データをゴールドに変える：組織の最も貴重な資産を活用するための実証済み戦略

データを資産へと転換することは、ビジネスの最優先事項であるべきです。

「データを見せてくれ！」

一般的に組織は膨大な量のデータにアクセスできます。そして「新しい石油」を入手すること自体は必ずしも問題ではありません。難しいのは、そのデータをいかに活用するかです。ダイレクトな顧客データであれ、IoTデバイスのデータであれ、この貴重な資産を最善の形で活用し、実働させるにはどうすればよいのか？

あらゆる組織がなすべき最も重要なことは、効果的で包括的なデータ管理戦略を策定し、それを最優先することです。

まず、自社がどのようなデータを保有しているかを理解すること。次に、そのデータを分析できるようにすること。そして三つ目に、データの上にインテリジェンスを載せて、「他のタイプの体験、計算、ワークフローを推進する」ことができるようにすることです。これはUshurの共同創業者兼CEOであるシンハ・サダシバ氏の言葉です。

この包括的なデータ管理戦略を実現するには、パートナーが必要です。その味方は、企業が保有するデータを見るだけでなく、人工知能と機械学習の技術を通じて自動化を推進し、データを分析し、欠落しているデータを補完できるようにするべきです。「異なるステークホルダーと対話することで、あるいはバックオフィスに現在あるデータに基づいて顧客がどの程度近接しているかというインサイトを示すことで、欠落データを補完します」とサダシバ氏は続けます。

データのソース

従来型のデータソースとは、企業内に以前から存在するものです。これには、構造化*されたデータ管理やSQLデータベース、あるいは非構造化**ドキュメントデータベース（MongoDBのようなもの）が含まれると、サダシバ氏は説明します。これらは企業のバックエンドに存在するデータです。

しかし、今日のつながった環境では、企業とやり取りするステークホルダーからデータソースが流入してきます。

「エンドユーザー、エージェント、ビジネスパートナー、ある程度は従業員も考えてみてください。彼らは写真、画像、動画などの形でデータソースに貢献しています」とサダシバ氏は言います。

これらの新しいデータソース（顧客・従業員のレシートなど）を理解するには、AI技術が必要です。例えば、光学文字認識（OCR）を用いてレシートを読み取れば、組織は自動的に情報を抽出し、企業のバックエンドにあるデータウェアハウスに取り込むことができます。「これには膨大な能力と、その情報をバックオフィスへ安全に転送する能力が求められます」とサダシバ氏は述べています。

適切な種類のデータ

自動化と機械知能の観点からは、使用されるディープラーニング技術が、企業が現在保有するあらゆるタイプのデータ（人的ソースや履歴データ）を分析できます。組織は、この基盤となるデータセットを教師あり学習と教師なし学習と組み合わせる必要があります。

例えばUshurは、企業がすでに持っているデータセットを活用し、教師あり・教師なし学習に基づいて行動するツールを開発しました。

分析可能なデータの種類は多岐にわたり、ソースはさらに多数存在します。しかし、問題が生じます。バックエンドではそれほど関連性がないかもしれませんが、不適切なデータやバイアスのあるデータをシステムに投入すると、ビジネスや機関に悪影響を及ぼすネガティブな結果を招きます。昨年、アマゾンが性差別的なAI採用ツールを断念した例を挙げるまでもありません。また2016年には、全米の法廷で被告人の運命と自由を決めるために使用されていたリスク評価アルゴリズムが人種的バイアスを持っており、犯罪の種類に差がないにもかかわらず、白人よりもアフリカ系アメリカ人に頻繁に重い判決を下していたことが明らかになりました。

当時、AI研究者のジョアンナ・ブライソン教授はこう述べました。「基盤となるデータがステレオタイプを反映している場合、あるいは人間の文化からAIを訓練する場合、バイアスが見つかるでしょう。」

この解決策は、ステレオタイプとバイアスを排除し、データがそれを反映するようにすることです。

非構造化**データと構造化*データ

構造化データは通常、SQLのようなデータベースを指します。これは、顧客情報や特定のビジネス課題に関する特定の情報に基づいて整理できる構造化された情報です。

対照的に、非構造化データはテキスト情報の「大きな塊」となり得ます。「例えば、顧客がメールやPDFドキュメントを通じて説明した問題文書などが該当します」とサダシバ氏は言います。「その中には、顧客名、電話番号、請求番号、保険番号、クレジットカード番号といった、構造化情報の『金塊』が埋もれている可能性があります。」

このタイプの情報は準構造化データと呼ばれ、非構造化情報の中に埋もれています。非構造化データからこの準構造化情報を抽出する能力には、かなり最先端の「人工知能」技術が必要とされます。

データのビジネスケース

優れたデータ管理のビジネスケースを示す最良の方法は、例を用いることです。それが「メール過多」の問題です。

大企業は顧客から数万通ものメールを受信します。「それらを手作業で仕分け、トリアージし、適切な部署と担当者に振り分け、顧客に返信するのは非現実的です」とサダシバ氏は言います。「これは大量の手作業を要する、第一レベルの問題です。」

この問題を解決するには、メールの非構造化情報の中にある準構造化データを抽出し、分離する能力が必要です。「幅広いデータツールを用いて顧客情報を抽出し、自動的に適切な担当者にトリアージし、そのテキストに基づいてアクションを起こすことができます。これは、企業がすでに持っているデータの上に自動化を適用するシンプルな例です」とサダシバ氏は続けます。

「ほとんどの企業は、メール、問題文書、記事、情報源などの形で、数百万バイトもの非構造化情報を持っています。これらにアクセスできます。」

「これはすでに持っているレガシー情報です。これにデータサイエンスを適用することで、企業はコンピュータモデルの訓練に役立て、将来的な手作業の量を削減できます。」

顧客データの活用：新しい考え方

サダシバ氏によれば、すべては「マイクロエンゲージメント」にかかっています。これは、消費者と企業の間で行われる短いやり取りの積み重ねです。ビジネスが顧客とのあらゆるやり取りをマイクロエンゲージメントとして捉え始めると、顧客ジャーニー全体を再考し、見込み客獲得、オンボーディング、サポート、アップセル、クロスセル、エンドユーザーとの関係維持といったセグメントに分解できるようになります。

顧客ジャーニーには様々なエンゲージメントの接点があります。データサイエンスを適用して顧客とやり取りし、情報を収集することで、真のインサイトを得ることができます。

「これは、あるブランドが顧客に対してどの程度近接しているか、そして顧客がブランドに対してどの程度近接感を抱いているかを評価する、ある種の新時代、新しいアプローチです」とサダシバ氏は言います。

人工知能、データ分析、機械学習などを組み合わせ、このマイクロエンゲージメントレベルで消費者データに適用することで、顧客エンゲージメントを変革できます。