「蓄積されているデータを使って、経営やマーケティングの改善施策を出して欲しい」このように言われたことのある方、あるいはこのように指示したことのある方も多いのではないでしょうか。

しかし、実際に社内に蓄積されたデータを分析しようとしても、思うようにマーケティングに活かせずに終わってしまうケースは少なくありません。

そこで今回は、「企業のデータ活用が失敗してしまう3大原因」と「その解決策」について解説します。

原因1 データ分析の目的が明確になっていない

今やほとんどの企業において、日々の経営活動の結果が、基幹システムなどに蓄積されています。その蓄積されたデータをどうにか分析して、次の一手に繋がるような示唆を得ようとパソコンを叩いている人も多いのではないでしょうか。

データを分析すると必ず何かしらの傾向は定量的に導き出されるかと思います。

• 〇〇店舗と●●店舗の収益性が悪く、売上が下がっている
• 〇〇カテゴリのトップ品番の売上が年々減少している
• 年々在庫が増えてきて、消化率が悪化している

など、現状の「問題」となるような様々な現象は、データをエクセルやらアクセス、あるいはBI（ビジネスインテリジェンス）ツールなどを使うことで見えてきます。

しかし、あくまで「現象」という「起こっている事実」止まりになってしまっていることが多いのではないでしょうか。

• 〇〇店舗と●●店舗の収益性が悪く、売上が下がっている
  → なぜ〇〇店舗と●●店舗の収益性が悪く、売上が下がっているのか、改善するためには何をすれば良いのか
• 〇〇カテゴリのトップ品番の売上が年々減少している
  → なぜ〇〇カテゴリのトップ品番の売上は減少しているのか、他のカテゴリと何が違うのか、トップ品番の売上を上げることは可能なのか、その場合は何を改善すれば良いのか
• 年々在庫が増えてきて、消化率が悪化している
  → なぜ年々在庫が増えてきて、消化率が悪化しているのか、改善するためには何をすれば良いのか

といった、根本的な原因の把握と、その原因に基づいた改善施策まで落し込まれていることがなく、実際に実務をしている現場側からすると、「で、どうすればいいの？」といった分析止まりの場面は多くの企業が陥っている状態です。

データ分析する側と実際に実務を行う側が別々の場合、両者のデータおよび実際の業務に関する認識レベルに乖離が大きいことが原因であることが多いです。

実際の業務には、データだけでは判断することのできない様々な制約条件があります。これらを含めて現場を知らずにデータだけ触っても実務に活用できる分析結果を提供することは困難です。データの分析者は、実際に業務が遂行されている現場を知ることが重要なのです。

一方、現場側にもデータに関する知識が必要となります。ビジネス活動において、データを活用するとどのようなことが可能となるのかを理解することが必要となってきます。

経営や業務を改善するための「データ」になるため、データ分析する側と実際に実務を行う側が寄り添う必要があるのです。

また、最も重要なのは、データ分析はあくまで「手段」の一つ、であるということです。従って、「データ分析をして改善施策を出す」というのは、あまりにも乱暴な指示になります。

目的を明確にする

例えば、「売上減少を食い止めるための改善施策を出す」「売上を下げずに在庫適正化する方法を出す」「収益性の高い店舗となる出店戦略を策定する」といった、「何のために」という目的を明確にすることがとても重要です。これがないと、どこに向かうべきなのかが曖昧となってしまい、結果的に活用できないデータ分析となってしまうのです。

また、目的が明確になることで、先ほどのデータを分析する側と実務を行う側との認識の乖離もなくなります。

データ分析は、あくまで「目的」あってのものなのです。

原因2 データの整備が不十分

データ分析するに当って、分析する「データ」の質はとても重要です。ただ、実際にはデータが未整備になってしまっている場合をよく見ます。

事業部ごとにデータベースのフォーマットが異なることは最も多く見るパターンです。

例えば、製造部と営業部など部署ごとにエクセル帳票を作成していて、それを付け合せるのに時間を要することはよくあります。同じ意味の管理項目にも関わらず、部署ごとに名称が異なることもあります。一方では「商品コード」となっているのにもう一方では「製品ID」となっているような場合などです。

この場合は時間をかけて一元管理できる帳票に仕上げれば分析できる状態になるのでまだ良いのですが、もっとひどい例としては、同一商品にも関わらず年度が変わるたびに新しいIDを付け替えたり、ルールを変更するケースです。そのうえ、古い情報を保存せずに新しい情報を上書きしてしまうケースも少なくありません。

この場合は、過去のIDで出てきている商品と新たに振られたIDで出てきている商品が仮に同一商品だったとしても、データ上は異なる商品として出てきてしまうので、それを紐づけなければ正しい回答を得る分析ができなくなってしまいます。

また、そもそも商品の単品ごとにIDが振られていないケースもあったりします。例えば、同じ型の商品でもデザインが異なった場合、それは異なる商品として区別できることが必要なのですが、データ上全く分からない状態で管理されている場合です。

こうなってくると、例えば商品における根本的な問題を正確に粒度細かく導き出すことが困難となります。

PDCAを回し少しずつ改善していく

その場合は、現状ある数値データの中で分析を行い、出てきた回答をもとにPDCAを回し、少しずつ改善していく必要があります。

原因3 データにノイズが発生

逆に数値データが多すぎて頭が混乱してしまうケースもあります。不必要なデータのノイズが発生しているパターンです。

この場合は原因1でお伝えしたような目的が明確でないが故に、手あたり次第蓄積されているデータをかき集めてしまっていることが多いです。

目的が明確になれば不必要なデータを集めなくなる

目的が明確でさえあれば、不必要なデータを集めるということもなくなるでしょう。

このように、データ分析をする上で、扱う「データ」は、データ分析の質を左右する重要な役割を担いますので、侮らないようにしてください。