「問題」と「課題」の違いを理解しているか連載『データ分析・AIを実務に活かすデータドリブン思考』第2回

企業の中は間違えた「問題」や「課題」だらけ

│ケース3│ 部分最適化した分析

　製造メーカーC社の社是は「品質第一」である。毎年、製品品質のさらなる改善を目指して努力している。そういう中で、品質部門からあなたの部門に、「品質に少しバラつきがある。その原因をデータから追求してほしい」との依頼があった。そこで、製造担当者にヒアリングを行い、工場からもらったデータを分析することで、原因は原料品質のバラつきにあることを見事に突き止めた。品質部門は大変感謝し、原料の調達先を、品質の高さで有名なX社に切り替えた。結果、品質のバラつきを改善することができた。

　一見成功ストーリーに見えますが、これも失敗ストーリーになりうるのです。原料調達先のX社は高品質である一方で、高価格でした。原料調達先をX社に切り替えたことで、C社の製造コストは上がってしまいました。一方、毎年改善を続けてきたC社の品質は既に高く、たとえ彼らの基準でバラつきがあると言っても、これ以上に品質を上げても売上げには貢献しなかったのです。

　このケースの失敗理由は、「縦割り組織風土」の中で、品質部門という組織に閉じた目標設定をしてしまったことにあります。組織内での最適化という低い視点ではなく、企業全体での最適化という高い視点を持てば、「品質のバラつき」というごく狭い範囲の問題には取り組まなかったはずです。

│ケース4│ 問題を構造化できなかった分析

　D県では、公営地下鉄の混雑が問題になっている。県庁では、混雑を緩和するために、新たな地下鉄路線をどこに新設すればよいかを含め、対策を検討すべく、委員会を立ち上げた。委員会メンバーの1人であるあなたは、過去1年間の乗降客データを用いてシミュレーションを行い、最適な路線を見出した。

　これも一見正しそうですが、県知事に検討会の最終報告をしたところ「新線の開設は莫大な費用を要するじゃないですか。もっと費用のかからない方策は考えましたか？　例えば、在宅勤務や時差出勤をもっと奨励すれば、解消できないのでしょうか？」と指摘されました（架空の話です）。

　公営地下鉄の混雑という問題を解消するための課題は、新たな路線開設だけではないはずです。県庁という公的立場だからこそ、まずは、在宅勤務や時差出勤を促進することを課題として取り組むべきではないでしょうか。そうならば、データ分析も、在宅勤務や時差出勤がどれほど普及すればどの程度混雑緩和されるか、を予測することに取り組むべきでしょう。

　このケースの失敗理由は、問題を構造的に分解できなかったことにあります。地下鉄の混雑緩和が問題なのだから、地下鉄の中に課題があると無意識に思ってしまったのです。そうではなく、地下鉄の混雑緩和という問題を構造的に分解すれば、乗客数と地下鉄の輸送キャパシティに分解されて、乗客数は出勤者数の影響を受ける、ならば出勤者数を抑制するという課題に取り組めばよい、そういう流れになっていたはずです。

│ケース5│ 分析が目的化した分析

　あなたは、スーパーマーケットを運営するE社の社員である。E社では、店舗販売に加えて、最近はネット販売も始めた。ネット販売では、購買データだけでなく、顧客の閲覧商品や閲覧ページなど、様々なデータを入手できる。E社では、これらデータを分析して、ネット販売の利益増に取り組んでいる。データサイエンティストのあなたも、さらに利益を増やすべく、ネット販売データの分析に取り組み、売上アップに貢献した。

　売上アップに貢献したのだからよいと思われるかもしれません。しかし、もしE社において、そもそもネット販売の売上げは全体の5％にすぎなかったとすればどうでしょう。ビジネス視点で考えれば、売上げの多くを占める店舗販売の方に目を向けるべきです。部門や担当が別々だと、案外こうした基本的な前提が見過ごされることも少なくありません。

　データが入手しやすく分析しやすいという理由が先行し、ネット販売だけに取り組むような例は起こりがちです。店舗の方が売上げが多く、しかしデータがないならば、まずはそのデータをどうやって収集するか、から考えるべきでしょう。

　このケースが失敗となりうる理由は、無意識のうちにデータ分析を活かすことを目的化してしまい、ビジネス視点ではなく、データが豊富かどうかで、問題を選んでしまったことにあります。

『データ分析・AIを実務に活かすデータドリブン思考』