データサイエンスとは
ここでは、データサイエンスの基礎知識として、以下の2つを解説します。
それでは、1つずつ解説します。
データサイエンスの意味
データサイエンスとは、企業システムやインターネットサイトなどで集約した多種多様なデータを基に、そのデータに潜む価値や知見を明らかにするものです。そして、その価値や知見を、企業や社会の課題解決に役立てることを目的にしています。データサイエンスは、統計学や数学、IT、経営学など、様々な研究分野が関わって成り立つ学問であることも特徴です。
データサイエンスの歴史
「データサイエンス」という概念は、デンマークの学者ピーター・ナウアが発表した論文“Concise Survey of Computer Methods”（1974年）に初めて登場したといわれています。その後、機械学習やAIの進化・ビッグデータという概念の誕生に伴い、企業や社会の課題解決手段として2010年代から注目されています。
参考：データサイエンス・オンライン講座｜総務省統計局
データサイエンスが注目される背景
ここでは、データサイエンスが注目される背景として、以下の2つを解説します。
- ビッグデータを収集するハードルが低下
- 今まで活用されなかったデータに着目
ビッグデータを収集するハードルが低下
データサイエンスが注目される背景には、インターネットやIoTデバイスなどの普及によって、ビッグデータを収集・蓄積するハードルが低下したことがあります。購買データや交通データ、SNSへのアクセス履歴など、今までよりもデータサイエンスに活用できるデータが増加しました。
また、それらのデータを扱う情報技術やストレージのコストも低下しました。その結果、質の面でも量の面でもより豊富なデータを取り扱えるようになり、データサイエンスが大きく進化しました。
今まで活用されなかったデータに着目
データサイエンスが注目されるもう一つの背景として、情報工学が大きく発展し、分析できるデータが増えたことが挙げられます。VOC分析（顧客の意見や声を収集・分析して企業活動に活かす分析手法）がその一例です。
これらのデータを分析することで、今まで得られていなかった知見を獲得し、その知見をビジネスシーンに活かすことが期待できます。データ活用の範囲は拡大しており、マーケティング活動や研究開発に加え、データドリブン経営にも注目度が増しています。
関連記事：VOC分析とは？期待できる効果やメリット、活用する手法などを解説
データサイエンスに係る仕事内容
ここでは、データサイエンスに係る仕事内容として、以下の3つを解説します。
課題抽出
データサイエンスではデータを用いて企業の課題解決を目指すため、企業活動における課題抽出が重要です。
まずは、ビジネス内容や市場状況を理解した上で、企業の現状を洗い出しましょう。その上で課題を明らかにし、その課題について原因や解決策について仮説を立案することが、データ集積・分析の前段階で必要です。
データ集積・分析
仮説検証を行うためには、どのような分析が必要になるか考え、その分析に必要なデータを集積します。集積データはそのままの形では分析しにくい場合があるため、分析しやすいよう加工が必要になることも珍しくありません。
分析環境がない場合は、分析プログラムを作成することから始めるなどして、必要なデータを集積・分析します。その際には、どのような分析結果がビジネスに活用できるか、頭に入れておくことが大切です。
課題提案
集積・分析したデータをもとに、データ分析前に設定した仮説に対する結果を可視化し、それに対する提案を行います。
その際には、経営者や担当者はデータサイエンスのプロではないことを念頭におきながら、データ分析の結果や課題解決方法などについてわかりやすく説明することが大切です。経営者や担当者が今後どのような施策に取り組めばよいか明確に理解できることで、意思決定が行いやすくなります。
関連記事：AI・データサイエンスでマーケティング課題を解決する「Data Science Boutique」（前編）
データサイエンスに必要となるスキル
ここでは、データサイエンスに必要となるスキルとして、以下の3つを解説します。
IT知識
データ収集や処理、加工などにおいては、IT知識が欠かせません。具体的には、以下のスキルが必要になるでしょう。
- プログラミングスキル（Python、R言語など）
- データベース運用スキル
- ビッグデータの分散処理スキル（Hadoopなど）
データサイエンスにおいて扱うデータは膨大であり、PythonやR言語などのプログラミング言語を使用しなければ処理に多大な時間がかかります。また、大量のデータを扱うため、効率的にデータの処理を行えるようデータ設計をする必要があり、データベースの知識も必要と言えるでしょう。
通常のデータ処理と異なり、ビッグデータの取り扱いには、その容量を考慮した知識・スキルも必要とされるため、上記に追加してデータを複数のサーバーに分散させ、処理結果をインターネット上で共有する分散処理の知識もあると良いかもしれません。併せて、経営課題を理解するため、IoTやWebサイト、セキュリティなどの知識もつけることをおすすめします。
統計学
収集したデータを分析するには、統計学の知識が欠かせません。具体的には、以下のスキルが必要になるでしょう。
- 数学的知識（例：確率統計、線形代数、ベイズ統計、ラプラス変換など）
- データ分析スキル（パターン認識、AIなど）
- データ分析ツールの操作スキル（SPSS、SASなど）
収集した膨大なデータを正確に解釈し、有用な情報を引き出すためには、統計学の知識やスキルが必要です。統計学を活用することで、データ分布から予測や推論を行ったり、特徴やパターンを抽出したりできます。
また、データの処理のためのツールを使いこなせることも重要です。これらの知識とスキルを持つことで、収集したデータから、客観的で有用な情報を引き出し、意思決定をサポートすることができます。
ビジネススキル
データサイエンスでは、単にデータを分析するだけでは意味がありません。分析したデータを実際のビジネスシーンで活用するためにどうすればよいか、具体的なデータ活用方法を提案することが重要です。そのためには、ビジネススキルも欠かせません、具体的には、以下のスキルが必要になるでしょう。
- 改善対象の業務に関わる業務知識
- 課題解決のための論理的思考力
- 分析結果や改善策などを説明するプレゼンスキル
データサイエンスを進めるためには、改善対象の業務に関する深い知識が必要です。豊富な業務知識があることによって、データから問題点を洗い出しやすくなるとともに、改善策を導きやすくなります。
またデータの分析から問題点を見つけ、解決策を導き出すために論理的思考力が重要です。さらにデータ分析の結果や改善策の提案によってビジネスを加速させるためには、意思決定者にとってわかりやすい説明を行うことができるプレゼンスキルも重要です。
データサイエンスを活用して何ができる？
ここでは、データサイエンスを活用してできることとして、以下の3つを解説します。
- 組織変革の促進
- 商品・サービスの最適化
- リアルタイムな対応が求められる業務の最適化
組織変革の促進
データサイエンスを活用すれば、少ないコストでより効率よく組織変革できるポイントを特定できます。
例えば、あるeコマース企業ではデータサイエンスの活用で営業時間後に顧客から問合せが多いことや、顧客は翌営業日ではなくより迅速に回答された方が購入率も高まることがわかりました。そこで24時間対応のカスタマーサービスを設けて顧客ニーズに対応する体制を構築し、30%の収益アップを実現しました。
このように、データサイエンスは新たな窓口や部署を設けるといった組織変革の促進にも役立ちます。
関連記事：売場獲得における費用対効果を最大化させるためのポイント
商品・サービスの最適化
データサイエンスを活用し、ユーザーが購入するプロセスやフィードバックを分析することで、今まで明らかになってこなかった商品の課題などを明らかにできる可能性があります。これにより、商品・サービスの最適化が実現されるのです。
例えば、あるオンライン決済サービスではデータサイエンスを活用し、ソーシャルメディア上で行われている会社に対する顧客のコメントを分析しています。これにより、サービスのパスワードを忘れてしまった際の対応に不満を感じているユーザーが多いことが判明しました。
このように、データサイエンスによって商品・サービスの課題を明らかにすることで、課題に対する打ち手を検討・実行可能になり、その結果、商品・サービスの最適化を実現できます。
関連記事：営業の「勝ちパターン」を共有し、「売り続ける組織」にする方法
リアルタイムな対応が求められる業務の最適化
企業によっては、常に変化し続ける市場環境に素早く反応できず、事業活動に混乱や損失がもたらされることがあります。そこでデータサイエンスを活用して変化を予測することで、いち早く変化に対応する取り組みを行うことが可能です。
例えば、ある運送会社ではデータサイエンスを活用し、トラックの故障が発生しやすいルートやシフトパターンを分析しました。これにより、トラックの運送スケジュール調整やパーツの在庫確保を行うことで、故障が発生してもいち早く修理できるよう試みています。
データサイエンスを活用して予測することで、市場の変化にも迅速に対応しやすくなります。
博報堂がデータサイエンスを用いてクライアントの課題解決に関わった事例
ここでは、博報堂がデータサイエンスを用いてクライアントの課題解決に関わった事例として、ある化粧品メーカーのデータ分析事例を紹介します。その化粧品メーカーでは、自社が運営するリアルの店舗とECサイトを連携させて顧客体験を向上させる施策に課題を感じていました。
そこでリアル店舗とECを合わせた全体のデータを収集・分析し、顧客を購入金額や購入頻度によりセグメントしました。これらのデータをもとに顧客ごとに最適なカスタマーエクスペリエンスの提供を実現しています。また、博報堂では顧客データの分析だけでなく、機械学習を用いたモデル構築やそのモデルによる施策実行支援や効果検証も実施しています。
関連記事：マーケティング×AI・データサイエンスで、新たな価値創造にチャレンジしていく（後編）
まとめ
データサイエンスは、企業システムなどで集約した多種多様なデータを分析し、データに潜む価値や知見を明らかにするものです。これにより、ビジネスシーンの課題抽出や課題解決方法立案を図ります。実際、すでに多くのビジネスシーンでデータサイエンスが活用されています。
博報堂グループでは、本記事で紹介した事例以外にもデータサイエンスを用いた課題解決に関わった実績が数多くあります。実際に、データサイエンスを用いた自社ソリューションとして「AIコンサルティング‧開発実装サービス」や「データ分析‧戦略立案サービス」を提供していますのでよろしければご覧ください。
また、マーケティング×データサイエンス視点の分析でビジネス加速を後押しする「Data Science Boutique」を提供しています。⇒サービス紹介資料の無料ダウンロードはこちら
