データ分析の役割は、過去の数字をまとめることから、次に取るべき行動を決めることに移っています。ルート最適化やレコメンド、AIを組み込んだBI・CRM、需要予測、VOC分析まで、現場の判断を支える事例が増えています。便利なツールを入れるだけでは差はつきません。入力データが悪ければ、出力される分析や提案も誤ります。本記事では、進化したデータ分析の実像と、AI時代ほど重要になるデータ品質の論点を整理します。
【シリーズ「AIトランスフォーメーション（AX）」】
日本企業は「AX（AIトランスフォーメーション）」でDXの遅れを取り戻せるのか？
「調べる・まとめる・作る」を一気に実行！Genspark活用のすすめ
AIトランスフォーメーションを成功へ導くステップとは？
Difyで始める最速AX！AIのビジネス活用の成否は「ナレッジ管理」で決まる
【2026年最新版】業務変革の要！AIエージェント導入ガイド
「神エクセル」がAXを阻害する？AIフレンドリーなExcel運用・管理法
オフライン駆動可能！ローカルLLM＋RPAでパーソナルなAIエージェント
「過去を見る」から「次の行動を決める」へ
AIの活用が進んだことにより、データ分析の役割も大きく変化しつつあります。本章では、かつての集計中心の分析から、業務判断そのものを支える分析への転換を、物流最適化とレコメンドの事例から見ていきます。
集計で過去を読み解いてきた時代
かつてのデータ分析は、確率・統計学を基礎に置くことが一般的でした。売上、顧客属性、在庫、アンケート結果といった構造化データを集め、平均や分散で全体像を把握し、相関や回帰分析で関係性を調べ、検定で差の有無を確かめ、時系列分析で季節性やトレンドを読む。分析の主な目的は、過去に何が起きたかを説明することでした。
このやり方自体が価値を失ったわけではありません。月次の売上報告、顧客セグメントごとの購買傾向、在庫回転の確認など、いまも現場に欠かせない作業です。ただし、出力の多くは「結果の整理」や「傾向のレビュー」にとどまりやすかったのも事実です。売上が落ちたことはわかっても、どの商品を推すべきか、どの顧客に優先して動くべきか、どの在庫を厚くすべきかまで踏み込むには、追加の判断や経験が必要でした。
従来の分析は、意思決定の素材を用意する役割は果たしていても、意思決定そのものを直接動かす仕組みにはなりにくかったと言えます。データは「見て終わり」になりやすく、改善のための次の一手につながる場面が少ないこともありました。
「次の行動」を決める道具へ
現在のデータアナリティクスは、単なる集計やレポート作成にとどまりません。業務判断そのものに入り込んでいます。売上が落ちた理由の確認はもちろん重要ですが、分析の役割はそこで終わりません。どの商品を重点販売するか、どの顧客に営業すべきか、どの在庫を増やすべきか、どの問い合わせが増えそうか。こうした問いへの答えを予測し、現場の次の行動につなげることが求められています。
分析結果が「説明」で完結せず、「実行」につながる点が重要です。ダッシュボード上の数字を眺めるだけでは、ビジネスの維持・拡大は進みません。どの施策を優先し、どのリソースを振り向け、何をやめるかを決める必要があります。データ分析は、その優先順位づけと資源配分を支える基盤へ変わりつつあります。
この変化は、特定の部署だけの話ではありません。営業、マーケティング、カスタマーサポート、物流、在庫管理など、日々の判断が積み重なる現場ほど、過去実績の要約だけでは足りなくなっています。求められるのは、明日の行動を変える材料です。
UPSのORION：業務プロセスを変える分析
物流領域では、UPSのORION（On-Road Integrated Optimization and Navigation）が、代表的な成功事例として知られています。配送実績を集計して振り返るだけではなく、配送先、走行距離、車両、時間制約などをもとに配送ルートを最適化し、走行距離・燃料・コストの削減につなげています。
INFORMSの事例では、ORIONは2015年12月時点でUPSに3億2000万ドル以上の節約をもたらし、完全展開時には年間3億〜4億ドルの節約、年間1000万ガロンの燃料削減、10万トンのCO2削減が見込まれると紹介されています。重要なのは数字だけではありません。ここではデータ分析が「結果を見る」段階から、「業務プロセスを直接変える」段階へ進んでいます。
ルートが変われば、ドライバーの動きも変わり、燃料消費も変わり、顧客への配達品質にも影響します。分析は報告書の中に閉じず、現場オペレーションそのものを再設計するエンジンになっています。コスト削減とサービス品質の両立にもつながっています。
Netflixのレコメンドと顧客維持
Netflixのレコメンドも代表的な事例です。Netflix Researchでは、パーソナライゼーションとレコメンドが重要な研究領域として位置づけられています。視聴履歴、ユーザー行動、類似ユーザーの傾向、作品情報などをもとに、次に視聴される可能性が高いコンテンツをホーム画面などで提示します。
こうした機能の目的は、単に人気作品をピックアップするだけにとどまりません。個々のユーザーに合わせた体験を作り、視聴継続につなげます。適切なおすすめは、探す手間を減らし、離脱を抑え、利用時間を伸ばします。顧客維持や利用時間拡大、継続率向上につながっています。
物流最適化とレコメンドは、扱うデータも業界も異なります。どちらも、データを使って「次に何をするか」を決めています。UPSでは次のルートを決め、Netflixでは次に勧める作品を決めます。いずれも、過去の説明を超えて、行動の選択を支援しています。
「説明」から「選択」へ
データ分析の目的は「過去を説明すること」から「未来の行動を選ぶこと」へ変わっています。売上分析、需要予測、顧客維持、物流最適化、レコメンドなどは、一見すると別々のテーマに見えます。いずれも、データを使ってビジネスの維持・拡大に必要な意思決定を支援しています。
これからのデータアナリティクスを見るときは、「きれいなレポートが出せるか」だけではなく、「現場の次の一手が変わったか」を尺度にするとよいでしょう。分析の価値は、洞察の美しさではなく、意思決定と行動の質で測られていきます。
【参考】UPS
【参考】Recommendations
AIで広がるBI・CRM・需要予測・非定型データ分析
生成AIや予測分析の普及で、データ分析の道具も使い方も変わりつつあります。本章では、BI・CRM・需要予測・VOC分析が専門家の作業から現場の意思決定支援へ広がっていく様子を、具体的なサービスや事例とともに見ていきます。
BI：ダッシュボードから「問える」分析基盤へ
現在、BIやCRMはAIによって変化しています。従来のBIは、データベースから数値を取り出し、ダッシュボードやグラフで可視化するものでした。月次売上、地域別実績、商品別構成比などを眺め、人が解釈を加える――ここまでは「見える化」の世界です。
いまのBIは、分析作業そのものをAIが補助する方向へ進んでいます。たとえば、次のような支援が増えています。
- 自然言語での質問：データに対して会話形式で問いかけ、必要な数字や傾向を引き出す
- レポートの自動生成：目的に応じた可視化や要約を素早く作成する
- 分析式の作成支援：DAXなどの式生成を助け、高度な集計を組み立てやすくする
- 異常や変化の要因発見：数値のブレや急変の背景を初期案として提示する
可視化だけでなく、問いの立て方や解釈の初期案づくりまで支援範囲が広がっています。
MicrosoftのPower BI Copilotはその一例です。公式ドキュメントでは、ビジネスユーザー向けの即時分析から、上級作成者向けのDAX生成まで、チャットベースの体験でデータ活用を支援すると説明されています。専門担当者だけが複雑なレポートを組み立てる道具から、現場部門が日常的に使う分析基盤へ、BIの位置づけが変わりつつあります。
ほかにも、Tableau Agentのように、データ準備やビジュアライゼーション作成を支援し、データにもとづく意思決定を加速する対話型AIが登場しています。BIは静的な画面の提供から、能動的な分析支援へと進んでいます。
CRM：記録から次の一手の提案へ
CRMについても、同じ方向の変化が見られます。かつてCRMは、顧客情報や営業活動を記録する台帳として使われることが多くありました。誰にいつ連絡したか、商談はどの段階か、問い合わせ内容は何か。記録の正確さ自体は重要ですが、それだけでは「次に何をすべきか」は決まりません。
現在は、商談履歴、営業活動、問い合わせ履歴、顧客データをもとに、次のような判断を支援する分析基盤へ変化しています。
- リードの優先順位：追うべき見込み客の順番を示す
- 売上予測：受注見込みやパイプラインの見通しを立てる
- 商談リスク：停滞や失注の兆候を早めに把握する
- 顧客維持の行動提案：離脱抑制や追加提案につながる次の一手を示す
SalesforceのCRM Analyticsは、業務の流れの中でAIによる実行可能なインサイトを提供し、質問への回答、結果予測、推奨、インサイトからの行動を支援すると説明されています。
Sales Cloud Einsteinも同様の取り組みです。営業活動とCRMデータをもとに学習し、重要な予測、インテリジェントなおすすめ、タイムリーな自動化によって営業プロセスを支援します。公式ヘルプでは、最良のリードの特定、効率的な商談成立、顧客維持に役立つと整理されています。CRMは「記録するシステム」から「次に何をするかを提案するシステム」へ進んでいます。
需要予測：販売数から人員配置へ
需要予測は、小売や製造業の販売予測だけで語るには狭くなっています。問い合わせ件数やコールセンターの入電数にも適用でき、現場の資源配分に直結します。
ソニー損保の事例では、コールセンターの入電数予測にAI予測分析ツール「Prediction One」が活用されています。過去の入電実績などをAIが分析し、入電数予測の精度向上により、オペレーターのシフト配置最適化に貢献したと紹介されています。予測が当たれば、残業や人員不足を抑えやすくなり、放棄率の改善にもつながります。需要予測は、売上数字を当てるだけの作業ではなく、現場運営を支える判断材料になっています。
AWSの需要予測に関する資料も、同様の動きを示しています。Amazon SageMaker Canvasを使うことで、データサイエンスの専門知識がないチームでも、コーディングなしで需要予測のための予測分析を始められると説明されています。データ接続、結合、データセット作成、自動クレンジング、モデル監視などを支援し、予測分析を現場部門でも扱いやすいローコード／ノーコード領域へ広げています。かつてのAmazon Forecastの流れも、SageMaker Canvasへの移行文脈で語られており、クラウド上で予測を民主化する動きが続いています。
非定型データとVOC分析
非定型データ分析も重要です。これまで扱いにくかった通話音声、チャット履歴、メール、PDF、FAQ、議事録、画像、動画なども、音声認識、自然言語処理、生成AI、ベクトル検索、RAGによって分析対象になりつつあります。
VOC分析では、通話音声をテキスト化し、要約、分類、感情分析、問い合わせ傾向の可視化を行うことで、商品改善や顧客対応改善につなげられます。売上表や顧客マスタだけがデータではありません。顧客が実際に話す言葉そのものが、維持・拡大のための重要なシグナルになります。
BI、CRM、需要予測、非定型データ分析はいずれも、AIによって分析が専門家の作業から現場の意思決定支援へ広がっている点で共通しています。道具が高度になったというより、使う人が広がり、判断の現場に分析が埋め込まれるようになっています。
「Garbage In, Garbage Out」は変わらない
分析できる対象や手法は広がっていますが、入力が悪ければ出力も誤る、という原則は変わりません。本章では、AI時代だからこそデータ品質が競争力を左右する理由を、「Garbage In, Garbage Out」の観点と現場で起きやすい問題から見ていきます。
もっともらしい誤答とデータ品質
AIによって分析できる範囲は広がりました。一方で、データ分析の基本原則は変わりません。入力データが悪ければ、出力される分析結果も悪くなります。いわゆる「Garbage In, Garbage Out」です。入力データの質が、出力の信頼性を決めます。
従来の統計分析でも、欠損、重複、誤入力、偏ったサンプル、古いデータ、定義の不統一があれば、分析結果は信頼できませんでした。平均も回帰も、前提が崩れていれば意味を持ちません。AI時代には、この問題がさらに深刻になります。生成AIや機械学習は、大量のデータからもっともらしい予測や説明を出せるため、元データが悪い場合でも、一見すると説得力のある誤った結論を出してしまう危険があります。
間違った答えが「それらしい文章」や「きれいなグラフ」で返ってくると、現場は疑いにくくなります。分析の民主化が進むほど、検証なしで意思決定に入り込むリスクも高まります。便利さの裏側に危うさもあります。
データ品質の重要性
IBMのデータ品質に関する解説では、「Garbage in, garbage out」の原則は機械学習アルゴリズムにも当てはまり、悪いデータで予測や分類を行えば不正確な結果が出ると説明されています。企業がAIや自動化を業務に組み込むほど、高品質なデータが重要になる、という指摘もあります。AI導入の成否は、モデルの新しさだけでは決まりません。学習や推論に渡すデータの質が、精度の限界を決めます。
日本のAIセーフティ・インスティテュート（AISI）のデータ品質に関する資料でも、AIシステムの性能や安全性にデータ品質が重要であることが整理されています。AIの開発・運用においても「Garbage In, Garbage Out」の考え方が重要であり、入力データの品質が悪ければ、出力や判断の信頼性も損なわれます。これは分析精度の話であると同時に、ガバナンスと安全性の話でもあります。便利に使える分析ほど、誤りが業務へ波及したときの影響も大きくなります。
現場で起きやすい「悪いデータ」の典型
例えば、業務の中で生まれるデータには以下のような問題が日常的に含まれています。
- 顧客情報の古さ：連絡先や取引状況が実態とずれている
- 顧客の重複登録：同一人物・同一企業が複数レコードに分かれている
- 営業メモのばらつき：担当者ごとに書き方や粒度が異なり、再利用しにくい
- 問い合わせ分類の不統一：同じ内容でもラベルが揃わず、傾向把握が難しくなる
- FAQの更新遅れ：現場の最新対応と文書内容がずれている
- 商品マスタの定義曖昧：商品名・カテゴリ・単位などの解釈が部署で異なる
こうした状態でAI分析を導入しても、リードスコア、売上予測、顧客離脱予測、問い合わせ分析の精度は上がりません。むしろ、誤った優先順位や対策を提示してしまう可能性があります。
たとえば、離脱リスクが高いと判定された顧客に営業資源を厚く投入した結果、実はデータ上の定義違いだった、という事態が起きれば、機会損失は二重になります。本当に対応すべき顧客を見送り、対応不要な相手に時間を使うからです。AIの提案が速いほど、誤りの伝播も速くなります。
ツールを入れただけでは、データ品質の欠陥は消えません。むしろ、説得力のある見た目のまま誤った情報が意思決定の場に届いてしまいます。現場で「AIが言っているから正しい」と受け止めてしまうほど、検証の習慣も薄れやすくなります。
非定型データと整備不足
非定型データの分析では、データ整備の難しさがさらに増します。通話ログや議事録は、話者、時刻、文脈、要約粒度、分類ラベルが不十分だと、後から検索・分析しにくくなります。PDFや社内文書も、版管理、更新日、責任者、参照範囲、利用目的が曖昧なままでは、RAGやAI検索の精度が下がります。
AIが文書を読めるようになったからこそ、文書をAIが正しく読める構造に整える必要があります。「読めさえすれば正しく理解してもらえる」という期待は危険です。入力側の曖昧さは、出力側のもっともらしい誤解として返ってきます。非定型データを活用したいほど、メタデータと運用ルールの重要性が上がります。
先に整えるべきデータ活用の土台
AIツールの導入よりも先に、次の土台を整える必要があります。
- データ基盤：分析に使える形でデータを集め、つなげる仕組み
- データ定義：各項目が何を意味するかを揃える
- 名寄せ：同一顧客・同一商品の重複を解消する
- メタデータ管理：更新日、責任者、参照範囲などの付帯情報を残す
- 更新責任：誰がいつ直すのかを明確にする
- アクセス権限：誰がどこまで使ってよいかを決める
- 監査ログ：利用履歴を追い、問題発生時に検証できるようにする
- 利用目的の整理：何のために使うデータを、どの範囲で扱うかを決める
どの項目が何を意味するのか。誰がいつ更新するのか。どの範囲まで使ってよいか。誤った出力をどう検出するか。こうした土台がなければ、高度な分析機能は力を発揮しません。
データアナリティクスの競争力は、分析ツールの高度さだけではなく、業務データを正しく蓄積し、活用できる状態に保てるかで決まります。最新のモデルを導入しても、定義が曖昧なままでは再現性が出ません。AI時代のデータ分析で差がつくのは、モデルの鮮度よりも、データ整備を続けられる運用力です。
【参考】Data Quality SWG Report Summary
AI時代のデータ分析で差がつくのは、データを整えた企業である
データアナリティクスは、過去の実績を集計するものから、次の行動を決めるための基盤へ進化しています。UPSのルート最適化、Netflixのレコメンド、AIで進化したBIやCRM、需要予測、VOC分析はいずれも、データをビジネス維持・拡大の判断材料に変える取り組みです。
一方で、AIが高度になっても「Garbage In, Garbage Out」の原則は変わりません。顧客情報、営業履歴、問い合わせ記録、商品マスタ、社内文書が不正確であれば、AIは誤った分析や提案を返します。AI時代の競争力は、AIツールを導入したかどうかではなく、AIが正しく読めるデータを整備できているかで決まります。データ分析の最前線とは、単なる高度な分析技術ではなく、業務データを経営判断と現場行動につなげる仕組みづくりです。使えるデータから整えること――それこそが、維持と拡大の出発点になります。
この記事を書いた人
