③と④で、順にお話をさせていただこうと思うんですが、まず「外部への内製化を前提とした協力依頼」というお話です。

先ほど立川さんがご指摘されたように、まだ知見がそれほどない中でのスタートになります。そして僕自身も2017年頃ぐらいからデータサイエンスについて個人的に学習を進めていたところで、実際のビジネス適用まではまだできてなかったんですよね。

そうなってくると、組織を立ち上げたのはいいものの、専門性がまだ担保できてない状態になります。そこをどう補うかという時に、まず1つは「外部の専門家を頼る」という話。それからもう1つは「内部の育成を通じて将来的な専門家に近づいていく」という話が、それぞれあるんじゃないかというところです。

メンバー自身が手を動かし、AIを活用できるようになるまで

越智：今、③で提示しているのは「外部の協力」の話で、当社の場合は例えば「ゆこゆこ　AI」で検索していただくと記事が出てくるかと思うんですけれども、JDSCさんというデータ分析の専門の会社さんに伴走していただきながら、AI活用に関して高度化していきました。

ここで専門家の方々に依頼させていただくんですが、頼りっぱなしで内部に知見が貯まらないと組織としての存在意義がなくなってしまうので、最初の開発は依頼させていただくものの、運用フェーズではメンバーが自分たちで手を動せるように、リリース後の運用内製化まで含めたスコープを契約とし、専門家の方々からメンバーへレクチャーいただくことで、無事に内製化を実現できました。

せっかくなので、4番目の育成についてもお話します。こちらに関しても大きく2つあると思っています。1つは「業務自体で成長してもらう」という話、もう1つは「業務以外のところで成長機会を用意する」という話が、それぞれあるんじゃないかというところですね。

まず業務を通じた成長は、2つに分化されると思います。1つは③で触れた、内製化を前提とした協力依頼。つまり専門家の方々にある程度開発して頂いて、そのあと（技術や知識を）レクチャーしてもらうことで、手を動かす部分で自分で（経験して）成長してもらうという話があります。

③で言っているのはあくまでAI活用の話なので、データ分析系の話は自分たちの組織の中で育ってもらう必要があります。そこで出てきたのがSQLにどう向き合うかという話です。

組織を作った2020年2月以降、コロナが激しくなってきて、会社として一時的に休業することにしました。同じ判断をした会社も多いんじゃないかと思います。そういった休業期間の中で、『ビッグデータ分析・活用のためのSQLレシピ』という、非常にすばらしい書籍を学習教材にしていました。

自分たちのデータベースでこの問題を解くとしたらどんな書き方になるのか、実際に問題を作って、僕とメンバーで理解を深めながら、SQLに関してのスキルアップを進めていく。

あとは実際の業務の分析依頼などを通じて、案件ごとにレビューを行いながら徐々にSQLの使い方と自社のデータの挙動に対しての理解を深めてもらう。こんな活動をしていくことで、業務を通じた育成を行いました。

経営層に投資対効果を示し、育成費用を捻出するステップ

越智：もう1つは、社外で成長に向けた取り組みをどうしたかという話です。こちらはまさに今、データミックスさんのように外部のスクールにご協力いただくことによって、メンバー自身にAIについてキャッチアップしてもらう取り組みを進めていきました。

ただ、データミックスさんの学習などに関しても基本的には費用がかかります。それをどこから捻出するかというと、やはり機械学習PoCによる投資対効果がどれぐらい出るか。こういったところが組織活動の予算の源泉になってくるわけですよね。

ここまで稼げる予定なので育成をしたいが、お金がかかる。ただPoCの結果から、収益的にも十分な結果が出るはずだから投資をさせてほしいと。こういった一連のステップによって、育成に対する費用も充当させながら、組織をだんだんと育成していった次第です。

立川：わかりました。質問がけっこう来ていて、残り時間もあまりないので、一番今日大事なポイントになる「組織展開するためのKey Factor」をうかがっていきたいと思います。

特に組織展開と考えると、それこそ組織の壁があったり。あるいは小さく始めようとするあまり、逆にデータという意味でガバナンスが取れなくなったりしますよね。一方でガバナンスを先に整えようとすると、それはそれですぐに成果が出るわけじゃないので、やっぱり難しいとか。ほとんどの会社で、いろいろなトレードオフがあってうまくいってないんじゃないかなと、私としては理解しています。

今うかがったいろんなお話も踏まえて、越智さんが考えていらっしゃるKey Factor、大事だと思われるところはいかがでしょう。

困難を一発で解決する「銀の弾丸」は存在する？

越智：Key Factorが何かというところで、大きく5つぐらいの話があるんじゃないかと整理をしてみました。まず、今回のイベントのタイトルになっている「銀の弾丸」。これがあればもうすべて解決できるという話がそもそも存在するのか。

これに関しては、1つの要素ですべてが解決できるような方法は、残念ながらないのではないかと考えています。ただそれに類するものとして、これからお話する4つの話を充当することで、ある程度再現性が高められるのではないかと考えています。

まず大前提としてデータがないと始まらないという話なので、収集・蓄積されて活用できる状態になっているかどうかが大事です。

その次に何が重要かというと、人の部分ですね。自社のビジネスとデータに深い理解がある人材を中心に登用できるか。こういった人材がいる場合、機械学習をするにしてもデータの理解があるので、どういったものに対してアプローチすればいいのかがわかってきます。

それで、収益改善効果が高い重要課題への機械学習PoCという話になってきます。このPoCによってある程度、人がやるよりもAIがやるほうがどれくらい投資対効果が良くなるか効果を提示することで、投資に値するのかどうかを経営陣が判断できる。

こうした段階を踏んでいくと、「投資対効果がここまであるんだったらやらない理由はないよね」と、組織化に至るステップを踏めるのではないかなと思います。一旦立川さんにお返ししましょうか。

組織内で合意形成をしていくためのはじめの一歩

立川：ちょっと掘り下げてうかがっていきたいなと思います。例えば①の「データが収集・蓄積され、活用できる状態になっている」というのは、本当におっしゃるとおりだと思うんですよ。ただ多くの会社ではたぶん、データはけっこう貯まっているんじゃないかと思ってるんですね。

一方で、そのデータを使える状態にするのは大変ではないかと。私はそこから仕事をさせてもらうことがあるんですけど、まともに使える状態にすること自体のコストと、使える状態になったあとのベネフィットは、皮算用はできたとしても、大抵は事前にわからないと思ってるんですよ。

ここの意思決定や「会社としてやっていきましょう」という合意形成を得るのは、かなり難しいんじゃないかなと思いますが、どのように思いますか？

越智：今までを振り返って考えてみると、やはりデータの収集・蓄積にしても、例えば会社の成長戦略や事業計画に結びついたレベルで必要性を論じられるかどうかという話はある気がしています。

先ほどは「顧客分析の話が成長戦略になり得る」という話をさせていただいたんですが、こういったさまざまなデータの視点から、今後事業がどう成長していくのか想像して、そのデータを試しに自分たちで分析してみて、シミュレーションしてみる。そんなところがまずはじめの一歩になり得る気がしています。

立川：つまり逆説的に、どちらかというと未来の経営計画などから逆算した時にこういうデータは必ず必要になって、集計や可視化、あるいはもっと高度なデータの活用が発生するだろうと。プレイヤー側からすると経営陣に提案していく必要があるし、逆に経営陣のみなさんは、そこにアンテナが立っていれば進んでいくというところですよね。

越智：まさにそんなところじゃないかと思います。

現場もデータを深く理解している人材はなかなかいない

立川：ありがとうございます。人のところも同じようですが、「自社ビジネスとデータに深い理解がある人材を中心にした登用」。これは、越智さんはそうだと思うんですよ（笑）。

事前にインタビューで越智さんにいろいろうかがったところ、実際データミックスでデータサイエンスを学んでいただいて、すごくよく理解されていらっしゃる印象でした。自社ビジネスについても、本当に現場の作業も含めて経験していらっしゃると思うんですよ。でも、そんな人はなかなかいらっしゃらないと思うんですね（笑）。そうなった時に、どこからやるんだと。

越智：そうですね、すべてを網羅する人である必要はないと思っています。要は細かく要素分解をする中で、組織として必要な部分を満たしていくという話になると思うんですよね。

例えばさっきの「マーケ・営業・情シスからそれぞれ来てもらいました」という話も、それに関連するんじゃないかと思います。僕自身が知らない知見も各部署でありますし、そういうものを補い合えるような組織を作ると。

あとは、データサイエンスの専門家としての理解と自社ビジネスの理解のセットは、ハードルの高い話だと思っています。なので、データサイエンスはある程度専門家に任せて、自社ビジネスは僕ら自身がちゃんと理解する。

その橋渡しをする存在も必要で、それがデータミックスさんで言うところの「ビジネストランスレーター」という話になってくるかと思うんですけども。

この部分は、自社ビジネスに理解があり、かつデータサイエンスにも興味や適性がある人を見つけ出して、その人にインプットするのがよいと思います。ただ、そこまで興味や適性がないという話になってしまうと、難しいですが……。

「投資対効果」を理解してもらうためのアプローチ

立川：そういう意味では、プレイヤー側の目線で言うと、やっぱり会社の経営計画や未来の状態を、越智さんがよく考えていらっしゃるというのは率直な印象でした。

「未来にこうなろうとすると、今はこれが必要なんです」ということを、しかも現場レベルでよく理解されていらっしゃることが、実はかなり重要な、ある意味「銀の弾丸」と言いますか（笑）。越智さんが持っている非常に強力な武器だと思います。

プレーヤーとして組織展開するには、やっぱり「会社の将来はこうなっていくから、今こういうことをやっておかないといけませんよ」と。それこそ「こういう人材を中で育てなくちゃいけないですよ」とか「こういうふうにデータを揃えなきゃいけませんよ」という提案ができるかどうかが1つ重要なのかなと思いました。

経営からの目線で言うと、データをちゃんと集めるというのは、ある種すごく地味な作業ですよね。あるいは突然、すごく優秀なデータサイエンティストをポンと入れたら、うまくいくというような変な意思決定をしないことも1つ重要なポイントになるのかなと思いました。

越智：おっしゃるとおりかと思います。

立川：いい質問がきているので、残り時間でピックアップしていきたいと思います。まず投資対効果を示すにあたって、具体的にどういう方法で費用対効果を示したのか。ここでは「因果推論やA／Bテストなんですか？」という、要は理論的な方法論についてのご質問ですね。

ここでの費用対効果はそうした理論的な方法を用いたものなのか、あるいは単純に作業工数削減だったのか。プロジェクトによるとは思うんですが、どのようなアプローチだったんですか？

越智：おっしゃるとおり、効果にはお金の話と工数の2つの話があると思います。僕が示した話は、主にお金の話になりますが、作業工数の削減で、本来そこにかかる人件費も削減できるというように、最終的にはどちらもお金の話にもなるんじゃないかなとは思っています。

このお金をどう見積もるのかというのが、ご質問の意図かと思うんですけれども。おっしゃる通り、A／Bテストになると思います。つまり、今まで人ががんばってきた成果、それからAI側の成果をそれぞれ見比べた時に、どの程度改善余地があったのかを見積もるという話ですね。

データ活用自体が目的化するのは“危険な兆候”

立川：なるほどですね。どんどんいっちゃいますね。「経営陣の方がデータ活用の構築に前向きだったのはどういう理由からなのか」と。この方は、やっぱりすぐに収益に結びつかない分野だと考えておられて、そういう組織展開において、経営陣の理解を得ることが非常に重要だと考えていらっしゃいます。

越智：当時を思い返してみると、やはりデータ基盤の構築をするために、「そもそも何を達成するのか」という目的があったというところですよね。顧客視点に軸を置いた、新しい成長戦略を実現するためにモニタリングする基盤が必要だったから、データ基盤の構築をしたという関係性だったわけです。

確かに「まずはデータ基盤を構築したいから」という話をすると、なぜ必要なのかとか、コストにちゃんと見合ってるのかという判断が難しくなると思います。「その基盤構築によって何を達成したいのか」という問いのほうが大事ではないかと思っています。

立川：いわゆる「DXが自己目的化していない」というのは特徴的だったかなと思いました。あんまり言うとアレですけど（笑）。世の中では、例えば「AIを導入すること自体が目的になる」みたいなパターンも見受けられることがありますよね。

今日のお話も「顧客管理をしなければならないからデータ整備をしよう」とか、当然顧客管理の必要性があってのことですよね。あるいは機械学習の導入も、すでに具体的に課題があって「これは機械学習で解決できそうだな」という順番ですよね。だから、データ活用自体が目的になっていないことは、今回お話をうかがっていて非常にポイントになっているのかなと。

越智：そうですね。

データ分析のレベルアップに役立つ3つの方法

立川：それからもう1つ。「組織化することで属人性の解消はイメージがついたのですが、分析に関しては具体的にどのようにレベルが上がったと感じますか」と。背景として、自分が経営層に組織化を提案する場合に、チームで分析するにあたって成果のレベルが上がるイメージが持てていないようなんですよ。組織化によって、分析のレベルがどう上がっていくのかについてはいかがですか？

越智：確かにプレゼンする上で「こういう成果が上がります」と、分析レベルの話をするのは難しい気がしています。僕らの場合は、機械学習による直接的な収益効果で必要性を理解していただきました。

ただ一方で、分析のレベルをどう上げたかという質問者の方の問いもありますので、ここもお答えすると、コードレビューと学習教材、テストの3つだと思います。

例えば今まで分析依頼が各部署からきたものをメンバーに対応してもらいコードレビューを行ったり、SQLレシピのような教材で理解を深めたり、組織の水準が一定に達した事を確認するためにテストを実施したり。

テストについて補足すると、僕がやったこととしては、分析案件の重要性、緊急性、難易度から、出す問題と優先順位を決めて、それを「この分析案件に対応するテストの問題が解けたら、一人で業務遂行できるよね」というテストを作って、メンバーにクリアしてもらいました。

データのビジネス活用と研究開発の違い

立川：たぶん次が最後の質問になりそうなんですが、「ビジネスに活用する場合と研究開発は異なるのではないか」。この方は、今日のお話はビジネスへの活用が優先的な印象を受けて、「逆に研究開発的な案件を推進するようなニーズは、経営陣からは出なかったんでしょうか」ということですが、このあたりはいかがですか？

越智：ここの優先順位ははっきりしています。まずはやはりビジネス活用に重きを置くべき、というところが当社としての判断です。研究開発をすることで他社との優位性が確保できるようなビジネスを展開されている場合は、研究開発すべきという話はあるかと思うんですけれども。

当社の場合はもっと手前の部分、機械学習がビジネス適用できるかどうかが課題認識としては強かったです。そして専門的なところは外部の力を借りてブラッシュアップしていく。そういう優先順位のつけ方をしていました。

立川：なるほど。実はもう1個だけ質問がきてるんですけど、時間がギリギリなので一旦締めさせていただきます。もし越智さんがよろしければ、そのあとに質問をお話しさせていただければと思うんですけれども。そんな感じでもいいですか。

越智：大丈夫です。

立川：では一旦これで締めさせていただきます。また今後もこのようなイベントを企画してまいりますので、ぜひ楽しみにしていただければと思います。では今日のイベントは以上とさせていただきたいと思います。みなさん、どうもありがとうございました。

越智：ありがとうございました。