IT技術が発達したことでデータの取得や分析も手軽にできるようになり、ビジネスにおけるデータ活用の必要性はより高まってきています。しかし、実際にデータを活用する際にどのように取り組めばいいのか分からない、あるいはそもそも「データ分析」との違いは何かが分からないといった方も多いのではないでしょうか。

そこでこの記事ではデータ活用の正しい意味や、企業の活用事例、多くの企業が抱えている課題などを解説します。

データ活用とは

データ活用とは、社内外の様々なデータに基づいた事業活動を行い、売上を伸ばしたり、業務の効率化などにつなげることです。

データ活用とデータ分析の違い

「データ活用」と同じく、ビジネスにおいてよく耳にするのが「データ分析」という言葉です。似たような意味で使われていることもありますが、この２つの言葉には大きな違いがあります。

まず、データ分析とはデータを集めて整理、編集し、過去から現在までがどういう状況になっているのかを客観的な数値で把握することです。これによって自社の現状を正確に現状を把握したり、精度の高い将来予測を行うことできます。

これに対してデータ活用とは、データ分析から分かった現状や将来予測に基づいてマーケティング戦略を立てたり、商品開発を行い、事業の成長につなげていくことです。

つまりデータ分析はデータ活用を行うための手段だと言えるのです。

参考：データ分析とは？目的や正しいプロセス、手法、活用事例を解説

ビジネスにデータを活用するメリット

ビジネスにおいてデータをうまく活用すれば、売上を伸ばしたり、業務を効率化していくことができます。それは、データを活用することで

• 正しく現状を把握することができる
• 精度の高い予測を立てることができる
• 素早い意思決定が可能になる

といったメリットを得られるためです。

正しく現状を把握することができる

社内に蓄積されているデータは日々の経営活動で得られた結果です。それらを整理し分析することで、現状を正しく把握することができます。また、競合他社のデータや市場のデータとあわせて分析することで、より明確に自社の状況を知ることができます。

現状を正しく把握することができれば、自ずと自社の抱えている課題も明確になり取り組むべき対策なども明確にすることができます。

精度の高い予測を立てることができる

過去のデータを分析することで、規則性や因果関係を洗い出すことができます。その分析結果に基づいて精度の高い予測が可能になります。

現状の課題に対する対策についても、どのような対策を打つべきなのか、その対策を打つとどれくらいの効果が得られるのかなどの予測を立てることも可能になります。

素早い意思決定が可能になる

現状を把握することで課題が明確になり、それに対する戦略や精度の高い予測を立てることができれば、素早い意思決定が可能になります。

どこに課題があるか曖昧なまま闇雲に施策を展開していたり、明確な予測のないまま議論をしていた時よりもより速く課題を解決していくことができます。

ビジネスで活用されるデータの例

ビジネスで活用されるデータは、私たちの普段の行動に関連するものがほとんどです。具体的には以下に挙げている「Web上で生成されるデータ」「オフィスや店舗で生成されるデータ」「日常生活の中で生成されるデータ」の１つ１つ、もしくはいくつかを組み合わせたものを組み合わせてデータ分析を行います。

• Web上で生成されるデータ
  • Webサイトデータ：Webサイト上に公開されている記事などのデータ
  • マルチメディアデータ：Web上に公開されている画像が動画などのデータ
  • ソーシャルメディアデータ：SNS上の投稿やコメントなどのデータ
  • ログデータ：Webサーバーに蓄積されているアクセス履歴などのデータ
• オフィスや店舗で生成されるデータ
  • オフィスデータ：ビジネスでやり取りされるメールや文書のデータ
  • カスタマーデータ：会員システムやCRMで管理されている顧客データ
  • オペレーションデータ：会計やお問い合わせ対応履歴などのデータ
• 日常生活の中で生成されるデータ
  • センサーデータ：人流や天候などに関するデータ

参考：
平成24年版　情報通信白書
ビッグデータの身近な例は？企業の活用事例も解説

データ活用がうまくいかない原因

データを活用することで得られるメリットは大きいものの、多くの企業でいまひとつデータ活用が進んでいないのも事実です。その要因について解説します。

データの未整備による未活用データの発生

そもそもデータが整備されていない、という会社は本当に多いです。

例えば”事業部ごとにデータベースのフォーマットが異なる”、”営業部あるいは開発部で同じ商品やサービスを部門ごとに異なるフォーマットで管理している”というケースですね。この場合ははまだましです。

事業部ごとに管理項目の名称が異なる場合はより整備が難しいです。例えば同じ商品でも営業部だと”商品ID”と言っているものが、管理部だと商品コードとか言っているように項目の名称が異なるゆえにはどれが可能な紐づけが難しいというケースもとても多いです。

もっとひどいケースですと、同一製品でも年次ごとに IDが異なったりルールを変更している会社もよく見ます。

例えば同じ製品であるにも関わらず年度が変わるとその ID を付け替えてしまって、例えば経年でデータを分数していきたいのに、紐付けが難しいということがよく発生しています。 あるいは途中でルールを変更してしまったり、商品で少し変えたからといってIDを変えしまったり、そういったその場の思いつきによるルールの変更というのもよく発生しています。

その場合ですとせっかく溜まってきたデータを経年で把握することがなかなか難しい状況に陥っていまいます。

最後はそもそも単品毎にIDを振っていないというケースもあります。弊社クライアントのアパレル系の会社では、カテゴリーや小分類ごとにIDは紐付けているんですが、単品ごとのIDを振っていなかったので、本当にどの商品が売れたのかっていうのがデータ上なかなか把握できませんでした。そうすると精度の高いデータ分析が出来なくなってしまいます。

このような状況が起こってしまうと、分析するためのデータを整理するだけでも膨大な時間を要してしまいます。そして、このような状況が起きている会社は多いかと思います。

データ活用を進めていくためには、データ管理の統一ルールを定めることがとても重要なのです。

システムが複雑化してしまっている

例えば小売業界では、コンビニやスーパー、ドラッグストア、ホームセンター等、皆さんが知っている売上トップ企業の全てと言っても過言ではないほど、データを活用し切れていません。その大きな要因が”システム”です。

• 多面的に収集しているデータがバラバラで結合しにくい
  （粒度がバラバラ、名寄がしにくい等）
• 多面的に収集しているデータを結合した上で分析する取り組みが出来ていない
• Webサイトやアプリなど多数展開しているが、それぞれ管理が煩雑・バラバラで一元管理が出来ていない
• 新たなサービスを進めるにあたって必要なサービス設計、アプリ構築等をアジャイルに展開できる仕組みを持っていない
  （新しいことをやろうと思うと、毎回時間がかかる）
• 新たなサービスを進めようと思うと、毎回何らかのシステムがボトルネックとなる
• 顧客の購買データ（誰がいつどこで何を買ったのか）を分析して得られた定量的な示唆をもとに、商品開発やマーケティング施策に繋げることができていない

など、企業規模が大きければ大きいほど、上記のような問題を解決するのに多大な労力（資金、時間）がかかってしまい、結局今のままで良い、という判断となってしまっています。

実際、大企業であっても、以下のような問題が起こっているのが現実です。

• 同じ商品なのに全角、半角含めて入力名が異なり名寄せが大変
• ちょっとしたデザインや素材の変更などのマイナーチェンジした商品について、商品IDの洗い替えなどをしてしまい、過去からの実績を紐づけることができない
• 同じ顧客（会員）なのに、複数店舗やオフライン・オンラインでそれぞれ登録されており、別々の顧客として管理されてしまっている

実はこれらは、大企業ほど起こっていると言ってもいいかもしれません。現在、小売業に属する大企業が出来ているデータ活用といえば、

• POSデータの分析による在庫管理
  （出来る限り在庫を切らさない、多く仕入れ過ぎない）
• 新たに会員アプリを作り、そのアプリ会員のみ管理し、プッシュ通知などを実施

くらいの場合も多いです。例えば、顧客の購買行動に基づいた適切な商品やサービスを提供することによるCRMと言われる顧客管理はほとんど出来ていません。

これは言い換えれば、システムが複雑化していない中小企業ほど、実はデータ活用に取り組みやすいとも考えられます。

ITサイドとビジネスサイトの距離が遠い

社内にあるデータをとにかくいじってみる。そうすると様々な検証は把握できます。例えば”客数が減っている”とか、”この商品の売上が下がっている”とか、あるいは”原価や人件費や家賃などのコストが上がってきている”などの様々な現象が、いろんなデータをいじってみることで分かってきます。

ただ、”根本的な原因がわからない故に打ち手に繋がらない”あるいは”何かしらの打ち手につなげても成果が上がらない”という会社が多いのではないかと思います。

データ活用の重要性が分かっている企業が多くなってきています。しかし、実際に取り組んでみたものの、それでどうすればいいの？という状態で終わってしまっている場合が多いです。

近年、IT分野をはじめビックデータ活用が進んでいますが、IT部門や外部に委託しているIT企業から様々な分析結果が出されても、実際に現場に落とし込まれていない。現場でビジネスを動かしてる人たちに分析結果がうまく反映されていない。そういうITサイドと現場のビジネスサイトのデータ活用の距離が遠すぎるというのが、今問題として起こっています。

分析結果をビジネスに活用できていない、ビジネスサイドが本当に必要としているデータ分析ができていないのです。

データ活用の成功事例

IT技術の発達などによって、ビジネスにおけるデータ活用はさかんにおこなわれるようになっており、売上の向上やコストの削減など、実際に成果を挙げている企業も多く存在します。その中からデータ活用に成功している2つの事例をご紹介します。

北欧、暮らしの道具店　4年で売上を約2倍に

株式会社クラシコムが運営する「北欧、暮らしの道具店」では、売上が順調に拡大している反面、売上が拡大したことで1つひとつの施策におけるリスクが大きくなっていました。また、スマホアプリのリリースなどに伴い分析できるデータが増え、データ活用業務が大きくなることが見込まれたため、効率的なデータ活用を目指し、データ分析チームを発足しました。

データ分析チームは、データをもとに施策を決める「ビジネスサイド」、施策を決めるうえで必要なデータを決定する「データアナリスト」、データアナリストが必要と判断したデータの抽出などを行う「エンジニアサイド」で構成され、専門的な知識がないメンバーでもデータ活用ができる基盤の構築に取り組みました。

その結果

• アプリ内の行動分析をもとに改善を行い、EC購入の6割がアプリ経由に
• SNSやメルマガの顧客動向を分析しフォーマットを改善
• 販売動向データを活用し、人気商品を開発
• データに基づく合理性の高い予算計画の作成
• 発注予測にでーたを活用し定価消化率を95％に

といった効果を生み出し、4年間で売上を約2倍にしています。

JINS　廃棄ロスを約10％削減

JINSが取り扱うメガネは「耐久年数が長い」などの商品特性上、買い替え需要の予測が難しい商品でした。そのため「追加生産が間に合わない」あるいは逆に「過剰在庫が発生する」といった課題を抱えていました。

そこで、アクセンチュアの「AI Powered Management Cockpit」というAI活用を実現するソリューションを導入しました。これによりJINSが保有していた「過去実績」や「セール履歴」といったデータに「過去の天候データ」などを掛け合わせてAIが将来需要を予測をし「欠品リスクへの対応策の提示」や「過剰在庫の値引き施策の可視化」などを行うシステムを構築しました。

AIによる提案をもとに迅速な経営判断を行った結果、年間の廃棄ロスを10%削減し、欠品による売り逃がしを65%削減するなどの成果を上げました。

参考：ビッグデータ活用 6つの事例！売上を2倍にした企業やコスト削減の事例を解説

データ活用の正しいプロセス

正しくデータを活用するためには、正しいプロセスでデータ分析に取り組むことが欠かせません。最もよくないデータ分析の取り組み方は「膨大な数値データをとりあえず分析して、そこからわかったことをもとに次の施策を立てたい」といって、目的を決めずにデータ分析に入り、結局は何もわからず、迷路に迷い込んでしまうというパターンです。

そうならないためにも、具体的な課題を見つけ、現時点での仮説とその根拠は何か、仮説を確かめるにはどんな情報を集めてデータ分析する必要があるのかを検討する、以下のような正しいデータ分析のプロセスを踏むことが大切です。

これらの手順に沿ってデータ分析を行った上で、分析結果に基づいて打ち手を決め実行することで、効果的なデータ活用を実現することができます。

❶ 目的の明確化

データ分析を行う時に、まず最初にやるべきことが「目的の明確化」です。

前述の通り、「目的」を決めないままにデータ分析を進めるのは非常に効率が悪く、何も成果を得られない可能性もあります。データに基づいて何をしたいのかを、明確にしたうえで次のステップに進みましょう。

❷ 仮説の洗い出し

仮説とは、その言葉の通り「仮の答え」になります。真偽はともかくとして、「ある論点に対する仮の答え」や「わかっていないことに関する仮の答え」です。たとえば「この事業は儲かるはずだ」や「この問題の原因はここにあるに違いない」といったことになります。

データ分析において、どのような場面でも必要になるのが、「仮説を構築すること」です。仮説は、データ分析や数字で検証するための拠り所となるのです。

しかし、仮説をすべて洗い出したら、その数は膨大なものになるでしょう。それらすべてを実行に移すことは、現実的ではありません。そのため、優先順位をつけて絞り込んでいく必要があります。

経験がある人であれば、統計的に過去の実績や勘によって打ち手を想定して、自然に優先順位づけをすることができるでしょう。とはいえ、実際はそうしたスキルを持っていない人が多いと思います。

そのような方にぜひおすすめしたいアプローチがあります。それは、「データ分析をしていくことで、複数の仮説の中から優先順位をつけていき、確度の高い打ち手を絞り込む」という手法です。この方法を使えば、複数出てきた仮説の中から最も問題解決に貢献しそうな仮説を選択することができ、経験や勘に頼ることなく確度の高い打ち手を絞り込んでいくことができます。

こう書くと、いかにも難しそうなのですが、例で考えてみれば簡単です。

たとえば、原因が何かはわからないのですが、「売上減少」という状況が起こり、社員がそれぞれの立場で売上減少の要因を考えた結果、10個の課題仮説が出たとします。本来はこの10個の課題仮説すべてに対して改善していきたいのですが、実際にはすべての仮説に対して人的リソースや時間的リソースをかけることはできません。しかし、少なくとも2～3個に絞り込まなければ現実的に難しいという場合、どうしても今までの経験や勘で絞り込まれることが多いのではないでしょうか。

そこで威力を発揮するのが、問題解決の考え方とデータ分析です。問題解決の考え方をすることで、課題とそれに対する解決策の仮説を洗い出すことができ、その仮説を証明するのは、データ分析になります。

では、具体的にどのように絞り込むかですが、図に示したように、データ分析を行うことで、たくさんの仮説の中から優先順位をつけることができます。

図　複数の仮説の中から優先順位をつける

たとえば「客数が減少しているのか、それとも客単価が減少しているのか」がわかれば、10個ある仮説はさらに絞り込めるでしょう。さらに、「客数の減少」が顕著であれば、「新規顧客の減少」「既存顧客のリピート率の減少」など原因と仮説と打ち手を絞り込むことができます。

このように、洗い出した仮説に対してより適切に「当たり」をつけていくことができるのがデータ分析なのです。「経験や勘」と「複数の仮説の中から優先順位をつけていく」方法の２つのアプローチ、どちらが絶対にいいということはありませんが、この記事をお読みの方には、後者のプロセスを実行することを強くおすすめします。

この仮説の立て方や絞り込み次第で、データ分析の精度は大きく異なるものになることを覚えておいてください。

仮説の立て方や絞り込みを行うときには、ロジカルシンキングという考え方が重要です。ロジカルシンキングのやり方は「ロジカルシンキングのやり方とは？問題解決に欠かせない思考法とフレームワーク」で解説しています。

❸ 分析方法の定義

ここでは、仮説を検証するために、どんな数値データが必要なのか、どのような分析方法を行えばよいのかを整理していきます。

具体的には、現在、自社が持っているデータのほか、あらゆるデータの中から、どのデータを使って分析を行うのかを検討します。

分析方法の定義については、課題や出てきた仮説によってやり方が大きく変わってくるため、❷で洗い出した仮説を検証するために何を分析していく必要があるのかを、抜け漏れなく整理することが、とても重要になります。

❹ 情報（データ）の収集

❸で定義したデータ分析方法に基づいて、必要な情報（使用するデータ）を探していきます。情報収集の方法や集めるデータについては非常に多岐にわたりますが、❸で定義した分析方法を実現させるためのデータを、いかにして集めて整理するかが、大きな鍵になってきます。

❺ 分析

集めた数値データを使った分析を進めていきます。データ分析は、経験の数によってスピードや精度は上がっていきますが、ポイントさえ押さえてしまえば、初心者でも一定の成果を出すことができるのもデータ分析です。

以上の一連の流れでデータ分析を進めていきます。

打ち手を決めて実行する

ここまでのデータ分析で自社の現状が明確になったら、その現状を踏まえて、自社のビジネスを成長させるための打ち手を決定していきます。データを分析して終わりではなく、データに基づく打ち手を決定し実行していくことが、本当に成果につながるデータマーケティングです。

例えば、十分な新規顧客が取れていないという分析結果が出たのであれば、「認知・集客不足」が解決すべきポイントとなりますし、店舗によって収益性に差が出ているという分析結果が出たのであれば、「低収益店舗の発生」が改善するポイントとなります。

改善ポイントは1つであるとは限りません。場合によっては3つ、4つ出てくるでしょう。それら出てきた改善ポイントをどう改善していくのかを考えていきます。

その際にもデータ分析の結果を活用します。「認知・集客不足」の原因が、他社と比較して広告宣伝やメディア露出の不足だとすると、「TV、雑誌等メディアを活用した継続的な販促策実施による認知度向上」が一つの改善方法になりますし、「低収益店舗の発生」の原因が勝ちパターンを外した出店にあるとすると、「出店基準の確立」や「店舗フォーマットの確立」が改善方法になってきます。

改善方法を導き出す“原因”についても、今まで行ってきた自社データの分析や競合他社との比較、消費者調査などから導き出されたデータ分析から洗い出されるものです。 今後成長していくに当たって、現状何が足りていないのか、どこに成長機会があるのかを明確にします。

参考：正しいデータ分析の手順とは？成果につながる５つのステップ

PDCAを回すことが重要

また、打ち手を実行してもそこで終わりではありません。その打ち手が正しかったのかどうか判断し、もし間違っていた場合、あるいは当初に想定していたほどの効果が出なかった場合は、修正していく必要があります。この一連の流れを「PDCAサイクルを回す」と言います。

計画を立てて（Plan）、実行し（Do）、結果を評価して（Check）、評価に基づき改善して（Act）次のステップへと進めていくことはとても重要です。

日々、問題に立ち向かっているビジネスパーソンにとって、効率よくスケジューリングして業務を実行していくためにも、PDCAサイクルを回すことは欠かせません。

データ分析についても同様のことが言えます。課題を見極めて仮説を洗い出し、データ分析により仮説思考をしながら打ち手を構築し、実行に移す。

打ち手の構築までがPlanで、実行がDoです。しかし、ここまでだけではやりっ放しになってしまうので、しっかりと打ち手の評価、つまりCheckをした上で、改善が必要であればActすることが重要なのです。

データ分析により、ある程度、精度の高い打ち手は構築できますが、それでも条件や環境変化ゆえに想定した成果に結びつかないこともあります。そのためにも、PDCAを回すことによって、常に最適解を求めていくことが大事なのです。

データをビジネスに活用する3つのポイント

企業でデータを活用するためには、経営層の理解や様々な部署の協力も必要になってきます。企業におけるデータ活用を促進していくためには次のようなポイントをおさえて取り組むのがより効果的です。

事業を理解する

データ分析において重要な目的設定を行う時、事業そのものを理解していなければ、どの場面にデータを活用するべきなのかを判断するのが難しくなってしまいます。また、データ分析に基づいて打ち手を決定する際や、効果を検証する際にも事業への理解は欠かせません。

小さな成果を上げる

データをビジネスに活用する体制が整っていない企業では、データ分析に時間やコストをかけることに賛同を得られない場合もあります。また1人で事業に取り組んでいる場合でも、成果が出るかどうか分からない状態ではデータ分析に時間を使おうとはなかなか思えません。

そのような状態にならないためには、まずデータを使って成果を上げやすそうな、小さな取り組みから行うことがおすすめです。企業であれば小さな成果をもとにデータ分析の重要性を提案することができますし、何より成果が上がる実感が湧くことで自分自身のモチベーションを高めることにもつながります。

目的に応じたツールを導入する

ビジネスに関連するデータ分析は紙とペンだけでできるデータの量ではないため、何かしらのソフトウェアが必要になります。分析用のツールは無料のものから月額数十万円など、非常に多様なものがあるため、目的に合わせて適切なものを選びましょう。まず個人の業務にデータを活用するための分析であればエクセルだけでも十分に対応できることも多いです。

ただし、そもそもデータ活用の入口として、ツールの導入から始めてしまうのはとても危険です。ツールはあくまでもデータ活用をするための「道具」に過ぎません。

本当はサッカーをやるのに野球の道具（バッドやグローブ）を揃えても扱えません。さすがにこれは言い過ぎかもしれませんが、それに近いようなことが多くの企業で起こっているのが現実です。少なくとも、生産性、効率性の向上のためにツールを導入したものの、そのツールを十分に使いこなせていない企業はとても多いです。

まずはデータ活用により何を実現させるべきなのか、その目的を明確にした上で、それを実現するためのサポートとして、適切なツールを選択する、という順番が本来あるべき流れであり、その順番でツールを選択することで、ツールの効果も最大限活かせることができるようになるのです。

取り組むべき分析が何か、それを実践するためにはどのようなツールが必要なのか、目的に合わせて選定しましょう。

当ブログではデータ分析の基本が学べる記事を公開しています。興味のある方はぜひチェックしてみてください。