AIデータ分析コラム【1】DXとデータ分析　～DXの成功には、データ分析が重要！気をつけるべきポイントを解説～

一つめは、今あるデータですぐに分析を始めてしまうことです。それだと分析したい目的に対してデータが不適切であったとか、データの量が不十分だったとか、本来解くべき課題を正しく分析できない可能性があります。データ分析の流れは目的・課題設定、仮説構築、データ収集・加工、分析モデル構築、モデル評価となりますが、まず初めに目的・課題を明確にすることでそれ以降の工程を正しく実施できます。いきなり分析を始めるのではなく、何のためにどんなデータを使ってどう分析するかをきちんと把握してから取り組むのです。その時、もう一つ重要なポイントは、解決できた際の効果を想定しておくことです。業務の中で解くべき課題はいくつもあるはずなので、課題の難しさと効果のバランスを考慮し、どの課題から解いていくか、優先順位を決めて取り組むことができます。

次に、データ分析できる人材が少ないことです。データサイエンティストの育成には時間がかかるため、社内に人材がいなければアウトソーシングする方法もありますが、それにはコストがかかります。アウトソーシングではなく、社内人材のスキル不足を支援するための分析ツールを活用する、という方法もあります。そのような分析ツールの一つとして、AIによるデータ分析のためのAutoML（機械学習の自動化）があります。AutoMLは、分析モデルの構築に必要なデータ前処理やアルゴリズム選択、パラメーター調整などを自動で実施するため、高度な知識を必要としません。NTT-ATでもNTT研究所が開発したAutoML技術のRakuDA®を提供しています。AIによるデータ分析は、業務効率化の観点で営業、開発、製造、流通、人事など多くの適用領域があり、これらをAutoMLのような分析ツールを活用することで、コストを抑えながら時間をかけずに実施していくことが可能になります。

最後に、分析結果の業務での活用です。分析結果に基づいたアクションが実際の業務に取り入れられなければ分析を行う意味がありません。分析をして終わり、ではなく、ビジネスに良い影響をあたえる必要があります。分析に取り組み、受注率の高い顧客リストを作成したが、営業担当にうまく活用してもらえなかった、というお話をお聞きしたことがあります。これは営業部門のデータリテラシーが不足しているという一面も否めないですが、問題に取り組むにあたって、関係部門と「従来のやり方を変えていく」という共通意識の醸成が十分でなかったのかもしれません。DXの成功には、それまでのあたり前を変えていくというマインドが関係者に必要です。データ分析はDXにおける取り組みの一つですが、DXを推進する変革のマインドによりさらに効果を発揮し、加速されていくでしょう。