データ利活用とは?DX推進事例や課題、新たなビジネスモデルを解説

データ利活用とは?DX推進事例や課題、新たなビジネスモデルを解説

データ利活用とは、経営課題の解決や新たな価値の創出のためにデータを用いてアプローチすることです。

AIIoTビッグデータなどのデジタル技術が発展する中で、データ利活用は企業の成長力や競争力を左右する要素として重要性を増しています。

この記事では、データ利活用の概要やDXとの関係性、メリット、事例まで詳しく解説します。

➡︎【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」

データ利活用とは

データ利活用とは、ビッグデータを用いてビジネスにおける課題解決や新たな価値を創出するプロセスのことです。

デジタル技術の進展を背景として、データが企業の競争力の源泉として価値を増しています。ただし、これらの有用なデータを収集しているだけでは意味がありません。

たとえば「収益性の向上」や「新たなビジネスモデルの創出」といった企業の経営課題を解決するために、必要なデータを収集・分析・活用してビジネスの成果へつなげることがデータ利活用です。

★あなたの組織のデータ利活用レベルは?簡単診断はこちら

➡︎【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」

データ利活用の目的

データ利活用の目的は「意思決定を精緻に行うこと」「新たな価値を創出すること」です。

従来は人間が収集および触れられる情報には限界があり、ビジネス上の意思決定においても経験や勘に基づいて行われていました。しかし膨大なデータを利活用することで、未来を予測しながら客観的かつ精緻な意思決定ができます。

また複数のデータの組み合わせや保有データの新たな展開によって、ユーザーのニーズを把握した新製品の開発・既存サービスのブラッシュアップによる、新たな価値を創出することも期待されます。

ただし、データ利活用はビジネスの課題解決を実現するための手段に過ぎません。成し遂げたい目的を明確化した上で、利活用すべきデータの種類や規模、実際の利活用方法などを検討していくことが大切です。

データ利活用とDXの関係

DX(デジタルトランスフォーメーション)とは、企業がデジタル技術を用いて業務フローの改善やビジネスモデルそのものを変革する取り組みです。市場の不確実性が高まる中、DXは企業が競争優位性を維持し続けるための大きなテーマとなっています。

社会のデジタル化に伴い、データは事業活動に大きな価値をもたらすと考えられています。データ利活用はDXの実現に欠かせない大きな鍵になると言えるでしょう。

日本CTO協会による企業のデジタル化とソフトウェア活用のためのガイドライン「DX Criteria」でも、企業のDXの状態を評価するテーマの一つとして「データ駆動」が挙げられてます。

★DXについて詳しくはこちら

★データ駆動(データドリブン)について詳しくはこちら

➡︎【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」

データ利活用のメリット

データ利活用のメリットとして次の3つが挙げられます。

  • データドリブン経営の実現
  • 新たな付加価値の提供
  • 新規市場の開拓

それぞれ詳しくみていきましょう。

データドリブン経営の実現

データドリブン経営」とは、データの分析結果をビジネスにおける施策立案や意思決定に活用することです。適切なデータ利活用を行うことで、既存ビジネスの生産性向上や確度の高いマーケティング施策の実行、顧客理解の促進など、経営におけるさまざまな効果をもたらします。

★データドリブン経営について詳しくはこちら

新たな付加価値の提供

デジタル技術の向上によって、現代では競合他社との差別化が難しくなっています。業界をリードするには、新たな付加価値を提供し続けなければなりません。

適切なデータ利活用ができれば、変化する市場に対応した新たなニーズの発見や購買傾向の把握につながります。これらをもとに、ユーザーの求める価値を提供する商品・サービスを展開することが可能です。

新規市場の開拓

公表されている統計情報や購買・顧客データなどを組み合わせることで、今まで見えなかったユーザーの真のニーズを把握できるケースがあります。これにより顧客生涯価値の最大化施策や、関連する新規事業のアイデアが生まれることも多いです。

また、データ利活用によって把握できる既存事業の市場縮小や限定的な顧客数といった要素から、収益の減少を予想することも可能です。

将来的な収益減少が把握できれば、新規市場の開拓や既存事業の撤退といった判断を的確に下せます。予算配分や人員配置の見直しも行えるため、リソースの最適化も図れるでしょう。

➡︎【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」

データ利活用を実現するデータ基盤構築の進め方

データ利活用を実現するには、データをビジネス戦略に活用するために収集・整備を行う基盤の構築が必要です。ここでは、効果的なデータ基盤構築の進め方について解説します。

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.ユースケースから逆算して考える

まずは「誰が・どのようなデータを見て・何を検証するのか」といったユースケースを想定します。ユースケースを考慮せずにデータ基盤を構築すると、ターゲットユーザーがデータを使用しなくなる恐れがあるためです。

ユーザーの目線でユースケースを想定し、そこから逆算することで必要なデータや設計が導き出されます。

2.データの流れや関連を把握する

次に、必要なデータはどこから来てユースケースに至るのか、データの生成から利活用されるまでの流れや関連を図にして把握します。

データの流れ
データの流れ

それぞれの項目には以下のような役割があります。

  • 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
  • データ収集:データソースからデータを集める仕組み
  • 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をそのまま置く場所
  • データウェアハウス:加工・結合したデータを置く場所
  • 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
  • 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

3.データソースの定義と収集・メタデータの整備

次に、データの整備を行います。データの品質を担保するため、下記の3つのポイントを守る必要があります。

1.マスタデータを作成する
統一されたデータがないと、データ利活用をする際に分析しにくいため。

2.共通IDを導入する
サービスやプロダクトを横断して使われる共通IDがあると、横断的な分析や集計がしやすくなるため。

3.履歴を残す
価格改定や商品説明の変更履歴などを残しておくと、「なぜこの商品が売れているのか」といったWhyの分析に役立つため。

また、データ利活用を促進するためには「データを説明するデータ」であるメタデータの整備も重要です。メタデータを整備することで、どのようなデータなのか都度調査するコストを削減でき、トラブル時にも利用者を調べてアナウンスすることもできます。

メタデータの例としては以下のようなものがあります。

  • 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

メタデータの整備は、シンプルに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。

4.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、部署を横断した横断的な共通指標となるデータ、およびその保管場所のことです。

部署ごとに独自の指標を集計してしまうと、社内全体でのデータ利活用が進みません。このような事態を避けるには、全社的な共通指標を一箇所で設定する必要があります。

以上のように、データの流れの最終地点であるユースケースから着手し、データマート層までの活用が十分浸透した段階でデータウェアハウスを整備するプロセスが、効果的なデータ基盤の構築には必須となります。

➡︎【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」

データ利活用のための分析手法

収集したデータを利活用するには、データ分析(データアナリティクス)が必要です。またデータ分析にはステップがあり、順番に実施していきます。ここでは、データ利活用のための分析手法とステップごとの詳しい内容について解説します。

1.記述的分析(Descriptive Analytics)

過去から現在に起こったことを把握するための分析です。過去データを集計・分析し、結果としての現状や、何かシグナルが出ていないかなどを客観的に把握します。

2.診断的分析(Diagnostic Analytics)

記述的分析で明確になった物事の要因を把握するための分析です。「なぜ起こったのか」「現在の状況に何が関係しているのか」を探ることで、状況改善のヒントやリスクを回避する方法を分析します。

3.予測的分析(Predictive Analytics)

記述的分析と診断的分析から得た過去の傾向やパターンを踏まえ、将来の予測を立てるための分析です。「◯◯の部分を変化させれば、このような状況に改善できるだろう」という予測モデルを立てることができます。

4.処方的分析(Prescriptive Analytics)

これまでのステップを踏まえて、意思決定を促し今取るべきアクションを導き出すための分析です。アルゴリズムや数学的手法、ビジネスルールを用いて目的に沿った複数のアクションの中から選択します。

➡︎【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」

データ利活用における課題

データ利活用における課題として次の2つが挙げられます。

  • データ人材の不足
  • データの価値やリスクの判断が難しい

それぞれ詳しくみていきましょう。

データ人材の不足

経済産業省による「データ利活用のポイント集」では、以下のように述べられています。

データの加工、分析等により新たな知見を導き出すデータ人材は、将来的に数十万人不足するとも言われており、データ人材の確保や育成、外部リソースの有効活用等を検討することが望まれる。

出典:経済産業省「データ利活用のポイント集」

データ利活用を実現するには、以下のようなデータ基盤を支えるデータ人材を確保もしくは育成する必要があります。

CDO(Chief Digital Officer)

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作り出していくための最高執行責任者です。全社規模のデータ活用戦略を策定・実行する役割を担います。

データエンジニア

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の構築・運用・保守までを担当する人材です。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を担います。

データスチュワード

データアナリストやデータサイエンティストなど、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役割を担う人材です。

データアナリスト

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・分析、ときには定性調査を行う人材です。サービス改善につながるインサイトを提供する役割を担います。

データサイエンティスト

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など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を主な役割とする人材です。

機械学習エンジニア

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へデプロイする人材です。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)を整備してサービス化する役割を担います。

ただし、これらのデータ基盤を支える人材を揃えるだけではデータ利活用が十分であるとは言えません。ビジネス・デザイン・エンジニアリングなど他部署のメンバーがデータ利活用をどのようなものなのか理解し、組織全体で業務に取り入れていくことが重要です。

データの価値やリスクの判断が難しい

データ利活用を始めたばかりの段階では、データの価値やビジネス上のリスクを正確に判断するのが困難な場合が多いです。

そのためまずは小規模な範囲でスタートし、試行的なPoC(概念実証)を繰り返すことが有効とされています。またPoCを繰り返し実施するための体制として、アジャイル開発を推進する組織体制の構築が重要です。

★PoCについて詳しくはこちら

★アジャイル開発について詳しくはこちら

➡︎【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利活用事例

最後に、データ利活用によってビジネス課題の解決に成功した事例を紹介します。

ユニメイト

ユニメイト『AI×R Tailor』

ユニメイトはレンタルユニフォーム事業を主軸に各種ユニフォームの企画・生産・販売・クリーニングまで手がける企業です。同社はサイズ申告ミスによる返品・交換作業にかかる多大な労力やコストを課題としていました。

そこでAI画像認識を活用した自動採寸アプリ『AI×R Tailor(エアテイラー)』を開発。同社が持つ採寸データを用いて検証を繰り返し、AI画像認識の精度を高めました。

アプリ開発によりサイズ申請ミスの削減に成功し、業務効率化やコストカットを実現しています。

★事例について詳しくはこちら

★お客様インタビューはこちら

アイビー化粧品

アイビー化粧品は「愛と美と豊かさの実践と追求」を企業理念に掲げる、化粧品の製造・販売を行う企業です。販売員が顧客との接点を増やすために、AIによる画像認識を活用した「肌解析システム」を開発しました。

このプロジェクトはデータの量が十分でない状態でスモールスタートしました。いち早く運用を開始することでデータを集めるループを構築し、データを育てながら精度を上げる手法を取っています。

データが貯まるのを待たずに「データを育てる」という考えのもとサービスをスタートさせることで、スムーズな精度向上や顧客との接点の創出、初期コストの削減を実現しています。

★事例について詳しくはこちらアイビー化粧品IR情報

キャッシュビーデータ

キャッシュビーデータ

キャッシュビーデータは、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。

同社はGoogleのOCRを活用し、レシート画像から購買データを収集するというビジネスにいち早く着目。しかし、データは集まったもののビジネスで活用できるデータに加工するための正確なデータ収集の仕組みが不十分でした。

そこでAIの画像認識精度を向上させるための技術リサーチと改善を実施。その結果、精度の高い抽出・分析が可能になり、データをより有益なものにすることに成功しました。

★事例について詳しくはこちら

➡︎【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」

まとめ:データ利活用はDX推進に欠かせない要素

データは「21世紀の石油」とも言われるように、企業にとって大きな価値を持っています。しかし、ただデータを多く集めること自体には必ずしも価値はなく、データ利活用によって導き出される意味や知見にこそ価値があります。

また、多くの企業にとって急務とされるDXにおいてもデータ利活用は欠かせません。まずはビジネスにおける課題と目的を明確にし、データ利活用を進めてみてはいかがでしょうか。

➡︎【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」

サービス・プロダクト開発を検討している企業ご担当者様へ

モンスターラボは、約20年にわたるサービス・プロダクト開発実績から得られたデジタル領域の知見や技術力を活かし、デジタルプロダクト開発事業を展開しています。

先端テクノロジーに対応した高度なIT人材があらゆるプラットフォーム上での開発を支援します。アジャイル開発とDevOpsによる柔軟な開発進行や、国内外のリソースを活用したスケーラブルな開発体制の構築も可能です。 また、リリース後の保守運用や品質向上支援まで伴走可能です。

モンスターラボが提供するサポートの詳しい概要は以下リンクをご確認ください。

➡︎モンスターラボのサービス概要はこちら

案件の相談はこちら

直近のイベント

記事の作成者・監修者

平田 大祐(株式会社モンスターラボ 常務執行役員)

平田 大祐(株式会社モンスターラボ 常務執行役員)

2004年IBMグループに入社し、IBM ITスペシャリストとしてシステム開発に従事。 2009年からベンチャー企業にて受託開発、コンテナ型無人データセンターの管理システム、ドローン開発などソフトウェアからハードウェア開発まで幅広く関わる。チーフテクノロジストとして2015年にモンスターラボへ入社し、2018年4月より最高技術責任者であるCTOに就任。 プロフィールはこちら