日経ビジネス電子版 Special

データ活用は「意思決定プロセスの形式知化」
暗黙知から脱却し、課題解決力アップを

データ活用は「意思決定
プロセスの形式知化」
暗黙知から脱却し、
課題解決力アップを

DX(デジタル・トランスフォーメーション)が加速する現在、企業におけるデータ活用は広がりをみせている印象をもつ方も多いだろう。しかし、「ビジネスが大きく変わった」という実感がもてない、あるいは「思うような成果が得られない」と感じる経営幹部やDX担当者もおり、「データ活用は期待外れ」と評価されてしまうケースも見られるようだ。ビジネスにおけるデータ活用とはどうあるべきか。今回は、日本におけるデータサイエンティストの第一人者として知られる滋賀大学 データサイエンス学部の河本 薫教授と社会人向けデータサイエンススクールを運営する堅田 洋資氏に登場いただき、データ活用に対する誤解や、組織としてどのようにデータ活用に取り組むべきかについてお話を伺った。

「データ分析で課題が解決できる」と
多くの企業が思い込んでしまう理由

――テクノロジーの進化が加速するなか、ビジネスシーンにおけるデータ活用が大きな注目を集めています。現在の状況をどうお考えですか?

河本 大学教授という立場上、企業の方が訪ねて来られることが多いです。皆さん、「データサイエンスやAIを導入したい」という熱意をもって来られます。ただ、当初は積極的に取り組んでいても、数年経つと熱が冷めるというのか、「そんなに人、予算をかける必要があるのか」という声が聞こえてくるのも事実です。

堅田 データ活用に取り組む企業のなかでも、ときどき「データを分析すれば利益が上がる」といった具合にデータ活用と業績を短絡的に結びつけてしまっている印象はあります。このような考えになってしまうと、データ分析に取り組む際の課題設定が目の前の課題、そしてすぐに取り組める課題だけとなってしまいます。結果として、課題が小さくなってしまい、最終的には費用対効果が合わないとなってしまいます。

河本 日本企業のデータ活用は進んできましたが、最近は手詰まり感に陥っている企業が多いようです。当初はデータやAIを活用するのにおあつらえ向きのテーマ、たとえば短期的な利益アップやコストダウンといった課題に取り組んで成果を上げてきたのですが、それが達成された時点で詰まってしまい、「もうすることがない」という状況に陥ってしまうようです。
このような手詰まりに陥る理由の一つは、「課題を見つける力が弱い」という部分にあります。日本企業は、顕在化している課題を解決することは得意ですが、課題を見つけることは苦手なのではないでしょうか。

――課題を見つけるとは、具体的にはどのようなことでしょうか?

堅田 課題を見つけるということは、誰かに料理をつくってあげるときに、「どのような料理を出せば美味しいと思ってもらえるか」ということと同じです。その課題発見の段階で認識のズレや期待値のズレが生じていると思います。企業が行うデータ分析は、データサイエンティストやAIエンジニアと呼ばれる専門的スキルを身につけた人を中心にチームを組んで進めるケースが多いのですが、「現場からなかなか課題が上がってこない」という意見もよく聞かれます。一方、現場もなにを課題とすべきかがわからないという。まさに、なにが解くべき課題で解ける課題なのかがわからないという状態になってしまうとデータ活用が行き詰まってしまいます。

河本 課題発見が苦手であること以外に、企業が手詰まり感に陥るもう一つの理由は、「データやAIで直接的に課題解決できる」と勘違いしているケースが多いことです。データやAIはなにかを改善することを通して課題解決するもので、直接的に課題解決するものではありません。その「なにか」とは意思決定プロセスです。
2002年にノーベル経済学賞を受賞したアメリカの行動経済学者、ダニエル・カーネマンは、「組織とは意思決定の工場である」と述べました。企業は日々、さまざまな組織でさまざまな意思決定を生産しています。データやAIは、この意思決定の生産方法、すなわち意思決定プロセスをよりよくする手段であり、それにより旧来の「勘と経験」に頼った意思決定によって生じた課題を解決できるのです。

河本 薫 (かわもと・かおる)

滋賀大学データサイエンス学部 教授
兼 データサイエンス教育研究センター 副センター長

1989年京都大学工学部数理工学科卒業。1991年京都大学大学院工学研究科応用システム科学専攻修了。1991年大阪ガス入社。1998年米ローレンスバークレー国立研究所でエネルギーデータの分析に従事。2011年ビジネスアナリシスセンター所長に就任。2013年日経情報ストラテジーが選出する「データサイエンティスト・オブ・ザ・イヤー」の初代受賞者に。大阪大学招聘教授を兼任。2018年4月1日より現職。
著書に「データ分析・AIを実務に活かす データドリブン思考」(ダイヤモンド社)、「最強のデータ分析組織」(日経BP)、「会社を変える分析の力」(講談社現代新書)がある。

――意思決定プロセスを改善する際のポイントはなんでしょうか?

河本 重要なのは「勘と経験」に頼り、「暗黙知」になっている意思決定プロセスの見直しです。意思決定の生産方法(=意思決定プロセス)が「暗黙知」のままではデータやAIの活用は望めません。だって、データやAIは形式知の世界で活用できる道具ですから。データやAIを活かすには、まず意思決定プロセスを「形式知化」することが必要です。
たとえば、「今日のランチはトンカツに決めた」という意思決定者に「なぜトンカツにしたのですか?」と聞いた場合、暗黙知のプロセスを使っている人は「なんとなく」としか答えられないでしょう。このような状態では、データやAIを使ってなにを予測し、どんな仮説を検証すればプロセスが改善できるか見当もつきません。意思決定の生産方法を形式知化することは、データ活用の前提になると思います。

堅田 そう考えると、自分自身を客観的に見るメタ認知や、「自分の意思決定の仕方はよいのか」「この業務のあるべき姿はなにか」といった現状を批判的に考える力がデータ活用をするうえで重要だともいえます。なぜなら、意思決定プロセスを形式知化するには、自分自身の日々の業務のなかで「なにを意思決定しているのか」を客観的に考えなくてはならないためです。一方、データ活用を推進したい経営者やDX担当者からすると、データ活用に関与する社員一人一人がメタ認知や批判的思考で「自分の業務が会社にどんな貢献をしているのか」「自分はなにを決めているのか」を客観的に考える機会をいかにつくれるかが重要になってきますよね。特に、業歴が長い企業だと、どうしても従来のやり方に対して疑問をもちにくくなってしまうように感じます。

河本 この意思決定プロセスの形式知化の難しさは、業種によって異なります。たとえば、ネット企業の場合は、大半のビジネスはアルゴリズム化されていることから、意思決定プロセスも形式知化しやすいです。一方、製造業などでは、社員の勘と経験に頼る部分が大きく、意思決定プロセスを形式知化することは容易ではありません。そのような企業では、データやAIの技術を磨くのも大切ですが、意思決定プロセスを形式知化する力を培うことも重要です。

NEXT
企業において、誰がデータ分析を学ぶべきか
  1. 1
  2. 2