クライアント・エンジニアリング対談 #4（鵜飼裕紀×平山毅）｜ビジネス価値と市民データサイエンティスト

記事をシェアする:

幅広い経験とバックグラウンドを持つスペシャリストたちが集結し、お客様と共に新しいサービスやビジネスを共創していく事業部門——それがIBM Client Engineering（CE: クライアント・エンジニアリング）です。本シリーズでは、CEメンバーが対談形式で、各自の専門分野に関するトピックを中心に語っていきます。

 

第4回となる今回は、主に金融保険領域や新規事業企画のお客様との共創を進めているチームのリーダー平山 毅と、ビジネス価値を重視してチームを率先しているデータサイエンティストの鵜飼 裕紀が、前回の「エンジニアリング視点のデータサイエンス」で話題となった「AIの民衆化」に関するテーマを、データサイエンスの視点からさらに深掘りし、「市民データサイエンティスト」を中心に語ります。

 

---

1. 企業においてのデータサイエンスの意義

平山: CEでエンジニアリングマネージャーをしている平山です。チームメンバーとの対談を続けており、第1－3回までは保険セクター中心のメンバーでしたが、第4－6回は銀行セクター中心のメンバーで、DXで求められるスキルをどうお客様と実践していくかという観点で対談を進めていきたいと思います。

今日は、データサイエンティストとしてチームを率先している鵜飼さんと、前回のAIの民主化を深堀りしつつ、近年注目を集めている「市民データサイエンティスト」や「シチズン・データサイエンティスト」について、そして企業におけるデータサイエンスの意義とその未来についてお話しできればと思っています。よろしくお願いします。

 

鵜飼: よろしくお願いします。さっそくですが、私が普段から常に口にしている言葉がありまして、まずはそれを紹介させてください。それは企業活動においては「ビジネス価値、すなわち利益の創出につながらないデータサイエンスは無価値」というものです。

強い言葉なのでときに少々引かれてしまうこともありますが、その真意は「お客様の目的に、データサイエンティストはしっかりと寄り添わなければならない」ということです。極論かもしれませんが、お客様の目的は「売上アップ」か「コストダウン」のどちらかのはずですから、そのための手段としてデータ分析でできることを探り、その中で投資効果や確実性の高いものをご提案するべきであるといいたいのです。

 

平山: いきなり、強力な言葉から来ましたね（笑）。データサイエンスという領域は、研究などのアカデミック分野が発祥なので、どうしてもそのテクニカルな証明手法が注目されがちですが、企業で活用するには、鵜飼さんのメッセージはとても本質的で重要な視点だと思いますね。

データサイエンティストとしての鵜飼さんの矜持も感じる言葉ですが、鵜飼さんの自己紹介とそこに至るバックグラウンドもお話しいただけますか?

 

鵜飼: ありがとうございます。IBMに転職する前は、データ・アナリティクス専門のベンダーであるSAS Institute Japanでプリセールスやコンサルティングをやっていました。

そこでお客様への提案活動や分析プロジェクトの経験を重ねていくうちに、少しずつ「ツールや方法を論じる前に『解くべきビジネス課題』の明確化からスタートすべきである」と感じるようになり、最初はお客様のビジネスやビジネス課題の理解から入って、そこからビジネス課題の解決手段としてデータサイエンスを活用する、という考え方へとシフトしていきました。

つまりデータ分析やAI活用はあくまで課題解決の手段でしかなく、目的はビジネス課題の解決である、ということを強く実感したということですね。当たり前のことのように聞こえるかもしれませんが、「AI活用」が目的化してしまうというのはよくあることで、自分自身も常にそこを見失わないように意識しています。くどいようになってしまいますが、「投資効果の創出」ができなければ、結局はデータサイエンスも分析ツールも、企業においては無駄なものと捉えられてしまうのです。

そうした経験を基に、よりビジネスに立脚したデータ分析の設計や提案ができるようになりたいと考え、1年半前にIBM CEに転職してプリセールスとコンサルタントを兼務するデータサイエンティストとして勤務しています。

 

平山:　ありがとうございます。SASやIBMのテクノロジーベンダーでのデータサイエンティストとしての経験が大きそうですね。私も、企業におけるデータサイエンスの価値については、同じ意見をもっていますので、本日は現状に対する誤解や課題、そして意義ある未来に向けた市民データサイエンティスト同士の会話をできることを楽しみにしています。

 

2. データサイエンス・ブームとその実態

平山: ここ数年、企業のデータサイエンスの取り組みはある意味「ブーム」といってもいいような動きも見せています。私は、これは業務の複雑化が増していく一方で、データサイエンス・ツールとソリューションがどんどん使いやすくなっていることが関係していると考えていますが、鵜飼さんにはどのように見えていますか?

 

鵜飼: そうですね。一昔前は、データサイエンスというとプログラミング言語 Python（パイソン）を使ってガリガリとプログラムを書く感じだったのが、昨今では直感的なGUIで操作できる分析ツールが多数登場しており、データ分析を行うこと自体のハードルはかなり下がったように感じます。「ブーム」を感じるほどデータ利活用の取組に積極的なお客様が増えているのは、たしかにその影響でしょう。

ただハードルが下がった結果、データサイエンスの1周目を終えて2周目あるいは3周目に進んだお客様もたくさんいるように私は感じており、1周目の「まずはやってみる」というお客様とは異なる問題を抱えている気がします。

 

平山: それは具体的にはどのような問題なのでしょうか。

 

鵜飼: 簡単にいってしまうと、「データ分析のハードルが下がったゆえに、かえって泥沼にはまりやすくなる」というのが2周目以降の課題になります。まずはデータ利活用の「1周目」と「2周目以降」を明確にしましょう。

ここでいう「1周目」とは企業が初めてデータサイエンスを用いたビジネス課題の解決に挑戦する段階であり、まさに「まずはやってみる」でデータ分析を実践している状態です。様々なビジネス課題に対してトライアル的にデータ分析を行ってみると、題材によっては比較的容易に有益な結果が出たりもします。これは便利な分析ツールが多数登場したことで、データ分析に着手したり進めたりするハードルが下がったメリットといえるでしょう。

一方で「2周目以降」とは、より多くの投資効果創出を目指して1周目で成功した分析テーマをさらに深掘りするであるとか、1周目ではうまく進められなかった分析テーマに挑戦している段階のことです。2周目以降に残った難しい分析テーマに取り組む場合、データ分析をいくつかのステップに分けて、きちんと実現したいビジネス価値や、そこから逆算したチェックポイントを置いて進めることが重要になります。チェックポイントを置くことで、うまくいけば難しい分析テーマも着実に進めることができますし、仮にうまくいかなかった場合も早期に切り上げることができます。しかし1周目と同様の「まずやってみる」という進め方では、2周目以降の難しいテーマになればなるほど「時間はかかるが何の結果も出ない」という泥沼にはまってしまいます。これはデータ分析のハードルが下がってしまった弊害ともいえるでしょう。

 

平山: なるほど。金融業のケースであれば、「クレジットカード、消費者金融、信販向けデジタル変革セミナー」の「B-2｜消費者金融におけるデータ利活用の勘所とお客様共創事例」で鵜飼さんが説明会話されていた内容が分かりやすいですよね。オンデマンド視聴も可能なので、ぜひ聞いてもらえればと思います。

2周目以降は、「まずやってみる」というブーム1周目のお客様とはやはり「違う形」がそこにはありますね。2周目以降でのアプローチは、ビックデータを保有しているプラットフォーマーなどでは一部行われている手法だと思います。ただし、ビックデータがなかったり、整理されていなかったりする一般企業で同じアプロ－チをとると、うまくいかないケースが多いでしょうし、有効な分析モデルのためには、まずはビジネス効果を定義することが大事だと思いますね。

 

3. 市民データサイエンティスト

鵜飼: そこで、ブームやお客様のデータサイエンス成熟度に関わらず私がおすすめしたいのが、「市民データサイエンティストを社内で育てましょう」ということです。

 

—— 市民データサイエンティストというのは、どんな人なのでしょうか?

鵜飼: 世の中で様々な定義がありますが、ここでは「専門的なアルゴリズムの知識やプログラミングスキルは持たないものの、分析ツールを駆使したデータ分析によってビジネスに役立つ洞察を得ることができる、事業会社の業務部門の人材」を意味しています。

ここで重要なのは、有益な分析結果を出せることと、データサイエンスの専門性があることやプログラミングが得意であることは、必ずしも関係がないということです。

具体的な事業会社における例として、中途で採用されたデータサイエンティストが自社のビジネスやデータの意味合いを学びながらpythonやR言語で高度な分析に取り組んだ場合と、社歴が長く自社のビジネスやデータを深く理解している方がGUIの分析ツールを使って簡易な分析を行った場合で、後者の方がビジネス上は有益な洞察を導出できたというケースも多々あります。

後者がまさに市民データサイエンティストであり、企業が「利益に繋がるデータ分析」を促進するうえで大きな役割を担っています。

 

平山: そうですね、事業会社においては、データサイエンエンスの専門性よりも業務や自社のビジネスを理解していることが重要で、そういった方がたが分析ツールを使ってデータサイエンスを試してみるのは効果的ですよね。数年前よりは増えてきたとはいえ、やはりまだまだ圧倒的に市民データサイエンティストは足りていないですよね。

 

鵜飼: その通りです。企業はこれから、積極的に市民データサイエンティストを育成していくべきでしょう。しかし気をつけなければならないこともあります。それは「市民データサイエンティストには分析とビジネスの両方の感覚が一定レベルで必要」ということです。

先ほどの例でいえば、中途で採用したpythonには長けているものの自社のビジネスやデータをまったく知らない、いわば「ビジネス:0 / 分析:100」の社員に自社のビジネスについてレクチャーしようとすると、それ相応に時間やコストがかかってしまいます。同様に、いくら自社のビジネスを知っていてもデータサイエンスや分析ツールに抵抗感を感じる「ビジネス:100 / 分析:0」の社員を分析者に育成しようとしても道は遠いでしょう。

私のおすすめは、入社5〜6年目のビジネス現場でいえばリーダークラスでデータに抵抗のない若手社員や、データの勘所を分かっている中堅社員を市民データサイエンティストに育成することです。バランスでいえば「ビジネス:70 / 分析:30」くらいの人を育成するイメージですね。

 

平山: 私も企業のDX組織や人員配置を見てきていますが、とても現実感がある育成案と人選だと思いますね。

 

鵜飼: もう1つ、事業会社での市民データサイエンティスト育成に関してお伝えしたいことがあります。それは「自社のビジネス課題解決に向けたデータ分析に、経験豊富なデータサイエンティストと共に取り組むことで、最も効率よく分析スキルを醸成できる」ということです。

事業会社の分析者が「自社のデータを用いたデータ分析」のスキルを伸ばす一番簡単な方法は、「自社のデータを用いたデータ分析」を経験することなのです。その際に、経験豊富なデータサイエンティストと共創することで「どのように分析を進めていくのか」「なぜそのように進めるのか」のプロセスや勘所も掴むことができます。

 

また上記の進め方であれば、仮にデータ分析からは有益な結果が得られなかったとしても、分析プロジェクトに参加した市民データサイエンティストは、「自社データの分析経験」と分析ノウハウを手にすることができます。そしてデータ分析のプロセスや成果物はすぐにビジネスに役立つことはなくとも、後から繰り返し参照できる「自社専用の生きた教科書」となります。それは次の分析プロジェクトを始めたり、後進の市民データサイエンティストを育成したりする際の、とても貴重な糧となります。

ここでの「経験豊富なデータサイエンティスト」は自社の熟練分析者でも、ITベンダーやコンサル企業のデータサイエンティストでもよく、重要なのは分析のプロセスが分かるようにプラグラムや成果物を作成し、共創しているメンバーに説明できる必要があるということです。私がお客様と一緒に仕事をする際にも、この点には非常に気をつけています。

 

4. ビジネスとデータサイエンスの今後の動向

平山: そうですね、鵜飼さんが今話されたように、私も企業活動のデータサイエンスを成功させる鍵は「共創」にあると思っています。ベンダー側のデータサイエンティストだけでは限界があり、業務やデータに精通した市民データサイエンティストの参画が必須という側面も少なからずあると思います。そしてデータサイエンスは結果につながるのに時間がかかりがちという側面もあるので、共創成功には信頼と関係性が重要です。

その点で、IBMはお客様によっては50年、場合によっては80年とお客様の伴走をしてきた歴史を持ち、信頼を基盤とした関係性を築けているお客様が多いのが特長なので、特にそうしたお客様には、IBMと一緒にデータサイエンスに取り組んでほしいですね。最後に、ビジネスとデータサイエンスの今後について話をしていきたいと思います。

 

—— 長期にわたる関係性は、具体的にどのようにデータサイエンスと関係してくるのでしょうか? 「xx部長は横文字が嫌い」とか…そういったレベルの話ではないですよね?

平山: もちろん違います（笑）。そうではなく、IBMとビジネスを共にしてきた経緯の中で、お客様が過去になぜその取り組みを行ったのが、そこにはどういった背景があったのか、そうした文脈がすでにIBM内にノウハウとして共有されていることの意味が大きいということです。そして「今はまだ時期尚早だが、いずれ機が熟したときにはこんなチャレンジをしたい」といったディスカッションを、お客様と共に行ってきたメンバーがIBMにはいます。データサイエンスの分野は中長期的に効果が出ることも多いので、こういった企業間の関係継続性はとても大事なんです。

ここ数年で、コンピューティングもネットワークもAIも、進化のスピードが急速に増しています。3年前に「10年後にはできるのではないか」と話していたことが、前倒しでどんどんできるようになっていたりします。その時に、過去から継続的に検討してきたことや、調査分析を続けてきたことが実を結ぶということが、データサイエンス分野では多いのです。研究分野ではそういう特性が昔からあります。データサイエンスは研究分野を発祥としているので、そういった中長期性や継続性の面が強いのかもしれませんね。

 

鵜飼: IBM社内に蓄積されているお客様の情報として、お客様がこれまでどのようなデータを蓄積してきたのか、ツールは何を使用してきたのかという情報を共有いただいているので「お客様が何を持っていて何を持っていないのか」が分かっているという点も大きいですね。それを踏まえた上で、先に進むためのご提案を行うことができますから。

そうやって効果的な提案と効率的な共創を進めていくうちに、お客様社内のデータサイエンス・リテラシーもどんどん上がっていくでしょう。そうなれば、私たちもさらにハイレベルな取り組みや先進的な手法をご案内できます。

 

平山: それもIBM CEというグローバル組織の強みですね。世界中の幅広い業種業界のお客様とご一緒させていただいていることで、私たちの元には各種実装経験を通じた多様な知見が蓄積されています。さらにIBMならではなところでは、研究所から届けられた新たなアルゴリズムや発見・発明を試すこともできます。これらが交差するところがCEの魅力でもあります。

業務に精通した市民データサイエンティストとIBMの技術に強いデータサイエンティストが融合することで、大きなシナジーが出せていくと思います。そういう意味でも、一般企業で市民データサイエンティストが増えていくことが、この分野がブレークスルーする鍵ともいえますね。

それでは、鵜飼さんから最後に、データサイエンスに取り組んでいる、あるいはこれから取り組もうとしているお客様にメッセージをお願いします。

 

鵜飼: はい。今後、データサイエンスがお客様のDX推進の中心となることは間違いないでしょう。そこで大事なのは、社内でDXの取り組みに勢いを付けていくことです。

たとえば、「DX推進事業部」などの特命部隊は大きな失敗が許されませんよね。そうした取り組みにおいては、チャレンジングな取組みと同時に、確実に成果が見込める取組みも並走させることが肝要です。

大きなチャレンジを行いたいというお客様の気持ちは分かります。とはいえその「大きなチャレンジ」が実現可能性や費用、投資効果創出までの所要期間のバランスから見てリスクがあまりに高いものであれば、私たちはより短期間・低コストで確実に結果を得られる取組みをお勧めしています。その提案により、たとえ一時的にお客様に嫌われることがあったとしても、それがお客様のDX推進に本当に役立つことだと信じているからです。

 

平山: データサイエンスは結果が、定量的にビジネスの数値として出るので、社内に効果を説得しやすいですよね。そして企業の中でコンセンサスを得るためには、誰でも理解できるようにシンプルである必要があり、そこでは市民データサイエンティストが重要な役割を果たすと思います。この考え方でデータサイエンスを軸にDXを進めていけば、明るい未来へとつながっていきますね。

 

鵜飼: はい。データサイエンスは、仮説を定量的に裏付けることで、現実的かつ効果的な改善活動を導き出す役割を担っています。私はデータサイエンティストとして、これからもビジネス価値を常に意識し、「利益の創出に繋がるデータサイエンス」をお客様に提供していきます。

 

平山: まさに企業において、歴史も長いデータサイエンスが近年注目されてきたのは、ビジネス価値創出がその理由であると思いますし、市民データサイエンティストの躍進がその流れをより加速していくでしょうね。鵜飼さん、本日はありがとうございました。

 

次回第5回の対談では、デザイン分野でも起きている民主化の流れや、Fintech分野の動向などを中心に紹介していきたいと思います。

 

問い合わせ情報

 

関連記事

Automotive 2030：2030年 自動車業界の将来展望

Automotive 2030：2030年 自動車業界の将来展望

Society5.0時代の地方創生への挑戦 |いばらきコ・クリエーションフォーラム開催レポート