Google検索の一歩先へ　一休がデータサイエンスで挑む、究極のパーソナライズ

データに関心を持った原点

――それでは、榊社長の経歴についておうかがいしたと思います。一休の社長になった経緯を教えてください。

榊淳氏（以下、榊）：私は新卒で銀行に入り、トレーダーをやっていました。そのあと、コンピュータサイエンスや応用数学の領域で大学院に行きました。当時としては比較的最先端だったと思います。いわゆるシミュレーションですよね。そのあと、何を間違ったのか、コンサルティングファームに入って、企業の業績改善のご支援をするお仕事を10年やって、最後のお客さまが一休でした。

一休に来て、経営というか業績改善のお仕事をやりながら、けっこうデータも豊富にあるので、「そういえば、昔データサイエンスやってたな」と思って、いろんな分析などをやりました。

データサイエンティストをもっと簡単に言うと、昔の金融のトレーダーは、まさにデータサイエンティストですよね。ディープラーニングや深層学習をしていなかっただけで、ありとあらゆる最適化手法を駆使してトレーディングしていたわけなので、本質としてはあまり変わらないですね。NASAのロケットサイエンスも、あまり変わらないと思います。

トレーディングと、今のディープラーニングや機械学習の領域を比べると、昔は最適化手法の中身まで自分で書かなければいけなかったのが、今ではそういうライブラリが揃っているという違いがあるだけで、本質的には全部一緒だということが、最近わかりました。

――もともとデータに興味を持ち始めたのはいつ頃でしたか？

榊：それは幼少の時からですかね。数字が好きでしたし、「ゲームをするのと本を読むのとどっちが好き？」と問われれば「ゲームが好き」と答える。とにかく本を読むのが大嫌いで、分析や数字遊びをするほうがはるかに好きでしたね。読書感想文よりそろばんが好き。「なんで？」と言われてもわからないですけど（笑）。

――そういったバックグラウンドがありつつ、今に至ると。

榊：そうですね。でも、やっぱり経営者なので、組織のマネジメントのような定量的ではないことも多分にありますけど、それは社長業としての話であって。データサイエンティストは、僕の社長業ではなくて、社員業としての話です。

データを触るようなことをやっている僕は、社長じゃないんですよ。1人のデータサイエンス部の部員みたいなものです。

あまり言っていないのですが、社長ってすることがほとんどないんです。担当の仕事を持っていないし、担当の領域も持っていないし、毎日机に座ってルーティンがあるわけじゃない。みんなが自立的に動いているのであれば、レポートもないはずですし。だから、朝会社で席に着いて「やべえ、俺、今日することない……」みたいな感じです。

――なるほど（笑）。

榊：それで、社員に「ちゃんと報告して」とか言うから、すごくミーティングがある。これが社長業だと思います。

例えばヤフーさんでは、自分の配下に25個くらいの事業部があって、25人の事業部長と「最近どう？」みたいに話したりするのは、社長業としては大変ですよね。「〇〇と〇〇ちゃんが協力してない」とか「お客さまの〇〇さんが怒ってます」とかが勃発して、「すいません！」とか言わなくちゃいけない。これは社長業としては忙しいです。

ですが2事業しかない場合、2事業にトップがいて、その人が一生懸命マネジメントをするんですよ。その上にいる社長は何するのかというと、みんなが働きやすいようにいろいろ整備する。そうすると、月曜日だけで終わっちゃう。それが本心です。

一休の組織について

――それではここからは一休の組織についてお話をうかがっていければと思います。一休は現在、どのような人員構成構成になっているか教えてください。

榊：全体で350人ぐらいの会社です。50人ぐらいが管理本部やコールセンターで、残りの300人のうち、150人が「宿泊」、150人が「レストラン」にいます。

宿泊とレストランは同じような組織体制をしています。例えば、レストランだけお話しすると、100人ぐらいの営業部隊がいて、そのうち施設さんを回っているのが50人ぐらい、あとの50人は会社の中でお電話を受けたりプラン登録したり、いろいろな施設さんをサポートしています。それで、合わせて100人ぐらいです。

システム系が20〜30人で、お客さまへのオペレーションをする人が5人ぐらい。あとは、宿泊とレストランのどちらにも属さないデータサイエンスは横串の機能で、宿泊もレストランも両方やっています。データサイエンティストが6〜7人で、サイトのディレクションも合わせると、10人ぐらいのチームですね。その他、デジタルマーケティングという集客の部分もあって、それが15人ぐらいです。

――「エンジニア」と言われる人たちは、どのぐらいいらっしゃいますか？

榊：さきほどお話ししたとおり、宿泊とレストランと、CTO室にテックリードの人たちがいますし、基盤をやっている人もいるので、全部合わせると50人強だと思います。デザイナーも含めると60人ぐらいかもしれないですね。

データサイエンティストチームの位置づけ

――現在、もう一段先のデータサイエンスをやっていくためのチームを作られているところだと思いますが、データサイエンティストチームの位置づけについて教えてください。

榊：僕も最近、それについてすごく考えました。「データサイエンスは、うちの会社にとって何なんだろう？」と。そこで思ったのが、例えば、サッカーでいうとクリスティアーノ・ロナウドみたいな人なんですよ。

弊社が提供しているのがどんなサービスかをよく考えると、営業のみんなが力を合わせて日本全国を回って、商品を集めてきます。システムのみんなが一生懸命システムを作って、予約しやすいようにするわけです。そして、データサイエンスのデータを作るチームがデータウェアハウスなどを作って、いろんな分析をする基盤を整えます。そしてサイエンスが最後に、お客さまに「ここはいかがですか？」と提案する係ですよね。

お客さまとの接点で、もちろん予約をしやすくするというのはあります。どういう順番で検索結果が並ぶかもそうですし、もしその宿に行こうと思って空室がなかった時に、どんな施設がレコメンドされるべきなのかもそうですよね。

また、そのお客さまのとった行動に対して「お客さま、そこ空いてなかったけど、やっぱりこっちがいいんじゃないかな？」と提案したり、お客さまが購入しようか迷っている時に、プライシングがグッと2,000円安くなって「この値段だったらどうかな？」といったことは全部サイエンスです。つまり、ゴールを決めるところはサイエンスなんじゃないかと思います。ただ、データサイエンスをそう考える会社はそんなに多くないと思いますね。

「サイエンスに振りたい」と思った理由は……「Googleがレストラン予約を始めます」という話なんですけど、もしお客さまが、「どのレストランに今日行けるかな？」とか、もしレストラン名からわかっていれば、「ねえGoogle、今日あそこのレストラン空いてる？」と聞いて、「空いてます」と言われて、それでもう予約まで完了すると思うんですよね。そういう時代って来ると思うんです。Alexaも同様ですよね。

だから、僕がどこに行くかを決めて予約を取るという行為自体は、レストラン予約サイトじゃなくてもできる。じゃあ、レストラン予約サイトは何ができるのか。Googleさんをジェネラルな検索と捉えた時に、僕たちは、高級な宿やレストランに特化したスペシャリティな検索ですよね。だからこそ、お客さまがどの店に行くかを提案できることが生命線なんです。

だから僕たちは「何月何日に、このあたりでこんな感じの店を探してるんだけど、どう？」と言われたほうが、「お任せください。がんばります！」みたいな気持ちになります。「あなたにおすすめの店はこの5個なんだけど、あなたが検索した日付・時間で、お得度も含めて一番いい店はここだと思う」と言えるような、そんなサービスにしたいです。

例えば、データサイエンスをサービスの最前線に据えずに、データサイエンスが活躍している会社も多いじゃないですか。例えば、投稿した写真のエラーを検知するとか。それも大切ですが、うちはどちらかというと、本当に点を取るかどうか……体で言うと心臓のような部分だと思っています。とくにデータサイエンスの「サイエンス」がそうだと思います。

――営業さんが商品登録したら売上が上がるというものではないですからね。

榊：その商品を登録するという行為自体は、実はうちだけじゃなくて、ほかの会社さんもできる時代が来ると思います。じゃあ、誰がどの商品を喜ぶかを見つけるところは、やはりデータサイエンスです。

高級なところに行くお客さまにヘビーに使ってもらうことだけを主眼に置いているので、ヘビーなお客さまのデータ量がものすごいです。機械学習もかなり使い始めているので、極端な話、このお客さまが次にどこの宿に行く確率が何パーセントかというところも、けっこう当たりますよ。

一歩先の検索を実現するために必要なこと

――データサイエンティストチームはどんな人が、どんなことをやられているのでしょうか？

榊：（データサイエンティストの）大西さんがやってくださっているのは、先ほどの検索のレコメンデーションの一部で、あいまい検索に取り組んでいただいています。

例えば、A君が「2人　渋谷　イタリアン」で検索したとします。これはデートだと思うじゃないですか。けっこううまくいくわけですよ。では、「2名」と入れずに「イタリアン　渋谷」で検索したとしますよね。A君は、デートの場合は「デート」と入れますし、デートする相手が大人っぽい女性だったら、「しっぽり」とかも入れたりするわけです。

「デート　しっぽり」と言われた瞬間に、検索は意味がわからないといけないので「『デート』『しっぽり』って何？」みたいな世界に行くじゃないですか。そこが、自然言語の話になっていくんですよ。その部分を、ずっとやってくださっています。

簡単に言うと、レストランのいろんな口コミの情報がありますが、それを自然言語処理することで、「レストラン」をあるベクトルに落とすんです。「レストラン」はこんなベクトル、「しっぽり」はこんなベクトルみたいにすると、すべてのレストランのしっぽり度が出るわけですよ。

「渋谷　イタリアン　デート　しっぽり」と言われたら、「渋谷」「イタリアン」は、レストランのリストがあって「渋谷」「イタリアン」というフラグがついているので、これはチェックしていきます。そして、「渋谷　イタリアン」で出てきたレストランのうち、「はい、ここから『しっぽり』いきます」みたいな話になってくると、しっぽり度が出なくてはいけなくて、そこは自然言語処理ですね。

もう1つ。「A君」というイシューがあるじゃないですか。「A君はかなりこういう感じが好き」というものがあって、A君のパーソナライゼーションとしっぽり度を足して、この順番ということで検索結果を返すんです。だから、何が正解かはわからないです。

（ホワイトボードに表を書いて）

榊：ここにA君のパーソナライズドスコアが入りますよね。A君は「こっちにすごく行きたい。10.0」「こっちにはあんまり行きたくない。2.5」みたいなスコアが入ります。

そして、ここにしっぽり度が入ります。こっちのほうがしっぽり度が高くて5.0で、こっちが、度合いがわからないから2.0。どっちを上に出すか、みたいなところは考えなくちゃいけないですね。

ここで何をするかというと、ここにαをかけますよね。ここにβをかけますよね。このαとβを機械学習で最適処理して、どれが一番最適なαとβかを出します。

――重み付けみたいなものですね。

榊：重み付けとして、一番コンバージョンが高いαとβを探します。これは機械学習のテーマで、ピュアにサイエンスですね。

――これは具体的にしっぽり度があるというよりも、いろんな「〇〇度」があるということですよね。

榊：そうです。うちの仕組みには地名やジャンル、食材などの辞書があります。「渋谷」と「イタリアン」と、例えばここで、よく入ってくるのは、「熟成肉」なんてキーワードが入ってきたとしますよね。これは形容詞じゃないですよね。これは食材です。

「渋谷」はエリアですね。「イタリアン」はレストランのジャンル。こういった辞書があるんです。

日本にはどういうエリアがあるのかくまなくデータがあるので、「これはエリア」「これはジャンル」「これは食材」というようにフラグがつきます。

ですが、他の言葉が来ると「どういう意味？」みたいなことになります。例えばN次元空間に、「これがレストランの1」「これはレストランの3」みたいに、レストランの口コミをベクトルを落とす、みたいなかたちです。そして、「しっぽりレストランはどれ？」「しっぽりはこれです」とレコメンドする。これを自然言語処理で実現しようとしています。

レストラン1とレストラン2でどちらがしっぽり度が高いのかは、ベクトルとベクトルの内積で距離が出るので、「こっちのほうが近いです」みたいなものがここに入ってきます。これは実際にはN次元なので人間は理解できませんが、口コミ、レストランの情報、テキストなどをブワーッと入れる、いわゆる自然言語処理です。

これだけの精度やレコメンドはGoogleでもまだできていないので、僕らがやっていますし、やりたいです。

この裏側に、実はもう1つ、一番大事な「most popular」という要素があります。most popularは、例えば「A君という人は、40代、渋谷区在住、男性らしいよ」みたいなもの。A君にどういう嗜好があるかは別にして、「渋谷区の40代の男性が直近1週間で予約したのはどこ？」みたいな売上情報を「γ」とします。

なので、あなたの好みはこうかもしれないし、しっぽり度まで出るかもしれませんが、それに売上データがかかってこないと健全じゃないですよね。

「すごく良いと言われても、このレストランぜんぜん売れてないよ」と言われたらダメなんです。あるいは、「ここ3日間でこれがバカ売れしています」というものがあれば、バカ売れしているものは、やっぱり候補に入れてあげたほうがいいので、そういうところを踏まえて結果を出すということを実現したいと考えています。

一休で働く魅力

――こういったことを分析されているデータサイエンティストの方々は、どんなバックグラウンドをお持ちの方が多いのでしょうか？

榊：バックグラウンドとして多いのは、SIerをやっていて、もともとアナリティクスに興味があって、みたいな方ですね。

――データサイエンティストチームは6〜7名ぐらいとのことですが、これからどうなることを目指していますか？

榊：50人ぐらいの規模を目指しています。でも、50人のサイエンティストというよりも、50人のチームになった時に、データのインフラを整備する人、アプリケーションレイヤーを作る人、サイエンスのいわゆるエンジン部分を作る人と分かれていくとすれば、15人ずつぐらいですかね。

――今、まさに採用をされているんですよね。

榊：ただ、点が取れないクリスティアーノ・ロナウドだと困ります。やっぱり、クリスティアーノ・ロナウドにはゴールを決めてもらわないといけないので、「我こそは」という方にぜひ来ていただきたいですね。

ビジネス課題を解決して、世に価値を提供したいと思っていらっしゃるデータサイエンティストの人は、おそらく多いと思うんです。だけど、思うようにもいかないこともあります。

弊社は比較的自由にできると思うので、そういう方が入社されたら、その人がやりたいこともできると思います。いっぱいテーマもありますので。

――データサイエンティストの方が一休で働く魅力はどんなところだとお考えですか？

榊：まず、先ほど申し上げたとおり、会社の中心的な役割だというところです。もう1つは、会社が展開している事業の社会的意義も大きいことですね。このサービスが広まることは、世の中に幸せを増やすことなので、それが広まるのはいいことであるという部分です。

あとは、データが複雑すぎないので、1人のエンジニアの頭の中に、すべてのデータ構造が入る環境にあるということです。

僕も大西さんもそうですが、どこにどんなデータがあるかは、完全に頭に入っています。テーブルも全部整備されていて、あとは作るだけです。

また、その人が「これをやりたい」という時に邪魔する人はいません。お客さまのためになることであればみんな応援します。

実は今、データサイエンスの学校に行っているんです。機械学習やディープラーニングについて、僕も生徒としていろいろ勉強しています。そういう活動もどんどん支援していきたいです。

――ちなみに、学校にはいつ頃から行かれているんですか？

榊：今年の1月からですね。木曜日と金曜日の夜に、2週間に1回ぐらい、機械学習やディープラーニングを学んでいます。僕が今教わっている方は、ディー・エヌ・エーの方です。

その方は、強化学習を使った自動運転のシミュレーターをやっていて、「昨日、僕のシミュレーターは地球を75周しまして、猫を2匹、轢いちゃいました」みたいなことを話していました（笑）。

採用基準について

――先ほど「点を取れないクリスティアーノ・ロナウドだと困る」とお話しされていましたが、具体的な採用基準はどのようになっていますか？

榊：「本当にビジネス課題を解きたいと思っていますか？」ということはすごく問いたいです。

――そこがコアでしょうか？

榊：コアです。

僕たちはお客さまに価値を提供することをやっている会社なので、そこには多分にデータサイエンスを使いますが、極論、エクセルの足し算で成果が出るなら、それでもいいです。

最短の方法を選択して、最適な手法を使って持てる知力を結集して、お客さまへの価値還元に向かって進めるかを問うということです。

ただ、「その人1人が問われるのか？」というのは、僕たちもすごく考えたほうがいいですね。例えば、「僕はビジネスのほうが強い」「僕はサイエンスの理論のほうが強い」みたいに、2人のセットで課題に向かってもらうことも想像しているので、人数は増えるべきだと思っています。

また、できれば1人が1つのテーマにかかりっきりになるのではなく、1人が2つ以上のテーマに関わったほうが、頭の中にゆとりが生まれます。

「うーん」と考えていても、アイデアが浮かぶ感じはしません。もう少しゆとりのある中で、常に2〜3つのプロジェクトを別々の人と話しながら、「午前中はこっちをやって、午後はこっちをやって」みたいなほうが、ビジネスパーソンとして、またサイエンティストとして働く上で適しているんじゃないかなと思います。

なので、ある程度のグループになってもらって、ただお客さまへの価値提供に向かっていただくということですね。

一休の強みとは

――社長の視点から見た一休の強みは、どこだと思われますか？

榊：1つはビジネスモデルです。創業者の森さんがやられたことですが、ビジネスモデルがすごくきっちり作られています。高級な宿にフォーカスすることで、サービスはお客さまからの信用を得て、施設さんからの信頼も得ています。

普通は、上位のレイヤーは競争が激しくなるものなんです。例えばバンキングの市場では、プライベートバンカーという仕事は競争が激しい。500円の預金をする人と50億円の預金をする人だったら、50億円の預金を狙うに決まっているじゃないですか。一休のモデルは、あまり競争が激しくならないようにできているので、ビジネスモデルとして非常に堅牢だと思います。

また、すごく世の中のためになるサービスをしていると思っているので、社員が一休のサービスを愛してくれています。「一休のサービスは私たちのサービス」みたいな感じが出て、社員の人たちがそれに向かって一生懸命やる姿は、もう1つの強みですね。

また、「一休で働いている人が好き」という声もすごく聞くので、ビジネスモデルの美しさに伴って、そこに集う社員のコミュニティの温かさが、もう1つの強みだと思います。

提案力の強いサービスになるために

――最後にサービスと組織を今後どうしていきたいか、将来像をおうかがいできればと思います。

榊：提案力の強い、高級なものに特化したサービスにしていきたいですね。今日話したのは、データサイエンスの1つの例です。まだまだ、これに類するものが5〜6個あって、それをすごく強化していきたいです。

例えば、取り組みたいと思っているものは、パーソナライズドされたプライシングです。これはものすごく取り組みたいイシューですね。とにかく提案力を高めていく。あとは、人気の高級レストランで、まだうちに入ってくださっていないところもあるので、そこを開拓していきたいです。

レストランに関しては、電話よりもオンラインで予約するほうが絶対にいいはずです。だって電話の場合、夜中の0時ではお店の人はいないし、ようやく電話がつながったと思ったらそのときには空いていないと言われて、もうバカらしいじゃないですか。それよりも、ネットで予約で、空いていると分かっている席を検索して予約できるほうがいいに決まっているんです。

例えば今、ホテルはもう95パーセントぐらいはネット予約だと思いますし、旅館は50パーセントぐらいだと思います。でも、レストランは5パーセントぐらいです。マクドナルドは予約しないですし、スターバックスも予約しない。これはいいんです。でも、レストランの95パーセントは電話予約か、もしくは予約しない。それは5年後も10年後もそうなのかと。宿は全部変わったぞと。なので、レストランもそうあるべきだと思っています。そっちのほうが便利ですからね。

24時間予約できるし、集客ニーズがあるところは料金も安くなるし、空いているかがわかるし。そうならない理由がわからないというのが、将来の僕から見た、今の僕たちです。

馬車よりも車が便利なのと同じです。絶対的にそれを信じて、やり遂げたいと思います。