ビジネス・アナリティクスとは

ビジネス分析では、ビジネス上の問題解決、ビジネス基盤の監視、新たな成長機会の特定、顧客へのより良いサービス提供のために、企業が自社の業務で作成されたデータや一般に公開されているデータを利用します。

ビジネス分析では、データ探索やデータ視覚化、統合ダッシュボードなどを使用して、実践的なデータと事業に関する洞察にユーザーがアクセスできるようにします。

Business Intelligence（BI）は、ビジネスデータの基盤に基づいて、より適切なビジネス上の意思決定を可能にします。ビジネス・アナリティクス（BA）はビジネス・インテリジェンスのサブセットであり、ビジネス・アナリティクスが分析情報を提供する一方で、より広義なビジネス・インテリジェンスのインフラストラクチャーには、意思決定に使用されるデータの識別と保存を目的としたツールが含まれています。

ビジネス・インテリジェンスは、生の入力データと、ビジネス・アナリティクスによって生成された知識と実践的な洞察の両方を収集、管理、使用します。ビジネス・アナリティクスには、新しい知識と洞察を作成して企業の総合的なビジネス・インテリジェンスを向上させるという常態的な目的があります。

ビジネス・アナリティクスは、過去に起こった事象について質問に答えたり、予測を立てたり、業績を予測したりするために使用できます。¹組織は事業についてより総合的な視点を獲得できるため、ユーザーの行動についてより効果的に理解できます。

データサイエンティストや高度なデータアナリストは、ビジネス・アナリティクスによって、高度な統計的分析を提供します。統計的分析の例としては、過去の販売データを使って顧客生涯価値を推定するような回帰分析や、特定の地域で利用率の高いユーザーと低いユーザーを分析してセグメント化するようなクラスター分析などがあります。

ビジネス・アナリティクスのソリューションは、財務、人事、サプライチェーン、マーケティング、営業、情報技術を含むすべての部門に加え、医療、金融サービスおよび消費財を含むすべての業界にメリットをもたらします。

分析とはデータから洞察を引き出す行為ですが、ビジネス・アナリティクスは、その分析を使用して業績向上を推進します。価値の高い分析手法として、次の4種類がよく使用されます。

名前の通り、このタイプの分析は、そこに含まれるデータを記述します。例としては、企業の顧客の人口統計を分類した円グラフが挙げられます。

診断的分析は、イベントの根本原因を特定するのに役立ちます。例えば、ビジネスの成果に影響を与えた一連の出来事は何か、特定の時系列内で、真の相関関係と因果関係はどこにあるのか、調査結果の背後にある要因は何か、といった質問に回答する際に役立ちます。例えば、メーカーは組立ラインで故障したコンポーネントを分析して、故障の原因を特定できます。

予測分析は、既存のデータをマイニングしてパターンを特定し、企業がそのデータに基づいて将来何が起こるかを予測するのに役立ちます。予測モデルを使用して、将来の行動や結果についての仮説を立てます。例えば、組織は、この冬の気温が暖かいと予想される場合に、コートの売上の変化について予測を立てることができます。

予測モデリング²はまた、自動車や工具がいつ故障するかを把握し、それが起こる前に介入したり、人口統計や心理統計の変化が製品ラインにいつプラスまたはマイナスの影響を与えるかを知るなど、組織が問題を事前に回避する際にも役立ちます。

これらの分析は、既存の情報とリソースを基に将来の意思決定を支援します。すべてのビジネスは、既存のデータをレビューして、次に何が起こるかを推測することで処方的分析を実行できます。例えば、マーケティングやセールスの組織では、最近のコンテンツのリード（見込み客）成功率を分析して、今後どの種類のコンテンツを優先すべきかを判断できます。金融サービス企業では、既存のデータを分析して、あらゆる購入について不正の可能性をリアルタイムで判断することで、不正行為の検出に使用しています。

ビジネス・アナリティクスの実践には、企業が収集しているデータを理解し、そのデータを洞察に変えるために使用するいくつかのツールが必要です。ここでは、最も一般的なツール、分野、アプローチをいくつか紹介します。

• データ管理: データ管理とは、組織のデータの取り込み、処理、保護、保存を行うことです。その後、ビジネス成果を向上させるための戦略的な意思決定に使用されます。データ・ストアの拡大により、データ・サイロ、セキュリティー・リスク、意思決定の全般的なボトルネックなどの重大な課題が生じているため、データ管理分野の優先度が高まっています。
  
  
• データ・マイニングまたは KDD：データ・マイニングは、データ内の知識発見（KDD）とも呼ばれ、大規模なデータセットからパターンやその他の貴重な情報を発見するプロセスであり、ビッグデータ分析の重要な要素です。ビッグデータの重要性が増す中、 データマイニング は、企業が生データを有用な知識に変換するのを支援することで、現代のビジネスの重要なコンポーネントとなっています。
  
  
• データウェアハウス：データウェアハウスまたはエンタープライズ・データウェアハウス（EDW） は、アプリ、モノのインターネット（IoT） デバイス、ソーシャルメディア、スプレッドシートなど、さまざまなソースからのデータを一元的に統一されたデータ・ストアに集約し、データ分析、データ・マイニング、人工知能（AI）、機械学習（ML）をサポートです。（データウェアハウス・システムを使用すると、組織は標準のデータベースでは不可能な方法で、大量のデータ（ペタバイト単位）に対して強力な分析を実行できます。

• データの可視化：チャート、プロット、インフォグラフィック、アニメーションなどのグラフィックを使用してデータを表現することです。これらの視覚的な情報表示は、複雑なデータ関係とデータに基づく洞察をわかりやすい方法で伝え、特に非技術系のスタッフが分析の概念を理解するのに役立ち、複数のデータ・ポイントのパターンを示すのに役立ちます。データの可視化は、アイデアの生成、アイデアの図示、視覚的な発見にも役立ちます。
  
  
• 予測：このツールは、過去のデータと現在の市場状況を基に、組織が今後数カ月または数年間にどの程度の収益を期待できるかを予測します。予測は、新しい情報が利用可能になると調整されます。企業が、確立された計画と予測のベストプラクティスに基づいてデータと分析を採用すると、戦略的な意思決定が強化され、より正確な計画とよりタイムリーな予測が得られます。
  
  
• 機械学習アルゴリズム：機械学習アルゴリズムは、AIシステムがタスクを実行するために使用する一連のルールまたはプロセスです。多くの場合、新しいデータの洞察やパターンを発見したり、特定の入力変数のセットから出力値を予測したりするために使用されます。機械学習アルゴリズムにより、機械学習が学習できるようになり、データの分析、傾向の特定、問題の発生前に予測が可能になります。
  
  
• レポート：ビジネス分析はデータを燃料として実行され、組織が情報に基づいた意思決定を行うのに役立ちます。エンタープライズ・グレードの レポート作成 ソフトウェアは、企業が使用するさまざまなアプリケーションから情報を抽出し、データを分析してレポートを生成できます。
  
  
• 統計分析：統計分析により、組織はデータから実用的な洞察を引き出すことができます。高度な統計分析手順により、高い精度と質の高い意思決定が保証されます。分析ライフサイクルには、データ準備と管理、分析とレポートが含まれます。
  
  
• テキスト分析：機械学習、統計、言語学を使用して、非構造化データ内のテキストパターンと傾向を識別します。テキスト・マイニングとテキスト分析を通じてデータをより構造化された形式に変換することで、より定量的な洞察を得ることができます。

現代は、頻繁に新しい競合他社が出現し、顧客の習慣が常に変化しています。そのような急速に変化する世界で競争するために、組織は迅速な意思決定を行う必要があります。ビジネス分析を重要視する組織には、そうでない競合他社に比べて有利な点がいくつかあります。

より迅速で情報に基づいた意思決定：組織が所有するすべてのデータに対して柔軟で広範な視点を持つことで、不確実性を排除し、迅速な行動を組織に促し、ビジネス・プロセスを改善できます。例えば組織のデータから、特定の製品ラインの売上が急激に減少していることが示されていれば、そのラインの廃止を決定する場合もあるでしょう。また別の組織が依存している原材料の収穫に、気候リスクが影響を与える場合、他の場所から新しい材料を調達する必要があるかもしれません。これは、料金体系戦略を検討する際に特に役立ちます。

商品やサービスに対する料金設定方法は、組織が持つ何千ものデータポイントに基づいており、その多くは時間の経過とともに変化していきます。組織が固定料金体系戦略であれ、動的料金体系戦略であれ、リアルタイムのデータにアクセスして、短期的・長期的な料金体系の設定データをよりスマートに作成できることが重要です。動的な料金体系を取り入れたいと考えている組織にとって、ビジネス分析は、何千ものデータポイントを利用して外部イベントやトレンドに対応し、最も収益性の高い価格帯を必要な頻度で特定することを可能にします。

一元的な情報表示：全員が同じデータを利用可能で、同じプレイブックに基づいて話しているため、部門と基幹業務ユーザー間の連携が強化されます。これにより、1つの画面からさらに多くの未発見のパターンが明らかになり、さまざまな部門が会社の総合的な取り組みを理解できるようになり、市場の変化に対応する組織の能力が向上します。1つの画面からさらに多くの未発見のパターンが明らかになり、さまざまな部門が会社の総合的な取り組みを理解できるようになり、市場の変化に対応する組織の能力が向上します。

顧客サービスの強化：顧客が何を、いつ、どのように望んでいるのかを知ることで、組織は顧客の満足度を高め、より大きなロイヤルティーを築きます。顧客体験の向上に加えて、リソースの割り当てや製造に関してより賢明な決定を下せるようになることで、商品やサービスをより手頃な価格で提供できる可能性が高まります。

ビジネス・データの活用を検討している企業は、既存の従業員のスキルを向上させるか、新しい従業員を雇用する必要がある場合が多く、新しい職務内容説明書の作成が必要となる可能性もあります。データ駆動型の組織には、優れた実践的な分析スキルとコミュニケーション・スキルを備えた従業員が必要です。

ここでは、堅牢なビジネス分析戦略の可能性を最大限に活用する必要がある従業員を一部紹介します。

データサイエンティスト：これらの人々は、ビジネス・アナリティクス・プログラムを動力するアルゴリズムやモデルの管理を担当しています。組織のデータサイエンティストは、アルゴリズム用の自然言語ツールキット（NTLK）などのオープンソース・ライブラリーを使用するか、独自のライブラリーを構築してデータを分析します。彼らは問題解決に優れており、通常、Pythonなどいくつかのプログラミング言語（取得後すぐに使用できる機械学習アルゴリズムにアクセスしやすくなる）や構造化クエリー言語（SQL）（データベースから抽出したデータをモデルに提供する際に役立つ）を知っている必要があります。

近年、データサイエンスの理学修士号や学士号を取得できる学校が増えており、学生はコンピューター・サイエンスや統計モデリング、その他の数学的応用を学ぶ学位プログラムのコースに取り組んでいます。

データエンジニア：さまざまな場所からデータを収集し、クリーニングして分類し、 1つのマスター・データベースに配置する情報システムの構築と保守を行います。多くの場合、利害関係者がデータを簡単に収集およびアクセスできるようにして、組織がデータ業務に関して統一されたビューを提供できるようにする責任があります。

データアナリスト： 社内外の利害関係者に洞察を伝える上で中心的な役割を果たします。組織の規模に応じて、データセットの収集と分析、データの可視化を行う場合もあれば、他のデータサイエンティストが作成した作業を取り上げて、重要ポイントに関する説得力のあるストーリーテリングを構築する場合もあります。

組織のビジネス分析のメリットを最大化するためには、データをクリーニングして関連付け、データの可視化を行い、ビジネスの現状について洞察を提供すると同時に、将来起こる事象を予測しやすくする必要があります。これには通常、次の手順が含まれます。

まず、組織は手元にあるすべてのデータを把握し、どのような外部データを組み込めば、どのようなビジネス分析の機会があるのか特定する必要があります。

残念ながら、企業のデータの多くはクリーンアップされていないままになっており、対処しない限り正確な分析には役に立たない状態になっています。

組織のデータにクリーニングが必要な理由を以下にいくつか挙げます。

• 誤ったデータフィールド：手入力や不正確なデータ転送により、組織では適切なデータに不正確なデータが混在している可能性があります。システム内に不正なデータがあると、データセット全体が無意味になってしまう可能性があります。
  
  
• 古いデータ値：顧客情報などの特定のデータセットは、顧客の離脱、製品ラインの廃止、または適切ではなくなったその他の過去データなどのために、編集が必要な場合があります。
  
  
• データの欠落：会社はデータ収集の方法や収集するデータを変更する場合があり、そのため、過去の入力内容に将来のビジネス分析に不可欠なデータが欠けている可能性があります。このような状況にある会社は、場合によっては手動データ入力に投資するか、アルゴリズムや機械学習を使用して正しいデータを予測する方法を見つける必要がある。
  このような状況にある会社は、場合によっては手動データ入力に投資するか、アルゴリズムや機械学習を使用して正しいデータを予測する方法を見つける必要があるかもしれません。
  
  
• データのサイロ化：組組織の既存データが複数のスプレッドシートまたは他の種類のデータベースにある場合、すべてのデータを1カ所にまとめるため、統合が必要になる場合があります。あらゆるビジネス・アナリティクス手法の基盤はファーストパーティー・データ（例えば、企業がステークホルダーから収集して所有しているデータ）ですが、サードパーティー・データ（例えば、購入したデータや他の組織から収集したデータ）を追加して、自社のデータを外部のインサイトと一致させたい場合もあるでしょう。

企業は、より多くのクラウド・コンピューティングを活用して、ギガバイトやテラバイト規模のデータを迅速に照会・解析できるようになりました。データサイエンティストは、機械学習、アルゴリズム、人工知能（AI）などのテクノロジーを使用して、データをより効果的に分析できます。そうすることで、組織の主要業績評価指標（KPI）に基づく実行可能な洞察を生み出すことができます。

ビジネス分析プログラムは、分析された大量のデータをすばやく取り込んで、データを保管、表示、並べ替え、操作し、利害関係者に送信できるダッシュボード、視覚化、およびパネルを作成できるようになりました。

データの可視化のベスト・プラクティスには、組織が使用しているデータと作成したい重要ポイントに最も適した表示形式を理解すること、表示を可能な限りすっきりとシンプルに保つこと、それを共有されたオーディエンスが見ている内容を理解できるよう適切な説明とコンテンツを提供することなどがあります。

上述の内容と並行して、データ管理が行われます。ビジネス分析を取り入れる組織は、特に新しいデータ・ソースを組み込む際に、クリーンなデータを維持するための包括的な戦略を策定する必要があります。

ビジネス・アナリティクスは、あらゆる種類の事業単位にとって、保有するデータを理解し、より賢明な意思決定につながる具体的なインサイトを生成するのに役立ちます。

• 財務および業務計画：ビジネス分析は、組織が財務計画と業務をよりシームレスに調整するのに役立つ貴重な洞察を提供します。これは、サプライチェーン管理のルールを設定し、機能間でデータを統合し、サプライチェーン分析と需要予測を改善することで実現します。
  
  
• 計画分析：統合型の事業計画アプローチとして、スプレッドシートとデータベース・テクノロジーを組み合わせて、需要とリード創出、運用コストの最適化、堅実なメトリクスに基づくテクノロジー要件などのトピックについて効果的なビジネス意思決定を行います。これまで、多くの組織では事業計画にMicrosoft Excelなどのツールを使用してきましたが、 IBM Planning Analyticsなどのツールに移行している組織もあります。
• 営業とマーケティングの統合計画：ほとんどの組織は、リードの発掘や、販売転換、顧客維持の成功率に関する履歴データを蓄積しています。組織は、正確な収益計画と予測を作成し、ビジネス・アナリティクスを使用してマーケティングと営業のデータをより深く可視化することで、業績や需要の変化に基づいてリソースを容易に割り当て、ビジネス目標を達成したいと考えています。
  
  
• 統合された従業員パフォーマンス計画：組織はデジタル・トランスフォーメーションを進め、状況の変化に対応するため、適切な分析スキルを備えた適切な従業員を確保する必要があります。従業員が新しい仕事のために会社を辞める可能性が高い世界では、これが特に重要となります。従業員パフォーマンス計画は、組織が従業員の必要条件を理解し、スキルギャップを特定して対処し、現在から将来にわたって組織のニーズを満たす人材をより適切に採用し維持するのに役立ちます。