こんにちは、荒野です。このたびデータ社会推進協議会よりデータ社会推進功労賞をいただきました。

これは私だけの力というよりは関係者のみなさまのおかげです。この場を借りて感謝申し上げます。そこで、今日はデータ利活用ということに関して述べてみたいと思います。

データはあるけど使えない

「データがDXのカギでありまずはデータを集めたい」、「日本の競争力強化にはとにかくデータを集める必要がある」、などと言われています。データ活用の現場に立つと半分正しく、半分は間違っているように思います。

実際に前職で多くの大企業にヒアリングした時に、よく聞こえてくる声は以下のようなものでした。「データはあるけど使えない」。
部門売上や人員数、残業時間などの業績に関するデータ以外にも、日常の業務を行うなかでも営業日報、電子メールやファイルサーバ、スケジューラのログなどはどんどん溜まっていきます。様々なツールやデバイスを導入して、デジタイゼーション（単純な数値化）を行ってアナログな部分をデジタル化してもデータは増えるばかりです。だからと言ってDXができるわけでもありません。

よく聞くと部門ごとにデータの形式や取得の仕方がバラバラだ、という企業もありました。いわゆる標準化の欠如です。

単に形式だけならば変換すればよいのですが、条件が揃っていないデータは横並びには利用できません。確かにこれでは分析はできません。
また、「データが溜まっているので活用して何かいいことはできないか」というのも典型的なユーザ企業の声でした。本来は逆であるべきで、何か売上向上とかコスト削減等の目的があり、その指標や知見をえたいということが筋のはずです。このスタンスではまずほとんど成功はありません。

もちろん企業によってはこのあたりの点をきちんと理解していて、何を改善したいなど目的をはっきりさせています。しかし、このような場合でも、今までの経験では、そのための分析に使えるデータを社内外で探してみると、ピタリとはまって使えるデータは存在しないということも多かったのです。この辺りのミスマッチに悩むことも多々ありました。

一方で、すごく優秀な製造業や金融業のお客様ともお付き合いさせていただき、成功体験をさせていただくこともありました。どういう場合にデータを生かして改善や向上が図れている事例があるのでしょうか。

適切なデータリテラシー

一言で言うとデータリテラシーを持つことに尽きると考えています。
データを扱うための正しい感覚ややり方を持っているということです。
実は、データリテラシーというと何か特別なことのように思いがちですが、そうでもありません。よく考えてみるとわたしたちは日常でも今まで多くのデータに囲まれ、比較的適切にデータを扱っています。

例えば日常的に測っている体重、血圧や年次の健康診断ではデータで自分の体の状態が可視化されます。尿酸値と痛風など、データの値と病気のなりやすさは科学的に分析されており、体重が一定以上増えないよう、血圧も高くならないよう、お酒を控えるなど、しかるべき処置をとることになります。一方で、ほとんどの人は、データの値と病気の2つの事象が直結するわけでもないことも正しく理解しています。

当たり前のことながら、これは適切なデータリテラシーです。

また、いつのころか毎日のようにメディアでコロナ新規感染者数などがとりあげられていましたが、この数字をどう捉え、どう対応するかは意見は分かれるものの、しっかり自分たちの頭で考えている人も少なくないです。そもそも検査数が少ないのだから本当の数とは程遠いと考える人もいるし、陽性率等他のデータと組み合わせてみることによって世の中のコロナ状況をより正確に理解しようとしている人もいました。

ともあれ、我々は、数字は所詮数字に過ぎない、数字を一人歩きさせないという姿勢でデータと向き合っており、この向き合い方はまことに正しいと考えます。この数字の向き合い方は企業でのデータ利活用でも全く同じです。数字は会社の業績そのものでもないし、何かの原因そのものでもないのです。

別の言い方をすると、データを利活用するには、数字の持つ意味づけや背景、計測された条件などを把握しておく必要があるということになります。

すでにためているデータがあるとしても、その背景を吟味しないと利用できないのです。

違う部署で違う計測方法や計測条件で貯められたデータなどは単純には比較できないはずです。例えば部署ごとに営業訪問数と受注数およびそれらの比を取っていたとしても売っている商品のポートフォリオが異なれば単純な比較は難しいとは思いませんか。通常はそんな時にはその辺を補正するために適切なデータの前処理を行うこととなります。

となると、一般にデータ分析に有効なデータが欲しいと思った時に、無目的に集めていたデータが使えることは滅多にありません。目的に沿ったデータを設計して集め直すのが確実なのです。
念のため申し添えておくと、AIはこの問題に答えを示すものではありません。背景がバラバラないわゆる「汚い」データを食わせたAIエンジンは正確な答えを示すことは決してないのです。

いろいろ書かせていただきましたが、今までの私の経験は個々のSIの現場でのデータ利活用に限られています。

現在は、ネクスウェイでサービス展開の中でのデータ利活用に取り組みつつあります。SI事例よりは、世の中のさまざまなサービスプロバイダのほうがデータを上手に活かしている成功事例が多いようです。

サービスログなど自然とデータがたまっていくこと、仮説立案と検証のサイクルが自社内で小さく回せることなどがその理由でしょう。
ネクスウェイで成果が出てきたらご紹介したいと思っております。

それでは。