Tableau ビジネスサイエンスのご紹介

AI プロジェクトの成功に必要なのはデータの専門知識と分野の専門知識

一般には AI に仕事を奪われるという恐れと誤解がありますが、ビジネス上の問題で、どれほど優秀なマシンでも人の判断力にとうてい適わない場面は数え切れないほどあります。たとえば営業部門は、最も利益が出るアップセル/クロスセルのビジネスチャンスを見出そうと、予測モデリングを活用することがあるかもしれません。顧客が購入する可能性をアルゴリズムで予測することはできますが、ビジネス上の関係を管理している人の重要な知識はそのアルゴリズムに備わっていないでしょう。顧客担当者は、顧客の目標やその目標達成に役立つ可能性がある製品を知っているでしょうし、あるいは過去の経験から、あるソリューションは購入の合意を取り付けられる可能性が低いことを学んだかもしれません。

このような細かい事柄には、アルゴリズムのみで得られる結果だけではなく人の判断力が必要です。そこで、人の専門知識、判断力、状況の認識力を、マシンが自動生成する厳密でスケーラブルなインサイトと組み合わせれば、より優れたビジネス成果が得られます。ほかの例として、小売企業がある地域の利益を高めるにはどの新商品を店舗に追加するべきか知りたいとしましょう。ビジネスのプロフェッショナルは、サプライヤーとの関係、地域的なトレンド、その他のインパクトをもたらす定性的な影響などの要素が、意思決定にどのように関わる可能性があるかを、つまりマシンには決して理解できない、あるいはうまく生かせないであろう細かな事柄をわかっています。

多くの組織は、データサイエンスと分野の専門知識の両方を持つ「理想の人材」を発掘しようと大きく力を注いでいますが、その希望に当てはまる人材はめったにいません。データサイエンスのテクニックが何より重要な要素になるミッションクリティカルな問題には頻繁に直面するものですが、ビジネスサイエンスなら多くの人がデータサイエンスのさまざまなテクニックを使えるようになり、技術系の修士や博士でなくても分析に予測を取り入れることができます。

ビジネスサイエンスは、手法と専門家で問題に立ち向かうためのものです。データサイエンスチームがビジネス部門の新しいプロジェクトに取り組むとき、コンテキストや分野の専門知識が欠けていて苦労することはよくあります。適切なコンテキストがないと、データサイエンスチームは問題への対処に適したデータを特定しようと努めた後、整理、クリーニング、分析のためのデータ準備を行うという一連の作業に長い時間を費やすことになります。AI も機械学習もデータに大きく依存しているため、これは本質的にデータの問題であり、したがって問題の解決のために重要なのは、解決しようとしている問題と適切な形式になっている適切なデータをうまく組み合わせることです。

分野の専門家は組織が直面している独自の問題に近い場所におり、事業部門のデータに関する専門知識も持っていることから、タイミングに合った効率的で効果的な予測モデルの作成、検証、導入を誰よりもうまく行えます。

修正と再導入の反復可能なアプローチにより時間とコストを削減して独自のスキルを活用

データサイエンスと機械学習の従来のサイクルには時間がかかることがあり、その「最終段階」は多くの場合、時間や労力、コストの面で最も手間がかかりリソースも要します。従来型のカスタムモデルの導入と統合は複雑であり、統計の専門家とデータサイエンティストがソリューションをエンドユーザーにも利用できる実用的なものにする必要があります。市場投入までの時間が重要な要素である場合、数か月ではなくわずか数日、数週間で予測モデルを反復して作成できるようにすると、リソースは最大限に活用され投資対効果の改善にも役立ちます。

意思決定の材料としてデータと予測に頼る必要があるビジネスのエキスパートにとって何より役に立つのは、モデル作成のプロセス全体でさまざまな要素をコントロールし、それぞれの利用場面に関係するデータに適度な自信を持てるようになることです。これは特に、モデル作成のアプローチが反復的で、予測の正確性を改善し続けることを目指している場合に価値を発揮します。そのようなアプローチは、データの意味が保たれているうちに行動を取るための助けになります。またモデルを作成しようとするだけでも、データで何らかの価値を得られたと確かめることになる可能性があります。

ビジネスサイエンスの場合、目的は最も正確になるまでモデルに磨きをかけることではなく、KPI を動かすことにあります。従来のデータサイエンスサイクルよりも修正と再導入のプロセスを反復しやすくすることによって、障壁を取り除き、ビジネスをよく知るユーザーが迅速にモデルを構築し予測を行えるようにします。従来より多くの人々が、高度な分析テクニックを迅速に活用して、必要なときに必要な場所でスマートな意思決定を行うことができ、場合によっては特定の利用場面で大きなコスト削減や利益につながることもあります。

たとえば、営業目標を設定するとしましょう。地域別に設定し、目標は絶えず変わっていきます。その場合、ある年の営業目標設定のためのモデルを翌年に当てはめることはできません。モデルに使用される情報は変化し続けるためです。また、ある地域でさらに高い営業目標が立てられているために、提案されたモデルをその地域の営業リーダーが受け入れなかったらどうなるでしょうか。したがって、モデルを迅速に転換、反復作成できる能力は非常に役に立ち、それぞれの営業テリトリーでさらに収益を得られる新たなビジネスチャンスにつながる可能性も生み出します。

ビジネスサイエンスなら、機械学習でアナリストやビジネスユーザーが確実にセルフサービスを行えるため、さらに多くの人々が独自のスキルや分野の専門知識を活用できるようになります。またデータサイエンスチームにも、ミッションクリティカルな大規模プロジェクトに集中する時間を持たせて、担っている重要な役割を果たせるようにします。さらに、この AI を活用した新しいクラスのソリューションは、データサイエンスチームでは優先できない新しいユースケースを、アナリストや上級のビジネスユーザーが試すための実験環境を作ることもできます。多くの人が多数のユースケースを検証し、見込まれる結果の要因を分析するようになると、成功に結びつくモデルを実現できる可能性が高まります。分野の専門家は機械学習を活用したコード不要のモデルをニーズに合わせて作成し、データのプロフェッショナルが掘り下げる深さを必要としないビジネス別の優れた分析を行えるようになります。

ここで重要なのは、ビジネスサイエンスのソリューションはアナリストとデータサイエンティストの間のスキル格差に対処するのに役立ちますが、データサイエンティストの代わりになるわけではないという点です。データサイエンスのプロフェッショナルは、カスタムモデルの提供や統計分析などを行い続けますが、ビジネスのエキスパートと協力して、機械学習を活用したモデルに使われるデータをより頻繁に検証することになります。こうして高まりを見せるチームの枠を超えた連携は、ビジネスサイエンスのソリューションの成功とパフォーマンスのために欠かせない要素となり続けます。

責任あるデータサイエンス民主化に必要なのはバイアスと非倫理的な利用の発見および抑制

AI を活用した分析を行える人を増やすとさまざまなメリットが得られますが、それは同時に潜在的な危険性もはらんでいます。バイアスはデータとテクノロジーに内在するものであり、抑制しない限り予測や推奨にもバイアスが残り、悪影響すら及ぼすことがあります。複数の失敗が重なった例としてよく知られているのが、顔認識テクノロジーです。バイアスのかかったトレーニングデータ、テクノロジー、予測により、有色人種コミュニティに有害な結果がもたらされました。(これが、Salesforce の 許容される利用に関するポリシー (英語) で、顔認識テクノロジーが 認められていない理由 (英語) の一端です。)

ビジネスのプロフェッショナルは普通、分析時に必ずしもこうした点を考慮するとは限りません。まず出発点として、モデルの確固としたドキュメントで予測や推奨の背後にある透明性をさらに確保し、追跡性を高めることができます。何が予測に寄与したか、データのどの列か、要因はどこにあるかを理解すると、データセットやモデルで潜在的なバイアスを見出すのに役立ちます。

さらに指針となり得るものとして、組み込まれているバイアス検出、モデルモニタリング、予測に影響を与えている変数の自然言語による説明など、ユーザーがより倫理的なモデルを作成できるようにする支援機能が挙げられるでしょう。Tableau の Einstein Discovery は、人種、年齢、配偶者の有無、居住地などのバイアスを含む可能性がある変数や機密情報フィールドをユーザーが選択できるようにしています。また代用データ検出機能により、一方のフィールドが削除され他方が残されるとバイアスになり得る、相関性があるフィールドもデータセット内で検索します。ほかにも、重要な指標として差別的効果があります。たとえば、モデルから得る結果が性別や郵便番号によって異なっていないかどうかを調べることです。規制下にある業界の多くでは、機械学習モデルのアカウンタビリティを確保するための一指標として使われています。

データスキルの需要は高まっていく一方であり、そのため人と組織の学びやより効果的な問題解決を支援する機会も膨大にあります。完全に自動化された AI ソリューションの作成や導入に重点を置いたアプローチもあるかもしれませんが、そのように限定的なアプローチは、提供しようとしている価値を実現できないでしょう。AI やデータサイエンスのテクニックを誰もが使えるようにするうえで、人が持つ創造力、状況の認識力、専門知識を軽視し排除することは逆効果であるばかりか、無責任でもあります。

Tableau は常に、人の潜在的な力に信を置いています。人の可能性を引き出すという目標は Tableau の DNA に刷り込まれており、業界をリードする Tableau のビジュアル分析プラットフォームに反映されてきました。そして今、新しいクラスのイノベーションである Tableau ビジネスサイエンスが AI と機械学習を活用することにより、質問の答えを引き出し、インサイトを見出して、問題を解決するのに適したツールと機能でお客様にパワーをもたらすという Tableau の伝統を引き継ぎます。ビジネスサイエンスのひとつのソリューションである Tableau の Einstein Discovery の登場で、より多くの人々にとって機械学習が確実に身近なものになり、質の高い迅速な意思決定を支援するデータサイエンスの強力なテクニックを誰もが利用できるようになります。