データドリブンな意思決定には「強み」だけでなく「弱み」もある

　世の中で生み出されるデータが種類と量の両面で急増を続ける中、データをさまざまな事象の証拠として意思決定に役立てる、いわゆる「データドリブン」の動きがますます本格化している。

　消費行動の多様化や複雑化を背景に、従来からの経験則による消費行動の予測難度は増しており、これに対してデータによる現状把握の精緻化を通じて、予測精度を確実に高めてきた。業務の多様化と複雑化、環境変化の加速なども要因に挙げられる。

　ただし、「データドリブンへの偏重は、意思決定において（実は）決して望ましいものではありません」と指摘するのは、ガートナー バイス プレジデント,アナリストのガレス・ハーシェル氏だ。

　ハーシェル氏によると、意思決定の手法は「合理的」「原理的」「協働的」「直感的」の4つに大別され、データドリブンはこのうちの合理的な手法に含まれる。


　その強みは「一貫性があり、意思決定プロセスを改良できること」（ハーシェル氏）だが、判断に多くのリソース（データ）が必要なため、手間暇を要し、かつ「うわべだけの正確さ」に惑わされやすいことが弱点だ。

「データは生成手法によって、信頼性が大きく変わります。ただ、健全な疑念を持ち続けにくく、結果として誤った判断を下してしまうことも少なくないのです」（ハーシェル氏）

　他の手法の強みと弱みは次のようになるという。

複数視点での判断でより良い意思決定を

　意思決定のいずれの手法も“強み”と“弱み”を併せ持つ。この中でのより良い意思決定に向け鍵を握るのが、それらの適切な組み合わせによる弱点の補完だという。

　例として挙げたのが、医療での臨床治療だ。問診で得られるリソースだけでは合理的な判断が下しにくい場合にも、直感的は判断による「緊急手術」の必要性の気づきを基に、「セカンドオピニオン」による協働的な判断による望ましい治療行為、さらに「苦しみを和らげる」という原理的な判断による「手術後の患者のフォロー」と、各種制約の中でアクションを確実に進めていける。

「つまり、より良い意思決定を行うには、複数の視点で事象を捉える必要があるということです。データドリブンはたしかに1つの大きな要素となりますが、それが唯一の要素であってはなりません」（ハーシェル氏）


　一方で、企業では従来からデータやアナリティクスの活用が進められてきた。その手法は次の3つの順に段階的に高度化するのだという。

　最初は、データでどんなアナリティクスを実施するかを事前に人が決定し、その結果を意思決定に役立てる方法だ。狙いはデータによる「意思決定の支援」であり、データドリブンを進める企業の大半は現在、この段階にある。

　次が、機械がデータを基に意思決定にまつわる提案を行うものである。データによる「意思決定の拡張」と言える。たとえば機械が顧客への商品のレコメンド方法を提案し、人が承認後、実施する。AI利用が広がる中で現在、大きな期待を集める手法だという。

　最後が、「意思決定の自動化」だ。この段階に至ることで、機械がデータを基に自立的に意思決定を行い、人の役割は機械の意思決定の監査となる。化学プラントなどでの現場データを活用したプロセス・オートメーションなどが代表だ。

「ただし、意思決定の自動化では検証漏れのリスクが危惧されます。技術的な難度も極めて高く、必ずしもこの段階に到達する必要はないでしょう」（ハーシェル氏） 【次ページ】データドリブンに用いる分析手法を5つに大別