データが活用される状況を知るために、まずはデータの特徴から切り込んで、システムやアプリケーションとは異なることを知っていただきます。
そして、その特徴を持つものを浸透させていくべく、民主化に必要な要素を挙げていきます。
突如脚光を浴びたデータ分析という仕事
この10年で、「データ分析」「データサイエンティスト」といった言葉が IT の世界に現れ始めました。
従来の IT では、経営課題を解決するための手段として、IT システムの構築が IT に携わる人々の主な業務でした。
しかしながら、データ分析とはどのような仕事なのでしょうか。Python を使うからプログラマーがやることでしょうか。機械学習を使うから AI エンジニアの領域なのでしょうか。
残念ながらどれも違います。この勘違いがあると、データ基盤を理解することはできません。
データは人を選ぶ
[分析] のプロセスと [構築] のプロセスは、大きく異なります。
システム開発などモノづくりの思考プロセスは演繹的なプロセスと言えます。AならばB, BならばC、ゆえに A ならば Cである、という理論の連鎖です。だからシステム開発の計画はその逆算で必要なタスクと期間を算出して行います。
一方、分析の思考プロセスは枚挙型帰納法というプロセスになります。一つの事象の原因を多数上げ、それら個々の可能性を立証すべくさらなる多数の事象を挙げることを繰り返します。最終的に残った仮説の連鎖を1から順に適用して正しかったことを証明 (最高確率のものとして断定) します。
一般的に、演繹的思考プロセスには個人差はほとんどありません。ITシステムを設計した人とそれを作る人を分けることができるのもそのためです。要件を渡せばどの下請け業者でも製造可能で、出来上がるものに対した差はありません。
しかし、帰納法は非常に大きな個人差が出ます。データの分析では仮説を列挙できる者がいなければならなりません。だから、データ分析は誰にでもできるものではありません。
システム構築のように人に依存せずできるとすれば、それは BI 作成、機械学習、データセット作成など「集計代行」だけです。
 |  |
| 演繹的な思考は個人差が無く、物量的で積み上げで表現。 役割分担が可能 | 帰納的な思考は個人差が大きく、仮説と検証を回すプロセスを繰り返して進める。仮説を立てる精度がモノを言う。 |
販売実績データを可視化して、グラフの山や谷を見つけるのは誰だってできます。一般的なコメントも然りです。
しかし、なぜそれが起きたのか、仮説を立てる行為は、そのデータ同士の相関の外にある事実から考えなければなりません。
季節的に発生する出来事、突発的に発生した記憶、過去の経験など、記憶や直感が大きくものを言います。
つまり、システム開発と違い、データは人を選びます。
データの民主化とはデータと人のマッチング基盤
データを活用しやすい組織とは、あるデータが示すファクトに対し、背景を含めよく知っている人をあてがえる状態の組織です。
組織内のあらゆる人が、データを探し、解釈し、自分の業務に活用できる状態こそが、データの民主化の状態です。
その実現に必要な要素と実現手段を列挙すると、以下のようなものが考えられます。
1. データプロダクトとオーナーシップ
| 要素 | 実現手段の例 |
| データプロダクトという単位の定義 | プロダクト化されたデータセット、データプロダクトカタログ |
| プロダクトオーナーシップ | データプロダクトオーナー、データスチュワード |
| 品質・提供保証の明示 | SLA/SLI定義、データ契約(Data Contract) |
| 利用者からのフィードバック | フィードバックフォーム、利用者コミュニティ |
2. アクセシビリティ、データの公開
| 要素 | 実現手段の例 |
| データに関するメタ情報 | データカタログ、メタデータ管理ツール、データサンプル/仕様書ショーケース |
| データ検索の手段 | データカタログ、オンラインコミュニティ、社内Wiki等 |
| データ入手の簡素化 | データカタログサイト、データディスプレイサイト、社内ベースレジストリ |
| 主管部署の明示 | データ公開ポリシー |
3. マスターデータ・リファレンスデータ・標準
| 要素 | 実現手段の例 |
| マスターデータの統合(顧客/製品/組織等) | MDMツール、ID名寄せ基盤 |
| コード体系・参照データの統一 | 共通コード管理台帳、リファレンスデータ管理 |
| データ標準の確立 | 概念データモデル、標準ルール、社内ベースレジストリ |
| 共通語彙の整備 | ビジネス用語集(グロッサリー) |
4. データ品質・信頼性の可視化
| 要素 | 実現手段の例 |
| 品質の確保(静的ルール) | データ品質ポリシー、責任所在明確化 |
| 品質の継続的モニタリング | データオブザーバビリティツール、品質SLA監視ダッシュボード、異常検知 |
| データの来歴追跡 | データリネージ可視化ツール |
5. 習慣・データドリブン文化
| 要素 | 実現手段の例 |
| データを使う習慣 | ログ(作業記録)記載可能なPJ管理ツール、CRM、公開データベース、社内検索エンジン |
| 業務データを記録する習慣 | ログ記載可能なPJ管理ツール、CRM、案件メールや議事録自動作成/検索ツール |
| データに基づく活動評価 | アワード、社内コンペ |
| 経営層のコミットメント | データ活用KPIの経営ダッシュボード化 |
6. 教育、共有、スキルの底上げ
| 要素 | 実現手段の例 |
| データ解釈リテラシー | データの解釈に関する教育、利用経験 |
| データ2次利用リテラシー | データの2次利用に関する教育、利用経験 |
| 生成AI/LLM活用リテラシー | 生成AI利用トレーニング、プロンプト設計研修 |
| ナレッジ共有 | 社内オンラインコミュニティ、社内Forge |
| オーナーとスチュワードの役割明示 | 役割モデルの明示化、組織体制 |
*無駄な定例会を誘発する横つながりの組織体は避ける
7. セルフサービス環境
| 要素 | 実現手段の例 |
| 調査の自由化 | 払い出し可能なデータ作業エリア、サンドボックス環境 |
| 分析ツール自由化 | Azure, AWS, Snowflake, Databricks等の共用ライセンス |
| BIツール自由化 | PowerBI、インターネットアプリの許容 |
| AIエージェントによるデータ探索 | 社内向けRAG/データアシスタント |
8. ルール・セキュリティ・プライバシー・コンプライアンス
| 要素 | 実現手段の例 |
| セキュリティの確保 | セキュリティポリシー、2次配布ポリシー、機密情報分類 |
| プライバシー・越境データ対応 | 各国個人情報保護法対応方針、データローカライゼーションルール |
| AI利用ガバナンス | AI学習/推論データの利用同意管理、モデル利用ポリシー |
コメント