データ戦略とは何ですか?
データ戦略は、組織の情報アセットを管理するために必要なテクノロジー、プロセス、人員、ルールを定義する長期計画です。今日、あらゆる種類の企業が大量の生データを収集しています。しかし、この情報を使用して、十分な情報に基づいた意思決定を行い、機械学習 (ML) または生成人工知能 (AI) アプリケーションを作成するには、慎重に考慮されたデータ管理および分析計画が必要です。データ戦略は、データの収集、保存、共有、使用に関する組織の長期ビジョンの概要を示しています。これにより、データを必要とする組織内のすべての人がデータジャーニーのあらゆる段階でデータを簡単に操作できるようになります。
データ戦略が重要なのはなぜですか?
データ戦略を構築することは、組織が絶え間ない変化の中で高い関連性、競争力、革新性を維持するために不可欠です。ビジネスイニシアチブの目標を達成し、次のような新しい価値を組織にもたらすにはデータを管理、理解、保護する必要があります。
- より優れた、より速い意思決定
- 不正行為を減らす
- カスタマーエクスペリエンスとロイヤルティの向上
- 業務効率の向上
- プロセスの最適化
- コストの最適化
- 製品としてデータを扱う Data as a Product のような新しいビジネスモデルのサポート
- 機械学習 (ML) や生成系 AI など、将来を見据えたアプリケーションを構築します。
データ戦略は、データ管理とビジネス戦略およびデータガバナンスの整合性を確立するので、競争上の優位性をもたらします。これには 2 つの主な目的があります。
データアーキテクチャに関する意思決定を改善する
企業のデータアーキテクチャは、企業がデータを収集、保存、変換、配布、消費する方法を記述します。また、次のようなデータ管理の技術的側面も含まれています。
- データベースとファイルシステム
- データ統合サービス
- データストレージ形式を管理するルール
- アプリケーションとデータベース間のシステム接続
- データアクセス権
- AI データモデル
例えば、データアーキテクチャは、毎日のマーケティングおよび販売データをマーケティングダッシュボードなどのアプリケーションに入力し、そのアプリケーションがさらに情報を統合および分析して、地域ごとの広告費と売上の関係を明らかにする場合があります。データ戦略は、そのデータに適切な人がアクセスすることを保証する一方で、ビジネス目標に合致したアーキテクチャ上の意思決定をデータエンジニアが行うためのフレームワークを提供します。
データを一貫して管理する
効果的なデータ戦略は、協調的で一貫性のあるデータ管理を実現するために、組織全体をサポートします。それは 5 つの重要な問いに対する回答を提供します。
- どのようなデータが適切ですか?
- どのようなデータオペレーションが承認されていますか?
- データの保存と収集の目的は何ですか?
- ビジネスプロセスに関するデータガバナンスポリシーはどのようなものですか?
- 既存のデータからどのようなインサイトを得ることができますか?
データ戦略を実施することにはどのようなメリットがありますか?
優れたデータ戦略を備えておくことには、さらに多くのメリットがあります。
データ管理の課題を解決する
ほとんどの組織では、データサイロ、ビジネスユニット間でのデータの重複、部門間の非効率的なデータフロー、データの優先順位に関する明確さの欠如など、データ管理の課題が発生しています。データ戦略は、データをアクセス可能にし、安全な方法で共有できるようにすることで、企業がこれらの課題を解決できるようにします。ビジネスイニシアチブを満たすためにデータの価値を解き放つことができます。データの整合性を改善し、適切なデータに適切なタイミングでアクセスすることで、組織は将来または未知の状況に備えることができます。
カスタマーエクスペリエンスとロイヤルティの向上
組織は、データと分析を使用して、顧客をより良く理解し、カスタマーエクスペリエンスを改善します。オンラインエクスペリエンスからコンタクトセンターまで、組織はデータを利用して顧客のためにより多くの価値を生み出し、満たされていないニーズにプロアクティブに対処できます。データは、組織が新しいビジネスや収益化の機会を創出し、顧客のニーズに基づいて高度にパーソナライズされた製品やサービスを構築するのにも役立ちます。パーソナライズされた体験は、時間の経過にともなう顧客ロイヤルティの強化にもつながります。
分析的成熟を達成する
Gartner Analytic Ascendancy Model は、分析的成熟における 4 つのステップを定義しています。組織は通常、何が起こったのか、そしてその理由を理解するために、記述的および診断的分析から始めます。分析的成熟は、組織がデータを使用して何が起こるかを回答する予測分析に移行するときに問題となります。成熟の最終段階にある組織は、処方的分析を使用して所定の結果を達成します。このように、データ戦略は、組織が後からの観察ではなく先見性に基づいて意思決定を行うことから移行するのに役立つ、詳細な計画を提示します。
ML や生成系 AI などの将来を見据えたアプリケーションの構築
データは ML と生成系 AI アプリケーションの中核です。ML モデルと AI モデルには、データを簡単に取り込んで管理し、モデルをトレーニングして推論を実行する機能が必要です。データ戦略では、画像認識、予測、インテリジェント検索などのユースケースをアプリケーションに提供するデータを考慮します。また、データモデルの管理を始めとする ML ガバナンスも考慮する必要があります。
組織全体のデータ文化を創出する
データ戦略は、組織全体でのデータリテラシーと使用効率を高めるためのロードマップを提示します。多様なチームが連携して、データの質とデータ収集の精度を向上させることができます。さらに、データ管理と使用方法の領域において、初心者から専門家までの共同作業者のために、カスタマイズされたトレーニングを開発し、学習パスを作成できます。
規制コンプライアンスをサポートする
効果的なデータ戦略は、不正なデータアクセスを制限する手段を実装することを通じて、データのセキュリティを改善します。ポリシーとプロセスを定義する際に、すべてのデータガバナンスのルールと規制を考慮することができます。エンタープライズデータ管理がデータのプライバシー、セキュリティ、および完全性を常に維持するように、すべてのオペレーションを慎重に計画できます。
効果的なデータ戦略の重要な要素にはどのようなものがありますか?
データ戦略を一連のステップおよびこれらのステップを実施するためのタイムラインとして提示できます。このデータ戦略ロードマップには、組織の現在のデータ成熟度を維持するためのガイドラインと、成熟度を次のレベルに引き上げるアクション項目が含まれています。
ロードマップに含める一般的なデータ戦略コンポーネントをいくつか次に示します。
データカタログツール
データカタログツールは、既存のすべてのデータアセットを識別および分類するのに役立ちます。ビジネスユーザーと IT チームは、カタログを使用して詳細なメタデータを取得したり、ビジネスオペレーションをデータオペレーションにさらに効果的にマッピングしたりできます。
データ管理ツール
データ統合、視覚化、レポート、およびダッシュボード向けのツールがいくつかあります。データ戦略は、ビジネスニーズを満たし、IT チームとビジネスユーザーの両方をサポートする最適なツールを特定するのに役立ちます。また、ツールがすべてのデータガバナンスポリシーを満たしていることを検証して、確実に規制を遵守しているようにすることもできます。
データ分析
成功するデータ戦略には、通常、組織内のデータ管理と分析管理の両方の計画が含まれます。データ分析には、ML および AI モデルの入力として、既存のデータセットが必要です。エンタープライズデータ戦略は、分析に使用するのに最適なデータセットと、データオペレーションについて従業員をトレーニングする方法を概説することにより、バイアスを最小限に抑えることを目的としています。例えば、組織が AI を使用して求人への応募を自動的にソートすることを計画しているとします。その場合、ML と AI モデルで無意識のバイアスが生じないように、過去および現在の従業員の多様なデータセットを慎重に選択する必要があります。
レビュープロセス
データ戦略には、既存のデータ管理システムとデータ戦略自体を評価および改善するためのレビュープロセスを含める必要があります。これには、次のようなタスクが含まれます。
- 既存のデータアーキテクチャを定期的に監査する
- データ収集プロセスが準拠状態にあることを検証する
- 同等のマーケットデータに照らしてデータの質を測定する
このようなレビュードキュメントを使用して、既存のデータ戦略を改善し、戦略目標を再検討できます。
データ戦略を作成するためのさまざまなアプローチにはどのようなものがありますか?
組織のデータ戦略を作成する際、主に 2 つのアプローチがあります。
一元化
通常、高度に一元化された統制指向のデータ管理アプローチには、幅広いデータカテゴリのすべてにおいて信頼できる唯一の情報源が含まれます。例えば、収益、顧客、または販売データの主要な 1 つの情報源があります。データシステムは、複数のソースからデータを収集してクリーンアップし、この一元的なリポジトリに保存します。したがって、データディフェンスは、信頼できるデータソースを識別、標準化、および管理して、企業の内部システムをフローするデータの完全性を維持することにより、ダウンストリームリスクを最小限に抑えます。次のようなアクティビティが優先順位付けされます。
- コンプライアンスと規制
- 分析を使用した不正検出
- 盗難防止のためのセキュリティ対策
分散型
分散型アプローチは、一元管理されたデータ管理システムの柔軟性を高めます。複数のビジネスユニットが同じデータを異なる方法で解釈することを認識します。信頼できる唯一の情報源に確実にマッピングし直すことができる制御されたデータ変換を可能にすることで、このようなさまざまな解釈に対応できます。
例えば、財務部門とマーケティング部門の両方が月次のソーシャルメディア広告支出レポートを作成するシナリオを考えてみます。広告の有効性の分析に関心のあるマーケティング部門は、クリック数と閲覧数に対する支出の影響について報告します。財務部門は、支出がキャッシュフローに与える影響について報告します。レポートには異なる数字が含まれていますが、どちらのレポートも信頼できる情報の正確なバージョンです。
バランス型データ戦略アプローチ
すべての企業は、データ戦略を成功させるために一元化アプローチと分散型アプローチの両方を組み込む必要がありますが、適切なバランスを取ることは複雑である場合があります。分散型アプローチはリアルタイムオペレーションである傾向があり、マーケティングや販売などの顧客に重点を置いたビジネス機能により関連性があります。法務、財務、コンプライアンス、IT の各部門にとって、一元化アプローチはより重要です。バランスの取れたデータ戦略により、ビジネスリーダーは、信頼できる唯一の情報源を一貫した方法で適用して、ビジネスニーズをより適切に満たすことができます。
誰がデータ戦略を構築しますか?
通常、データ戦略チームには、上級管理職、ビジネス分析、AI、および IT チームの担当者が含まれます。データ戦略を作成および実施するために集ったユーザーの例を次に示します。
データエンジニア
データエンジニアは、信頼性が高く効率的なデータアーキテクチャを構築する責任を負っています。データエンジニアは、データの収集、処理、保存、分析などのいくつかのデータパイプラインタスクをモニタリングおよび管理します。この役割には、データのセキュリティとガバナンスの要件を充足するスペシャリストが含まれます。
データサイエンティスト
データサイエンティストは、データエンジニアによって処理されたデータを取得し、それをさらなる分析のために使用します。データを使用してさまざまな ML および AI モデルを作成し、ビジネスインテリジェンスのレポートを生成します。
データアナリスト
データアナリストは、データの解釈と分析を専門としています。データアナリストは、データサイエンティストと緊密に連携して、ビジネスインテリジェンスのタスクが組織の要件に整合的なものとなっているようにします。
ビジネスマネージャー
ビジネスマネージャーは、データレポートを確認し、データオペレーションの管理をサポートします。ビジネスマネージャーは、データ戦略が全体的なビジネス戦略および規制要件に整合的なものとなるようにします。
データ戦略を構築するために、どのようなステップを踏む必要がありますか?
予算が割り当てられたビジネスイニシアチブの識別
最初のステップは、予算が割り当てられたビジネスイニシアチブとの整合性を取ることです。その場合、Amazon の 逆算して取り組むという方法論を使用できます。次に、それらのビジネスイニシアチブにどのデータが必要かを判断します。 次に、ビジネスイニシアチブをサポートするために必要なデータ機能を特定します。
データ戦略を構築するステップの例を以下に示します。
- 予算が割り当てられた他人のビジネスイニシアチブをサポートする
- 必要なデータ機能を特定する
- 必要なデータの状態を確認する
- データ戦略ロードマップを構築する
- エンタープライズアーキテクチャやプロジェクト管理など、どのエンタープライズ運用プラクティスがデータ戦略をサポートできるかを特定する
- AI 戦略プログラムとの統合
チームを構築する
データ戦略を成功させるには、多様な視点を持った適切な人材を見つけることが重要です。チームはいくつかのタスクを担当します。これには次が含まれる場合があります。
- リソースの割り当てと配布
- ポリシーの確立と改善
- データ関連の問題発生時の対処
- プログラムの状況と結果の伝達
また、テクノロジーのデプロイの責任者を決定し、標準へのコンプライアンスを確保し、ポリシーの変更について全員に知らせるために、データガバナンスの役割を割り当てることもできます。
データアーキテクチャを最適化する
どのようなデータ戦略でも、実際に成功するには適切なツールとテクノロジーが必要です。既存のデータインフラストラクチャを確認し、さまざまなチームが現在データをどのように使用しているかを分析し、解決すべきギャップを特定する必要があります。このステップには通常、要件に基づいてテクノロジー中心の意思決定を行うことが含まれます。これには次が含まれる場合があります。
- データのボリュームとタイプ
- データの質と分析
- セキュリティとコンプライアンス
- データライフサイクル
最終的な目標は、適切なセキュリティ管理が実施された状態で、データを必要とするすべてのステークホルダーのために、データを可能な限りアクセスおよび共有可能で、実用的なものにするデータ戦略を作成することです。
AI 戦略プログラムとの統合
AI と ML から価値を生み出すには、データの品質、統合、セキュリティなどを実現するために、基盤となるデータが AI と ML モデルに関連関連付けられた特定のイニシアチブのニーズを満たす必要があります。したがって、データ戦略チームと AI 戦略チームの間にはパートナーシップが必要です。
AI/ML のガバナンスに関する特別な考慮事項
AI/ML は、データ戦略で考慮する必要のある新しい機能を導入します。以下に例を示します。
- 特徴量ストア
- 追加の規制コンプライアンス
- MLOps
- 新しい倫理的考慮事項
- 生成系 AI に関する考慮事項
AWS はデータ戦略をどのようにサポートできますか?
AWS には、データを利用してビジネスを再構築するために役立ついくつかのサービスがあります。150 万名を超えるお客様とともに、世界で最も信頼され、安全で、スケーラブルなクラウドコミュニティにデータを提供できます。例えば、AWS を利用して次のことが可能です。
- この eBook で AWS でエンドツーエンドのデータ戦略を実施して、データのビジネス価値を最大化する方法を見つける。
- このオンデマンドマスタークラスでは、予算が割り当てられた適切なデータガバナンスプログラムを構築する方法を学びます。AWS マスタークラスによるデータガバナンスのビデオには、実践的な演習を含むワークブックが付属しています。
- AWS Data Infrastructure Modernization サービスを使用して既存のシステムをアップグレードする
- Analytics on AWS を使用して、最適なデータ分析戦略を選択および実施する
- AWS の機械学習を使用して、新しいエクスペリエンスを考案し、古いプロセスを再考する
今すぐ無料アカウントを作成して、AWS を利用したデータ戦略の実施を開始しましょう。
