この記事は11月19日に開催されたWebセミナー「DXを加速させる！ビジネス実装のためのデータサイエンス」のレポートです。
※記事化のために一部を編集しています。
2020年10月22日、テクノスデータサイエンス・エンジニアリング株式会社（以下TDSE）と株式会社アイデミーの共催セミナーが開催されました。TDSEから執行役員の柴田敦氏、アイデミーからエンタープライズサービス部長の桐原憲昭が登壇し、企業向けDX教育支援、そしてデータサイエンスのビジネス実装をテーマに講演しました。
柴田敦（しばた あつし）氏
テクノスデータサイエンス・エンジニアリング株式会社
執行役員 営業統括長兼ビジネスコンサルタント
大手人材・情報サービス会社、外資系コンサルティング会社、AIコンサルティング会社、決済ベンチャー企業役員などを経て現職。企業向けのデータ利活用及びDXの支援に携わる。
桐原憲昭
株式会社アイデミー エンタープライズサービス部長
外資系ITベンダー、外資系人材育成・組織変革コンサル会社、及びリスクコンサル会社などを経て現職。企業向けのAI人材育成をはじめとする、AI内製化に向けた支援に携わる。筑波大学大学院非常勤講師（リスク工学専攻）、一般財団法人DRIジャパン理事。
「DXを推進するAI人材育成の在り方」
株式会社アイデミー 桐原憲昭
桐原と申します。現在はアイデミーで、企業向けのAI人材育成をはじめとする、AIの内製化支援に携わっています。
株式会社アイデミーは、先端技術を経済実装するというミッションのもと、AIに強い組織づくりに向けたAIの内製化支援サービスを提供している会社です。
本日は2つのテーマをかいつまんでお話していこうと思います。まずは、DXやAIの普及に際して、現在マクロ的な経済環境において何が起こっているのかを振り返ります。その後、アイデミーの取り組みを簡単にご紹介させていただきます。
マクロ経済環境における諸外国のAI導入
まず、こちらはAIの国別導入状況です。ご覧いただくと、残念ながら日本は先進国の中では最下位という状況なんですね。一方で、AIに関してはアメリカがトップだと思われがちなんですが、導入状況では中国がずば抜けてトップを走っています。現在中国では政府が「次世代AI発展計画」を推し進めており、今や、Alipayを代表とするモバイル決済が街中で普通に使えるようになっています。スマホすらもいらない、顔認証で決済ができるような状況になってきているわけですね。アメリカでは、よく耳にする「GAFA（Google、Apple、Facebook、Amazon）」、いわゆる民間企業がボトムアップでイノベーションを生み出してきたのに対し、中国は国家プロジェクトで「BAT」（Baidu、Alibaba、Tencent）と呼ばれる有名企業に、国家プロジェクトとして予算を配分して、トップダウンで進めてきました。つまり、真逆のアプローチでDXを進めてきたというのが面白いところです。
日本の企業経営においても、AIによる課題解決と価値創造が求められる
日本を見てみると、先述した通りAIの社会実装は進んでいません。こちらの図を見ると、売上高1000億円以上の大企業であっても、すでに導入しているのは17％。今PoCの実証実験を行っている企業を入れても約30%です。中堅企業に至っては5%にも満たないという状況で、まだまだ導入が進んでいないというのが、こういうデータからも伺えるといったところです。
現在、日本でも政府が主導してSociety5.0を掲げたDXの取り組みが行われています。
その中で、企業は先端技術、特にAIを使った課題解決と価値創造が求められています。ここで多くの企業は、業務の高コスト化、あらゆる産業におけるDX人材不足、製品やサービスのコモディティ化といった経営課題に直面しながら、先端技術を活用したプロセス・イノベーションとプロダクト・イノベーションを生み出し、労働生産性を良くしていかなければいけません。
こちらはAIを含むICTによる施策を導入している企業とそうでない企業の2グループにおける、3年間の労働生産性の伸びを実測した値です。予測値ではなく実測値です。労働生産性で2.5倍、4倍という効果が期待されるんですよね。
事例として、ソニーが今年の2月の技術見本市「CES 2020」で発表した電気自動車「VISION-S」を紹介します。この車には、ソニーが持つCMOSイメージセンサー、それからiPhone 12 Pro / Pro Maxにも搭載されているLiDARなど、数種類のセンサーが合計33個散りばめられています。それによって、霧、逆光、夜間の雨といった、物体検出が難しいような状況下でも早期の物体認識を可能にしています。
つまりこれは、様々なセンサー・フュージョンを駆使して、これまでにない価値を生み出そうとしている実例です。先ほど挙げたプロダクトイノベーションの一つの形であり、全ての産業で新しい技術を使ってこういった価値創造を生み出していくことが期待されている、ということになります。
DX推進における課題
企業のDX推進においては、2つ壁を乗り越える必要があります。費用対効果、それからITやAIのリテラシーです。
まず費用対効果については、コストの負担、導入後の効果の不明確性、従業員のスキル不足などの問題が絡みます。これはAIに限らず全般的なIT導入における課題として挙げられます。
そしてリテラシーの問題としては、特にAI、IoTに至る中で、ノウハウが足りない、イメージできない、理解が足りない、という課題があります。
こういう声は多くの企業様から上がっています。ところが、よく考えてみると、クラウドという言葉が世の中に出たのが2006年。そして2010年以降、安価で使いやすいクラウドツールが普及しました。その後デジタルツールの多様化も進み、地域企業や中小企業でも、大きなコスト負担やノウハウを必要とせずに生産性を向上させることが可能になっています。
そのため、費用対効果の問題も、様々なツールを使うことによって克服できるような環境が整っているわけですね。AIについても様々なツールがベンダーから公開されており、それらを使うことによって中小企業も生産性の向上を図ることができますし、中小企業だからこそ、生産性の伸び率はもっと高くなることが指摘されているんですね。
その中で、本質的に日本企業にとって課題であるのが人材不足です。こちらのグラフにある15%が意味するのは、先進各国でも同様に課題とする人材不足について、各国の平均値よりも日本がさらに15%下回っているということであり、より深刻な状況であることがわかります。
こちらはAI人材の需要に関するデータです。平均値を取ると今後は年間16%の割合で伸びていくと言われています。悲観的に見ても10%は堅く、このままではAI人材が数万～数十万人くらい足りなくなる。ICTやDX人材を含めると、もっと足りなくなることが容易に想像できます。
また、現在AI/DX人材の雇用が非常に厳しい状況になっています。採用コストが非常に高いのです。そのような状況では、採用だけに頼るのではなく、ドメインの専門知識を持つ方が自ら機械学習の基礎知識を身につけて、社内の経営課題や事業課題に取り組んでいく必要があると考えています。結果的に、外から採用するよりも、こういった人材を育成するほうが早いという声を多く聞きます。もちろん、全てを内製化すべきとは思いません。困難なものは外部のベンダーの力を借りて共同開発を行うなど試行錯誤が必要ですが、少なくとも全体の構想、ビジネスモデルやグランドデザインをどう描くかは、社内の人間がリードしてやっていくべきだと考えます。
アイデミーの取り組み
アイデミーでは、AIの社会実装に取り組む組織を支えるeラーニングのサービスを提供しています。アイデミーのeラーニングシステムは組織開発にフォーカスし、組織としてどのようにリテラシーを高めていくべきかという点が考慮されたデザインになっています。また、研修以外にもPoCや実装段階で結果を出す後工程までサポートし、企業同士のコミュニティも提供しています。さらに、オリジナルコンテンツも、このラーニングプラットフォーム上に載せることも可能になっています。
この図は実際のお客様の事例で、10コースを必須として割り当てて受講された際の学習状況のデータです。大半の方は10コースをクリアされますが、一部の方は指定した講座よりも多くのコースを自主的に受講されます。こういった先進的に学ばれる方が見えるのも面白いと感じています。このような方々にDXの推進チームに入ってリードしていただく、そんなリーダー候補の発掘としても使えるようになっています。
「孤立するデータサイエンティスト」
テクノスデータサイエンス・エンジニアリング株式会社 柴田敦 氏
テクノスデータサイエンス・エンジニアリングの柴田と申します。
昨今、AIやDXの文脈でデータサイエンティストが不足していると言われています。では、データサイエンティストがいればなんでもできるのか。というところに現在データ利活用を推進している企業が直面している様々な間違いがあるように感じています。
本日は、お客様をご支援している当社の経験をもとに、うまくデータサイエンティストを活用できている企業と、もったいない活用をしている企業の差はどこにあるのかについてご説明できればと思っています。
会社紹介
弊社は創業以来、データ利活用の支援をしている会社です。今風に言えばAIやDXの推進を支援しているデータサイエンティスト集団です。AIエンジニアを含めると100名強のメンバーが様々な企業の様々な課題にデータの側面から価値の創出をしております。データサイエンティストという職種が生まれる前から、大学や研究機関でデータに向き合ってきたメンバーが多数在籍しています。
データサイエンス、データ分析の歴史を少し振り返ってみますと、データ活用はWeb領域やEC業界、金融業界を中心に発展してきました。データが比較的取りやすい、もしくはデータが既にある業界から広がってきました。現在は製造業、建設業、小売・流通業、そして官公庁などすべての業界で活用されてきています。また最近ではヘルステックや人事領域での活用などの今まで紙での書類管理が主流で電子データの蓄積が少なかった分野でも広がり始めています。
特に、COVID-19を受けて、小売業界や保険業界など対面を中心とした業界での活用が急速に進んでいます。
データサイエンティスト育成の事例
当社では、創業時より自社のデータサイエンティストを育成してきた経験から、そのノウハウをプログラム化しお客様に提供してきております。現在は、Aidemy Businessを組み合わせて、より早期に、かつ高度なデータサイエンティストの育成を支援しております。
当社のプログラムで特徴的なのは、データサイエンティスト向けのみではなく、事業サイド、ビジネスサイドの方々向けにもデータ活用に関する研修を行っていることです。具体的には「データを活用するとはどういうことか、それぞれの部門ごとのデータ課題は何か。」ということを理解、発掘してもらい、データ分析者のみではなく全社員がデータ利活用を行える土台を作っています。
また、実際にお客様の社内でデータ分析組織を立ち上げ、そこに弊社のデータサイエンティストが常駐し、実際にデータ分析の業務に対応しながらお客様側のデータサイエンティストを育成するという組み合わせ型のサービスも多く提供しております。その会社のビジネスを深く理解し、業務に即した知識やスキルを持ったデータサイエンティストの育成をご支援しています。
データというのは今まで活用がし切れていなかったものであり、データを活用するIT等の技術と人材が揃い、ようやくデータを活用して課題を解決することができるようになってきました。
あいおいニッセイ同和損害保険株式会社様の事例は下記Webを参照ください。
https://www.tdse.jp/case/2947/
データサイエンティストとは何者か
では、本題です。
データサイエンティストの不足については周知の事実です。
一方、「データサイエンティストとは何者か」については正確な理解はされていません。データを分析できる人。ある一定のスキルを持っている人。などという漠然としたイメージは存在しますが、「データサイエンティストが何の役に立つのか」という問いに対する解は、“各社各様”であるのが実情です。
データサイエンティストに必要な要件は、データサイエンティスト協会の定義を引用すると、「ビジネス力」「データサイエンス力」「エンジニア力」。この3つの領域のスキルがデータサイエンティストに必要だと定義されています。
当たり前のことですが、こんな人はめったにいません。
データサイエンティストのコアスキルは、データサイエンス力で、ここにエンジニア力が備わっていれば、かなり高度な人材です。当社はそのような人材がいる会社です。
逆に、この中でデータサイエンティストが最も身に着けるのが困難なスキルはビジネス力になります。
では、ビジネス力をもっている人はどこにいるのか？その答えは、ビジネスをされている皆様です。「データを活用して何を解決するのか」「どのような形で事業に対して価値を出していくのか」というビジネス力は実際のビジネスに携わっている方こそが考えられることなのです。このビジネス力がしっかりと定義されていて始めて、データサイエンティストのスキルを活用してデータの視点で解決策を立案し、解決することが可能になります。
「DXをやりたいので支援してほしい」「うちにはデータがいっぱいあるから何かやりたいのですが」といった話を、以前はよく聞きましたが、何が課題で何を目指したいのかという点がない場合には多くのデータサイエンティストは価値を出すことができません。
特に優れたデータサイエンティストは、スキルが高いほど、ビジネスの世界との接点が少ない場合があります。そのため、ビジネス側の要件は事業側を交えてしっかり考える。もしくはビジネス側で要件を定義をした上で我々のような外部の支援会社ご依頼いただくことが価値を出すためには重要だということを改めて感じています。
AI導入時にはビジネス課題の選定と組織間の連携が必要
ビジネス力といわれるビジネス側に必要な要件は大きく2点あります。一つは、ビジネス課題の選定。そして実際に導入し施策を実行するまでの組織間連携や根回しです。
ビジネス課題の選定について掘り下げると、課題・目的の定義、そして費用対効果の2点となります。その課題を解決するとどれだけメリットがあるのか、必ず試算する必要があります。また、単純な金銭価値だけではなく、お客様の満足度やUXの向上など中長期的にどの程度競合と差別化ができるのかなどを算定しないと、ただ「費用が高いな」ということになります。特にIT投資は予算規模も大きくなり、導入後の投資対効果が大きく問われる原因にもなります。
データサイエンティストやさらに我々のような外部の会社には効果面。特にベネフィットの試算は困難です。理由は簡単で、ビジネスのことはビジネスを行っている方々がプロであるからです。課題が解決されるとどんなメリットがあるか、ビジネス的な価値がどれくらいになるのか。短期、長期で試算をしていただければ、データを活用してその課題を解決する意味があるかどうか明らかになり、それが定義されて初めて、データサイエンティスト、エンジニアの出番になります。このビジネス課題の選定部分をしっかり行わないと「高いね」というだけで終わりますし、PoCと呼ばれる検証のみでプロジェクトが先に進まない場合が多いくなりがちになります。
根回し不足によるAIプロジェクトの失敗事例
もう一つ重要な、組織間連携の重要性に関して、当社の失敗事例を元にご説明します。
携帯電話会社の営業企画部門から、「解約者の予測をしてほしい。他社に乗り換えそうなユーザの予測モデルを作ってほしい」という依頼がありました。サービスから離反しそうな人の予測モデルを作成し、リスト化することは今の技術ではそう難しいことではありません。ですので、離反確率を出して離反可能性の高い順にリスト化し、営業企画部門にお渡ししました。
当然、この予測モデルは活用されなければ価値を生み出しませんので、このリストをもとに、営業部門やマーケ部門が施策を実行していくことになります。マーケ部門に関しては、特定の人に対して、乗り換えられないようキャンペーンを打つといった施策。営業部門に関しては、大口の法人顧客がいるならば、そのリストをもとに営業活動を行うなどの施策が考えられます。
しかし、いざ施策を実行しようと施策実行の部署に話をしたら、現場の担当者から、「そのリストが信用できない」とか、「今まで通り、全てのリストに営業すれば良いのでは」という反対の声が上がり結局作ったリストがまったく活用されないということになりかねない状況に陥りました。
このお客さまのケースは、最終的には施策が実行され、解約率も下がり、成功したので良かったのですが、施策実施までを最初に設計しないと現場の方は動かないということです。
データサイエンティストがデータ分析を行ってもそれを実際に活用していただかないと、価値が出ず、失敗事例として終わってしまうケースは圧倒的に多いです。
何を解決するべきなのかというビジネステーマの選定、それが解決されると収益の面でどれだけ効果があるのかという試算、さらに、それを実行するための関係部署への根回しや組織間の連携ができないと、いくら優秀なデータサイエンティストがいたとしても価値は出ません。結果として、データサイエンティストは活躍できなくなり、孤立してしまいます。
AI導入を成功に導く緻密な組織づくり
先ほど、ビジネス要件はビジネス側の人がしっかりと定義することが重要と述べましたが、実際はそのようにきれいに役割分担ができることは稀です。
現在、取り組んでいるお客様の例ですが、各事業部門、つまりビジネスサイドの方々とデータサイエンティスト部隊が一緒にビジネス課題とデータ分析課題を定義しようと推進しています。データ分析組織に「案件開拓チーム（仮称）」を設置し受け身ではなく主体的に活動を行っています。
これは、データサイエンティストとそのチームの方が一緒に事業部門側に赴き、「データを使って何をするべきなのか」を教えていくような役割です。この活動を通じて多くの潜在的なビジネス課題や、解決できれば全社的にメリットがあるような部門内だけでは解決できない大きな課題への取り組みを開始できるようになりました。
この取り組みを通じて、データサイエンティストは、ビジネス力のスキルが身に付き、ビジネスサイドの方々に対しては、データサイエンス力にふれる機会を創り出していくということです。
実際、ここまでの形が作られるまでに2年かかっています。データ分析組織が作られ、最初の1～2年はいくつかの小さな成功事例を作るフェーズとして位置付け活動してきています。最初はみんながデータ活用で課題を解決することに協力的ということはありませんので、効果が出るのに時間のかかるテーマに取り組むのは得策ではありません。QuickにWinできることを積み上げ、それが社内で認知されていき、共感されるようになることで全社活動としてデータ活用の取り組みが加速していくことになります。
この最初のステップが非常に重要で、逆に言えばここが非常に難しい点です。成功事例が社内に伝播し、かつ緻密に動いていかないと、いつの間にか自然消滅していくケースは多く見受けられます。DXが流行りものにならないようにするためには、このような緻密な設計と、3年程度を見通した活動のマイルストーンを立てていかなければ上手く行かないというのが、我々として身にしみて感じているところです。
では、何から手をつければいいのか。という点になりますが、簡単に言えば、ビジネス視点で効果が高く、データサイエンティスト視点で実現可能性の高いテーマから取り組むと成功しやすいということになります。
まとめると、データサイエンティストの活用というのはあくまで手段です。データを活用してどんな課題を解決するのかを、ビジネス側と一緒に考えて進めないとデータサイエンティストの本来の力は発揮されず、孤立してしまいます。一度社内で失敗というイメージがついてしまうと、リカバリーするのは非常に大変です。
このようなうまくいかないケースが顕著に見られますので、その点を意識していただければなと思っています。
