データドリブン経営とは?データ利活用の始め方やポイント、DX推進事例も解説

データドリブン経営がDX成功の鍵を握る 始め方やポイント、成功事例を解説

近年、データドリブン(データ利活用)を推進する企業が増えています。

ビッグデータを活用し業務の効率化や新たなビジネスの創出を実現するデータドリブンは、さまざまな企業がDXを推進する上で非常に重要な役割を担っています。

★データドリブンについて詳しくはこちら

本記事では、データドリブン経営の基礎知識やメリット、はじめ方のステップやコツを解説。データ利活用を始める際の参考にしてみてください。

➡︎【資料ダウンロード】ビジネスにコミットする「データ利活用のガイドブック」

データドリブン経営とは

データドリブン経営とは、ビッグデータ(膨大かつさまざまな種類の情報)を活用した分析結果をもとに、ビジネス上の課題解決のための施策立案や意思決定を行うこと。

デジタル技術の発達やグローバル化をはじめとして、企業を取り巻く環境や顧客のニーズは大きく変化し続けています。新しい時代のビジネスを切り開くためには、あらゆるデータを収集・分析して解決策を編み出すデータ利活用が必要不可欠です。

データを活用することで、既存ビジネスの生産性を向上させ、時間および人的コストの削減や、これまでの実績データをもとにした確度の高いマーケティング施策を実行できます。また、既存のビジネスで収集したデータをもとに新たなビジネスを生み出すことも可能です。

さらに、経営者の経験や勘だけを判断材料としない、データという客観的根拠に基づいた経営判断は周囲からの理解を得やすく、職場のメンバーだけでなく顧客理解の促進にもつながるでしょう。

➡︎【資料ダウンロード】ビジネスにコミットする「データ利活用のガイドブック」

データドリブン経営のメリット

データドリブン経営でできることは「既存ビジネスの生産性向上」「新規ビジネスの創出」という2つの観点に分けられます。

まず「既存ビジネスの生産性向上」ですが、データ活用を行うことによってどのように生産性向上を図ることができるのでしょうか。メリットは大きく4種類に分けられます。

可視化による業務効率化

ひとつは「可視化による業務効率化」です。データを収集し数値として可視化することによって業務の効率化を図ります。

例えば、センサーを設置し、正常値と異常値を学習させることによって自動制御を行う場合や、設備の消耗具合を検知してメンテナンス作業の内容や頻度を最適化する場合などが当てはまります。

自動化による生産性向上

次に「自動化による生産性向上」です。過去データを蓄積し、その中から問題に対する解決策を引き出せる状態にしておくことで業務の効率化を図ります。

例えば、過去の書類データを一括で収集・管理し語句を入力することで検索可能にしたり、ノウハウが必要なタイミングでいつでも確認できるようにするなどが当てはまります。

予測を用いた最適化

最後に「予測を用いた最適化」です。蓄積した過去データを参照し、過去の実績から機械学習を用いて予測モデルを構築します。

例えば、過去10年間の売り上げ実績をもとに来月入荷する商品数をシミュレーションをもとに確定する場合などが当てはまります。

新規ビシネスの創出

また、データドリブン経営は既存業務の効率化や生産性向上に留まらず、新規ビジネスの創出という観点からも注目を集めています。

➡︎【資料ダウンロード】ビジネスにコミットする「データ利活用のガイドブック」

データドリブン経営を始めるステップ

データドリブン経営を始めるにはどのような工程が必要となるのでしょうか。まずはビジネス目線でデータドリブン経営を導入するステップを確認しましょう。

業務効率化の場合

①事業戦略と推進施策の現状整理
データドリブン経営の導入領域を決定する前に、事業戦略や推進施策など、現状を整理します。

②取り組みテーマのリストを作成
現状のビジネスの状況整理や今後の計画をもとに、データドリブン経営に取り組みたいテーマをリストアップしたのち、その中からやるべきテーマを絞り込んでいきます。

③テーマの優先順位づけ
取り組むテーマごとに、自社の事業への貢献インパクトを分析し、その評価に準じて取り組む優先順位をつけます。

④施策の優先順位づけ
データドリブン経営を取り組むテーマの、現状と目指すべき姿に対してデータ取得準備を行い、分析を行いながら取り組むべき施策の策定・優先順位づけをおこないます。

⑤KPI、評価・分析サイクルを設計して実行する
データドリブン経営におけるKPIと、収集したデータを評価・分析するサイクルを設計します。サイクルが設計できたら、まずは小さく区切ったスコープ内で検証を行います。

検証結果を踏まえてスコープ拡大を図りながら、取得データやその取得データを想定していた業務改善に活かせているのかを確認しながら、改善のサイクルを繰り返し回します。

➡︎【資料ダウンロード】ビジネスにコミットする「データ利活用のガイドブック」

新規事業創出の場合

データドリブンによる業務効率化が実現したのちに、価値創出型のデータドリブン経営が可能となります。

①取得可能なデータを活用したサービス・機能案をまとめる
取得可能なデータをどのように活用することで新たな価値を生み出せるかを考えます。単に取得可能なデータを見るだけでなく、UX分析・戦略策定を起点にサービスや機能案を創出することも重要です。

②サービス設計
データが無い状態からでもユーザーに価値提供できるサービス設計を行い、提供します。

③データ取得・分析の確認
サービス運用を進めるなかで想定どおりのデータ取得・分析ができているか確認・検証を行います。

④ハーベストループの評価・改善
ハーベストループ(ユーザーに提供サービスを利用してもらい、その利用をとおして取得出来るデータを利活用することで、更に提供サービスの価値向上に繋がるループ)が成立しているかの確認を行います。

ハーベストループ内の評価および改善を実施したのち、そのループ自体を活かして更に別のサービスを組み合わせたループを二重、三重に繋げることで価値の拡大と差別化に繋げていくことを目指します。

➡︎【資料ダウンロード】ビジネスにコミットする「データ利活用のガイドブック」

データ活用のための整備・基盤構築の進め方

続いて、データ収集基盤を構築する際の進め方を実際のステップに沿って解説します。

データ基盤構築のステップを解説

データ基盤構築のステップを解説

①データ活用のユースケースから逆算して考える

取得・分析したデータをどのように活用するか、UXデザインの手法を用いて実際にデータを活用するユーザーの体験設計を行います。

ユースケースを考慮せず、システム開発者の都合だけでデータの流れを設計すると、想定していたターゲットユーザーがデータを使わなくなる恐れがあります。

ユースケースを考える際に重要なのは、そのデータを見るのがどんな人かを明確にすることです。例えば、事業担当者と経営者ではそれぞれ観点が異なり、見たいデータも変わります。

つまり、ターゲットユーザーの目線で、売上や戦略に紐づくデータからユースケースを導き出すことが重要です。

②データの流れの整理

データが生成されてから活用されるまでの一連の流れを図にして整理します。入り口から出口までを書き出します。

データの流れ

データの流れ

それぞれの項目については、下記を参照してください。

データソース オリジナルデータ。もしくはデータの発生源を指す
データ収集 データソースからデータを集めるしくみ
データレイク 多様なデータを集約する場所。データソースのデータはそのまま置く
DWH 加工・結合したデータを置く。共通指標となるデータなど
データマート 特定利用者・特定用途向けに加工整理したデータ。ユースケースと1対1の関係にある
ユースケース データ基盤の用途。
メタデータ データを説明するためのデータ。「EC購買履歴には購入者や購入金額が記録されている」といったスキーマ情報や「誰がどのデータをいつ更新・参照した」といった更新・参照情報。利用促進やトラブル検知と体躯に使われる

③データソース定義と収集、メタデータの整備

次に、データの整備を進めていきます。データソースの整備では、下記の3つのポイントを守ってデータの品質を担保しましょう。

マスタ
例:入力者・部署間などによる差異をなくす、業務手順書による標準化
共通ID
例:全社共通の商品IDを導入し、分析・集計しやすくする、ECシステム外でも活用できるインセンティブ
履歴
例:商品説明の変更履歴を残す

せっかく溜まっているデータがあっても、それがどんなデータなのか明らかにされていないと活用できません。また、なんのデータなのかを都度調査する手間がかかってしまうと時間的・人的コストをひっ迫してしまいます。

そのため、メタデータをあらかじめ整備しておくことも重要なポイントです。

メタデータの例

データの作成日時
データ作成者
データが文字列か数値か
数値の単位(cm, kg,円)
データに個人情報が含まれているか
データが誰にどれくらい参照されているか
データ保管義務の期間

では、メタデータはどのように管理すればいいのでしょうか。

そもそもメタデータの管理とは、データ生成者がデータベースに説明文を書くだけで十分です。ここで重要なのは、データ管理にデータそのものや変化に一番詳しいデータ生成者を巻き込むことです。

データ生成者抜きでデータを管理しようとして、専門部隊や専門ツールを用意しても結局形だけのものになってしまったり、ツールへの継続投資が求められ費用がかさんでしまうといった状況に陥る失敗ケースが頻発しています。

④共通指標集計(データウェアハウスの整備)

最後に、データウェアハウスの整備を行います。データウェアハウスとは、部署を横断した共通指標となるデータ、およびその保管場所のことを示します。

部署ごとに独自の指標を集計してしまうと、部署を横断したデータ活用が進まなくなります。こうした事態を避けるためにも共通指針指標が重要です。

一方で、この共通指針指標を最初に作ってしまうと、よくある失敗ケースに陥りやすくなってしまいます。

本記事では、データ基盤構築の手順を、データの流れの最終地点である「ユースケース」から逆算して解説しました。

この手順に従わず、データの流れる順に設計を進めてしまうと、用途の決まっていないデータばかりが溜まってしまい、ビジネス戦略に活用することができません

また、ユースケースの策定は技術観点からのアプローチのみでは不十分。ビジネスやデザインといった異なる領域をつなぎ合わせることが重要です。

➡︎【資料ダウンロード】ビジネスにコミットする「データ利活用のガイドブック」

データドリブン経営を成功させるポイント

それでは、企業やビジネスをデータドリブンな状態にするにはどのようなポイントに気をつける必要があるのでしょうか?それぞれのポイントをみていきましょう。

相互理解の促進

データドリブン経営実現のためにはまず、社内および各領域におけるステークホルダー間の相互理解を促進しましょう。

データ利活用を通して創出しようとしている価値が、社内にどのような貢献をするかをしっかりと理解してもらい、経営層ならびに関係部署からの協力が得られる風土を作りましょう。

また、この際に経営層だけでなく実行者もデータ利活用の目的をしっかりと理解し、データサイエンティストなどの専門職に丸投げしないことも重要です。

人員の確保

次に、人材の確保も重要なポイントです。データ利活用の段階に応じて社内体制を構築し、メンバーをアサインまたは採用していく必要があります。

データ利活用に際して必要となる人材は、データエンジニア、データスチュワード、データアナリスト、データサイエンティスト、機械学習エンジニアなどが該当します。

人材種類 ミッション 説明
CDO データをもとにした意思決定や組織運営ができるか 企業におけるデータを資産としてとらえ、その活用により競争優位性をつくり出していくための最高執行責任者。全社規模のデータ活用戦略を策定・実行する。組織化、データ活用案件の把握・管理、データを活用した製品の開発・ナレッジの提供、活動の監視・モニタリング、経営会議でのレポーティング etc
データエンジニア データを収集するしくみの開発・運用ができるか データの発生源から、さまざまな技術を使ってデータを収集し、継続的にそれを実行できるシステムを構築して運用・保守までを担当。データエンジニアが収集したデータをデータスチュワードと連携し、データを意味のある形に加工していく重要な役割
データスチュワード 利用者のニーズとデータエンジニアの橋渡しができるか データサイエンティストやデータアナリストなどの利用者のニーズをくみ取り、データエンジニアが収集したデータを整備するための役割
データアナリスト データを分析して意思決定やサービス改善のレポートを行えるか 取得したデータを用いたダッシュボード作成、アンケートの設計や分析、ときには定性調査を行うなど、サービス改善につながるインサイトの提供を期待されている
データサイエンティスト データをもとに分析モデルを構築して競争優位性をつくり出せるか 取得したデータから価値を創出するために、学習や推論モデルの開発やさまざまなツールを駆使してインサイトを発見することが主な役割
機械学習エンジニア 機械学習を実運用し、価値を発揮するように運用・開発できるか データサイエンティストが開発したモデルやアルゴリズムを実際にサービス内にデプロイするために、モデルのリファクタリングやAPI開発、機械学習用のデータパイプライン(MLパイプライン)を整備して、データやモデルのバージョン管理を行いながら、サービス化していく役割

組織の構造設計(組織の設計、内向け)

データ利活用を念頭に置いたアーキテクチャ、データ設計、組織体制の構築も重要です。

人材を確保していても、配置を考えなければ組織が機能しません。システムに合わせて人を配置していくための設計を行いましょう。

サービスの体験設計

また、データから新たな価値を生み出すためには、体験設計も重要なポイントです。例えまだデータがない状況でも、ユーザーにどういう価値を提供するのかを決めなければサービスとして成立しません。

データ利活用を通して提供する価値がユーザーの体験、ベネフィットにどう寄与するかの設計を行う必要があります。

➡︎【資料ダウンロード】ビジネスにコミットする「データ利活用のガイドブック」

モンスターラボのデータドリブン導入事例

最後に、実際にデータドリブンの基盤構築をしデータ利活用を推進したプロダクト開発事例をご紹介します。

AIの導入でデータドリブンを促進/ユニメイト

ユニメイト社のレンタルユニフォーム事業で活用されている『AI×R Tailor(エアテイラー)』は、AI画像認識を活用し、撮影した画像から適切なユニフォームのサイズを導き出すサービス。

AIの画像認識を活用した自動採寸アプリ

AIの画像認識を活用した自動採寸アプリ

同社が課題に感じていたのは、自己申告や手作業によるサイズ集計時にヒューマンエラーによるサイズ違いが頻発し(最大実績で返品率40%超)、返品や交換に多大な労力とコストが発生していたこと。

この課題に対し、AIの画像認識を活用した自動採寸アプリを開発。スマホで採寸し、マッチするサイズの服を示唆するシステムを導入することで、採寸にかかる人的リソースや返品コストの削減が可能になりました。

AI活用により、誤採寸による手間や運送コストの削減につながっただけでなく、コロナ禍の影響で手作業による採寸ができていない現場からの問い合わせがあったりと、新たなニーズの発掘にもつながっています。

★事例について詳しくはこちら

★インタビューはこちら

スモールスタートでデータを取得する仕組みから作る/アイビー化粧品

化粧品、美容補助商品、化粧雑貨品等を製造・販売するアイビー化粧品は、AIによる画像認識を活用した肌解析システムをモンスターラボとともに開発中。

この開発プロジェクトの特徴は、データがない状況からのスモールスタートである点。初期投資のコストを抑え、投入までの時間を短縮するスモールスタートで開発を進め、いち早くデータを集めるループを回すことで、データを育てながら開発を進めるという手法が用いられています。

必要なデータ収集を行いつつ、徐々に精度を高めていく“データを育てる”という考え方を軸に、データドリブンなサービスを生み出すことができます。

★詳しくはこちらアイビー化粧品IR情報

データを効率的に取り込み、有効データとして活用する/キャッシュビー

キャッシュビーデータは、レシート内の購買データを収集する日本初のキャッシュバックサービス『CASHb』アプリを開発。ユーザーが送付したレシート画像から生活者購買データを取得・活用し、B2C企業にデータを活用する機会を提供しています。

画像処理技術の改善によるレシート内データの効率的な取り込みと識別を実現

画像処理技術の改善によるレシート内データの効率的な取り込みと識別を実現

モンスターラボは、OCRで取得したテキストをビジネスで活用できるデータに加工するデータ収集の仕組みや画像処理技術の開発をサポートしました。

★事例について詳しくはこちら

まとめ:データドリブン経営はDX推進の要

本記事では、データドリブン経営の基礎知識やメリット、およびデータドリブン経営のはじめ方や導入事例などを解説しました。

データ利活用により、従来の業務の効率化が図れるほか、収集したデータをもとに新たな価値を創出することができます。また、データドリブンを成功させるコツは、データ収集基盤を構築する際に実際にデータを使うユーザー目線に立ってユースケースから逆算して設計を考えることです。

その際、ビジネス、デザイン、テクノロジーそれぞれの領域におけるアプローチが必要となります。

➡︎【資料ダウンロード】ビジネスにコミットする「データ利活用のガイドブック」

データドリブン経営を始めたい企業ご担当者様へ

モンスターラボには、2,200件を超える多数のサービス開発実績がございます。

課題解決のためのDX推進への知見や、世界各国の拠点を通じて蓄積したグローバルな視点を活かし、解決策をご提案。ビジネスモデルの企画からデザイン、開発までワンストップでご提供します。

モンスターラボが提供するサポートの詳しい概要は、下記のボタンから資料をダウンロードしてください。
DX支援サービス紹介資料ダウンロード

直近のイベント

記事の作成者・監修者

友部 仁傑(株式会社モンスターラボ ビジネスデザイングループ長)

2007年より定性調査に強みを持つデザインコンサルティング会社のコンサルタント / プロデューサーとして大小様々なプロジェクトの立ち上げ・運営支援に従事。 B2Bを中心に多種多様な業界・クライアントと各種調査の実行から企画の立ち上げ、運営までを支援。 2015年よりモンスターラボ 大阪拠点責任者としてジョイン。モンスターラボのデジタル領域の開発力をベースにビジネス・UXデザインを起点とした新事業・サービスの戦略策定支援や企画立案、仮説検証の他、クライアントの既存ビジネスのグローバル展開支援など様々なタイプのDXプロジェクトに参画の上、伴走支援している。