企業が予測分析により競争力を獲得する方法
組織の未来を形成するものについて、企業がどのようにデータ駆動型の価値ある洞察を得ているか紹介します。
予測分析を、ニーズへの対応ではなく、ニーズの予測に活用
従来のビジネス・インテリジェンス (BI) は、企業がこれまでに行った意思決定や過去に発生した顧客側のアクションを振り返ることができるバックミラーです。将来に目を向ける予測分析では、現状の最適なタイミングで最も効果的な意思決定を行えるようにします。
予測分析は、膨大な効果をもたらす可能性のある複雑なプロセスですが、IT インフラストラクチャー、ビジネス上の意思決定、社内メンバーの交流にも非常に大きな影響を及ぼします。
ソーシャルメディアやデジタル経済の時代では、情報は数秒で世界中を駆けめぐり、ユーザーの要望が瞬時に変化することもあります。このペースの速い環境では、今あるニーズに応えるだけではなく、未来のニーズを予測できることが極めて重要です。
例えば、コストの削減と効率の向上という過酷なプレッシャーにさらされている医療業界では、治療だけでは不十分とされ、目標はそもそも病気にならないように防御することです。医療機関が改善に取り組んでいる主な分野の 1 つが再入院です。当初の問題が解決しなかったため、患者が 30 日以内に病院に戻ることが多くなっています。
この点に留意し、ある大病院では予測分析を使用して、電子カルテや社会経済的データを含む多様な情報を活用することで、再入院のリスクの高い患者を特定しました。その結果、この病院は再入院率の低減を実現し、医療コストを削減するとともに、メディケア制度で課されるペナルティーを回避しました。さらに、これによりリソースが解放され、より多くの患者にサービスを提供できるようになりました1。
予測分析のメリットは、各企業が取り組みの対象を絞ることができるため、少ないリソースで最大の成果を引き出せる点にあります。
基本の理解
予測分析による迅速な意思決定
インテルがどのように予測分析とマシンラーニングを使用して、大規模データセットのマイニングを行い、販売代理店として最も有望なビジネスパートナーを特定しているかご覧ください。
ビジネスモデルの再構築
分析を使用して、高い信頼性で将来の行動を予測することによって、企業は売上の増加や効率の向上を実現できるだけではありません。予測分析からこれまでにない実用レベルの洞察を得ることによって、企業は既存のビジネスモデルや基本的な価値提案を再構築することもできます。予測分析を巧みに使用することで、業界間の障壁が取り除かれ、全く新しい収益の流れが広がります。
例えば、イタリアでは自動車事故の発生件数が多く、保険会社はほかの欧州諸国と比べて高額の平均賠償請求に頭をかかえています。同時に、価格比較ウェブサイトによって競争が激化し、保険契約の利益率を圧迫している状況です。
これに対応して、ある大手保険会社は契約者の自動車にブラックボックスを設置し、コーナーを曲がる速度、ブレーキをかけるときの滑らかさなど、運転習慣に関するデータの収集、保存、分析を行いました。これによって、保険会社は契約者が衝突事故に遭遇する可能性を予測できるだけでなく、インセンティブを設けて運転の荒いドライバーが習慣を改めるよう奨励も行っています。
この方法によって保険会社は既存ビジネスを微調整しながら、予測分析でビジネスを変革することができました。実用的なデータの結果として、この保険会社は「Pay as You Drive」または「Pay How Your Drive」と呼ばれる新しいビジネスモデルを開発しました。両モデルとも、年齢、性別、運転歴など、従来の比較的曖昧な予測因子ではなく、実際の運転習慣に基づいて保険料を算出します。同時に、このような情報によって、保険会社は、これまで業界の範囲外であった燃料管理、リモート診断などの新しいサービスを展開できます。
予測分析のビジネスケースを開発する場合は、現行プロセスの改善とは全く違った観点で考えてみてください。予測分析のパワーは、これまでやってきたことを大きく変える洞察の提供に可能性を見出せることが多く、こうすることで業界を革新するような新たな収益分野に進出できるのです。
ユースケース、アプリケーション、例
小売における予測分析
Cloudera の Hadoop* ディストリビューションによる予測分析を活用して、ある家電メーカーは大量の未加工の顧客データを取り込んで処理し、購買傾向を予測しています。その詳細をご確認ください。
医療における予測分析
インテル® アーキテクチャーを基盤とする革新的な医療向け予測分析ソリューションが、医療機関と保険事業者にどのように貢献するかご覧ください。インテルのソリューションは、患者の安全性と運用効率を高めて、患者の満足度を向上させます。
分析を中心とした IT 部門とビジネス部門の連携
予測分析の基本テーマは俊敏性です。発生する可能性のある事象や機会を予測する能力が期待されています。 また一方で、このようなプロジェクトを成功に導くには、IT 部門とビジネス部門が強力に連携し、ビジネス上の意思決定者が分析構想の研究開発フェーズに関わることも必要です。
ストレージおよび分析テクノロジーでトップクラスの EMC では、自社のデータがあまりにも多くの場所にサイロ化されているため、対象を絞り込んだマーケティングやリード生成が難しくなっていることに気づきました。EMC は 10 年以上にわたって 80 社を買収し、各企業のデータはさまざまな形式でそれぞれの場所に散らばったままでした。そこで、ソーシャルメディアからの非構造化データから、顧客記録といった構造化データまで、点在する大量のサイロ化したデータをデータレイクに統合。
このプロセスでカギとなる部分は、予測分析のための技術要素やインフラストラクチャー要件に重点を置くだけでなく、データを把握しようと取り組む各ビジネス部門のニーズをどうサポートするか検討することでした。まず第一に、EMC はビジネスグループが分析プロジェクトで共有やコラボレーションを行えるようにガバナンスを導入しました。各事業部門には「サンドボックス」も提供され、そこで分析シナリオをセルフサービス環境で実行できるようになっています。
これにより、IT 部門はデータのゲートキーパーという立場から洞察の進行役という立場に変わり、ビジネス部門にデータ関連の技術的な専門知識を提供するとともに、日常的なビジネス上の意思決定を共有するプロジェクトの開発で、ビジネス部門が自由に主導的な役割を果たせるようにしました。要は、ビジネス部門と IT 部門の連携こそ、組織が能力を拡大し、ROI 全体を促進するための優れたモデルであるということです。
インテル IT ピア・ネットワーク
予測テクノロジーと IoT
実業界では、最近の車両は、1 マイル移動するたびにパフォーマンスと GPS のデータストリームを生成する、4 つのタイヤに載ったコンピューターのようになっている、と言われています。フリート車両に搭載されたセンサーが、タイヤの空気圧、油圧、その他の部品に関するデータを収集し、フリート管理者は、例えば、エンジンがまもなく故障すると数週間も前に判断することができます。
問題は、コネクテッド・デバイス、つまり IoT でつながるデバイスから生成される大量の情報の管理が IT 部門の限界を超えてしまうかもしれないということです。それぞれのコネクテッド・デバイスで生成されるすべてのデータバイトを、処理や分析のためクラウドに転送すると、バックエンド・データのコストが膨大になります。
そこで、良い方法があります。この例では、大手輸送会社の IT 部門がエッジ分析に目を向けています。これはデータを採取した場所の近くで分析するプロセスです。エンジン、カメラ、その他の車載部品に取り付けた遠隔測定センサーによってストリーミング・データがキャプチャーされ、車両自体に搭載された IoT ゲートウェイに送信されます。これにより、リアルタイムでデータを分析できます。目前の危険を即座にドライバーに警告することも、情報をクラウドに送信して、担当の IT チームや本部に詳細な分析を依頼することもできます。何よりも、クラウドはすべてのデータを集約して、フリート管理者が交換部品の管理、フリートポリシーの設定、派遣する車両の決定など、より戦略的な意思決定を行うことができるようになります。
IoT の目的は、企業の予測分析を推進する重要なツールとして、マーケティング・プログラムなどの構想に対して瞬時に方針を変更できるようにすることです。しかし、IoT データの価値はすぐに低下するため、洞察を得たらすぐにそれに従って行動しなければなりません。エンジンがまもなく故障すると示してくれるデータも、実際にエンジンが故障した後では価値がなくなってしまいます。情報をエッジで処理し、分析することによって、企業は IoT のデータを、圧倒するほど大量のデータを流し込むだけではなく、洞察を得る情報源へと変えることができます。
IoT アプリケーションの例
インダストリー 4.0
IoT ベースのテクノロジーを使用する予測メンテナンスにより、企業は機器の稼動状態に関する役に立つ洞察を獲得でき、機器の故障に付随する想定外のコストを削減できます。その詳細をご確認ください。
企業の成長と拡張の準備
企業は予測分析の専門知識を蓄積するほど、実用的なデータの収集や、より確かな情報に基づいた意思決定をますます求めるようになるものです。取得したデータを分析し、それをいかに行動へ移すか知識を獲得するにつれ、分析ソリューションの成長を促す機能の構築が必要になります。
例えば、世界各地で展開する製菓会社は、極めて重要なイースターの販売シーズンに合わせて、在庫、売上、マーケティングが確実に調整されるようにしたいと考えました。このシーズンは、消費者の嗜好の変化が会社の成功を左右する可能性があります。
俊敏性を維持しつつ経費の抑制を目的に、この会社はクラウド・インフラストラクチャーを使用して、演算負荷の高い履歴データの抽出 (Extract)、変換 (Transform)、読み込み (Load) を行う ETL プロセスに取り組むため、既存ビジネス・ウェアハウスを分析ワークロード向けに残しました。緊密に統合されたソリューションによって、履歴情報と、各地域からの毎週の売上データを組み合わせることができ、管理者はインタラクティブなダッシュボードを参考にして、イースターまでの動向を特定することができました。その結果、管理者は、消費者を引き付ける商品、パッケージ、マーケティング・キャンペーンについて、地域ごとにより適切な意思決定を行いました。
成果は明白です。全体の在庫数を減らしながら、前年のイースターシーズンよりも売上を伸ばしました。要するに、消費者が求める商品をより多く店舗に並べた結果、飛ぶように売れていたのです。
これはすぐに効果が表れた例ですが、この会社は将来にも目を向け続け、多数のデータソース、データフロー、大量のデータを処理するために設計されたオープンソースの企業向けエンタープライズ・プラットフォーム Hadoop* を活用しました。Hadoop* では、ワークロードや顧客数の増加に合わせ、高いコスト効率で手間なくノードを追加でき、将来的な構想にも対応します。この製菓会社は製品数が非常に多く、絶えず拡大していたため、素早く拡張できる予測分析プラットフォームを必要としていました。
インテルの分析製品
インテル® Xeon® スケーラブル・プロセッサー・ファミリー
新しいインテル® Xeon® スケーラブル・プロセッサーで大きく飛躍し、実用的な洞察の獲得、ハードウェア支援型セキュリティーの活用、動的なサービス提供を展開する方法をご確認ください。
インテル® SSDデータセンター・ファミリー
最高のデータセンター・ストレージ・ソリューションがボトルネックを解消します。デジタルビジネスの要求に応えるインフラストラクチャーを手にしましょう。データセンター向けインテル® SSD はパフォーマンス、信頼性、耐久性において最適化されています。
将来に向けた分析ソリューションの導入
予測分析が業績向上につながるのと同様に、IT 部門は、意思決定のプロセス改善につながる従業員とコンピューターの連携について深く検討しながら、継続的な向上を視野に入れて予測分析プロジェクトを設計する必要があります。
TeacherMatch* について考えてみましょう。TeacherMatch* は、校長が学区で最も効果を上げられる教員を採用できるよう支援する分析ツールです。これまで採用は極めて主観的で、科学的というよりも感覚的なプロセスでした。TeacherMatch* では、国家資格、授業の実例などの標準的な情報を含む複数のソースからデータが収集されます。このシステムには、特質 / 資格、認識能力、態度因子、指導スキル の 4 分野に関する質問を志願者に尋ね、この評価を教師が特定レベルの生徒の成績を達成できる可能性と関連付ける Educator’s Professional Inventory (EPI) ツールも備わっています。
このような異なるデータストリームをまとめることで、校長は大量の履歴書の中から最適な候補者を見つけ出し、意思決定で質と量の両面でバランスを取ることができます。特に、このシステムではマシンラーニングを活用しています。評価や教師に対する好感度の調査を含め、実際の生徒の成績がシステムにフィードバックされ、アルゴリズムの精度を継続的に向上することができます。
予測分析は、IT 担当者のスキルだけでなく、意思決定者が情報を使用する方法など、人材と互いに影響し合うものです。現在、予測分析は意思決定の指針となっていますが、将来的には予測分析が意思決定を行うようになり、最適なデータの生成と抽出にさらに重点を置いて、マシンラーニングが継続的にシステムとアルゴリズムを向上することになると見込まれています。
的確な意思決定へのニーズに終わりはありません。柔軟で俊敏なインフラストラクチャーによって、企業は現在のビジネス状況に対応できるとともに、将来の需要の変化に備えることができます。