ビッグデータと分析、べストなビッグデータツールなどデータを活用した効果的な成果の紹介

ビッグデータ分析とは何か

いくつかの例えでこの問いに答えるとすれば、次のとおりです。

  • ビッグデータが干し草の山だとすれば、分析はその中の針を見付ける手段。
  • ビッグデータが大きな波だとすれば、分析はサーフボード。
  • ビッグデータがノイズだとすれば、分析はシグナルを拾う手段。

これらの例えはいずれもある程度真理を突いていますが、ビジネスは宝探しではありませんから、ビッグデータ分析の方法は実際にビジネスを前進させるだけの付加価値をもたらすアクションであると捉えるのが最も的確でしょう。 そして、ビッグデータに関する困難の多くが発生するのもこの部分です。

ビッグデータ分析企業 具体的な問題はと言えば、企業がビッグデータの準備とロードに多大な時間や資金、労力を費やす一方、意思決定に役立つ知見を得るための分析の適用には十分なリソースを割いていないことです。 これを克服するには、データ準備のプロセスを効率化するツールを手に入れる必要があります。 適切なツールを活用してこそ、企業は分析におけるアジリティを大幅に向上させることができ、これを果たして初めて、従来の分析技術(顧客セグメンテーションによく使われる統計分析や取引分析など)を脱することができます。

ビッグデータ分析のタイプ

重要なのは、ビッグデータ分析は1つのアプローチやツールではないということです。 状況により、ビッグデータのビジュアライゼーションが必要な場合もあれば、関係性分析が妥当な場合もあります。 アプリケーション中心の思考に偏りすぎている企業はリスクを招くのが現実であり、 むしろコンテキストに応じてさまざまなタイプのビッグデータ分析を使い分けるのが最善策です。 ビッグデータの他の要素と同様、最終的にはビジネス上の課題と機会が焦点となります。 まずは、ユーザーが以下のどれを求めているのかを見極める必要があります。

  • 市場データの時間的パターンまたは地理的観点からの考察
  • マシンログやセンサーデータに基づく、手順に関する知見
  • 単一製品または複数製品、発売前の製品の動作パターンの相関関係

多くの場合、ビッグデータ分析においては、1本の針が干し草の山に紛れてしまう前に見付けだすための予測能力が鍵を握ります。 ビッグデータ分析は、人気の高いeコマースサイトなどでお馴染みのレコメンドエンジンの基盤となっているのも事実ですが、 その一方で、市場感応度を踏まえた経営上のアクションにもつながります。 人材やプロセスの相互関係の構造や性質に対する理解を深め、ユーザーが定義した結果を導くパターンを見極めることがその趣旨と言えるでしょう。

予測分析で大きなROIを創出

Yahoo! Japanは、ビッグデータ分析ツールを活用して顧客行動に関する詳細な知見を獲得し、カスタマイズしたサービスやターゲットを絞った広告により、1億ドルというROIを実現しています。

ビッグデータ分析の活用例:

  • 早期段階におけるテスト、および問題の特定 研究開発リーダーらは、リスクの高い投資を行う前に仮説を検証できます。 たとえば製薬会社は、新薬の治験時にビッグデータ分析を用いて患者の併存疾患のマッピングを行い、潜在的なリスクを特定することができます。
  • 双方にメリットをもたらす代替療法の選択 医療提供者やヘルスケア企業は、複数のソースが混在する広範な患者データセットのマッピングを行い、より有効性(とコスト効率)に優れた治療法を見出すことができます(疼痛管理技術または理学療法と手術の比較など)。 これは、患者と支払者のいずれにとっても望ましいことです。
  • 顧客の利益性に対する深い理解 経費のかさむロイヤルティプログラムを通じて維持する価値のある顧客と、競合他社に回すべき手間のかかる低価格志向者とをマーケティング部門が見極められれば、離反リスクの指標よりもさらに優れた競争優位性がもたらされます。
  • 予測不可能な重大事象のモデリング - 保険会社は、ビッグデータに高度なリスクモデリング手法を採用し、「ブラックスワン」(予測不可能な重大事象)シナリオに備えて資本準備金を事前に調整したり、請求データを相互に関連付けて不正防止能力を強化することができます。

ビッグデータ分析のベストプラクティス

では、何がベストプラクティスと言えるのでしょうか。 このような分析的思考を、戦略的計画やリソースの割り当て、パフォーマンス管理において標準化するにはどうすればよいのでしょう。

高度に構造化された取引・業務データから非構造化および半構造化、多構造化データまで、あらゆるタイプのデータに対応可能な分析能力を確立するには、データディスカバリーに単一のソフトウェアよりも広範なプラットフォームを採用すべきです。 大局的視点を持つために必要なのは、オープンソースの各種コンポーネントを統合する分析環境を、エコシステムという観点で捉えることです。

テラデータのビッグデータ分析を活用すれば、顧客に関するかつてなく詳細な知見を抽出し、これまで見逃されてきたパターンを認識できることは事実です。 しかしこれは、それらの知見がいかにパターン認識につながるか(干し草の山からいかに針を見付け出すか)という命題にすぎず、最終的にはこれをいかにビジネスに役立てるかがビッグデータ分析の焦点になります。

ビッグデータ:反直観的なビュー

ビッグデータか?すべてのデータか?データのコンテキストはどう重要なのか?データのサイズや量に関係なく”ビッグな”データを見るための新しい展望について業界のリーダー的存在であるConstellation ResearchのRay Wang、ForresterのMartha Bennett、Ventana ResearchのMark Smith、そして、StanfordのBlake Johnsonに話を聞きます。