拡張アナリティクスとは何か？
アナリティクスは、わたしたちの日常生活に欠かせないものとなっています。これは、マネタイズや効果測定など、ビジネスの価値を創造し、特定するうえで重要な要素です。
しかし、すべてのビジネスが収集するデータの複雑さや量は、意思決定をする人々にとって共通の課題になっています。データは継続して常に成長を続けることを考慮するのは、大企業にとって特に大きな課題になっています。
ビジネスユーザーにとって、最も重要な事柄を包括的にトラッキングし、特定して、理解し、行動できること、そして取るべき最善の行動を本質的に把握することは、手作業での達成がますます不可能になり、結果として、完全にデータ主導による意思決定ができず、直感に頼りすぎてしまうことになります。
運用面および長期的にも、急速に増加するデータに対応していく必要性は高まっています。ここで、拡張アナリティクスのようなソリューションが登場します。
現在では、自動化やアルゴリズム、自然言語機能を使用することで、データの特定や管理、理解がより素早く、簡単になり、アナリティクスライフサイクルに沿った主要なステップを置き換えるのではなく、これを強化しています。最も重要なことは、想定しているほどこれらの機能にアクセスできないというわけではない、ということです。
本記事では、拡張アナリティクスとは何か、アナリティクス機能を最新化する多くの組織にとって、これがどのように重要な促進剤になりつつあるのか、そしてなぜ今これに備える必要があるのかについて紹介します。
拡張アナリティクスとは何か
拡張アナリティクスとは、人工知能（AI：Airtificial Intelligence）や機械学習（ML：Machine Learning）などのテクノロジーを使用して、アナリティクスを構築、使用、共有する方法を変革することです。
元は、グローバルアドバイザリー企業のGartnerが定義したもので、データ準備やデータディスカバリー、インサイト生成、およびインサイト探索といったデータアナリティクスのライフサイクルの一部として拡張アナリティクスを使用することは、すべての人々がデータをよりよく探索し、分析し、理解して、行動できるようにするだけでなく、あらゆるタイプのユーザーのデータ使用を変革し、民主化して、自動化するために行われています。
ここでは、「すべての」ユーザーに焦点を当てています。これは、拡張アナリティクスのアプローチが、以前は特定のデータサイエンスや機械学習（DSML）製品で一般的に見られた分析プロセスの自動化を中心にデザインされているためです。これらの製品は通常、IT主導で専門家を対象としていたため、大規模なビジネス層は、拡張技術にほとんどアクセスできませんでした。
ここ数年、ビジュアルベースのデータディスカバリーツールの普及により、AIや機械学習機能がますますアナリティクスおよびBIプラットフォームに組み込まれ、データ専門家だけでなく、特にビジネスユーザーをサポートするようになりました。これにより、かつては別々に考えられ、管理されていたデータ、アナリティクス、およびDSMLがひとつになりました。
アナリティクスの歴史を深く掘り下げ、最新のBIへと進化していく様子や、現在の拡張アナリティクスに至る経緯について理解するには、こちらのウェビナーを参照してください。
拡張アナリティクスを構成する技術とは何か
拡張アナリティクスには、アナリティクス分野における多くの新興、進化、確立された技術が含まれ、それは次のようなものですが、これに限定されるものではありません。
拡張データ準備：これらは通常、データ準備の進歩、またはより一般的にはETL（抽出、変換、読み込み）フェーズを包含しています。これには、スキーマや結合を検出するためのアルゴリズムの使用や、プロファイリング、データトランスフォーメーションステップの自動化によるデータの強化などが含まれます。
自動アナリティクス：自動ビジネスモニタリングとも呼ばれ、一般的にはバックグラウンドで常に分析を実行することができます。これにより、手作業で行っていたデータディスカバリープロセスが自動化され、データの関連する変化（例：傾向の変化）を即座に表面化させ、インサイトまでの時間を大幅に短縮することができます。この形式の拡張アナリティクスは、特に高次元の大規模なデータセットに有効です。
自然言語生成（NLG：Natural Language Generation）および自然言語処理（NLP：Natural Language Processing）：自然言語は、最新のBIプラットフォームの主流になっています。自然言語は、データから発見されたインサイトの詳細な説明を自動的に生成し、複雑な情報を理解しやすくし、多くの場合、威圧感を軽減します。これらのテクノロジーには、テキストや音声を読み取って解釈する機能が含まれている場合もあり、ユーザーはより自然なインターフェースを通じて、データとの関わりを深めていくことができます。
マシン支援型インサイト：これは、マシンで生成されたビジュアライゼーション、計算式の作成、差異分析といった形式を取ることができ、多くの場合、ユーザーが質問をすることでトリガーされます。例えば、グラフ上に急増を確認した場合、これをクリックして急増が発生した理由を説明したり、他の期間と比較したりすることができます。マシン支援型インサイトは、分析や計算、任意のグラフの構築を自動生成します。このようなより深い分析のプロセスはこれまで、（利用可能な場合は）ダッシュボード上のフィルターや、より掘り下げた質問に答えるための新しいクエリーの生成を介して実行されていたかもしれません。
これら多くの機能は、最新のBIプラットフォームでますます利用できるようになり、エンタープライズ向けBIプラットフォームのForrester Waveでは、拡張アナリティクスが、どのようなプロバイダーが2020年以降の業界をリードするのかを決定づける、と予測しています。Forresterによると、拡張アナリティクスが提供する拡張性を備えた最新のBIプラットフォームを備えることは、長期的な視点で業界のリーダーか、後塵を拝するかの違いを決定付ける重要な要因になります。
現在の組織で拡張アナリティクスはどのように使用されているのか
分析におけるチームの負担を軽減したいと考えている大企業から、リスクと機会を即座に明らかにしたいと考えている企業、既存のレポート作成を超えた機能と価値を付加したいと考えているソフトウェア開発者まで、拡張アナリティクスの事例は多岐に渡ります。
これは特に、分析対象となるデータや変数が十分に複雑であったり、量が膨大すぎたりすることで、現在の手作業によるアプローチでは、ユーザーが包括的かつ確実に分析を実行できないような業界に当てはまります。
Gartner レポート「ビジネスを変革するデータおよびアナリティクステクノロジートレンドのトップ10（Top 10 Data and Analytics Technology Trends That Will Change Your Business）」では、現在の顕著な例をいくつか上げています。
これまで銀行業界の多くは、ウェルスマネージメントサービスを提供するために高齢の顧客をターゲットにしていましたが、インサイトにギャップがあることに気が付きました。そこで、拡張アナリティクスを使用して大量のデータの分析を自動化し、より掘り下げた質問をしたところ、20-35歳の年齢層が最も顧客を獲得しやすいことが分かりました。
農業業界では、データサイエンティストがモデルを構築するために要していた時間を短縮し、拡張アナリティクスを使用して、数千のデータセット内で農家に販売するための最高のハイブリッド種子の組み合わせを見つけ、インサイトまでの時間を数ヶ月から数日に短縮したことで、技術的ノウハウを持たない他のユーザーが分析プロセスを引き継ぐことを可能にしました。
小売業およびeコマース部門にとって、Yellowfin シグナルは、最新のBIにおける拡張アナリティクスの拡張性を示す良い例です。化粧品および健康食品業界の顧客である協和は、Yellowfin 自動ビジネスモニタリング機能であるシグナルを使用して、在庫切れに関する重要な変化の検出と通知を自動化することで、在庫レポートの作成や管理に費やしていた時間を削減しました。協和では、在庫数を手作業で入力し、管理していたため、在庫が少ない商品を見逃したり、発注のタイミングを見誤ったりする、在庫切れのトラッキング問題が頻発していました。商品数が多く、分析をするにはデータが複雑であったことから、シグナルにパラメーターを設定し、商品ごとの傾向（例：出荷数の信頼区間など）を考慮することで、在庫切れを自動検出する処理を行えるようになりました。
自動アナリティクスを活用し、自動生成されたアラートおよびマシン支援型インサイトを使用することで、協和ではより効率的で正確な在庫管理を実現し、シグナル導入以降大規模な在庫切れ事故を防ぐことに成功しています。この技術を取り入れることで、今期の在庫切れをほぼゼロにできる見込みです。
拡張アナリティクスの4つの利点
AIおよびマシンベースのアナリティクスを備えることは、単なる話題性だけでなく、大きな利点になります。
拡張アナリティクスとその形式は、エンドツーエンドのアナリティクスプロセスと密接に絡み合ってきています。これが分析のすべての段階で、どのようにユーザーをサポートするのかを理解することが非常に重要です。
以下は、現在の拡張アナリティクスにおける主要な利点です。
#1 - 迅速な自動分析：分析が自動化され、常に実行されるように設定できるようになったことで、（スキル不足や時間の制約から）膨大な量の複雑なデータを手作業で処理する負荷が大幅に軽減されます。拡張ツールが急増や急減、変化を発見した場合、そのインサイトの配信を自動化し、ユーザーが即座にアクションを起こせるようにすることができます。
#2 - データ準備の高速化：拡張データ準備は、複数のソースからのデータを遥かに迅速にまとめることができます。アルゴリズムを使用して、スキーマや結合を検出したり、反復的な変換や統合を完全に自動化したり、システムによりデータ品質や強化の推奨を自動化し、データ準備を開始する前にデータのプロファイリングやタグ付け、注釈を自動化したりすることができるため、手作業での実行に要したわずかな時間で、信頼性の高い分析のためにデータを整備することができます。
#3 - データリテラシーの向上：自然言語が発見の説明をサポートし、結果の自動分析を提供することで、ユーザーはデータリテラシーを向上させることができます。これは、組織全体に長期的に利益をもたらす、データ主導文化の醸成に役立ちます。
#4 - 分析におけるバイアスの削減：マシンが分析を実行できるようにすることで、分析におけるバイアスを削減できます。何を探しているのか分からない場合、それを見つけようと仮定をしてしまいます。多くの場合、これらの仮定は、それをサポートするために特定のデータの使用につながる場合があります。拡張アナリティクスは、統計的有意性の要因を確認することで、データをより広い範囲で深く分析することが多く、潜在的なバイアスを最小限に抑えることができます。しかし、バイアスがマシンに影響を与える可能性があることにも注意してください。
拡張アナリティクスが今日での成功の鍵を握る理由
拡張技術の利用可能性の高まりは、ビジネス全体でのアナリティクスの採用がはるかに普及していることから、今日の理解を深める鍵となっています。
拡張アナリティクスツールは、データ準備、データディスカバリー、説明プロセスを変革し、データの探索と解釈に新しい方法を切り開くことができます。
自動化されたインサイトの利点を利用して組織を活性化し、機械学習および自然言語をクエリー発行や探索に活用することで、ユーザーや顧客のデータ使用や分析、アクションの実行を容易にするだけでなく、競争優位性を獲得し、周りから取り残されるリスクを排除することができます。
大部分の企業は、この技術がこれまで多くの最新のBIプラットフォームで利用可能で、アクセス可能であったにも関わらず、拡張アナリティクスの使用を開始したばかりです。既に拡張分野に投資をしていた企業は、エンドツーエンドのアナリティクスワークフローに自動化を取り入れることで、大きな利益を達成しています。これらの組織は、（導入が成功した場合に）先駆者としての地位を確立しただけでなく、将来的なアナリティクス戦略を証明するうえで、早期に優位性を確保しています。
拡張アナリティクスとは何か
拡張アナリティクスを独自の事例に合わせて調整するためにサポートが必要な場合は、こちらのウェビナーをご覧ください。手作業による分析を減らし、より質の高いインサイトを提供する方法をご確認いただけます。
拡張アナリティクスとは何か
拡張アナリティクスを独自の事例に合わせて調整するためにサポートが必要な場合は、こちらのウェビナーをご覧ください。手作業による分析を減らし、より質の高いインサイトを提供する方法をご確認いただけます。
拡張アナリティクスとは何か
拡張アナリティクスを独自の事例に合わせて調整するためにサポートが必要な場合は、こちらのウェビナーをご覧ください。手作業による分析を減らし、より質の高いインサイトを提供する方法をご確認いただけます。