データ、データ、データ。どれだけ多くのデータが作成され、それが極めて重要であり、企業がそれを活用して目標を達成し、収益を伸ばしているという話を耳にします。しかし、どうやって？確かにその多くはテクノロジーに基づくものですが、毎日天文学的な量のデータが生成されるのであれば、企業はどうやってそれに追いつけばいいのでしょうか？
データ・サイエンスと人工知能があります。
まず、データサイエンスから始めましょう。
データサイエンスは、様々なツール、アルゴリズム、数式、機械学習の原理を組み合わせて使用し、生のデータから隠れたパターンを引き出します。これらのパターンは、様々な要因に対する理解を深め、意思決定に影響を与えるために使用されます。データサイエンスは単に数字を計算するだけではありません。データの背後にある「なぜ」を明らかにします。
データサイエンスは、大量のデータを使って行動を予測し、データの相関関係から意味を推測することで、情報を実用的なものにするための鍵です。最良の顧客を見つけ、適切な価格を請求することから、コストを正確に配分し、仕掛品や在庫を最小限に抑えることまで、データサイエンスは企業がイノベーションを最大化するのに役立っています。
データサイエンスのツールやテクノロジーは長い道のりを歩んできたが、人工知能（AI）の向上ほど重要な開発はありませんでした。AIとは、以前は人間にしかできなかったタスクをコンピュータが実行する能力のことです。以前はAIはすべて人間のプログラミングに依存していましたが、機械学習の応用のおかげで、コンピューターはデータから学習し、その能力をさらに発展させることができるようになりました。その結果、AIは人間のように読み、書き、聞き、おしゃべりをすることができるようになりました。
データ・サイエンティストが迅速かつ正確に画期的な判断を下し、無数のビジネス上の意思決定に影響を与えることを可能にしているのは、これらのテクノロジーが一体となって機能しているからです。モノのインターネット（IoT）によってデータは常に生成され、データサイエンティストはデータを理解し、新たな洞察を得るために機械学習とAIのアルゴリズムを開発し、企業はデータを継続的に監視、評価し、最終的に行動するために最先端のプラットフォームを導入し、それによって多くのビジネスプロセスと結果に付加価値を与えます。
データ・サイエンスへの取り組みを始めるのは大変なことのように感じるかもしれませんが、戦略を立て、正しく準備すれば、その必要はありません。データサイエンスの取り組みは、適切な機会を特定し、新しい才能とテクノロジーを探求することで、企業に大きな価値をもたらすことができます。
ここでは、データサイエンスとAIがどのようにビジネスの可能性を引き出し、最も貴重な資産を最大限に活用できるかをご紹介します。
データサイエンスがビジネスに与える影響
データサイエンスは、顧客向け、社内向けを問わず、多くのビジネス機能にプラスの影響を与えることができます。データ・サイエンスの利点と潜在的な用途は膨大ですが、ここでは組織が業務にデータ・サイエンスを活用する主な方法と、成果を得るために使用しているソリューションを紹介します。
- 定量的かつデータ主導の意思決定
これは、多くの企業がデータサイエンス・アプリケーションを活用する最大の理由であり、通常は最大のメリットでもあります。組織がデータを整理し、意味を理解し、活用することができれば、業務のあらゆる分野でより正確な予測、予測、計画を立てることができます。データ・サイエンス・ツールを使うことで、企業は最も重要な目標を達成するために、どのような要素に焦点を当てる必要があるかを判断し、それを達成するために最も効果的な計画を実行することができます。このテクノロジーの比較的新しい、しかしエキサイティングな特徴のひとつは、時系列分析を通じてストリーミング・データを分析し、企業が行動できるリアルタイムのフィードバックを提供する機能です。
- 顧客意図のより良い理解
組織はデータサイエンス・ツールを使って、より効果的かつ正確に顧客の意図とそのデータを理解できるようになりました。NLPとして知られる自然言語処理は、AIを活用して人間の言語から意味を読み、書き、理解し、最終的に抽出して意思決定を行います。これは人工知能の大きな進歩であり、企業やデータサイエンティストのゲームを変えつつあります。NLPを使用することで、トピックモデリング、名前実体認識、感情検出などの機能が拡張され、これらすべてがデータをより効果的に活用し、顧客を理解するのに役立ちます。
- 人材採用
業界を問わず、多くの企業にとって、質の高い熟練した従業員の採用と維持は苦労の種です。NLPは、採用プロセスの自動化によって、より良い候補者をより早く見つけられるようにすることで、ここにも変化をもたらしています。独自のアルゴリズムを使用することで、データサイエンスは履歴書を「読み」、候補者が追う価値があるかどうかを判断することができます。特定の性格や人柄の特徴に基づいて履歴書を選択することもできるため、企業は採用したい人材のタイプを具体的に把握することができます。
- 機会の特定
データサイエンスツールとアナリティクスのもう一つの機能は、機会の特定です。過去の市場データと予測された市場データを利用することで、企業は販売やマーケティング施策のために浸透させるべき地理的エリアをより正確に特定することができます。データは、新しい市場の決定に情報を提供し、新しいベンチャーが費用対効果に優れているかどうかの予測を立てることができます。これは最終的に、何が投資に値するか、リターンが期待できるかどうかを判断するのに役立ちます。
データサイエンスがもたらすビジネスチャンス
データサイエンスは、様々な業界のビジネスに広範囲な影響を及ぼしています。さまざまな組織がデータサイエンスの利点をどのように活用しているかをよりよく理解していただくために、4つの主要産業での使用例をご紹介します。
- ヘルスケアにおけるデータサイエンス
医療業界におけるビッグデータの可能性は、かつてないほど高まっています。診断時の予測分析から、治療の変革、患者の転帰の改善まで、データサイエンスは医療において今ほど大きな意味を持つことはありません。実際、マッキンゼーは、米国の医療システムにおけるビッグデータへの取り組みが、「3000億ドルから4500億ドルの医療費削減、あるいは米国の医療費2兆6000億ドルのベースラインの12パーセントから17パーセントを占める可能性がある」と見積もっています。
データサイエンスによる医療イノベーションの例をいくつか紹介しましょう。
ゲノミクスと精密医療： 単一細胞のシーケンス、バイオマーカー、遺伝学からのデータを分析するために機械学習プログラムを使用することで、プロバイダーはより効果的な薬をより速いスピードで開発し、革新することができるようになりました。
臨床データと請求データ： 医療機関は、再入院予測、有効性・比較分析、処方順守、市場アクセス分析などのマーカーを活用・分析することで、患者の転帰と費用対効果を改善しています。
EHRデータの使いやすさ： NLPを使用することで、医療提供者は電子カルテをより迅速かつ効果的に読み取り、利用することができます。NLPはEHRインターフェイスを分析、スキャンし、セクションごとに整理することができるため、臨床医は埋もれているデータを見つけやすくなり、他の方法では見逃していたかもしれない診断を下すことができます。
- 製造業におけるデータサイエンス
今日のデジタル社会における製造業は、一歩先を行くことが重要です。予測プロセス制御やサプライチェーン予測から、予測メンテナンスや画像分類に至るまで、データを活用することは、現代の製造業が業界の競争に遅れないための最善の方法です。
データサイエンスが製造業でどのように応用されているか、いくつかの例を紹介しましょう。
サプライチェーン予測： 取引データ、人口統計、購買履歴、トレンドなどのサプライチェーンデータを活用することで、小売業者は在庫コストを削減し、サプライチェーンの最適化を最大化することができます。
予知保全： どのメーカーも予期せぬダウンタイムを許容することはできませんが、データサイエンスを活用することで、故障率を低減し、リスクセンサーストリームデータを使用してメンテナンスを予測することができます。
- 小売業におけるデータサイエンス
デジタル時代の小売業にとって、データはすべてであり、どこにでもあります。買い物客や顧客は、毎日2.5億バイトのデータを生み出しています。パーソナライズされたオファーから、商品と在庫の最適化、次世代の店舗設計まで、データを活用してイノベーションを起こすことが現状です。
データサイエンスが小売業にもたらすメリットの例をいくつか挙げましょう。
リアルタイムの価格最適化： 小売企業はデータサイエンスを活用することで、過去の販売データ、価格スケジューリング、セグメントレベルの価格変更など、消費者エンゲージメントに基づいた価格設定を最適化することができます。
データ駆動型の在庫・発注： 小売企業は、需要計画、予測、販売履歴、トレンド、さらには地域のイベントや天候パターンなどのデータに基づいて、在庫の最適化を改善できます。
トレンド予測： NLPを使用して、データサイエンティストはオンラインコンテンツを「スクレイピング」し、トレンドトピックとそのトピックに関連する好感度を発見することができます。トピックのモデリングを通じて、小売業者はトレンドを好感度でランク付けし、このデータを新しい在庫の仕入れに役立てることができます。
- 金融サービスにおけるデータサイエンス
財務モデリングからリスクや不正の検出、顧客分析や信用分析に至るまで、データを活用してイノベーションを起こすことは金融サービス市場の主軸です。業界標準や競合他社に遅れを取らないために、多くの企業はデータサイエンスや機械学習に目を向けています。データ・サイエンスは、企業がデータから知識を抽出し、事実に基づいたビジネス上の意思決定を行えるようにするものであり、同時に機密性の高い顧客情報を保護するものでもあります。
金融サービスにおけるデータ・サイエンスと機械学習の応用例には、以下のようなものがあります。
信用分析： 企業は、顧客関係管理システムのデータ、クレジット、リスク、加盟店の記録、商品、サービスなどのリスクおよびコンプライアンス管理データを分析できます。
顧客分析： 顧客と金融サービス従業員との通話の書き起こしをセンチメント検出によって分析し、どの顧客サービス・チーム・メンバーが顧客と最も肯定的または否定的なやり取りをしているかに関する洞察を組織に提供することができます。
今日のビジネスにおける人工知能のインパクト
人工知能というとまだ未来の技術のように聞こえるかもしれないが、1990年代から生活の中に普通に存在しています。AIが最初に使われたのは、チャットボットや音声認識ソフトウェア、さらにはファービー人形のようなシンプルなものでした。2018年のハーバード・ビジネス・レビューの調査によると、AIがビジネスに恩恵をもたらす最も有意義な方法は、革命的なブレークスルーではなく、日常レベルでのビジネス・プロセスの強化でした。
過去数年間で、AIはより強力になり、より普及し、価値あるタスクを実行できるようになりました。今日、製造業や小売業、金融からヘルスケアに至るまで、何千もの企業が、プロセス、インサイト、エンゲージメントの3つの異なる用途でAIを採用しています。
- プロセス・アプリケーション
プロセス・アプリケーションとは、データの抽出、情報の照合、計算の実行といった単純作業の自動化です。AIは、人間が行う作業の数分の一の時間で労働を自動化することができるため、従業員はより高度な作業を行うことができ、より効果的な仕事ができるようになります。一般的なプロセス・アプリケーションには以下のようなものがあります：
最適なスケジュールの計算 企業は、配送の最適な時間帯を決定し、より効果的なアポイントメントのスケジューリングを行うことができます。また、CAFM（Computer-Aided Facilities Management）システムを使用することで、従業員の最適なスケジュールを作成することができます。
リアルタイムの意思決定： カスタマーサービスや管理担当者は、必要なデータがコンマ1秒単位で引き出されるため、詳細な顧客履歴、従業員記録、全在庫在庫、今後のスケジュール、予想される天候による遅延まで、オンデマンドでより簡単に引き出すことができます。
カスタムレポートの提供： 常に手動でレポートを実行するのではなく、AIが定期的なレポートの実行を支援します。配信されるレポートは、いつ実行されるか、誰のために実行されるか、どのメトリクスが関連するか、機密情報や極秘情報が含まれているかなどに基づいて自動的に変化します。クラウドベースの強力なAIなら、膨大なレポートを数時間ではなく数分で実行できます。
- 洞察アプリケーション
インサイトアプリケーションはプロセスアプリケーションに似ているが、パターンを検出し、そこから学習するように設計されている点が異なります。NLPと光学式文字認識(OCR)が人間の文字や音声を分析するために使われ、コンピュータ・ビジョンが画像やビデオを処理して情報をよりよく分類するために使われます。インサイトアプリケーションはまた、データを使って結果を予測し、将来何が起こるかをユーザーに提供することもできます。インサイトアプリケーションには以下のような機能があります。
記録の分析： 個人からコミュニティ全体まで、定義された要素をより深く理解するために、個人情報や公開情報を分析することができます。ソーシャルメディアは、好みの買い物やメディア消費についてレビューすることができます。医療記録や医師のメモを分析することで、より適切な診断を下すことができます。
コンテンツのパーソナライズ： 個人の嗜好やライフスタイルを理解すれば、企業は個人のニーズに合ったコンテンツを作成することができます。おすすめのメディアを興味に合わせてカスタマイズすることができます。キャンペーンやプロモーションは、購入する可能性の高い人をターゲットにすることができ、保険や金融のプロバイダーは、特定のモデルを作成し、より計算されたリスクを取ることができます。
識別と予測： NLPはあらゆる産業に応用できるところまで進歩しています。NLPツールは現在、詐欺、フェイクニュース、皮肉、さらには感情などの事例を特定することができます。また、詐欺やその他の特定要素の可能性を予測するためにモデルを活用することも可能で、実害が発生する前に先手を打って対策を講じることができます。
- エンゲージメント・アプリケーション
エンゲージメント・アプリケーションは、プロセスや洞察を取り入れ、その情報を使って人間と直接エンゲージします。この種のAIアプリケーションは、人間の会話をほぼ模倣することができ、少なくともプログラムやサービスをより簡単かつ直感的に使用できるような方法でコミュニケーションをとることができます。エンゲージメント・アプリケーションは以下のような用途に使用されます。
チャットボット： これらの「会話エージェント」は、潜在顧客との最初の対話ポイントとして機能します。ウェブサイトでもスタンドアロンアプリでも、チャットボットは簡単な質問に答えたり、リソースに誘導したり、人間のエージェントに送られる情報を収集したりすることができます。
従業員リソース： 企業は、従業員が仕事の手順やITに関する特定の質問に答えたり、人事サポートにアクセスしたりするために使用できる社内情報リソースを開発できます。チャットボットは、入社手続きの合理化にも利用でき、マネージャーやスーパーバイザーの時間を節約できます。
診断の支援： ヘルスケアチャットボットは、症状や最近の履歴について人々から情報を収集し、教材を提供し、スケジュールや予約に関する最新情報を提供することができます。これにより、医師がよりスピーディーに診断できるよう支援し、遠隔地にいる患者をサポートすることができます。
未来における人工知能
AIはあらゆる産業やサービスにおいて活用されており、今後も民間産業、教育・研究、政府において新たな用途が見つかるでしょう。特に、医療、金融、教育、メディア、カスタマーサービスなどの業界では、さらに強力で広範な方法でAIが採用されると予想されます。
AIの活用は、効率化と最適化を通じて時間とコストを節約することが証明されています。AIの高速化と拡張性の向上により、こうした改善はさらに進むでしょう。時間の節約と自動化の向上、さらに最適化プロセスにより、2030年までに累積GDPが16％増加すると予測されています。
NLPのパワーと効能は増大し、精度、多言語モデル、使いやすさのさらなる進歩をもたらすと予想されます。予測能力の向上により、ヘルスケアや製造業はさらに進歩するでしょう。サービスのパーソナライゼーションやターゲット・メッセージは、ライフスタイルや嗜好、状況に合わせてより正確に行われるようになるでしょう。
AIがより強力になり普及するにつれて、企業はその実践が顧客、従業員、社会に与える影響を考慮する必要があります。これらの倫理的考慮事項には以下が含まれます。
バイアス：AIシステムにどのようなパラメータを入れようとも、そこから得られる情報は決まってしまいます。その結果、疎外された文化や恵まれないコミュニティー、マイノリティーの人々を見過ごすことになりかねません。
プライバシーと個人情報の保護、安全：利用者は、どのような情報を提供する必要があるのか、選択肢を提供されるべきです。アイデンティティの隠蔽を支援するために非識別化モデルを採用することができるが、モデルが100％有効ではないことを理解する必要があります。データ漏洩を防止し、修復するための計画が必要です。労働力の代替可能性について透明性を確保する必要があります。手作業の完全自動化はありえませんが、2025年までに200万もの製造業の仕事が失われる可能性があります。ジャーナリズム、テープ起こし、研究などの仕事も、NLP AIに取って代わられる危険性が高まっています。
データサイエンスと人工知能を始める
データサイエンスとAIの活用は、あと数歩で実現できるでしょう。データサイエンスの取り組みを実施する準備として、どの企業でもできる最も重要なことは、データを整理することです。構造化されていないデータは95％の企業にとって問題であり、業務全体にわたってより多くの情報に基づいた意思決定を行うことを妨げています。最初のステップは、可能な限り多くのデータを収集することです。多ければ多いほどよく、データ分析やデータサイエンス・ソリューションのためのデータを準備するのに役立ちます。
その上で、企業はAIシステムに何を求め、何を必要としているのかを検討する必要があります。AIシステムの採用を開始するには、企業は主要業績評価指標（KPI）を決定し、今後の戦略を確立する必要があります。重要なステップは以下の通りです。
目標を明確にし、優先順位をつけること。収益性を高めることが重要なのでしょうか、それとも顧客満足度を高めることが重要なのでしょうか。リスクを最小化する方がいいのでしょうか、それとも利益を最大化する方がいいのでしょうか。
完璧なものなど存在しないことを認識すること。企業は「十分な」確率の閾値を設定し、レポートや予測における偽陽性の許容レベルを決定する必要があります。
すでに確立された豊富なデータの上に座っていることを理解すること。新たな情報収集手段を探すよりも、すでに保有しているデータを最大限に活用するために何ができるかを考えることです。
利用可能な公共データを使って、自分たちのデータをどのように充実させることができるかを考えることです。例えば、NOAAの気象データ、ヤフー・ファイナンス、国勢調査、ゾーニング・データ、2021年病院価格透明性ルールなどが考えられます。
