私たちがご相談を受けてきたケースで最も多かった失敗例は、ビックデータやＡＩの活用だけに目が行きすぎてしまい、
「データの箱」を作ることを優先しているケースです。
データ分析の環境はあるものの、使いこなせておらず、結局はデータ分析が定着していないというものです。

逆に成功しているケースでは、データ分析からもたらされるビジネス上の目標が明確であったことがほとんどです。
分析によって明らかにしたい仮説や課題があり、それらのビジネス目標の達成のためにデータ分析を活用しています。
また、分析ツールや分析環境についても、どのようなビジネス目標を達成したいかが明確であるため、適正な手法や規模が合理的に決まります。

データ分析によるビジネス目標の例

データ分析が活用されるためのプロセス

ビジネス目標の設定	ビジネス背景の理解とビジネス目標の設定 ビジネスの成功基準の設定 スケジュール・予算・結果の効果や精度・制約について把握
分析アプローチ設計	分析プロジェクトの目標（集計・分析の結果やモデルの数値目標）の設定 分析プロジェクトの成功基準および判断責任者の設定 利用データや利用手法・技術を特定
分析データ準備	分析利用データの収集と選別 データ内容の確認とクリーニング 分析に必要な変数の新規作成・加工
分析・評価	分析の実施・モデルの構築 分析結果の評価、精度向上のためのチューニング 効果検証・モニタリング方法の決定
ビジネス活用	分析結果の整理、吟味、問題点への対応 分析報告書の作成と報告実施 ビジネスでの活用と成果の確認

データ分析に関する知識や技術は多様な領域にわたるため、一足飛びに出来るようになるものではなく、着実に能力を育てていくことが必要です。
そのため、中長期的なモチベーションアップや適性判断のためにも、その企業ごとの公式なスキルマップがあると大変便利です。
三菱総研ＤＣＳでもデータ分析に必要なスキルマップとその育成のためのレポートを作成しており、人事にも活用しています。
それぞれの企業ごとに、分析担当者として求めるスキルアップと、それに伴うキャリアプランがイメージできるようになることで、より本格的にメンバーが取り組むように後押しができます。
また、金銭的な評価などでスキルアップを後押しすることも可能です。
いずれにしても、あいまいな評価基準では個々の裁量で学習を進めてしまい、バラバラな能力形成になってしまう可能性があります。
その企業として積極的に評価する能力を、客観的な評価軸で測ることがその後の組織の発展に不可欠です。

スキルマップと育成レポートのイメージ

公式スキルマップの人事への活用イメージ

いきなり最終的な成果を目指すと、データの取得範囲も大きくなり、分析期間も長くかかってしまいます。
そのため、まずは対象範囲を絞ったデータ分析の有用性の検証が必要です。
成功しているケースでは、ほとんどの場合、ＰｏＣ(Proof of Conect) やＰｏＶ(Proof of Value)を数回積み上げ、
実際に有益なデータ分析ができそうか、またそれらがビジネス上の価値を生むかの検証フェーズを経ています。
検証フェーズの積み重ねは、データ分析が社内に浸透する後押しとなり、本格的な組織化に向けてスムーズな滑り出しを切るのに効果的です。

PoC/PoVとチーム編成の推進パターン

1PoC先行先行してPoCを実施する

PoCを先行して行う場合、本格的な動きに入る前に、柔軟な目標設定や組織づくりが図れます。
PoC部分は外部の専門家を活用することで、社内の分析メンバーが育っていなくとも、精度の高い評価ができます。

2チーム編成先行チーム編成の後、PoCを実施する

先にチーム編成を行う場合、PoCのテーマをより現場のメンバーが主体となって考える経験ができます。
また、本番の組織へもスムーズに移行できます。分析経験が少ないメンバー構成だと、分析の品質が落ちることがあります。