記事

ビッグデータアナリティクスの可能性

より価値あるインサイトを発見する

データ分析よりもデータの準備に多くの時間を費やしていますか。ビッグデータ分析に焦点を当てることで、より多くの成果が得られます。

概要

企業はデータの収集と分類に多くの時間と労力を費やしますが、価値あるビジネスインサイトを得るためのビッグデータアナリティクスの適用には十分な時間をかけていないことがよくあります。企業は、データ準備のプロセスを効率化し、分析に焦点を移すための適切なツールを必要としています。

ビッグデータ分析とは

この質問に答えるとき、多くの比喩が当てはまります。

ビッグデータが干し草の山だとしたら、アナリティクスはその中で針を見つける方法です。
ビッグデータが巨大な波なら、アナリティクスはサーフボードです。
ビッグデータがノイズであれば、アナリティクスでシグナルを聞くことができます。

このようなたとえ話は若干的を射てはいますが、宝探しのビジネスでない限り、ビッグデータアナリティクスは、実際にビジネスを前進させる付加価値のあるアクションという観点から捉えるのが最適です。そして、ビッグデータの障害の多くは、そこにあるのです。

具体的には、企業は、ビッグデータの準備と読み込みに多くの時間、労力、費用を費やしているにもかかわらず、違いを生み出す洞察を見出すためのアナリティクスの適用にはほとんど時間を割いていません。これを実現するには、企業は、データ準備のプロセスをより効率的にするツールを見つける必要があります。そうすることで、企業の「アナリティクスのアジリティ」を大幅に高めることができます。これができて初めて、顧客のセグメンテーションによく使われる統計的分析やトランザクション分析などの従来の分析手法を超えることができるのです。

ビッグデータアナリティクスの様々な形態

ビッグデータアナリティクスは単一のアプローチやツールではないことに留意する必要があります。ビッグデータのビジュアライゼーションが必要な場面もあれば、コネクテッドアナリティクスが正解の場合もあります。実際、アプリケーション中心の考え方をしている企業にはリスクがあります。異なるタイプのビッグデータアナリティクスはことなるそれぞれに合った状況で使用するのが最適です。ビッグデータに関する多くの要件と同様に、ビジネス上の問題と目的に要件は帰着します。ユーザー次のような要件を求めています。

市場データの時系列パターンや地理的見解
機械のログやセンサーデータからの手順に関する洞察
単一の製品、複数の製品、またはまだ発売されていない製品の行動パターンの相関関係

ビッグデータアナリティクスは、多くの場合、予測能力を目的としています。いわば、干し草の山の中で見失う前に針を見つけるようなものです。確かに、ビッグデータアナリティクスは、人気のあるEコマースサイトでおなじみのレコメンドエンジンを動かすものです。しかし、それだけでなく市場の感性に基づいたオペレーションも重要です。人とプロセスの関係の構造と性質を深く理解し、ユーザーが定義した結果につながるパターンを定義します。

予測的分析がもたらす大きなROI

Yahoo! Japanは、ビッグデータ分析ツールを使用して顧客の行動を深く洞察し、サービスの調整や広告のターゲット化を行い、1億ドルのROIを達成しています。

ビッグデータアナリティクスの実践:

テストと仮説検証の迅速性ー研究開発のリーダーは、大規模な投資を行う前に、仮説を検証することができます。例えば、製薬会社はビッグデータアナリティクスを用いて患者の併存疾患をマッピングし、新薬のテスト時に潜在的なリスクを見つけることができます。
「Win-Win」代替治療の発見ー広範囲かつ幅広い層の患者データセットをマッピングすることで、プロバイダーや医療機関は、より効果的な（かつコスト効率の高い）治療法を見つけることができます。例えば、疼痛管理や理学療法と手術のどちらが良いかを判断することができます。これは患者にとっても有益であるだけでなく、支払い者にとっても役立ちます。
顧客収益性のより深い理解ー解約リスク指標だけでなく、マーケティング担当者が、寛容なロイヤルティプログラムで維持する価値のある顧客と、競合他社に奪われても仕方ない顧客を把握することで、競争上の優位性が生まれます。
ブラックスワンのモデル化ー保険会社は、高度なリスクモデリング技術をビッグデータに適用することで、「ブラックスワン」と呼ばれるシナリオに備えて資本準備金を調整したり、請求データを相関させて不正防止機能を強化したりすることができます。

ビッグデータアナリティクスのベストプラクティス

では、ビッグデータアナリティクスのベストプラクティスとは何でしょうか。戦略的計画、資源配分、業績管理において、このような分析的思考を企業で標準化するにはどうすればよいのでしょうか。

高度に構造化されたトランザクションデータやオペレーションデータから、非構造化データ、半構造化データ、多構造化データまで、あらゆる種類のデータに適した分析機能を実現するためには、単一のソフトウェアではなく、データディスカバリーのための広範なプラットフォームが必要となります。オープンソースのコンポーネントを統合した分析環境の「エコシステム」という考え方は、全体像を把握するのに適した方法です。

確かに、ビッグデータアナリティクスによって、企業はこれまで以上に深い顧客インサイトを見出し、これまで隠れていたパターンを認識することができます。しかし、これらの洞察が、実際にビジネスに役立つパターンにどのようにつながるかが成否を決めるのです。（干し草の山から針を見つけることを思い出してください。）

ビッグデータ・直感に反する見解

ビッグデータ？それともすべてのデータ？データの文脈はどれほど重要なのか？業界のリーダーであるConstellation Research社のRay Wang（レイ・ワン）氏、Forrester社のMartha Bennett（マーサ・ベネット）氏、Ventana Research社のMark Smith（マーク・スミス）氏、StanfordのBlake Johnson（ブレイク・ジョンソン）氏から、データのサイズや量に関わらず、組織内の「ビッグ」データを見るための新しい視点についてお話を伺います。

テラデータがビッグデータアナリティクスにどのようにお役に立てるのかご興味がありますか？ ビッグデータソリューションについて