かなりのご無沙汰な投稿になります。AI ConductorのToshy18です！

最近は本屋さんに行くと、かなり「DX」というタイトルを目にするようになって、一種のトレンドワードになっていますね。

これにAIとかデータ分析みたいなワードを追加すると、データを分析すれば何でも出来るような盛り過ぎの期待感が巷で生み出されてしまっている訳です。

そこで、事業のマネージメントの方々が、データ分析でな・に・か（←漠然とし過ぎていて、これが一番危険な失敗要因）事業上のプラスになることをやりたいと思われた時に考えて頂きたいのは、AIだとか分析の研究がメインテーマになっている場合を除き、先ず「ビジネスの課題」に軸足を置かないとダメなんです！
データ分析は課題を解決する比較的新しいアプローチ方法で注目度が高まっているだけであって、万能でも無ければ、必要なデータが揃っていなければ、分析するためのデータを溜め込む環境整備から行わなければならないのです。

例えば、

サブスクリプション型のビジネスで、特定のサービスにおける解約率を下げたい

という課題であれば、

・そのサービスの申込日
・プラン名
・申込のきっかけ（割引キャンペーンなど）
・申込のチャネル（Web、スマホなど）
・サービスの利用目的（ユーザーごとのNeeds/Wants）
・申込後のユーザーとのコミュニケーションは何時どのように行ったか
・ユーザーのサービス利用履歴
・申込後オプション追加や友達紹介などユーザーの動きはあったか
・解約日とその理由
・ユーザーの属性（年齢、性別など）

などの定量的・定性的データから、現状の解約率などの全体把握を行った上で、解約と継続している顧客とのデータを分けて集計し、比較などを行い、AIによって「解約予測モデル」を構築して、解約しそうな顧客を事前に把握出来るようにし、解約防止策のコミュニケーションを実施するなどの流れになります。

このような「既に目的となる分析対象の数字があって、それの数値改善や改悪の要因を特定したい」という場合、「目的型データ分析」と呼ばれ、次回ご説明する「探索型データ分析」と比べ、実際にデータ分析をする上で、事業のマネージメントの方々が期待するような成果に繋げ易いのはこちらの「目的型」なので、PoCで失敗してしまう確率を減らすという観点から、分析を依頼される方には、課題とその分析対象の数字を明確にされることをオススメします。