第160回 目からウロコの「新ビジネスモデル」研究会（2022/4/20）
『データドリブン思考 〜データ分析・AIを実務に活かす〜』
講師：河本 薫 氏
滋賀大学 データサイエンス学部 教授／元 大阪ガス ビジネスアナリシスセンター 所長

参加者のみなさんの”目からウロコ〜” Σ(‘◉⌓◉’)

• 2020年4月に社会人となった25歳です。ビジネスにおける問題発見・課題解決・情報交換のセミナーにほぼ初めて参加いたしました。
  「ビジネス担当者自身によるデータ分析がデータドリブンな企業に繋がる」ことが目からウロコな気づきです。
  AI・データのバックグラウンドは正直なところございません（4月からの異動によりデータ分析を現部署で勉強中）。データ分析と一切かかわりのなかった前業務内容もビジネス担当者としてのプラス要素として、正しく問題発見・課題解決に繋げられるデータ人財になる意欲が向上しました。
• 仮説がたてられず、データ分析人材育成したくても入り口に立てないメンバーは本当にたくさんいます。デザイン思考、頭の整理をする（引き出す）訓練は日々していかないと、結果、データドリブン思考の会社に変われないということをあらためて突きつけられました。
• 1. 問題と課題とを混同しないこと！
  　2. 課題設定はやはり難しいということ。
  　3. 全社員が意思決定プロセスの変革を促す仕組みの構築において、「社員の心は変わらないもの」として、変革に導く仕組みをつくっていくことが重要ということ。（心を変える方向ばかり考えていたので、目からウロコが落ちました）
• 成り行きで業務をこなさず、若手である自分自身も経営判断を伴う視座を保ち、業務の手順、問題発見、課題解決を明確にしてから行動に移す。
  　日常業務内で直面する問題・課題・意思決定の理想的な向き合い方と、自分自身の見解の間にあるギャップが最も大きな発見です。若手であっても経営層の判断を予測した視座を持つこと。
• 何でもいきつくところは、人のパッションだということ。自分含め、目の前の問題にとらわれて、本質的な課題にたどりつけていないことが多いなと、改めて思いました。また、意思決定プロセスの課題まで掘り下げられていないことも多い。結果として、業務改善レベルにとどまって、改革やイノベーションに繋がらない。頭ではわかっているけど、行動に起こせていないことを反省しました。
• 問題発見や課題設定がデータ分析の中では大切ということはよく聞いたり見たりする内容であったが、課題の中にも『ビジネス課題』と『意思決定プロセスの課題』の２種類があり、それぞれしっかりと設定することが重要というのは大きな気づきでした。
• 「意思決定プロセスの課題に掘り下げる」という見方に驚きました。
  『データ分析』というときに、目的なくデータを見ることはよくある失敗だと認識はしていましたが、『目的』という解像度では低くて、課題設定とデータ・AIで解くの間の「意思決定プロセス設計」で課題を掘り下げるという考え方がとても腹落ちするものでした。
• ①AIなど分析ツールは手段でしかない。まずは、決める、意欲が大事。でもなかなか心だけでは変わらないから、仕組みで変える。というところ。
  ②中小企業、ほんとアナログです。目の前の事を対処するだけで、必要性にも気付いていない。。。ちょうど１年後、３年後、１０年後を見越して、今から対策しましょう！と提案するところで、今日の話を聞いて自分の考えにさらに確信が持てました。
  ③本当に解決するべき課題を見つけるというところ。日本のトップ企業でも、その問題を抱えている、とはすこし驚きでした。
• 正しいやり方が分かっても、それを行う意欲がなければ、企業は何も変わらない
• 極めて根本的な話ですが、当社の場合はまずVisionが明確に定まっていないため、問題点が定まっていないのが問題で、よって課題設定もできず、という状態にあると認識しました。データ分析以前の問題です。したがって、まずはVision設定から行います。
• 最後の質問の回答での、「担当者から言ってきた問題は大体間違っている」というところはなるほどなと思いました。本当に気づいていない場合と、本音と建て前がある場合（こういう風に言った方が良い）があると思ったためです。本当の課題を見つける発見力が大事だとわかりました。
• 性悪説。人間は既存の業務を手放したがらないし、プロセスの再設計には基本賛同しないという前提のもとで課題検討や提案を進めなければならない点。
• 現在、自分たちで構築したシステムをベースにデータ分析を行おうとしているが、課題の設定が甘く、「使えるデータは何？」というようなところから入っているので、発想を変えて、まず課題の設定を深堀りするようにしていきたい。
• 依頼された課題を解決すれば、本当に問題は解決するのかという視点
• データ利活用の文化の醸成には、技術や統計知識だけでなく、いかに暗黙知を引き出すこと、現場が受け入れやすい提案や根回しなどが重要。
• 問題の根本原因から課題を設定していたので、「意思決定」が一方向だけだったが、今回のセミナーでは複数の意思決定要素の中から選択していたような。。。そういうやり方もあるのかと気づきました。
• 今まで、意欲、暗黙知など人間系の部分をどこに、どう入れ込むか、定義や設計が曖昧だったものが整理できました。（原因の絞り込み（仮想）、分析結果の適用性検証）
• データ分析・ビジネスに限らず、ビジネスは課題解決、価値提供を言語化できてないとNGだということ。
  　ビッグワード使うビジネスは特に気を付ける必要がある
• データ分析の前に、課題設定・深堀りという至極当たり前なことが重要なことを再認識しました。データ分析結果だけでなく現場の暗黙知との掛け合わせが解決に重要ということも新たな気づきでした。
• 課題設定が重要、合理的な意思決定プロセスへの深堀り、現場の暗黙知の形式知化、これらを実現する意欲の重要性です。
• 問題／課題をいつの間にか自分が曖昧にしてしまっていたことに気づきました。
  　問題からすぐ解決策を出そうとしてしまっていて解決策が見つからない、、、と困っていました。
• ビジネス担当者自身がデータ分析含めて一気通貫で担う力を培う。
  　プロセス改革はパッションがないとできない。
• 河本さんのプレゼンはもちろんですが、QAセッションの会話から実情を聞けたことが良かったです。
  　また、どのような環境においても熱い思いを持った人が大切というのが非常に納得でした。
• 「意欲」が湧いてくる企業であることを感じられる自分であること。
  　周囲のメンバーに本当に寄り添い、理解しようとすること。
• データ分析には、まず課題設定力（問題発見力）が必要であるということ。
  　講義内容が非常にわかりやすく、こうやって問題を深堀りしていくんだなということが理解できました。あっという間の１時間でした。
• 課題の深堀についての事例からの学びと意思決定の６つの型を教えていただいたこと。
• 行政は多階層の意思決定を伴うが、それぞれの階層での目的がバラバラになっている場合がある。それらを整理するのに、データを活用する方法が模索されているが、それを「我が事」として意識してもらえるようなモデルを作ることができそう。
• 顕在化する課題にのみ着目するのではなく、自らが課題設定をするためにデータを活用する。
• 結局はキュレーションの問題か。課題というものは、心の底に沈んでいるものであって、意識されない。それを意識させるための仕組み（ツール）としては、データや分析手法もあるが、お話の中にあった「内製化」という姿勢が重要であると思いました。 「見せ方」というと見せる人の問題と考えがちであるが、実は、「見せられる側」の問題と整理することができるのではないかと感じました。
• 課題をどう意思決定プロセスに落とし、それを可視化（場合によっては数値化）することで、上にも下にも説得力のある分析ができるのではないかと考えている。
• 「意思決定プロセス」に着眼しての課題解決。
  　問題が発生したらどの意思決定プロセスに関連しているかを特定しそれを見直す。
• 最後はやっぱり自分事で必死に考える意欲・熱意が大事という事。これを会社のエネルギーにするためには、旧人のメンバーシップ型マインドと新人・中途採用のジョブ型マインドなど様々なベクトルを持つ人達がなるべく同じ方向を向けるような土壌・文化・仕組みが必要と感じました。
• 社員のやる気が起こりやすい風土、やらされてると思わないような仕組みづくり、そういった風土づくりを意識して行うことは非常に大切だと思いました。
• 専門家だけでも、現場担当だけでも課題解決はうまくいかないケースがあり、協業もしくは、現場担当のリテラシーが重要。
• 日本企業の多くは意思決定の際の課題の掘り下げが足りない（課題設定力が低い）ということ。
• 当たり前だが、最初に考え抜くことが大切
• AIやツールの前に、課題・問題を徹底的に特定することが大事であることを改めて認識した
• 道具立て（データ・AI）以上に大事なのは「意欲」
• 目的が「データ、AIを使うこと」になってしまっている場合が多い、ということ。
  （まさにその状態が今の職場にあります）
• データドリブンの究極な要素は実は人間臭いパッションだった

【研究会当日の集合写真】

【開催概要】

新型コロナは、データ分析のあり方(特に機械学習)にも
大きな影響を与えました。
人々の生活様式や価値観が変わり、人・モノ・金・情報の
流れが大きく変わりました。
そもそもの前提条件や基準が変わってしまったのです。
コロナ前のデータをいくらAIに学習させても、
前提条件が違えば、今後の動向を予測することなどできません。

それでもなお、いまだに
売上を回復させたい、顧客のニーズを知りたい、
今後の市場の動向を知りたい… そんなときは…
「とにかくデータを色々と分析すれば、何か答えが出てくるはずだ〜！」
と過去データを集めまくっている企業がたくさんあることに驚かされます。

そもそも何がしたいのか、何が目的なのか。
データと向き合うにあたり、本当に必要なスキルとは何なのか。

『ビジネスの根幹は、意思決定、
それに劣る我が国は競争力を失ったのではないでしょうか。
しかしながら、そもそも意思決定プロセスを意識していないので、
そこに原因があることに気づかなかった。
それがデータやAIの時代になって、「AIをビジネスに活かせない」ことに
直面し、意思決定プロセスの弱さに問題があることが露見したのだと
思います。ー(中略)ー
個人の資質として「どうやって意思決定をするか」を考える力どころか、
意識すら持ち合わせていないのです。』 (「はじめに」より)

温和な河本先生が、バッサリとここまで言い切るのは、
データ分析型組織を作り上げてきた第一人者として、
前述のような数多くの勘違い企業の実態を目の当たりにしてきたから
こそでしょう。

そんな「データ分析の誤解」と
「現場の能力を引き出し、業務改革につなげるためのデータ分析」
について、今年1月に出版された
『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)
をベースに、お話を伺います。

【講師より】

多くの企業がデータドリブン経営を目指して、データサイエンテイストを育成し、データ基盤に投資するものの、思ったようにビジネス成果は出ずに苦しんでいる。
なぜか。それは、データやAIという手段をビジネスにつなげるプロセスを知らないからです。では、そのプロセスとは何なのか？様々な企業をサポートしているうちに、それは「課題解決につながるようにデータドリブンな意思決定プロセスを設計すること」であるとの考えに至りました。そのような考えについて、出来るかぎりの言語化と体系化をして話したいと思います。

◎講師プロフィール

河本 薫（かわもと かおる）氏

滋賀大学 データサイエンス学部 教授／元 大阪ガス ビジネスアナリシスセンター 所長

【著書】

『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, 2022年)

『最強のデータ分析組織　なぜ大阪ガスは成功したのか』
(日経BP社, 2017年)

『会社を変える分析の力』
(講談社, 2013年)

■ナビゲーター

井ノ上 美和

■共催

ビジネスプラットフォーム革新協議会(BPIA）
ITmedia エグゼクティブ

▶目からウロコの新ビジネスモデル研究会　トップページ（BPIAサイト）
▶目からウロコの新ビジネスモデル研究会　Facebookページ