Part3：機械学習、AI、自動化がAIアダプションの障壁を打ち破る方法
このブログシリーズのPart1では、アナリティクスアダプション（ユーザー適用率）の悲惨な現状を目の当たりにしました。この問題は、組織全体にわたるデータの低い使用率とガバナンスに影響を与えています。そしてPart2では、アナリティクスの進化は、どのようにしてわたしたちを拡張アナリティクスの最上位に導いてきたのかを見てきました。しかし、この拡張アナリティクスの新しい波は、BIアダプションの障壁を打ち破ることができるのでしょうか。組織全体にわたり広くアナリティクスアダプションを実現し、データドリブンな文化を構築するためには、わたしたちが日々直面している障壁を理解しなくてはいけません。
4つの主要なBIアダプションの障壁
これは、様々な企業で何度も見られてきた4つの基礎的な問題であり、Computing Researchの調査結果にも表れています。
1．ツールはより幅広いビジネスやビジネスユーザーに向けて構築されていない
BIツールのインターフェースは、過去のバージョンと比較して、直感的で優れたデザインが数多く存在するようになりましたが、人々がそれを使用できるようになるためには、依然としてトレーニングが要求されます。
以下のグラフが示すように、回答者の38％が、ツールを使用することの難しさは、意思決定を促進するための広範な使用を妨げる重要な要因であると回答しています。これにより多くの企業が、管理されていないスプレッドシートに独自のアナリティクスを作成するか、データ分析とインサイトへのすべてのアクセスを、アナリティクスチームやトレーニングを受けた少数のパワーユーザーに頼るかのどちらかになります。使用が難しい場合、人々はそのツールの使用に時間をかけることがありません。当然ながらトレーニングは有効ですが、それにあまりに時間を要する場合は、彼らが主要な役割に割く時間を奪うことになります。
意思決定を促進するアナリティクスツールの使用から人々を遠ざけているものは何でしょうか。（該当するものをすべて選択）
2．データ解釈に熟練した人材の不足
分析の複雑さやボリュームが洗練されるにつれて、データを分析し、アクションポイントを明らかにするために必要な技術も増加します。Computing Researchの調査で58％の回答者がこれを理由にあげているように、データ解釈技術の欠如は、アダプションへの最大の障壁です。
「世界中のデータおよびアナリティクスの意思決定者の72％が、インサイト取得に必要なデータにタイムリーにアクセスできると述べています。
しかし、データへよりアクセスしやすくする最もモダンなBIツールでさえ、ビジネスに明確な成果を達成するために適切なデータを探し、適切な質問をして、正確に結果を解釈するためには、重要な主題の専門知識が要求されます。」
– Forrester “AIがBIのビジネスインテリジェンスを解き放つ”
ビジネスユーザーはアナリストとしてのトレーニングを受けていないため、提示されたすべてのデータやビジュアライゼーションのコンテキストを常に理解できるわけではありません。また、数時間もかけてデータを分析したり、セルフサービスレポートを作成するのは彼らの仕事ではありません。企業はセールス担当者にはセールスをしてもらいたいのであり、データ分析をしてもらいたいわけではありません。これはつまり、データは理解されていないか、エラーを引き起こしやすい、管理されていない独自のスプレッドシートで作成されることで信頼を失い、まったく使用されないか、正確に使用されないかのどちらかになることを意味します。
3．インサイトを得るためのプロセスが長すぎる
「データチームの時間が制約されている」は、調査で回答者の43％が回答した、アダプションの欠如における三番目に多い理由です。
基礎的なデータビジュアライゼーションを提供し、アクション可能なインサイトを引き出すためにデータを掘り下げるのは非常に大変です。データの準備、トランスフォーメーション、提供には時間を要します。この時間は、ビジネスユーザーが戦略的で、データドリブンな意思決定を迅速に行う必要がある場合に許容できるものではありません。また、たとえ時間をかけてデータをきれいにし、ユーザーが信頼できるデータを提供したとしても、そのデータは、物事の発生理由に対するインサイトを提供しないかもしれません。ビジネスは、何が起きたのかを把握するだけでは十分ではなく、なぜそれが起きたのかを理解する必要があります。
ツールにアクセスできず、それを使用できるのは技術のある極わずかな人々に限られるため、比較的少数の人々にすべての作業負荷がかかることになります。データがより多様化、高速化するにつれて、アナリティクスチームの負荷は増加し続け、彼らの時間をより縮小し、リソースを拡大していきます。
4．予測分析の価値を決定するのは依然として困難
最後の障壁は、予測分析の価値の提示に関する課題です。以下のグラフに示されるように、ビジネスは、インサイトを明らかにする機械学習や自動ツールのレビュー、データモデルの実用化や、データサイエンティストの採用を優先しています。しかし、最近までこれらの投資に対する価値を示すことは非常に困難でした。
アナリティクスにおける最優先事項は何でしょうか。
データサイエンティストを採用する企業の多くが、データサイエンティストがデータサイエンスツールを使用して生み出す予測分析はサイロであることに気付いています。彼らが何をしていて、データサイエンスが主要なビジネスにどのように影響し、モデルが企業に与える価値が何かを理解しているビジネスはほとんどありません。モデルが構築されても、これらが企業のデータを使用して本質的に利用されることはないため、その価値は非常に制限されます。
元AirbnbデータサイエンティストであるRobert Changは、次のように述べています。
「わたしはすべての作業を、ローカルマシン上のRを使用して行っていました。人々はわたしの成果に感謝していましたが、これは本番利用できるように構築されておらず、企業のインフラはわたしのローカルモデルに接続できなかったため、人々はわたしが構築したモデルの使用方法を把握していませんでした。これは教訓を得た苦い思い出です。」
これらの課題が解決されるまでは、企業内のアナリティクスアダプションが増加することはなく、意思決定はそれが必要とする経験的なデータを見逃し続けることになるでしょう。
ーーーーー
シリーズ最終回のPart4はこちらです。
これまでのPartはこちら。
ーーーーー