幹となるKPIを把握することで変化点にいち早く気付く

ここまでで、データの管理・分析の詳細について議論してきたが、最後に日々のオペレーションにおける誰にでもできるTips的な話を一つ紹介して締めとしたい。キーワードは「同じデータを繰り返し見る」である。

BIツールの重要性の項でKPIのフレームワーク化について述べたように、KPIの構造を整えることによって、事業データの幹の部分と枝葉の部分の整理が出来ることになる。もちろん重要なのは幹の部分で、枝葉の部分は幹の部分に問題が起こった場合に必要に応じて確認するというのが、日常のオペレーションになる。このため、「同じデータを繰り返し見る」と言った場合にみる「同じデータ」というのは当然幹の部分になるわけである。

では、何故同じデータを繰り返し見ることが重要なのであろうか？私は、その最大の理由は、事業状況の変化にいち早く気が付けることなのではないかと考えている。よく私は同僚や部下から、打ち合わせで見た数字が記憶されていることに驚かれることがあり、そのような人は私の記憶力が人並外れて良いのだと思っているように感じることがある。ただ、それは大きな間違いである。学生時代を思い出しても、私は歴史の授業は好きで得意科目ではあったが、年号の記憶だけは酷く苦手で、この暗記はほぼ諦めていたくらいである。よく、友達の誕生日や、昔であれば電話番号（古い。。。）を暗記しているひとがよくいたが、そういう類の記憶もまるっきり駄目である。

では、なぜ私が打ち合わせで聞いた数字を記憶することが出来るのであろうか？理由は2つである。一つ目は、打ち合わせでフォーマットを決め、WeeklyやMonthlyといった頻度で同じKPIの数字を定期的に繰り返し見ているからである。安定的に運用されている事業であれば、基本的に幹となるKPIの数字というのは安定しているはずである。このため、同じKPIを見続けていれば、さすがに数字の暗記の苦手な私でも主要な数値の概数は覚えられるようになってくる。そして、二つ目の理由は、大抵の数字は毎回同程度の数字である前提において、打ち合わせの際に、通常時と異なる動きをしているポイントに絞って深く考えるということを習慣としているからである。その深く思考するというプロセスを踏むことによってその打ち合わせでの問題点や重要なポイントは自然と脳内にインプットされることとなる。つまり、量が多いレギュラーなデータは繰り返しによって自然と記憶され、量の少ないイレギュラーなデータは深い思考のプロセスと関連づけてこちらも自然と記憶することによって、非常に少ない労力で事業の最新状況をインプットし続けることが可能になるわけである。

　そして、この数値が頭に入るロジックこそが、「同じデータを繰り返し見る」ことの重要性と非常に大きく関連している。そもそも論になるが、なぜデータドリブン経営やデジタルマーケティングの現場において、KPIを見ることが必要なのであろうか？それは、当然事業の状況を正しく把握するためである。では、マネジメントにとって把握すべき状況とはなんであろうか？それは、変化点の発見と、その背景の把握であると私は考えている。たまに能力の低いマネージャーで、計画通りに進んでいるKPIの数字の報告を聞いて満足している人がいる。断言するが、順調にすすんでいる部署で計画通りに進んでいるKPIの数字の報告を聞くことにマネージャーの付加価値は全くない。問題なく計画通りに進んでいるのであれば、その付加価値を生み出しているのはマネージャーではなく、現場で実務をしている部下である。つまり、いつも通り上手く言っているオペレーションにマネージャーは労力を割く価値はない。

変化点の背景・原因を把握する

では、何をすべきなのであろうか。それは、上手くいっている時も、上手くいっていない時も「変化点」を発見し、その背景や理由を考えるとことが重要となる。戦略立案に置ける市場状況の把握の重要性の項でも述べたが、マーケティングを正しくマネジメントするためには、市場状況の把握が不可欠である。その重要な手掛かりとなるのがマーケティングKPIの定期的な観察である。そして市場からの重要なサインしてと、KPIの変化点が現れる。その変化点の背景の理解が市場状況の把握には重要であるが、変化点が生まれるポイントは3つに分けられる。１）顧客ニーズ（供給）の変化、２）競合や自社による需要の変化、３）自社のオペレーションの変化である。

１）顧客ニーズ（供給）の変化

市場の変化については需要と供給に原因を切り分ける必要がある。価格の変化はそのバランスによって決まるわけなので、変化が起こるとすれば、当然そのどちらか、もしくは両方の変化によって起こるわけである。マーケティングの世界においては、事業主側が一般的には集客をしているわけなので需要側で、顧客のニーズの量がそれに対する共有と言える。

顧客のニーズは、シーズナルなトレンドや、商品のヒットによる話題性、認知広告の大量投下による認知拡大など様々な要因によって変化する。供給が増えれば顧客の獲得単価は低下するし、減れば獲得単価は上昇する。

マーケティングオペレーションにおいて、パフォーマンスに変化があった場合に、内的、外的要因を問わず、顧客ニーズに変化があるかどうかをオペレーションサイクルに沿って把握できる方法を何らか決めておくことは非常に有効である。

例えばリスティング広告においては、自社の顧客ニーズを表す検索キーワードのボリュームを定期的にトラッキングしておくことなどは有効である。

２）競合や自社による需要の変化

顧客ニーズを供給とすれば、自社や競合の広告予算の変化は需要の変化ということになる。当然需要＝広告予算が増えれば顧客獲得単価は上がり、需要が減れば獲得単価は下がる動きとなる。ここで重要なのは、需要は自社の予算だけで決まるのではなく、競合企業の予算の変化にも影響を受けるということである。ただ、当然自社の予算額は正確に把握出来るが、競合企業の予算額などは把握出来ない。このため、競合需要の変化は、他のパラメーターと変化のベクトルとの関係性の中で把握するしかない。

　例えば、顧客獲得単価が上がり、自社の広告予算額と１）顧客ニーズと３）自社オペレーションに変化がなければ、変化の原因は競合が広告予算を増大させたと推測出来るわけである。

３）自社のオペレーションの変化

マーケティングKPIの変化の原因として最も多く検討されているのが自社オペレーションの変化・変更に対するものである。デジタルマーケティング施策のPDCAの一環として、様々な施策を試し、そのBefore/Afterの結果検証をする。変化点が発生したときに、施策後に効果が良化していればその施策はポジティブ、効果が悪化していればネガティブということになり、何も変化がなければその施策はニュートラルとなる（このニュートラルは必ずしも意味がないことを意味しない。もし現状のパフォーマンスが許容範囲内のパフォーマンスであれば、同程度の施策を実施するオプションが増えたといえるかもしれない）。ただ、この変化点の発生と自社オペレーションの変化の効果検証タイミングが一致したとき、その変化の原因が需給バランスの変化という市場要因なのか自社オペレーション要因なのかの切り分けの検証は必ず必要である。もし受給バランスの変化が原因での変化の場合、自社オペレーションの効果はニュートラルである可能性も否定できない。

このように、マーケティングの幹となるKPIを継続的に把握し、変化点を発見した場合には、１）～３）の各項目すべてについて必ず検証することが必須である。もちろん、2つの要因が同時に発生していることもあるかもしれない。そのような場合は、自社でコントロール可能な要因となる施策を一度ストップするなどして影響をニュートラルにして、原因の切り分け作業をするなどの工夫が必要である。特に、現場の担当者は、パフォーマンスが悪い時に、改善施策のスピードを落とすことに強い罪悪感を感じるケースが多いため、ネガティブな変化があった際に、改善策を打たず、問題点の切り分けのために立ち止まって、背景、原因の把握に時間を使うことを躊躇しがちである。しかし、冷静になれば分かると思うが、背景や原因を正しく理解できていない改善策というのは、そもそもデータドリブンで論理的な施策とは言えず、それっぽい理由をつけていても悪く言えば、単なる思い付きの施策である。もちろん、その思い付きが結果的に正解であることもあるかもしれない。しかしそれは、はっきり言えば運が良かっただけであり、そのやり方で継続的に安定したパフォーマンスの維持、改善を行うことは困難であると考えるべきである。

レポートのフォーマットも固定化する

ここまでで、幹となるKPIの変化点におけるチェックポイントを整理してきたが、もう一つの話題として繰り返し見るべき幹となるKPIの運用方法についても議論しておきたい。前項のKPIのフレームワーク化の議論とも重なるが、まずKPIフレームの上位レイヤーからチーム内の担当ごとに責任をもつKPIを決めていくというのが一般的なやり方である。マーケティングの責任者は、個々に切り分けたブレイクダウンされた各KPIのパーツのパフォーマンスの進捗を把握し、適切なリソースと予算のアロケーションの調整をしながら、全体のパフォーマンスの最適化を行う。

この際に一つ注意すべきポイントがある。それはレポートのフォーマットである。レポートのフォーマットは極力固定するのが私は良いと考えている。もちろん、日々のPDCAを回していく中で若干の修正は発生したり、新たに確認すべきデータとフォーマットが追加されたりするが、基本のレポートフォーマットは可能な限り固定したい。これは私個人の能力の問題なのかもしれないが、人は同じデータを見ていても、レポートのフォーマットが変わったり、レイアウトが変わったりしただけでも、どこに何のデータがあり、何と何を比較すれば良いのかなど、データの変化点よりもレポートフォーマットの変化点に思考力が奪われてしまい、重要な変化点の見落としが発生することが多くなると思っている。楽天時代に、楽天市場のナビゲーションのUIのプロデューサーのような仕事をしていた時にいろいろテストしたり、自分で考えたりしたが、人間というのは絶対的な利便性よりも、習慣化された慣れの方が、使いやすいと感じるものである考えている。それがなぜかといえば、使い慣れたものというのは使い方を考えなくても良いからである。どんなによくできたUIであっても多くの場合はじめて使うときにはある程度使い方を考えるものである。私は報告資料のフォーマットというのはそういうものだと思っている。報告の度に、どんこにどのような情報が記載されていて、それがどういう意図なのか理解することに脳のパワーを割いていたら、肝心な内容の理解に割く余力が減ってしまう。部下が同じようなフォーマットで同じようなデータの報告を行うと、付加価値がないように感じてしまうかもしれない。しかしそれは私はあまり良い感覚だとは思わない。付加価値は資料の体裁でなく、データ分析の深度で図るべきなのである。

マーケティングの責任者は、自分のチームの日々の変化点でのデータ分析結果を注意深く観察し、自社が直面している市場の状況と、自社オペレーションのクオリティを継続的に把握することが必要不可欠である。そして、この変化点の分析を注意深く、継続的に行うことによって、マーケティングの責任者に最も重要な自社が直面している市場の状況を見る際の解像度がドンドン高くなってくるはずである。そして、その解像度が高くなればなるほど、中長期戦略を立てる際の課題やその対策もおのずと見えてくるはずである。その解像度をどの程度まで高くするかは、マーケティング責任者の能力と経験に依存する。自分にどの程度まで市場と自社のオペレーションクオリティの把握をする必要があるのかを日々の活動をしながら考え、KPIのどのレイヤーまで把握するのかの適切なポイントを決めることが重要である。もし、自分のチームが計画未達の原因が理解できないというようなことが頻発しているような状況だとすれば（解決策が分からないではない）、それはもしかしたら責任者として把握すべき解像度と比べて、自身が把握している状況の解像度のレベルが低すぎるのかもしれない。

データ分析チームメンバーに必要な資質とは？

ここまでで、DWH、データ入力・収集ツール、BIツールというデータドリブン経営、デジタルマーケティングの3種の神器とも言えるシステムの整備という活動基盤の話をしてきたが、いよいよその基盤の上で日々のPDCAを回すという活動を行うことになる。

もちろん、その活動は全マーケティング部門の社員が行うことになるわけだが、データの管理・分析という視点で非常に大事になってくるのが、その実行部隊となるデータ分析／データアナリスト／データサイエンティストチームである。この点は、多くの会社で苦労されていると思うので、私の経験から、お役にたてそうな話を紹介したい。

まず最初にデータ分析の担当者に必要なスキルから考えよう。もちろん理想は大学や大学院で統計学の学位を取ったような人なのかもしれないが、普通の事業会社においては必須事項ではないと考える。それよりも必要な素養は次のような点なのではないかと思う。

• 地頭が良い
• 数学的な考え方が出来る
• 事業活動の実態に興味があり、数字の世界に入り込みすぎない
• SQLは出来なくてもよいが、エクセルのスキルは高い
• コミュニケーション能力が高い

地頭が良い

一つ目は、これを言っては身も蓋もないかもしれないが、残念ながら地頭の良さである。私の中でのデータ分析チームの位置づけは、データドリブンなマーケティングの基盤となるデータを統括し、CMOの意思決定をサポートするためのチームであるため、自分より頭がよいと思えるメンバーをどれだけこのチームにアサイン出来るかで、その後の活動のパフォーマンスが変わってくる。マーケティング部門の業務のクオリティの精度や、新しいアイディアの出現率、新しい戦略や施策の実現スピードなど、思いつくことは多くある。直近で私と一緒に働いていたチームとの定例など、特にテーマを決めずに、各人が共有するに値する分析結果を持ち寄ってフリーにディスカッションするという形式で実施していたが、ひとつひとつのアイディアが新しい課題の発見や、新たなソリューションの創出など中長期的な自社の経営の方向性を考えるための貴重な情報ソースであった。自分が考えていなかったようなアイディアや、分析の切り口、データの組み合わせかたなど、一人でデータと向き合っているだけでは出てこないような発想は優秀なメンバーの集積でなければ実現しえない。

数学的な考え方が出来る

二つ目は、こちらも当然であるが、データを扱うわけであるので数学的な考え方、発想に強いことが必要である。私はデータ分析というのは、目の前にある課題、解き明かしたい仮説などと、目の前にある利用可能なデータを組み合わせて、何らかの答えを作り出す数学の証明問題のようなものであると考えている。そのためには、リアルな世界で起こっている事象に対して、それがデータとして数値としてどのように落とし込まれており、そこに至るプロセスやその先で起こる結果との関係性をどのように数字のロジックとして関係づけられるか？この点を的確に、かつ、スピーディーに実行するためには、ある程度の数学的な思考方法が得意である必要があると考えている。

事業活動の実態に興味があり、数字の世界に入り込みすぎない

三つ目は、二つ目と関連するが、事業活動の実態に興味を持ち、数字の世界に入り込みすぎないということである。もちろんデータ分析とは数字の世界であるため、数字で考えることは重要であるが、事業会社のデータ分析の目的は事業の拡大、改善であるため、自分たちが扱っているデータが、自分たちの顧客やクライアント、社員のどのような行動による結果なのかを常に考える必要がある。決して大学の研究室や金融商品のデータアナリストのように数字の世界のみに没頭していてよいわけではない。そのためには、いくらデータ分析のプロフェッショナルであったとしても、事業や人に興味を持ち、常にデータと現実の世界の間で思考を行き来させ、机上の空論のような提案ばかりしないようなチームにしていかなければいけない。

SQLは出来なくてもよいが、エクセルのスキルは高い

四つ目は、非常にストレートなスキルであるが、SQLの習得である。今まで3社でデータ分析のチームを直接、間接で見てきたが、結論としてやはりSQLが使えないと、このエリアでプロフェッショナルに活躍するためには厳しいと考えている。もちろん、エクセルでもある程度までは分析が可能であるが、やはり大規模なデータや、複雑な条件の組み合わせを伴う集計などには限界があるのも事実である。ただ、これも経験上、エクセルのスキルレベルが高い地頭の良い人材であれば、チームにアサイン後からであってもSQLの習得は可能であるケースが非常に多いため、本人に習得意思があればアサイン前からの必須事項とする必要なないと思う。

コミュニケーション能力が高い

最後は、コミュニケーションの高さである。この点は3点目のポイントと連動するが、データ分析をしたものは、その結果が正しいかどうかの答え合わせを自分でできたほうが自走力が増し、提案の精度の改善スピードが加速すると考えている。そのためには、社内での実態のヒアリング等を通じて、自分の出した分析結果と事業実態のつき合わせが必要になってくることも多い。もちろんそこには本人の性格などもあるため、必ずしもMustの要素という訳ではないが、理想的には、そうあって欲しいと思っている。但し、本条件については、そのサポート役をつけてあげれば解決することも出来るため、他の条件がそろっているのであれば、優先順位を落としても構わないと思う。

データ分析チームの役割

チームのメンバーがそろえば、活動開始である。データ分析のチームが担う役割を考えてみよう。もちろん会社によって組織間の線引きが異なると思うので、その辺も含てコメントする。想定されそうな役割は次のようなものとなる。

• DWHやBIツールの管理、運用
• 会社全体もしくはマーケティング部門のKGI、KPIのフレームワーク構築
• アドホックなテーマのデータ分析
• データ分析から導き出された問題点の改善提案
• DWHやBIツールの管理運用

DWHやBIツールの管理、運用

この点は、会社によって、データ分析チームが担うのか、システム部門が担うのかなど、議論が分かれるところである。特にDWHの管理については注意深い議論が必要である。もちろんDWHのシステムの管理まで担うとなると、チーム内にそのスキルセットがある人材が必要になり、ハードルが上がってしまうため、多くの場合、システム部門に協力を依頼するか、外注に頼るかという選択肢になる気がする。それは、各社の状況と確保できる人材により検討するしかないと思うが、ここでは、それを決めるうえでのマーケティング的な視点での注意点を記載したいと思う。

それは、どのような体制になったとしても、運用のスピードを確保できるようにすることと、データの管理が全社的にできる体制が両立できる方法を見つけるということである。

これは、私がよく見る事例で、すべての会社がそうという訳ではないが、特にDWHの運用をシステム部門に完全に委託する状況になると、スピードが非常に遅くなるケースが多い。これは、企業の規模が大きくなればなるほどその傾向が強い気がするが、社内利用に限定されることが多いDWHの管理運用に社外向けサービスと同等のサービスレベルを求められたりすることで、社内調整時間が膨大にかかってしまうようなことが多く発生することが主な理由だったりする。もちろん長い目で見ると、そのようなカッチリしたシステム設計等は重要ではあるが、データドリブンなデジタルマーケティング成功の合言葉がPDCAの高速回転であるため、データ分析のスピード感が落ちるのはなるべく避けなければいけない。このようなケースで、私のアドバイスは、DWHを外部向けのサービスでの活用を避け、社内のデータ分析用のDBとして独立させておくことである。例えば、消費者のID管理された個人ページなどでDWHに格納されたデータを表示するとなった場合、データの正確性は100％に近いレベルで管理されていなければならない。Aという顧客にBという顧客の情報を見せるなどしたら大問題である。しかし、社内の分析用であれば、目的は統計的な傾向を分析することであるため、そのレベルでのデータの正確性は必ずしも必要ではない。つまり前者のように外部向けのサービスの連携をいったんしてしまったが最後、DWH側のシステム変更などが途端にしにくくなったりする。また、DWHと外部向けサービスを接続してしまったりすると、サービスのパフォーマンスレベルも維持しなければいけなくなるため、サーバー負荷の高い大規模なクエリを回すなどの制限も出てきてしまう。そうなると、データ分析の担当者が片手間で運用するレベルでは収まらず、結局システム部門に運用も任せなければいけなくなるという状況にならざるを得ない。

もちろん、個人情報の保護の観点は厳重な管理レベルが要求されるが、それ以外の柔軟性は、極力確保できるのが理想だと思っている。

ただ、DWHだけでなく、BIも同じであるが、データ分析チームが余りに自由にやりすぎてしまうと、システム運用経験の不足からシステムの中身がブラックボックス化してしまい、属人的な運用になってしまうことには注意が必要である。この辺はシステム部門のドキュメンテーションや情報共有のメソッドもは早い段階で取り入れておくべきなことも言及しておきたい。

会社全体もしくはマーケティング部門のKGI、KPIのフレームワーク構築

分析基盤の構築と運用体制が決まればいよいよ具体的な分析タスクにチームは突入していく。まず取り組むべきは、事業改善の骨格となるKGI、KPIという日々の活動のパフォーマンス改善の幹となるKPIツリーを作成し、それを帳票化するという作業が必要である。BIツールの項でも説明したが、チームがDaily、Weeklyで定期的に見るべき項目と、問題・課題が出てきたときにドリルダウンして分析する枝葉の部分を構造化する。この基盤により、現場のメンバーが日々のPDCA活動の中で、個々に課題や問題点を発見し、それを自分でデータを確認・分析できる環境が整い、データ分析チームだけに頼らない各メンバーのデータ分析の自走化が実現する。

なお、繰り返すが、この作業は当然一回では終わらない。特に枝葉の部分で見るべきポイントはPDCAの精度向上とともに、どんどん増えていく傾向がある。可能であれば、データ分析チームのメンバーは役割分担を決めるなどして、担当領域の現場のPDCA活動の情報を定期的にキャッチアップし、各現場においてどのようなデータ分析のニーズがあり、それを実現するためにはどのようなデータが必要なのかを把握し、解決法を提供していくというサイクル構築することが理想である。これが実現すると、データ分析チームにも独自のPDCAが周りはじめ、その状態になると、マーケティング組織としての分析の精度は放っておいても向上していくことになる。

また、このようなマーケティング運営のためのKGI、KPIのフレームワークが構築されると、定期的に発生する事業計画の作成や、月次のパフォーマンスレポートやそれに基づく短期的な運用計画・予算の策定なども高い精度で構築できるようになる。

アドホックなテーマのデータ分析

データドリブンマネジメントの基本は日々のオペレーションの骨格となるKPIフレームワークを構築し、定期的に状況把握することとなるが、その中で、当然それまで気が付かなかった課題が発見されたり、逆に何が課題なのかが分からないのにパフォーマンスが悪化、もしくは、予想以上に良化するなど既存のKPIフレームワークでは説明不可能な状況が発生したりする。

このような状況では、その課題解決や原因分析のためにデータ分析チームがアドホックな深堀分析をすることになる。もちろん状況に応じて分析の難易度も、手法も異なるため、具体的にここで何かを述べることは難しいが、結局はここでもすべきことはPDCAであり、分析のスタートは課題や原因の当たりをつける＝仮説（P）を作るというところからしか始まらない。このPの精度がどれだけ高いかで、アドホック分析のスピードは全然変わってくることになる。このため、精度の高いアドホック分析をするためには、分析チームのメンバーは数字の世界に埋没するのではなく、事業活動の現場で何が起こっているのかに興味を持つことが重要であると私は考えている。仮説のあたりは私の経験上データからだけでは見つけづらく、現場から見つかるケースの方が多いと思っている。

データ分析から導き出された問題点の改善提案

データ分析チームの業務範囲としてアドホック分析に基づいた改善提案を含めるかどうかについては、線引きはそれぞれであるが、個人的には改善提案まで含める方が良いのではないかと考えている。もちろん、それはチームメンバーの能力とパーソナリティにも依存するが、アドホック分析でも述べたように、分析チームのメンバーの事業現場理解が低いとデータ分析の精度もスピードも向上していかないと考えているため、データ分析チームが事業現場のメンバーとのコミュニケーションを取る場としても、改善提案の業務まで業務範囲に含める方が事業会社のデータ分析チームの質の向上のためには良いのではないかと考えている。

ここまでで、データ分析チームのメンバーの必要スキルとその具体的な活動の概略について見てきたが、ここで述べた内容を読んだだけでも、如何にこのデータ分析チームが重要であるかはご理解いただけたと思う。このチームのメンバーの質はデータドリブン経営、デジタルマーケティングの質に直結する問題であると私は考えている。ただ、データ分析チームを組成する時の一番の問題は、良い人材の獲得である。はっきり申し上げて、日本ではデータドリブンな経営が重視されてこなかった背景から、よいデータアナリストのプールが市場にいないという現実がある。多くの企業が苦労すると思うが、是非粘り強くチャレンジしてもらえればと思う。

データ集計を自動化するBIツール

DWHが出来て、データ入力・収集ツールの整備が出来た。でも、データドリブン経営・マーケティングを実現するための最後のツールがまだかけている。それはBIツールである。代表的な商品はTableauというSalesforce傘下の商品である。BIツールとは、帳票を設定することで、自動でDWH等と連携してデータ集計表の作成やグラフの作成、既存の帳票上でのソート・フィルタリング、クロス集計など実施などが出来るツールである。基本的には、BIツールがなければ多くの場合エクセルで同様な作業は可能なことが多いが、DWHとの連携による帳票の自動Updateや、SQLを活用したエクセルでは出来ないような大規模なデータ集計や複雑な集計などが出来るため、上位互換的な位置づけにあると考えてもらえると良いと思う。

別にBIツールの営業をしたいわけではないので、絶対に導入すべきだとまでは言わないが、私の経験上、導入のメリットと導入しない場合に起こりがちなデメリットをここでは紹介したい。

まず思いつくのメリットは、データ集計のリソースが大幅に削減可能になることである。KPIの帳票などをエクセル管理していると、日次、週次、月次などで、データを集めて、Update、集計などを定期的に行わなければいけないというような作業が発生する。一方BIツールの場合は、DWH上に必要なデータがバッチ処理などで自動連係されるようになっていれば、一度作った帳票は改修しない限り、ほぼ自動的に集計、グラフ化などを行ってくれる。このため、貴重なデータ分析リソースのルーチン業務を大幅に削減することが可能になる。

エクセルで限界までデータ集計を頑張ってみる！

もちろん、このリソースの削減もメリットとしては小さくはない。しかし私が考えるBIツールの最大のメリットは、データ分析の基本フレームワークの構築と、メンバー間の共有・利活用が劇的に加速されるということである。この点を理解するためには、BIツールがない場合との比較で考えてみたい。

例として再び人材紹介業の例で話をしよう。チームが担う役割は新規顧客獲得の獲得で、デジタル広告の運用チームとし、KPIはこれまで登録数最大化であったが、この度求人提案数の最大化に変更するというプロジェクトにしよう。このような全手にたって、この広告運用チームが、どのように施策を進めていくのかを具体的に考えていくことにする。

求人提案数と登録数の関係を式で表すと、

求人提案数　＝　登録数　×　求人提案転換率

となる。このため、求人提案数を最大化するために最初に考えるべきは、登録数と求人提案率のコントロールである。これを一番簡単に行えそうなのは、投資する広告媒体ごとの予算配分を変えることであるため、広告媒体ごとの数値を集計して、求人提案CPAが安い媒体の予算を増やし、求人提案CPAが高い媒体の予算を減らすというのを基本ルールとして、オペレーションを構築する方針としよう。そのために、これらの数値が纏まった帳票を職種毎に作成することにする。

このくらいの話は、チームで一つのエクセルを作れば済むことなので、はっきり言ってわざわざBIツールを使わなくてもエクセルで対して状況は変わらない。

そのうち、週次でMTGをしていると、どうも求人提案への転換には2週間程度リードタイムがかかるので、今週獲得したユーザーの転換率が良いのかどうかが分からず、週次でのPDCAが回しにくいという話がチーム内で出てきた。その解決策として出てきたのは、求人提案の一つ前のヒアリング数を先行指標として、確認したら良いのではという話がチーム内で出てきた。それはよさそうだということで、ヒアリング数とヒアリングCPA、ヒアリング転換率を帳票に追加して、毎週報告することにする。私の感覚では、この段階もエクセルで全く問題ない。

ところが、ある職種の担当者が、特定の媒体の求人転換率が今まで良かったのに急速に悪くなった。だが理由が分からないと言い出す。データ分析チームと検証した結果、どうも求人転換率が低い60歳以上の求職者の比率がその媒体だけ急速に上がっているようだということが分かった。そこで、今後は、特定の媒体の転換率が悪くなった時は、求職者の年齢分布をチェックすることにしようとなる。このあたりからエクセルでやるのと、BIツールでやるのとで実は差が出てくる。

エクセルでこれをやろうとすると、方法はおそらく2つある。データ分析チームが、広告運用担当者が媒体ごとの年齢分布を調べたいときにいつでも見られるように、毎週データをDWHから吐き出して、エクセルにストックしておき、聞かれたらデータのありかを教えてあげるという方法。または、広告運用担当者から依頼されるごとにデータを集計して渡してやるという方法である。前者の問題は、使われるかどうかも分からない情報をいちいちデータ分析チームがもしものために作るという非常に無駄な作業が発生する。後者の場合は、依頼されてから動くのでスピードが遅いのと、無駄な手間を掛けさせると申し訳ないので、そもそも依頼することに遠慮が発生し、気軽に分析が出来なくなる。一方BIツールがあれば、年齢分布を見ましょうとなれば、媒体ごとの年齢分布の帳票を一度作ってしまえば、いつでも誰でも見られるようになる。

ここでは、年齢分布を見ましょうと1項目追加された程度なので、まだエクセルでも問題ないが、一つのチームで何年も毎週PDCAを繰り返すと、この時はこのデータを見る、このパターンはこのデータとナレッジが蓄積され、その項目数は10、20と増えていくものである。こうなってくるとそもそもオペレーションが大きな負荷になり、運用が回らなくなるか、データ分析チームがオペレーションで手一杯になってしまう。

BIツールは現場メンバーの一人一人のデータドリブン実践の場

私の考えるデータドリブンなデジタルマーケティングのチームというのは、日々のPDCAを回しながら、常に新しい分析のアイディアを考え、それをチーム内で共有し、それが汎用的なアイディアであれば、チームのナレッジとして一般化仕組化するというプロセスを繰り返すことが重要であるが、その実践場所がBIツールであると考えている。

このプロセスを、データ分析チームの手を介さず、現場の一人一人のメンバーが実践できる環境を如何に提供するかが、PDCAのスピードをあげる非常に重要な要素になる。そして、それを実現するために重要な条件が、現場のメンバーが簡単にデータにアクセスでき、利用可能な環境になっているということなのである。

もちろん、エクセルでそのオペレーションを回すことも可能ではある。しかし、オペレーション負荷が高くなると、可能性の高いアイディアしか分析、検証されなくなってしまいがちである。それはつまり小さな失敗がしにくい環境になってしまう訳だ。分析にも、小さく、早く、意図を持っては重要なわけだ。もし、自分のチームでデータ分析のスピードが遅いと感じることがあったら、一度自分のチームのメンバーのデータアクセスの状況を確認してみてはいかがだろうか？データ分析チームに分析ではなく、過剰なオペレーションをさせていないだろうか？もしそんな問題が発見されたら、BIツールの導入を検討しても良いのかもしれない。