目次
ビッグデータ活用のポイントは2つ。2つ目は「早い・正しい・細かいデータに基づきPD(CA)∞サイクルを回す」こと。
株式会社日立製作所主催のセミナー「HITACHI ITセミナー：収益を生むカスタマー・アナリティクスの実践手法 ～オムニチャネル時代の戦略的データ活用」に登壇致しました。基調講演に登壇した後、パネルディスカッションにもお声掛けいただきました。
開催日時：2014年7月11日（火）14:30～17:00
講演は3部構成となっており、今回は、第1部の基調講演の発言録（後半）をご紹介致します。
- 第1部：「収益を生み出すためのビッグデータ分析+戦略思考」（講演者：株式会社ギックス網野知博）
- 第2部：データ分析で、お客様のこころをつかむ ～お客様の多様な価値観を理解する為のデータ活用術～（株式会社日立製作所：加藤 二朗氏）
- 第3部：パネルディスカッション（←発言録はコチラから）
基調講演「収益を生み出すためのビッグデータ分析+戦略思考」発言要旨 〜後編
3章：ビッグデータ活用のポイント 〜早い・正しい・細かいデータに基づきPD(CA)∞サイクルを回す
（前編はコチラ）
では、続いて2つ目の「早い・正しい・細かいデータに基づき大きなPDS/小さなPD(CA)∞サイクルを回す 」についてです。日本人はPDCAサイクルと言う言葉が大好きですよね。このPDCAの重要性を否定する人はいないと思いますが、実はPDCAサイクルをうまく回せている会社さんはそんなに多くないと思います。
このPDCAサイクルを回すまえに、PDCAサイクルが回せるようになった背景を少しお話したいと思います。冒頭で少し触れましたが、ビッグデータブームはデータが大量に発生し始めている事に加えて、その大量に発生したデータを処理する環境が整ってきたからにほかなりません。個人的には、ビッグデータに注力してもよいと考えるきっかけとしては、近年の圧倒的なテクノロジーの進歩によって、非常に安価で、そして簡易な仕組みで、もの凄く大量なデータを処理、分析できるようになったことにあると考えています。ストレージ、ハードウェアやCPU、ソフトウェア、それこそ5、6年前であればこちらの要件を満たすものを一通り取り揃えようとすると数億円程度かかってしまうというな状況でした。今だと大げさに言えば、数百万の投資で同じことができるようになりました。つまり、大量のデータ分析は大金持ちの大企業でしかできなかった時代から、弊社のようなベンチャー企業であっても、うまく最新のテクノロジーを使いこなせれば勝負できる環境になったと言えます。つまり、テクノロジーの進化により知恵の使いどころで勝負できるようになってきたのが非常に大きいのです。
では、PDCAでどの辺にデータを使えるかという話を進めます。
まずは状況把握です。事業戦略なりプランなりを作るには当然ながら現状把握が必要になります。我々は 「Plan作りのための地図作り」とも言っておりますが、分散しているデータからでも、それらをつないで、戦略を作るにふさわしい事業構造を分析して見える化して行きます。その事業構造の見える化、「地図作り」が最初の状況把握になります。その地図をベースに戦略なり、事業計画なりを作ります。
そして、次は実行です。データを用いて状況把握をしていると言う事は、実行フェーズに入った後も、何を見れば、どんなデータやインフォメーションを見れば事業に結果が出ているのか、うまく行っていないのかをタイムリーに把握する事ができます。つまり、タイムリーにCheckができ、そのためタイムリーに改善策を考え、実行に移すActが可能になります。PDCAサイクルは4つのP D C Aのプロセスが円になり、グルグル回る絵が一般的だと思うのですが、現代のような大量データを簡単に、タイムリーに扱える環境においては、PDCAの「D：実行」とは、それすなわち「C：Check」、「A:Action」をタイムリーに何度も何度も繰り返すことが可能になります。つまり、DoとはCheck⇒Actのサイクルを高速に無限大に繰り返す事であると言う意味も込めて、(CA)∞という表記にしています。
これを今風にかっこうよく言うと、「事業のグロースハック」と言う事になると思います。グロースハックとは製品やサービスを利用するユーザー動向データから得た数値やフィードバックなどを解析し、製品・サービス自体の改善を迅速に繰り返して、マーケティングの課題を解決する手法のことを言います。最近はオンライン広告などにA/Bテストを実施することが一般的になり、そのためこのようなデータを元にPDCAサイクルを回しながら最善の方を選択して行くと言う事が一般的です。ですが、私は実行のところだけにデータを活用して最適化を行う事をグロースハックと語る事に少し違和感を感じています。
「タイタニックの椅子並べ」と言う言葉がありますが、沈み行くタイタニック号の船上で、最適な椅子の配置をしていても全く意味が無い訳です。Check Actの最適化を行う事はそれはそれで意味がありますが、それだけやっていても「タイタニックの椅子並べ」になる可能性あるのです。A/Bテストは良い手段ですし、ある特定領域の最適化も必要だけれども、経営全てがとりあえずやってみて、より良い方を選択すれば良いと言うA/Bテストにはならないのです。そうすると、クイックに状況を判断できる事業構造の地図を極力精度良く作って〜クイックと精度良くは二律背反するのですがその無理をテクノロジーにより押し通し〜、その地図を基に進み方となる事業の戦略を作って行きたいわけです。更に言ってしまえば、事業構造分析をすることが目的ではないのに、地図作りのために、「マスターデータ統合して、DWHをつくって、BIをつくって、１年半後に地図が作れるようなすばらしいシステム環境を構築できます、その後に半年かけて地図作りを行いましょう」などと言う進み方はもはや常軌を逸しているとも言えます。地図をクイックに精度良く作るには、分断されたデータをうまくつなぎ、知恵を使って、作戦を立てるにふさわしい地図をつくるデータの準備を高速に行っていくことになります。図を見ると、順番は前から進めて行くのですが、思想としては、今ご説明したように「実行」と言う一番最後から必要にかられてその前行程へ、前行程へと進んできたわけです。
ではその事業構造を見る際のステップですが、複数の分断されたシステム環境からデータを集め、そしてデータを収集した後に、そもそも何を分析するのかと方針を決めます。つまり、事業構造分析の型をある程度考えて行くわけです。そして事業構造を見るために2次属性データを付与して、〜この2次属性データは後ほど説明します〜 データを加工し、そしてデータを分析するのですが、、、ただこれがこんなにきれいなステップになることはまずありません。余程の天才でない限り、最初に事業構造の分析の型を考えて一発で見るべき地図を作ることは無理です。事業構造を分析して、そこから見える情報を元に、更に新たな軸で見直して行くと言う作業を何回もやり直す必要があります。
そうすると、色々な軸で、色々な2次属性データを付与して、更に別の軸で見直したくなるため、手元に置いておくデータは加工集計されたデータではなく、極力生に近いデータ、トランザクションデータであることが望まれます。先ほど申しあげた通り、現在は大量データを安価で簡易に回せるツールがそろっている時代なので、このような事業構造を見るべき事業企画部の方々やコンサルタントの方々が生のトランザクションデータを手元において、エクセルを操作するように、様々なメッシュでクロス集計として事業構造を明らかにすることが可能になります。
トランザクションデータは、いわばレシートのようなものです。誰が、いつ、どこで、何を、なぜ（キャンぺーンコード）、などが記載されたデータで、それがサマリーされておらず、生に近い形の方が後々分析しやすくなります。
そのローデータを持っていれば、分析する時はこちらで見たい軸でサマリーすればいいだけですので、顧客軸で見たいという時にも簡単に「顧客番号xxさんは年間何点の商品を買っているのか」といった分析をすることが可能になります。事業企画の方がトランザクションデータを手元において安価で簡易なツールを使いガリガリ分析する時代になれば良いなと思っています。我々のようなベンチャーでも大量のトランザクションデータを使って分析できるような環境を持つことができる時代になったので、事業企画部門が自前で分析環境を持つことへのハードルはかなり下がっているのでは無いでしょうか。
トランザクションデータさえ手元にあれば、顧客軸以外にも、商品やサービス軸で見て行こうとか、B to B企業であれば営業マン軸とか支店別で見ていこうとか、また曜日や季節等の軸で見ていこう、などと自社の事業構造を見るべき視点でいかようにでも切って行くことができます。
結局事業構造を理解することを突き詰めていくと、高度なことを言っているように聞こえるかもしれませんが、やっていることはクロス集計だけとも言えます。言い換えれば、単純に見えるかもしれませんが、クロス集計の組み合わせで自分達が注力する分野や伸ばすべき観点はどこなのかなどの多くの気づきを得ることができます。
すると、実は重要なのは何をクロスで掛け合わせるかという点につきます。この切り口に知恵が必要です。この切り口をより戦略的な方向に持って行くために2次属性データと言う存在が必要になります。単純な顧客毎、商品毎では見えない事業構造を明らかにするための考え方です。
では「2次属性データ」とはなんでしょうか。非常に簡単に言うと、「人間が解釈して後から付与したその人やその商品の特徴となる属性データ」ということになります。人間が解釈して後から付与する属性と言うと分かりにくいですが、最もポピュラーに知られている例をあげていきます。RFM分析と言うものを知らない人はいないと思います。そのRFM分析ですが、オーソドックスなケースでは顧客毎にRecency、Frequency、Monetaryの各項目に1〜5のスコアをつけているわけです。最近来たとか、何度も来たとか、たくさん買ったなどに関してあるラインで閾値（しきいち）を設け、その閾値に対してスコアをつけている。これが言ってみれば2次属性データの付与と言うことです。顧客の優良度も２次属性データですし、つまり人間が解釈して後から付与したその人やその商品の特徴となる属性データが2次属性データになります。
2次属性データを顧客に付与する例を見て行きましょう。自社の売り上げや利益はバーゲンハンターと言われる「セール狙い派」にどの程度占められているのか？「セール狙い派」はどのような商品を多く買っているのか？ 「非セール派」は全顧客のうちどの程度の割合を占めており、彼らによりどの程度の売り上げや利益が占められているのか？ 彼らの購買行動に特徴があるのか？ どの時間帯にくるのか？ どのような商品を買うのか？ 来店頻度に特徴はあるのか？ そのようなものを見るために、そもそも誰が「セール派」なのかを把握することが必要になります。このようなケースでは、購買点数あたりのセール品の購入割合や購買金額あたりのセール品の購入割合などを算出することで、セール派か否かを把握できます。セール狙いではない顧客を中心に事業を展開したいと言う想いがあることは大いに結構です。それにあわせて、現状がどのようになっており、そして目指すべきゴールがどこにあるので、どのように進んで行きましょうと言う戦略や計画をたてるためにも現状がどのようになっているのかを地図で書いて行く必要があります。
同様に、ECであれば「送料無料派」による売り上げ、利益の占める割合なども捉えることもできます。購買件数あたりの送料無料購買の割合といった閾値を作って、フラグを付けることでそのような○○派を見て行くことができます。こういった後から人間が解釈してつけた属性データを「2次属性データ」と言っています。いまお話をお聞き頂きイメージはついたと思いますが、こういったものを頭を使って付与していくことにより、いかにビビットに戦略を立案できるのか、戦略を作るにふさわしい今の現状を表した地図作りにつながるのか、という観点で2次属性データを付与して事業構造分析を行うことになります。こうした話を聞くと、分析にある程度の試行錯誤が避けられないのはご理解頂けるのではないでしょうか。それなので、トランザクションデータを手元において試行錯誤したいのです。
顧客ではなく商品に対して2次属性データを付与することも可能です。本日この後に加藤さんの講演にてイギリスのスーパーマーケット「テスコ」が行っていた「商品DNA」の話があると思いますが、商品DNAも言ってしまえば2次属性データになります。一つ例を見てみましょう。商品が高いか安いかは値段の絶対額では判断できません。同じ1,000円と言う価格でも、ワインでは「普及価格帯」ですし、チーズだと「高級価格帯」と言っても良いと思います。それが漬け物になれば、100gで1,000円などの商品ならば「最高価格帯」の商品になると言えます。つまり、商品単価の絶対値にはあまり意味が無く、そのカテゴリ内に置いてどの程度の価格帯なのか2次属性データのフラグを付与して分析していきたいのです。商品にそのような２次属性データを付与すれば、価格帯別の売上高や利益率などを事業構造分析として見ることもできますし、価格帯別の時間帯別、天候別、曜日別、給料日やボーナス日別などあらゆる切りで分析して行くことが可能になります。ああ、高級価格帯は給料日後の土日にのびますね、などです。また、これらの商品に対する2次属性データを活用して、各顧客の購買比率から「最高価格品志向」など顧客セグメントに活用することも可能になります。
ただ、2次属性データはそれこそ何億パターンでも作って行くことが可能なので、自分達の事業構造を理解した上で、どういう2次属性データが自分達のビジネスを把握し、地図を書くために重要なのかを考えることが必要になります。
我々はトランザクションデータから2次属性データを作り、その2次属性データを活用して事業構造分析を行うことで、アイデアひとつで様々な地図を書いていくことができると考えています。スーパーの例を見てみましょう。お客さんの優良度に応じて、人数や売上を算出するということは、どの企業でもやっていると思いますが、POSデータと会員が紐づいているデータがあれば、RFMから見た優良度だけではなく、購買されたカテゴリや品目、来店頻度などによって、自分達の店が「メインのスーパーマーケット」として使われているのか、ある特定のカテゴリや商品だけが買われている「特定利用のスーパーマーケット」なのか、完全に足りない商品だけを補う「アドホック利用のスーパーマーケット」なのかなどを類推することができます。自分達の店が顧客にどういう使われ方をしていて、今はどういった顧客が売り上げに寄与してくれているのかということを事業構造として知ることができます。経営者の方は「自分達のスーパーはメインで使われている」もしくは「メインで利用してもらいたい」と思いたいのはわかりますが、まず現状を正しく見ることから始めるべきと考えます。その結果として、「メインのスーパーとして使ってくれている顧客で、売上の6割を上げるんだ」というアスピレーションがあるのであれば、それに沿った戦略を立てればいいと思います。一方、意外と「特定利用」のお客さんが各カテゴリーの商品を買いに来てくれるのだとして、結果的に各カテゴリー特化の顧客の集合体として総合スーパーとして成り立っているんだということがわかれば、カテゴリー毎に尖った商品を置いていけばいいという考え方もあります。こういったものを”さくさく”と作って行き、試行錯誤できるなら、「現状の地図をさくっと作ってそれを見ながら、進むべき方向性を話し合う方が合理的ですよね」と言う私の主張もご理解頂けるのではないでしょうか。
どの企業もデータは持っているが、断片的であったり部署によって持っているデータが異なるというが多いです。それらのデータをまずは色々な形でも良いので集めてきて、2次属性データを付与し、事業構造分析をすることで現状の地図が出来上がり、そしてその地図を見ながら自分達の目標に対して、どういうルートで道を進むのが現実的なのか、戦いやすいのかを考え、それらを戦略や計画と言う形で作って行き、その計画に沿った実行計画を実行しながら、それをデータでトレースし、狙い通りいっているか否かをタイムリーに確認しながら軌道修正を繰り返していく。先ほども言いましたが、こういった取組みは、もはや「事業をグロースハックしている」と言えますよね。つまり、事業のグロースハッカーなわけです。世の中で流行っているグロースハックは決してオンラインの世界に閉じたことではなく、経営に対して実施して行けるのです。
さて、残り時間も少なくなりましたので、3章のまとめになります。ぶっちゃけで言ってしまえば、今まで話したことは分析として全く凄くはありません。ただのクロス集計、クロス分析です。その分析にトランザクションデータを使うので大量データになりますが、今までのDWHとBIの延長であるとも言えます。ですが、我々ビジネスパーソンは凄い分析コンテストで戦っているのでははなく、経営者に良い決定をしてもらい、ビッグアウトカムを出す為の戦いだと思います。そしてシンプルな分析でも、実は裏では知恵を振り絞った２次属性データ作りがあり、そこは多大なる頭脳戦になっています。良い意思決定につながることを目指したデータ活用の一つの道ですが、この考えが皆様のお役に立てば幸いです。
さて、残り時間1分です。最後の1枚です。最近のビッグデータブームに加えてデータサイエンティストブームの成り行きを心配しています。このまま行くと、データサイエンティストは21世紀で最もセクシーな職業にはならないだろうな、と言うのが所感です。図にあるように、非常に狭義のデータ分析の領域だけやっても、ビッグアウトカムをもたらすことは無いので、20年も前からいる統計分析のツールを使いこなす専門家や大量のデータをハンドリングするRDB屋さんのままな訳です。名刺の肩書きがデータサイエンティストに変わったところで、中身が変わらなければ全くセクシーになりません。じゃあ、どうやってセクシーになって行きましょうか。余程の天才なら広義の領域まで一人で極めて行けば良いとは思いますが、そうでない人たちは我々のようにチーム戦でビッグアウトカムを目指しに行くことをお勧めします。チームでセクシーになれば良いじゃないですか。笑
本日はサイエンスとは縁遠いベリーベーシックなお話をしましたが、今後皆様がデータを活用して経営を高度化していくための多少なりとも参考になれば幸いです。ご清聴ありがとうございました。
関連記事：
- 講演録（前編）｜【日立ITセミナー】収益を生むカスタマー・アナリティクスの実践手法 ～オムニチャネル時代の戦略的データ活用」
- 講演録（後編）｜【日立ITセミナー】収益を生むカスタマー・アナリティクスの実践手法 ～オムニチャネル時代の戦略的データ活用」（本記事）
- 講演録（パネルディスカッション）｜【日立ITセミナー】収益を生むカスタマー・アナリティクスの実践手法 ～オムニチャネル時代の戦略的データ活用」
