HOME/ AINOW編集部 /AI・データ分析プロジェクトを成功に導く“ビジネス力”とは|組織が陥る落とし穴はここだ!
2021.04.13

AI・データ分析プロジェクトを成功に導く“ビジネス力”とは|組織が陥る落とし穴はここだ!

近年、多くの企業でAIやデータ分析に関するプロジェクトが注目され、各所で取り組みが行われている中で、ビジネスまで繋げることができず、失敗に終わってしまうプロジェクトも少なくありません。

それは、データサイエンスとビジネスに関するスキルや知見と結び付けができていないからです。では、AI・データ分析のプロジェクトで成功のキーとなる“ビジネスのスキル”とは具体的にどのようなスキルを指すのでしょうか。

今回は、2020年12月に発売された書籍『AI・データ分析プロジェクトのすべて』の監修兼執筆者の大城氏と、執筆者のマスクド・アナライズ氏に、AIのプロジェクトを進める際に重要な“ビジネス力”と今後必要とされるAI人材についてインタビューしました。

成功のキーとなる「ビジネス力」

ーー書籍『AI・データ分析プロジェクトのすべて』の概要を簡単に教えてください。

大城氏:タイトルのままになるのですが、「ビジネス力×技術力=価値創出」という内容がメインです。今までのAI関連書籍は技術書とビジネス書のどちらかの観点しかなかったと感じています。

本屋では技術書とビジネス書のコーナーが分かれていますが、実際にバリューを出すことを考えると、両方を掛け合わせる必要があると思い、この本を出版することにしました。

新しい技術や事例の本もたくさんありますが、「実際にプロジェクト化するにはどうしたらいいのか」をビジネスと技術、そして入口と出口という観点で書かせていただいているので、この本を読めば業界のAI・データ分析プロジェクトの流れや特徴がわかります。

ジュニアデータサイエンティストだけではなく、ミドル、シニアクラスのデータサイエンティストまで幅広い層に向けた内容になっています。

ジュニアデータサーエンティスト:本書では、企業のデータ分析チームに所属していて、先輩のデータサイエンティストの指示を受けながら業務に取り組む人を指します。

ミドルデータサーエンティスト:本書では、ジュニアデータサーエンティストを数年経験し、得た知見から分析業務を自分で判断して進めることができる人を指します。

シニアデータサイエンティスト:本書では、プロジェクトのプレーヤーだけではなく、マネジメント経験も豊富なゼネラリストを指します。

マスクド・アナライズ氏(以下マスクド氏):同じコンセプトの書籍として、『仕事で始める機械学習』や、『人工知能システムのプロジェクトがわかる本 企画・開発から運用・保守まで』、『失敗しない データ分析・AIのビジネス導入:プロジェクト進行から組織づくりまで』という書籍が出版されています。

それらの書籍がビジネスと技術の両面をカバーしている書籍の元祖ですが、プロジェクトで陥りやすい失敗、社内でのチーム立ち上げ、就職や転職を目指す人へのアドバイス、契約や法務といった技術以外の要素などで「より深く知りたい」と感じる部分がありました。

また、過去に出版された本の内容は、企業でデータ分析プロジェクトを進める側の目線が強かったですね。それに対して本書は、これからデータ分析に取り組む人、外注を管理する人、より高みを目指す学生やジュニアクラスの人に向けて、我々が経験して泥まみれになって学んだことが書かれています。

この一冊で転ばぬ先の杖として使える本を目指そうという考えがありました。

大城氏:「AI・データ分析プロジェクトのすべて」の冒頭にも書いていますが、この本の内容は「秘伝のタレ」という感覚で執筆しました。本来なら秘伝で、弟子にしか教えたくない内容を皆で持ち寄っています。

どこか1社の思い込みで考えた内容ではなく、それぞれの会社から言えるデータ分析プロジェクトの問題点などを持ち寄ったときの共通認識である内容が書かれています。本来であれば会社に就職し先輩から教えてもらう内容を、本にすることで広く伝えられれば思いました。

“ビジネス力”とは

データサイエンス力は手法論があり、勉強の仕方も確立されていますが、ビジネス力はオンボーディングで学ばないとわからないところがあるため、テキストに落としづらい部分もあります。

ーーこの書籍の中で言われる「ビジネス力」とは具体的にどのようなスキルのことでしょう
か。

大城氏:広義で「技術的なスキル以外のすべて」ということです。先ほどマスクドさんがおっしゃっていた「社内調整力」もそうですし、「入り口からどのように考えて、誰を説得すれば良いのか」ということや「どうやって出口戦略を立てるか」という社内の根回しをすることも「ビジネスマンのスキル」です。

必ずしもAIのプロジェクトに限らず、「ビジネスマンとしてプロジェクトを遂行する力」ということですね。

この本を執筆するにあたり、最近の課題として、データサイエンスも研究よりになってくると、ビジネス的な業務を他の人に任せて、エンジニアは技術の部分だけを担当すればいいのだろうという風潮が強くなっていることがあります。

2010年頃からレコメンドやマッチングアルゴリズムの開発などのエンジニアをやっている人たちからすると、その当時はデータサイエンティストという職業がなく、ビジネスマン兼ITエンジニアとして始めた人がデータサイエンスを学んだので、当時のデータサイエンティストはある程度ITプロジェクトの実務経験や社内調整力がある状態でした。

一方、AI教育を学んだ大学や専門学校を卒業した方が社内コンサルを担当すると、そのような人脈や事前の根回しなど、プロジェクト推進に必要な経験が少ないことがあります。そのため、データサイエンスの知見とビジネスを実装する上でのスキルを両方持っていた方がいいよねということを書かせていただきました。

まとめると「ビジネス力」とは、「プロジェクトを進めるにあたって必要なテクノロジー以外のすべて」ということです。

マスクド氏:「ビジネス力×技術力=価値創出」とは幅広い意味を持つと思いますが、平たく言うと「いかに利益を出すか、成果を出すか、会社として評価されるか」というポイントだと思います。

ベテランの人間しかできない作業をAIで再現したり、人間の負担が大きいことをAIが再現することで価値創出ができると思います。例えばトンネルのひび割れを見て、「これは放置すると危険だ」という長年の勘と経験が必要な判断をAIで再現すれば、属人化を解消して価値創出につながります。

合わせて、AIやデータ分析のプロジェクトを進める時に、技術をビジネスで活用するノウハウが無い会社や、ビジネスへの理解はあっても技術力がない会社と組むと、失敗する可能性も高いでしょう。

それを避けるためには、「ビジネス」と「技術」の両方を把握する必要があります。ビジネスやコンサルティングだけ、あるいは技術や研究開発だけといった「〇〇だけ」は厳しいでしょう。そういう意味では、「橋渡しになる力」は広い意味でのビジネス力かと思います。

ーー実際に「ビジネス力」について書いてみていかがでしたか?

大城氏:文章にすることで、私がこれまで得た実績や経験を整理できたこともよかったと思います。

今回の執筆を通して6名の現役のデータ分析プロジェクトの実務経験者の視点から、改めて「AI・データ分析プロジェクトの遂行に必要なビジネス力って何だろう」ということが一通り整理できたので良い機会でした。

ちなみに、私が所属するデータサイエンティスト協会が2014年当初に発表したデータサイエンティストの定義では、「データサイエンティストとは、データサイエンス力、データエンジニアリング力をベースにデータから価値を創出し、ビジネス課題に答えを出すプロフェッショナルという表現がなされています。

実はデータサイエンティストは単に分析力・技術力があれば良い訳ではなく、「ビジネスに活かすことは大前提ですよということは当初も今も変わっていないテーマなんです。

マスクド氏:様々な業種・業界・会社で求められる形が異なるため、あくまで本書の内容は一般論となります。
その上で独自の課題やノウハウを掘り下げつつ、自社でAIに生かす方法を考える「掛け算」を作ってほしいですね。

AI・データ分析プロジェクトで陥る落とし穴とは

数年前から変わらない落とし穴

ーー大城さんとマスクドさんはAI・データ分析のプロジェクトでどのような落とし穴にぶつかってきましたか。

大城氏:2014年、15年くらいの時によくあった事例として「とりあえずなんでもいいからデータを集めるんだ」という風潮はありましたね。他には分析経験者がいないけれどDXの部署を作ったからとりあえずディープラーニングから始めようということがありましたが、これは今でもあります。このような事例は課題が明確になっておらず、ゴールもわからないため、結局データを集めても何にもならないのです。

そして、2、3年経つと「これは何のためのビジネスになるんだっけ」「そもそもうちデータないよね」という話になります。

また最終的に良い施策ができたが、実は親会社とバッティングするビジネスなので、せっかくできた施策が潰れてしまうということも…なぜそれを最初に言わなかったんだ!という話など、本当に罠ってたくさんあるなと感じています。

今でもこのような事例は散見されます。なぜかというと、インターネットやコンサル系の業種は比較的この10年でデータの利活用が進みましたが、東京以外の地域や、他の業種は今から取り掛かるような流れがあるからです。過去に我々の業界で起きていたものと同じ問題が各地で頻発しているというのが、正直な感想です。

マスクド氏:失敗事例としては、社内における温度差やズレがあります。担当の人だけが積極的なため、その人だけが先走ってしまい、現場の方や上層部の方に冷ややかに見られてしまうことがあります。
そのため、社内全体の了承を得ることに時間がかかってしまい、担当の方が意気消沈してプロジェクトへの熱が冷めてしまい、自然消滅することもあります

あとはお金の問題ですね。予算が限られてしまうので「あれをやりたい」「これやりたい」といっても、できることが限られます。予算が足りなかったり、予算をかけるべき部分を間違えて、失敗することもあります。

そうすると、社内でAIやデータ分析に対する不信感が募り、マイナスの印象が強くなります。担当者やAI・データ分析の問題でなくとも、期待値が大きかったせいで悪い面ばかり強調されるのが問題だと思います。

1回失敗すると2回目が難しくなるので、良くも悪くも慎重になってしまいます。ただし、あまり慎重になりすぎるのも良くないので加減が難しいですね。

大城氏:10年経って、今も変わらないこともありますが、10年前はこの本がなかったので難しかったですね(笑)。

『AI・データ分析プロジェクトのすべて』は、我々が10年試行錯誤した結果を記した本です。10年前にこの本があったら、正直いくつかのプロジェクトを救えたなと思います。

それはこの本だけの話ではなく、現在は経験を得たデータサイエンティストが各地にいますよね。まず、このような話を勉強会できいて、定石を学ぶというのは第一手として悪くないんじゃないかなと思います。

AIビジネスを進める上で、必要な人材はこれだ

データサイエンスの3つのスキルセット

ーーこれからAI・データ分析プロジェクトで必要とされる人材は、どのような考え方やスキルを持ち合わせた人でしょうか。

大城氏:今までと同じように、3つのスキルセットをもったデータサイエンティストの需要は依然として高いと思います。そのようなユニコーンがいるのかということは別の話ですが。

また、現在、「AI人材」がさらに細分化してデータエンジニア、機械学習エンジニア、AIエンジニア、などいろいろ呼び名で呼ばれる「AI人材」があります。

三井住友海上の木田さんが書かれている『データ分析人材になる。目指すは「ビジネストランスレーター」』という書籍ではデジタルトランスレーターと呼ばれるデータ分析人材が紹介されています。これは、現場とデータサイエンティストをつなぐ文系の職種のことです。

つまり、AIを活用する現場とデータサイエンティストどちらも知っていて橋渡しのできる人の需要も高いと思っています。

ですから、AIやデータ分析のプロジェクトは、そういう人たちと連携しながらビジネス進めていくことが必要だと思っています。

マスクド氏:私も橋渡し的な役割や、プロジェクトを先導するポジションが重要になってくると考えています。

大城さんのような、ビジネスもAIも理解しつつ、リーダーとして上司も説得しながら、部下の面倒も見られる監督的なポジションを担える人なら、今まで見られた失敗は減っていたと思います。

データサイエンティストの3つのスキルとは、「ビジネス力」「データサイエンス力」「データエンジニアリング力」の3つを指します。

AIやデータ分析のプロジェクトに取り掛かる際には、その中心の軸になるような人材がいれば、円滑にプロジェクトを進めることができます。

データサイエンティストの受け入れ態勢が整っていない

ーーこれからデータサイエンスを学んだ学生が増え、市場にデータサイエンティストが供給されることが予想される中で、なにか懸念点はありますか。

マスクド氏:大半の企業は体制が整っていない状況です。

例えば大企業は、意思決定が遅かったり、データサイエンティストと一緒に働く経験がまだ少なく、データサイエンスを学んだ学生が入社してもすぐに活躍できる態勢が整っている会社とは言い難いと思います。

こうしたギャップで悩む学生や若手社会人が増える懸念はありますね。

大城氏:そのギャップはここから先、顕在化しそうな気がしますね。

例えば、経験1年目のコンサルタントに企業がプロジェクトを任せるかと考えた時、それは難しいですよね。新人1年目は、先輩社員の下で下積みするケースがほとんどです。

データサイエンティストは、ビジネス力の部分では一部コンサルティングの領域も持ち合わせていなければいけないので、下積みを経験する必要が出てきます。

コンサルティングの業界は、50年、100年の歴史がありますが、データサイエンスの業界は誕生してからまだ10年程度ということもあり、どのような体制で実務経験を積ませるかという仕組みが未構築で、多くの企業が手探りの状態です。

ビジネス力を身につけよう

ーーこれから市場に参入する学生のデータサイエンティストは、ビジネス力をどのような場面で身につけるべきなのでしょうか。

マスクド氏:所属する企業によって差があると思いますが、歴史と伝統ある会社だと、新人らしく下積みとか面倒な作業も嫌がらずにやることも必要なります。

逆に進行形のITスタートアップでは自分からどんどん意見を出したり、質問したり、新しいプロジェクトに参加することが求められるので、やはりケースバイケースだと思いますね。

共通して大事なことは、社内外の人といかに仲良くなるかですね。人間同士なので仲良くなれば円滑にコミュニケーションを取れて、ストレスなくプロジェクトを進めることができますし、仲が悪いとさまざまな影響が及びます。

年の離れた人や自分とは価値観が違う人とも仲良くなることが、ビジネス力を伸ばす新社会人のきっかけになると思います。

大城氏:はじめはやりたい分野のエンジニアやプランナーなど、どのポジションでもよいので、まず業界として人材育成のスキームができているところから入り、ビジネス力やエンジニア力などを身に付けて2〜3年後にピボットしていくことをおすすめします。

そうすることで、企業も非常に雇いやすいですし、間口も広くなります。

そもそもデータサイエンスやエンジニアリングは本質的にその人がやりたいことは変わらないと思うんです。ですので、キャリアパスとして力を身に付けてから途中からピボットするといいと思います。

また、勉強会にたくさん参加して、アウトプットを重ねてもいいと思います。私が10年間さまざまなコミュニティで勉強会をやってきた中で、ある学生に出会いました。その学生は、勉強会で毎月ライトニングトークにてデータ分析に関して調べた内容を発表していて、そのままリクルートやアクセンチュアに新卒で入っていきました。ですから、勉強会に参加し、自分で行動を起こし、実績の一部にするという方法もあると思います。
それから、最近はオフラインでの開催が難しいですが、懇親会など社会人が集まる場所は実社会の情報などが入ってきますので、そのような場所を活用する手段も有効かと思います。企業のインターン募集情報が得られたり、何かあった時に相談できる社会人の諸先輩方とのコネクションを作ることもでき、そこで実務経験を積める機会をもらう可能性もあるのでおすすめです。

マスクド氏:積極的にアウトプットするのは僕も賛成です。つながりがあるとチャンスも増えるので、発表したり表に出ることは大事だと思っています。

今はコロナ禍で外出しづらいですが、SNSなどで人に声をかけて経験することは大事だと思いますね。

さいごに

データサイエンティストという職種は、認知されてからまだ数年程度しか経過していません。そのため、企業内での研修体制も整っていないこともあるでしょう。

これからAI人材を目指す人は不安になるかもしれませんが、現在は長期インターンをはじめ講演会、発表会などインプット・アウトプットできる機会は増えてきています。

データサイエンティストのようなAI人材になり活躍するためには、さまざまなイベントに参加して繋がりを作ることや実務を経験するなど、一歩踏み出してみることが重要です。

今回取材に協力していただいた大城さん、マスクド・アナライズさん達の手で出版された『AI・データ分析プロジェクトのすべて』は、ジュニア層からシニア層までレベル分けされています。AI・データ分析のプロジェクトに挑戦しようと考えている人は是非一度、読んでみてください。

大城氏、マスクドアナライズ氏が執筆した書籍『AI・データ分析プロジェクトのすべて』はこちら

無料メールマガジン登録

週1回、注目のAIニュースやイベント情報を
編集部がピックアップしてお届けしています。

こちらの規約にご同意のうえチェックしてください。

規約に同意する

あなたにおすすめの記事

「DX推進には経営陣や現場社員のリテラシー強化が必要」【JDLA理事長 松尾豊氏・AI EXPO講演レポート】

【すぐに分かる】NPS分析方法・NPSはどのように分析するべき?のアイキャッチ

【すぐに分かる】NPS分析方法・NPSはどのように分析するべき?

NPSスコアランキング!業界・国別NPS平均値も紹介!のアイキャッチ

NPSスコアランキング!業界・国別NPS平均値も紹介!

先週のAI関連人気ツイートTOP20!【2021/05/10更新】

NPSシステムについての解説記事のアイキャッチ画像

【2021年最新版】NPSとは?厳選システムやメリットまで徹底解説

【2021年最新版】NPSスコアの平均値を業界別に紹介!

【すぐに使える】NPSの計算方法!実施方法から分析方法まで解説

【IT用語】NPSとは?CSとの違い:計算方法や活用方法を紹介!.

【Web用語】NPSとは?CSとの違い/計算方法や活用方法を紹介!

SMS配信サービス アイキャッチ

SMS配信サービスとは?メリット・デメリット、比較ポイントを紹介!

SNS管理ツールのアイキャッチ

【初心者でも分かる!】SNS管理ツールとは?おすすめツール5選も紹介、無料あり

あなたにおすすめの記事

「DX推進には経営陣や現場社員のリテラシー強化が必要」【JDLA理事長 松尾豊氏・AI EXPO講演レポート】

【すぐに分かる】NPS分析方法・NPSはどのように分析するべき?のアイキャッチ

【すぐに分かる】NPS分析方法・NPSはどのように分析するべき?

NPSスコアランキング!業界・国別NPS平均値も紹介!のアイキャッチ

NPSスコアランキング!業界・国別NPS平均値も紹介!

先週のAI関連人気ツイートTOP20!【2021/05/10更新】

NPSシステムについての解説記事のアイキャッチ画像

【2021年最新版】NPSとは?厳選システムやメリットまで徹底解説

【2021年最新版】NPSスコアの平均値を業界別に紹介!

【すぐに使える】NPSの計算方法!実施方法から分析方法まで解説

【IT用語】NPSとは?CSとの違い:計算方法や活用方法を紹介!.

【Web用語】NPSとは?CSとの違い/計算方法や活用方法を紹介!

SMS配信サービス アイキャッチ

SMS配信サービスとは?メリット・デメリット、比較ポイントを紹介!

SNS管理ツールのアイキャッチ

【初心者でも分かる!】SNS管理ツールとは?おすすめツール5選も紹介、無料あり