見出し画像

顧客理解を前提としないDX(デジタルトランスフォーメーション)とは?

自己紹介

(株)DATAFLUCTのエバンジェリストの小川と申します。DATAFLUCTは非構造データも格納するデータレイクを構築し、AutoML(Automated Machine Learning)による予測や推定を駆使したDX(デジタルトランスフォーメーション)によって企業の課題を解決するデータサイエンススタジオです。当社のVISIONは、「データを商いに」することです。メンバーはデータサイエンティスト、エンジニアやプロジェクトマネージャー、UXデザイナーを中心に構成されています。私を含め、多くのメンバーが業務委託&フルリモート稼働です。大手企業との兼業や自らが経営している会社もあるようなメンバーが多いです。

私も(株)秤という会社を経営しております。これまでに総合広告会社やデジタルマーケティング会社など20年くらいのキャリアがあり、一貫して戦略から戦術までマーケティング支援に従事してきました。マーケティングに必要なデータサイエンスを学び、「TVCMやインターネット広告などのマーケティング施策が、それぞれ売上をどれだけ増やしているか?」数理モデルによって効果を推定し、予算配分の最適化試算まで行うマーケティング・ミックス・モデリングを学べる「Excelでできるデータドリブン・マーケティング」という書籍を2018年11月に出版しました。

秤では主にマーケター向けのデータサイエンスに関する執筆や研修、企業向けのアドバイザリー支援を行っています。業務委託での他の肩書として、パナソニック(株)のD-Locator’s HUBのアドバイザリーメンバーや、デジタルマーケティング会社のマーケティングストラテジスト、PR会社のフェローなどがあります。

D-Locator’s HUBは、データを活用したマーケティングや商機の提案をパナソニック社内で横断的に行っているメンバーのチーム名です。Digitalizationへの道を拓くLocators(水先案内人)という意味が込められています。

データレイクとは?

DATAFLUCTが手掛けるDXにおいて重要なデータレイクについて紹介します。

データレイクとは?
「多種多様なデータを本来のフォーマットのまま保管する広大な領域のこと。ログファイルや画像ファイル、音声ファイルなど特定の構造を持たないデータを「非構造化データ」といい、リレーショナルデータベースのようにデータの属性を構造的に管理するデータを「構造化データ」と呼ぶ。」
参照:大塚商会/IT用語辞典 

データレイクは、旧来からあるデータウェアハウス(DWH)と対比して説明されることが多いです。通常はあらかじめ分析の目的や手法を定義し、それに合わせて必要なデータを絞り込み、特定のデータ形式で構造化したデータを保存し活用しています。これがDWHのデータ活用です。今後のイノベーションとして活用が期待されているのは、GPSやTwitterなどのSNSの書き込みや、画像・映像、音声などの非構造化データです。データレイクではこうした非構造化データも蓄積し、分析の目的に応じて取り出して活用できるため、分析対象や目的が変わったときにデータ不足でニーズに応えられない事態を避けることができます。ただし、これを使いこなすには高い分析能力と運用能力が求められます。データレイクは使いこなせなくなるとレイク(湖)ではなく「データの沼」となってしまいます。その点において、DATAFLUCTは多くの実績と知見があります。

例えば、DATAFLUCTの原田さんが過去に執筆したnoteでは、データレイク構築におけるマルチクラウド活用術を紹介しています。「性悪説にもとづいたセキュリティ対策とは?」と渋いテーマですが、おそらく現時点では他を探してもここまで生っぽいノウハウは公開されていないと思います。

上記はエンジニア向けのコンテンツですが、私は経営者やマーケターなど非エンジニア向けにDATAFLUCTが手掛けているデータレイクなどの最先端のソリューションや活用事例を紹介する役目を担っており、ウェビナー登壇やセッティング、noteの執筆やSNS投稿、広告配信などを行うコンテンツマーケティングを担当しています。

データドリブン・マーケティングを俯瞰する。

私は、これまでのマーケティング業務で多様なデータを扱ってきました。販促イベントを中心としたセールスプロモーションの企画制作に携わった後、電通グループをはじめとした総合代理店で10年以上、主に消費者パネルデータなどのシンジケートデータを活用し、TVCMを中心とした億円単位の予算規模のマーケティングコミュニケーションをプランニング・実行してきました。その後、月間1億円近い運用型広告などダイレクトマーケティングにおけるデータ分析と最適化に従事し実績を積んでから、デジタルマーケティングコンサルティング会社でカスタマーエクスペリエンスデザインに関わり、今はDATAFLUCTでデータを活用したDXを主戦場にしています。およそ20年のキャリアで、トラディショナルなマーケティングにおける戦略策定のデータサイエンスからAI活用のDXまで幅広く関わってきました。

データドリブン・マーケティングの潮流を俯瞰すると、大きく3つに分類でできるのではないかと考えました。ひとつめは「トラディショナルなDDM(データドリブン・マーケティング)」。ふたつめは「カスタマーセントリックなDDM」。3つ目は本noteのタイトル「顧客理解を前提としないDX」です。

本noteでは、顧客理解という言葉を潜在的な顧客を踏まえた広義のものとして、人間理解に近い意味として用いています。

①トラディショナルなDDM

トラディショナルとは、伝統的であるさまです。日本を代表するマーケターの森岡毅氏と今西聖貴氏による名著、確率思考の戦略論

で紹介された、消費者のブランド選択における確率的法則を用いた需要予測をマーケティング意思決定に活かす方法や、拙書で紹介した数理モデルから広告による売り上げへの介入効果を推定する方法などです。こうした手法は、10年以上前から一部のマーケティング先進企業では行われてきました。扱うデータも、数千人程度の標本の消費者のデータや数百日程度の時系列データなどスモールなデータです。統計や因果推論、確率モデルなどの学術的知識のバックボーンと分析ソフトがあれば分析できます。

しかし、マーケティングの現場では、こうした基礎となるデータサイエンス知識が未だに広く浸透していない状況です。私が設立したは森岡氏が経営するマーケティング精鋭集団「刀」

から着想を得たものであり、マーケターに本来必要なこうした知識をとして提供し、日本のマーケターの意思決定を確かなものにしていくことをミッションとしています。

トラディショナルなDDMでは、データ収集蓄積の基盤などの環境構築が前提ではありません。調査パネルデータや時系列データのスモールデータ分析が主体となるため、Excelなどでも扱えるものも多いのですが、統計や因果推論などの基礎知識があり、「調査やABテストなど定量分析における差に意味があるのか?」「因果関係を推定しても問題ないケースなのか?」といった意思決定を適切に行えているマーケターは実は少ないです。そうしたリテラシーのレベルが、マーケティング組織の意思決定による成功確率を左右します。

②カスタマーセントリックなDDM

デジタルマーケティング時代の顧客中心思考によるDDMです。これを実現するには、CXD(カスタマーエクスペリエンスデザイン)が重要です。CX(カスタマーエクスペリエンス)とは、製品やサービスの認知から、検討、購入、情報共有に至るまで、企業と顧客のコンタクトポイント全体のことを指します。これを顧客目線で最適なものとすることを追求するのがCXDです。

スマホの普及以降、企業は顧客の行動をサイトやアプリのアクセスログやSNSの書き込み、実店舗での購買ログ、位置情報などによって把握できるようになりました。どんなコンテンツを見て、どんな言葉を検索して、どんな時にどんな商品を買っているか?こうしたデータによって、顧客をある程度理解できるようになりました。こうした顧客理解のためのデータやデジタルマーケティングツールを活用して、顧客ごとにサービス体験を最適化していきます。昨今よく耳にするカスタマーサクセスD2Cも、カスタマーセントリックなDDMの枠組みの中で捉えることができると思っています。

カスタマーセントリックなDDMの要点は、主たるデータとして顧客の行動ログをマネジメントし、顧客との関係づくりをコミュニケーションやサービスデザインによって行うことです。それをアシストするツール(DMPやMAツール、BIツール、WEB接客ツール)もよく活用されています。

しかし、行動ログから顧客の理解ができるようになったといっても、取得できるログは対象ユーザーの行動のごく一部であり、顧客の考え全てを理解は出来ません。確かな戦略を導くためには、顧客理解に必要な鋭い洞察力や仮説構築力、仮説検証力などを有する優れたマーケターの力が必要です。

日本初のCDO(Chief Digital Officer)として、オンラインとオフラインをまたいだ体験づくりを構築してきた長瀬次英氏の記事では、カスタマーエクスペリエンスデザイン戦略における重要な視点を学ぶことができます。

CXDは、全社の経営改革という意識で臨まないといけません。例えば、飲食チェーンがネットで注文を受けたら、ユーザーが店頭で並ばずにスムーズに商品を受け取れる「アプリを開発」するとします。この場合、検討し実装すべきは店頭オペレーション改善を含む全体の業務改革となり、アプリ開発チームだけでは完結しないものとなります。全社で取り組まないとCXDの競争優位は作れません。行動データを活かした素敵なCXをユーザーに提供し、ユーザーの行動データがさらに集まるサイクルを作ることが、カスタマーセントリックなDDMの要点です。

③顧客理解を大前提としないDX

トラディショナルなDDMカスタマーセントリックなDDMでは顧客理解が大前提となっていますが、今後、ビッグデータを活用した顧客理解を前提としないDXが新たなトレンドになるのではないか?と考えています。

データレイク+AutoML

仮にみなさんが、全国のサッカースタジアムの最寄り駅前に出店している飲食店チェーンのマーケティング責任者だとします。ここではいったん新型ウィルスの影響がある前の想定で、収益を最大化するためのデータ活用を考えてみます。

まず、この飲食店チェーンの売上を左右する要因について仮説を立ててみましょう。各スタジアムで組まれる試合の内容や、どんなチーム同士が戦うか、対戦カードのこれまでの勝敗によっても来場数が左右されそうです。とくに優勝争いなど白熱している際のほうが多くなりそうです。「特定のチームのファンが熱心に盛り上がっているか?」のトレンドを象徴する変数として、ツイートなどSNSの書き込みの状況によっても来場数に変化がありそうです。

また、天候や気温によって、来客数や飲食店で売れるメニューにも変化がありそうです。終電に間に合うかや試合の終了時間によっても来客数は変わりそうです。ほかにも、連勝でにわかファンが増えるくらい大人気のチームのサポーターが勝利後に来店するとたくさんお酒を飲むでしょうか?それとも弱くても負けても熱心なサポーターがいるチームのほうが飲むでしょうか?

マーケター目線で顧客を想像して考えると、様々な仮説や検証したいポイントが浮かんできます。店内のお客様の様子を詳しく観察して検証してみたくなってきます。これはマーケターの性(サガ)かもしれません。こうした顧客理解による仮説を検証する演繹的なアプローチが、既存のマーケティング業務におけるデータサイエンスであり、私も担ってきた役割でした。

そうした仮説検証を大前提としないイノベーションが、非構造データも格納できるデータレイクAutoMLによって実現するDXです。

データレイクを構築し、気象や商圏情報、SNSなど、構造化・非構造化を問わず外部の様々なビッグデータと当該飲食チェーンが保有する売上や顧客の会員データなどを組み合わせ、探索的な分析をAutoMLで実装します。来客数や売れるメニューを精緻に予測するモデルから、過不足ない量の食材調達や、混雑予測の時間帯に合わせた最適な人員配置を実現すれば、収益改善によるリターンを得られます。

顧客の行動を仮説し検証する演繹的アプローチではなく、非構造化データを含むビックデータから探索する帰納的アプローチによって来客数や売れるメニューの予測に有用な要因を発見し、それを用いた精緻なモデルから意思決定の自動化を目指します。AutoMLにより、モデルの精度はアップデートされ続けるのです。

下記画像をクリックすると、ビッグデータと強化学習で在庫管理や人員配置などの改善を実現する需要予測サービス『DATAFLUCT forecasting.』のプレスリリースに遷移します。

画像1

かつて低迷を続けたユニバーサル・スタジオ・ジャパンが「映画のテーマパーク」から脱却し、「世界最高のエンターテインメントを集めたセレクトショップ」へ転換したように、最も重要なコミュニケーションの方針を定義したり、ハリーポッターエリアに450億円を投資したり、大きな枠組みでサービスデザインの注力領域を見定めるマクロ視点での意思決定においては、マーケターの優れた仮説構築力や仮説検証力が必要で、それは顧客理解が前提となります。

かたや、飲食チェーンの食材調達や人員配置といった日常的に各店舗で行われているミクロ視点での意思決定の積み重ねも、業績を大きく左右します。データレイクAutoMLによる先進的なビッグデータ活用の精緻な予測モデルでミクロな意思決定を自動化すれば、大きなビジネスインパクトを得られる可能性があります。それこそが顧客理解を前提としないDXです。

復活を果たしたUSJも、森岡氏が手掛けたようなコミュニケーションの大方針の転換の裏では、ミクロ視点での日々の意思決定の地道な改善の積み重ねがあったのではないでしょうか?

下記記事では2014年に入社されてから、USJで地道にデータドリブンマーケティング環境構築を進めてきたエピソードが書かれています。

ここで、日々店舗で行われていたミクロな意思決定をドラスティックに変革したことで、年間40億円以上の収益改善効果が推察された事例を紹介します。これは、TBSのTV番組『がっちりマンデー』で紹介されたものです。ちなみに、番組の正式タイトルは『応援!日本経済 がっちりマンデー!! 日曜に勉強!月曜から実践!』で、がっちり稼いでいる成功企業の事例を日曜に学んで月曜から生かそうという主旨です。マーケティング事例考察の題材として適宜視聴しています。

2019年8月4日の放映回で、くら寿司の事例が紹介されました。同社はもともと各店舗スタッフが経験と勘によって回転レーン上に並べるお寿司のネタの順番を決めていたそうですが、ある時から全国で並び順を統一するオペレーションに変更。本部の専任担当者の試行錯誤によって、年間の廃棄ロスを10%から3%まで下げたそうです。

ここから紹介する数字は番組内での紹介ではなく、私がざっくり弾いたものです。回転寿司チェーン売上2位のくら寿司の2018年10月期の売上高は1,324億円で、くら寿司の原価率は約50パーセントです。1,324億円が全て日本国内の売上ではないと思いますが、50%の原価のうち7%のロスの削減による経済効果は46.37億円です。寿司の好みや仕入れは個人や季節、地域ごとの差があるはずなので、本来は全国統一ではなく各店舗ごとにお寿司のネタの並び順を最適化したほうが望ましいと思いますが、各店舗スタッフがそれを経験と勘ではなく合理的に数字で判断することは難しいと思います。そこで意思決定を本部が全て引き上げてしまい、顧客ごとのペルソナから仮説するのではなく、全国統一のオペレーションによる全体最適の実験を繰り返し7%改善に至ったのだと思います。顧客理解を前提としない成功例だと思いました。

こうしたケースでデータレイクAutoMLで気象データなどビックデータを活用し、各店舗ごと、その日ごとに最適なお寿司のネタの並び順や食材調達や人員配置を自動化する仕組みを実装すれば、顧客理解を前提としないDXとして、さらなる収益改善が見込めるかもしれません。

プロセス解明にこだわりすぎない意思決定

このようなDXを推進するためには、マーケターはデータサイエンスやデータエンジニアリングの基礎知識を身につけるだけでなく、マーケターとしての思考を柔軟に変化させる必要があると考えます。アメリカの大学院に留学していた大先輩から、「米国の経営者は分析結果から意思決定を行う際、その数字に至るプロセスについて根ほり葉ほり聞かずに、数字を元にした合理的な意思決定ができる方が多い(日本人はプロセス解明にこだわる方が多い)」と聞いたことがあります。

私がデータサイエンスを真剣に行うようになった原点は広告効果の定量化だったため、これまで大規模な広告予算を投じている企業からたくさんの相談を受けてきました。相談のなかには、因果構造や態度変容のメカニズムの解明など演繹的アプローチの分析に必要以上にリソースをかけてしまっているケースもありました。「仮説検証はどこまで行うのが適切か?」の判断はケースバイケースで難しいのですが、顧客の態度変容などプロセスの解明にこだわり過ぎず、米国の経営者のようにドライに意思決定するスタンスも必要だと思います。マーケティングは、主に顧客理解や人間理解を前提とした奥深い業務です。論理と心理、左脳と右脳、ビジネスとアートまたはクリエイティブなどをいったり来たりしながら、解なき解を探求する仕事です。

マーケティングコミュニケーションの大方針を定めるマクロな意思決定の場面では、どんなターゲットに(WHO)どんな根源的な価値を訴求するのか(WHAT)、様々なバイアスを理解した上で徹底的にサイエンスする必要があります。しかし、ミクロな意思決定の場面ではプロセスの解明にこだわり過ぎず意思決定することも重要です。

(まとめ)顧客理解を前提としないDXとは?

データレイクAutoMLの先進的なビッグデータ活用による精緻な予測からミクロな意思決定を自動化することで大きなビジネスインパクトを生む、帰納的アプローチでした。
AIの活用が本格化する今後、マーケターは既存のやり方(仮説ありきの演繹的アプローチ)に固執せず、顧客中心のDDM(またはDX)も顧客理解を前提としないDXも、両方使いこなす柔軟性が必要ではないでしょうか?

本noteでは、演繹的アプローチと帰納的アプローチという言葉を多用してきました。DWH(演繹的アプローチ)データレイク(帰納的アプローチ)の関係については、AWS Summit Tokyo 2019丹羽 勝久氏(アマゾン ウェブ サービス ジャパン株式会社 技術統括本部 ソリューションアーキテクト)によるプレゼンテーションの導入部分(9分位まで)の説明が非常に分かりやすいです。DWHか?データレイクか?いずれかを選択するものではなく、補完関係であることも分かります。

※実際には、データレイクAutoMLの活用は店舗業務などミクロな意思決定の最適化に限定されるものではありません。マーケターの基本思考となる顧客理解の枠外のDXの例を知ってもらうための説明でした。

ビジネスドリブンに課題を解決するDXの成功モデルを、データレイクAutoMLの最先端のデータサイエンスも駆使して、みなさんと増やしていけたらと思います。ここまでお読み頂きありがとうございました!

告知 

※適宜更新させて頂く可能性があります。

今後のイベント告知と個別勉強会のご案内

データレイクAutoMLによるDXについては、まだ着手できていない企業がほとんどだと思います。今後は、DATAFLUCTのCEO / Founderの久米村さんやその他メンバーや私がオンラインイベントで登壇する機会を、自社開催のイベントに限らず増やしていく予定です!テーマをなるべくフォーカスし、データサイエンスの先端についてお話させて頂きたいと思っています。ぜひ、DATAFLUCTのnoteDATAFLUCTのtwitterをフォロー頂けますと幸いです。

また、企業個別に行うDX勉強会もご相談ください。DXを推進したい、またはクライアントのDXを支援したい企業、各社に対して行うクローズな勉強会です。このほうがさらに濃いお話ができるので、実際のビジネスに繋がりやすいと思います。費用は大まかな目安はありますが、個別の状況に応じてお見積りしますので、下記のお問合せフォームから「個別DX勉強会」の記載を入れてご相談ください。

問い合わせフォーム

仲間募集

DATAFLUCTで働くメンバーと、これからDATAFLUCTで働くかもしれない未来の仲間に向けて事業の方向性を説明した久米村さんのmediumです。事業責任者も募集中です!

採用応募や、その他ご相談なども、問い合わせフォームからお気軽にご連絡ください!




この記事が気に入ったら、サポートをしてみませんか?
気軽にクリエイターの支援と、記事のオススメができます!
note.user.nickname || note.user.urlname

よろしければサポートお願いします! いただいたサポートは事業改善で活かします!

スキありがとうございます!更新頑張ります!
55
DATAFLUCTの公式noteです。 技術にまつわる情報やメンバー紹介などを投稿していきます!

こちらでもピックアップされています

#DX 記事まとめ
#DX 記事まとめ
  • 91本

#DXと書いてあるnoteの記事をまとめていきます。

コメントを投稿するには、 ログイン または 会員登録 をする必要があります。