Data Strategy株式会社

データ戦略で事業開発を加速する
Data Strategy Blog

データ戦略の概要

Posted by Data Strategy Inc. on May 24, 2016

データ戦略は、ビジネスにおけるデータの価値を高め、データ分析をビジネスに活用するための戦略です。データが収益を生みだすための、データ戦略の必要性を提唱しています。

データ戦略とは何か

IoTやセンシング技術の拡大に伴い、生活から取得可能なデータは爆発的に増えつつあります。それに伴い、データのビジネスへの活用について、様々な企業が取り組んでいます。

データをビジネスに活用するためには、どのようなことが必要なのでしょうか。

Data Srategy社では、これまで様々な業種でのデータ活用をご支援させて頂いた経験から、「データ戦略」の必要性を提唱しています。

データ戦略の構成要素

どのような戦略でも、戦術(具体的なアクション)とセットで考えなければ、効果はあがりません。どんな戦略でも、必ず戦術に落とし込み、実際にやってみることで、はじめて成果につながるからです。

データ活用においても、同様のことが言えます。

という点を明確にし、それぞれを行ったり来たりしながら考える必要があります。

1. 課題設定 - どのような課題を解決したいのか

現状分析を踏まえて「何を優先して解決したいのか」を把握する必要があります。マーケティングデータであれば営業活動の効率化(顧客ごとの購買確率の予測)、バイタルデータであれば特定の疾病の可能性(予兆検知)、というように、業種・業態によって課題設定のテーマが異なります。業種・業態・企業の成長ステージによって、課題設定のテーマは全く異なることが多いです。

設定された課題テーマのうち、何がもっとも解決したい課題かを決める必要があります。そのためには、目標の設定も必要になります。目標と現状のギャップを把握した上で、目標を達成するために、最も重要な課題は何かを把握する必要があります。

現状の把握、目標の設定、課題の設定は相互に深く関係しています。この3つを行ったり来たりしながら、解決したい課題を設定します。

2. 企画立案 - 課題解決のための仕組みを考える

課題を解決するために、どのような仕組みが必要なのかを決めます。例えば、マーケティングデータの活用であれば、どのような種類の顧客データを収集して、どのような分析手法を用いれば課題が解決できるのか、を立案します。

企画の立案には、「このデータをためると何が出来るようになるのか」を理解する必要があります。こうした企画立案のためには、データ分析手法と、その手法で技術的に出来ること・出来ないことを正しく理解していなければなりません。

「うちの会社にも、沢山データがあるから何かできるだろう」というのは、必ずしも正しくありません。システムが日々記録している取引の記録や、日々蓄積したアンケートデータは、それ自体には何の価値もありません。

最も重要なことは、「実現したいこと」に対して、「分析手法」と「それに効果的なデータ」をセットで収集し、蓄積することです。

分析手法としては、単純なクロス集計から、機械学習や人工知能の理論を活用したモデリングまで、様々な手法があります。複雑な手法であれば収益があがるというわけではなく、適切な課題設定と分析手法、分析に対して有効なデータを使いやすいように収集することが最も重要です。

また、データの種類にも色々あります。顧客データのように並び方にルールがあるもの(構造化データ)、音声や画像、センサーデータのようにルールがなく加工が必要なもの(非構造化データ)など、データの種類によっても加工処理や使い方が全く異なります。

さらに、データの種類だけでなく、データのリッチさという概念もあります。データがリッチであるとは、データがより課題解決に役立つ、という意味です。

例えば、「どの顧客がこの商品を買うか推定する」ためにデータを使いたいのであれば、「顧客の好きなもの」が把握しやすいデータを集めたほうが、より効果的な分析につながります。自社顧客の性年代分布を把握していることと、自社顧客のクレジットカード利用店舗名を把握していることでは、後者のほうが、より「顧客の好きなもの」を推定できる確率は上がります。

このように、解決したい課題に対して、より重要なデータ(リッチなデータ)を集めることで、役立つ仕組みを作ることができます。

3. データ活用 - データ収集・分析・活用

これまでの流れを踏まえて、どのようなデータを、どういった形式で、どこに保存するか、といったデータアーキテクチャーの設計ができます。

繰り返しますが、データのログは、それ自体には何の価値もありません。そこに分析や予測モデリングなどの手法を加えることで、価値あるものとして活用することが可能になります。

一方で、データのログは、非常に複雑な形をしていることが多いです。例えば、顧客の購買データであれば、「商品名」や「売上決済店舗名」だけでは、何の意味も持ちません。その商品や店舗名が、分析においてどういう意味を持つのかを意味付けする必要があります。健康を気にしている人を推定したいのであれば、健康を気にする人が好む商品(健康食品など)かどうかを個別に判断するロジックを作り、商品を何らかの方法で判断することが必要になります。

また、患者データであれば、テキストログ(自然言語:日本語の文章)が多いと思われます。日本語を分析するには、品詞ごとに分解する形態素解析や、品詞の感情(ポジティブな単語か、ネガティングな単語か)を分析するセンチメント分析、あるいはn-grammというベクトルに分解する手法などが必要になります。

こうした「分析のために常に必要になる処理」は、分析処理の大半の時間を占めています。システムからの生ログを蓄積するのではなく、分析のために必要なデータを日々抽出して保存しておく「データベースとデータマート」という考え方がありますが、分析のために素早く整形されたデータを取り出すことで、分析のスピードは格段にあがります。


以上、概要ですが、データ戦略の考え方についてご紹介しました。実際にデータを触ったり、モデルを作ったりすることで、こうしたデータ活用のポイントを見極める力がつくように思います。

データ戦略について、詳しく話を聞きたい、相談したいなどのご要望がございましたら、info _at_ datastrategy.jp までメールにてご連絡ください。


Copyright (c) Data Strategy Inc.