機械がもたらす「発見」「分析」の功罪とは？
皆さんは「テクノベート（Technovate）」という言葉をご存じだろうか。これは、テクノロジー（Technology）とイノベーション（Innovation）を組み合わせた言葉で、主にITに代表されるテクノロジーによって進化、あるいは変化していく新しい経営の在り方を指す言葉である。
そんなテクノベート時代には、当然テクノロジーへの理解も欠かせない。ビッグデータ、ブロックチェーン、RPA、MaaS……そんな必須の基本用語をわかりやすく解説して1冊にまとめた『テクノベートMBA 基本キーワード70』（PHP研究所）から、今回は「データマイニング」「プロファイリング」についての解説を一部抜粋して紹介する。
機械が人間にはできない「発見」をしてくれる
データマイニングとは、数多くのデータの中から、ビジネス上で有益となる示唆を導き出すことを指す言葉です（マイニングは「発掘」の意味）。データマイニングという言葉自体は昔からあり、実践もされてきました。しかし、近年はビッグデータが充実し、AIが進化したことにより、数万人の顧客の、項目が数百にも及ぶデータを、ものの数分で計算できる時代になりました。その結果、これまで以上に有益かつ人間が気づきにくいデータが見つかることが期待されています。
データマイニングの古典的成功事例としては、野球におけるセイバーメトリクスが挙げられます。これは、メジャーリーグの球団、オークランド・アスレチックスが「給料は安くても強い球団を作るにはどうしたらよいか」という問題に対して、「打率、打点、ホームラン数、盗塁数といった昔ながらの指標ではなく、別の指標で見た方が掘り出し物の選手を見つけられるのではないか」と考え、発展したものです。
実際にアスレチックスは試行錯誤の末、「OPS」（出塁率＋長打率）という指標が得点能力と関係が深いこと、かつOPSが高いのにサラリーが安い選手が多数いることに気がつきました。そこでそうした選手をかき集めて、給料の総額は安いのに、強い球団を作り上げたのです（ちなみに、攻守走すべてに優れた数字を残している選手は、得点創出能力以上にサラリーが割高になることも発見したそうです）。
人間が気づかない法則をAI が見出す
昨今のビジネスで、データマイニングが最も活用されているのはマーケティングの分野です。顧客の属性や行動をデータからきめ細やかに分析することで、それぞれの顧客に合わせて適切なアプローチを取ろうという企業が増えています。
最も古典的なデータマイニングからの発見は、アメリカのディスカウントショップにおける「ビールと使い捨ておむつは同時に購買されることが多い」という発見でしょう。これは、人間の直感ではなかなか気づきにくい発見です。
後講釈では、「使い捨ておむつを買いに来た父親が、ついでにあわせてビールを買う傾向があった」などと説明はできますが、ポテト系のおやつとビールのような組み合わせではなく、使い捨ておむつとビールという組み合わせは、なかなか人間には仮説が立てられませんし、発見もできません。これが機械の力とも言えるでしょう。
データマイニングは、「儲からない可能性の高い人間に来てほしくない業界」（例：保険会社）などでは、そうした顧客を避けるためのプロモーション（デマーケティング）にも活用されています。たとえば、データから「このタイプの顧客は事故を起こしやすい」と判断された顧客については、その保険会社を選ばなくするようなメッセージを含んだプロモーションなどを行うのです。
データの質と量を決めるのは、人間の課題
では、有用な知見の発見は、すべて機械に任せればいいのかというと、そういうわけでもありません。現時点では、機械の側から「このようなデータが欲しいから、このようなセンサーを作ってくれ」といった要求をすることはありません。
したがって、そこには相変わらず人間の知恵や洞察力が求められます。データの質を決めるのは人間なのです。
データの量についても、これからセンサーの低価格化が進めば、量も自ずと増えていくでしょうが、今は完璧とは言えない状況です。当面は費用対効果を高めるためにも、「どのようなデータを取れば有益な示唆が得られそうか」という方向性を、人間がしっかりと考える必要があるのです。
また、1つの会社があらゆるデータを集めようとしても、それは非効率です。どのような企業とパートナーシップを組むのがいいのかといった判断なども、データの質と量を上げる上では大事な課題となるでしょう。カード業界などでは古くから競合会社同士でも「ブラック顧客リスト」を共有したりしていましたが、同じように顧客データを共有することが、新たなWin-Winの関係をもたらすかもしれないのです。
