データ分析事例：データ量とCX改善
製品分析リードは、Tableauを活用して何百万ものデータ列に及ぶ顧客データ分析を行い、カスタマーエクスペリエンス（CX）をデータに基づいて改善した具体的な事例として言及されています。この事例は、ビッグデータ分析が直接的なビジネス価値創出、特に顧客満足度というデータ指標の向上に繋がる可能性を示唆しています。
Tableauとビッグデータ分析エコシステム：データ可視化・分析レイヤーの位置づけ
Tableauのようなモダン分析プラットフォームは、ビッグデータからインサイトを発見することで、ビッグデータの可能性を解き放つ鍵となる可能性を秘めていますが、包括的なビッグデータプラットフォームアーキテクチャにおいては、データ収集、ストレージ、処理、分析、ガバナンスといった多様なコンポーネントから構成されるデータパイプライン全体の重要なコンポーネントの一つに過ぎません。ビッグデータ分析パイプライン全体をゼロから構築すること自体もデータコンサルタントの視点からは大きなチャレンジのように思えますが、安心材料としては、データ活用戦略を段階的に進めるアプローチを取る場合、開始する前にエコシステム全体を一度に構築する必要はなく、また戦略全体を軌道に乗せるために各コンポーネントのすべてを統合する必要がないということです。
Tableauは、データプラットフォーム間のデータ移動、オンデマンドでのインフラストラクチャの調整、新しいデータタイプ（構造化、非構造化、半構造化データ）の利用、新しいユーザーと使用事例の有効化といった、変化するデータ環境と分析ニーズへの適応能力、すなわち柔軟性を優先しているため、ビッグデータのパラダイムの枠にうまく収まります。Tableauは、ビッグデータ分析ソリューションの導入がインフラストラクチャや戦略を決定づけるものではなく、ビッグデータエコシステム内のパートナーテクノロジーを含む、これまで組織が行ってきたデータ関連投資の活用を促進するものであると信じており、既存のデータ基盤やデータツールとの連携を重視する姿勢を示しています。
データの格納インフラ多様化とデータ管理課題のデータガバナンス視点
データを格納するインフラストラクチャが、メインフレームからクラウドサービスまで多岐にわたるようになった状況は、データソースの多様化とデータ保存場所の分散化を招いています。データコンサルタントの視点から見ると、異なるシステムやデータ保存場所にあるデータを、データ分類、データアクセス制御、データ品質基準といったデータガバナンスポリシーの下で一貫して管理することは非常に困難です。こうした状況は、データ統合の困難性を増大させ、データサイロ化解消のハードルをいっそう高くします。結果として、たとえ優れたデータ分析ツールがあっても、データ統合の不足やデータ品質のばらつきにより、信頼できる分析結果を得づらくなるというデータマネジメントの課題が顕在化します。
このようなデータ活用の課題にいち早く着目し、正確性と一貫性、統合性を備えたデータ完全性、すなわちデータがビジネスで信頼できる状態であることを実現するための製品を提供しているのが、Preciselyです。これまでPreciselyは、データ統合 (ETL – データの抽出、変換、読み込み)、データ品質、データガバナンス、ロケーションインテリジェンスといったデータマネジメント領域の主要コンポーネントに関わる製品を企業買収によって獲得し、ポートフォリオを拡充してきました。2022年6月現在で全世界に約1万2000社の顧客を有し、経済誌『Fortune』が発行する企業の売上高ランキング「Fortune 100」のほとんど全てのお客様が同社製品を導入し、データドリブン型経営を実践しているという導入実績データは、Preciselyのデータインテグリティ製品がデータ活用において広く採用され、その効果が認められていることを示しています。
Preciselyが新たなフェーズとして、2023年以降に日本市場で本格的に提供開始するのが、「Precisely Data Integrity Suite」です。これまでは買収した製品を個別に提供してきましたが、今後は各製品の機能を統合し、1つのブランドの下でデータ完全性に関わる複数のデータマネジメント機能を一気通貫で管理・運用できる統合データ完全性管理スイートとしてSaaS (Software as a Service) 形式で提供します。Preciselyの日本法人の担当者は、「顧客のデータ管理ニーズに応えるべく開発したものであり、データ完全性に関わる機能を網羅した製品は、他にはないと自負している」と述べており、市場のデータ管理課題分析に基づき、包括的なデータ完全性管理ソリューションを提供しているというメッセージが伝わります。Precisely Data Integrity Suiteを通じて、信頼性の高いデータ入手、すなわちデータ完全性の確保を支援し、それがデータ分析結果の信頼性向上、ひいては迅速かつ確実なデータに基づいた意思決定に繋がるデータ活用の効果を提供していく構えです。
Intelligent Data PlatformによるIT部門のデータマネジメント高度化とビッグデータ最大活用
HPE Intelligent Data Platformは、IT部門における組織全体のデータ資産の効率的な収集、管理、処理、分析能力を向上させ、ビッグデータの最大活用を可能にします。データ管理の課題解決にAIや高度な分析を導入することは、データ収集・統合、データ品質管理、パフォーマンス最適化、障害予測・対応といったデータマネジメントプロセスの自動化とデータ分析による高度化を意味します。これにより、IT部門はビジネス部門がデータやIT部門に求める成果（例：データ分析環境の迅速な提供、安定したデータアクセス、データに基づいた意思決定支援）をより効果的にもたらすことができます。
インテリジェンス時代の到来：データ駆動型IT運用標準
HPE Intelligent Data Platformは、インテリジェンス、すなわちデータに基づいた意思決定と運用をITインフラ管理の標準とする「インテリジェンス時代の到来」を体現します。本プラットフォームは、収集・分析したデータに基づいたアクションによって、非効率なインフラストラクチャ管理（運用データ分析に基づくボトルネック特定・改善）、ハイブリッドクラウドの不透明性（分散したデータ・リソースの統合的データビュー提供）、インフラストラクチャにおけるアジリティの欠如（データに基づいたリソースプロvisioning・構成変更の自動化）といった今日のITインフラ管理における主要課題を解決します。これにより、重要なワークロードで俊敏なサービスデリバリ（プロビジョニング時間、デプロイメント時間といったパフォーマンスデータの改善）を実現するとともに、アプリケーション開発と展開を迅速化します。このすべてが、HPE InfoSightを搭載した、ワークロードに最適化されたストレージシステムとクラウドデータサービスのポートフォリオとして提供されます。InfoSightは、お客様のIT環境から多様なデータ（テレメトリデータ、ログデータ、設定データなど）を収集し、そのデータをAI（機械学習）で分析することでインフラストラクチャの異常検知、パフォーマンス最適化、容量予測などを行うデータ分析エンジンとして機能します。組み込みの自動化機能によるセルフサービスデリバリは、開発者やデータサイエンティストが、必要なデータリソース（ストレージ容量、処理能力など）をデータに基づいて要求し、迅速に利用開始できるデータリソース管理の自動化とデータ利用効率の向上を実現します。これらのサービスは、HPE GreenLakeフレックスキャパシティ、およびHPE Pointnextのコンサルティング/サポートサービスを通じて、データ量に基づいた従量制の消費モデルで提供されます。Intelligent Data Platformは、さまざまな障害を取り除き、イノベーションを促進する強力なデータ処理・分析テクノロジーを開発者に提供します。
AI主導の運用におけるデータ分析・機械学習
Intelligent Data Platformは、AI主導の運用においてGlobal Intelligence Engineを中核に据えています。Global Intelligence Engineは、HPEストレージシステムのインストールベース全体から、ストレージ、サーバー、仮想化ソフトウェア、ネットワークエレメントといったインフラストラクチャのテレメトリデータを収集し、高度な分析と機械学習を適用することで、インフラストラクチャの正常な稼働状態に関するデータモデルを学習する統合データ収集・分析基盤として機能します。これにより、学習した正常状態からのデータパターンやイベントの逸脱を検出する異常検知プロセスを通じて、問題の特定が可能となります。インフラストラクチャのデータを監視し、発生している問題や改善の機会を特定するシグネチャと一致するパターンやイベントを検出するほか、データ分析結果に基づいた自動修復機能により、サービスに影響が生じる前に問題の86%以上を自動的に解決します。この結果、ITチームは問題解決といったリアクティブな作業に追われることはなくなり、実測99.9999%のアップタイム（システム稼働時間データ）が保証された環境を維持しつつ、インフラストラクチャ管理に必要な時間をデータとして最大85%削減できるという、データ駆動型運用がもたらす効率改善を享受できます。お客様の介入が必要な問題が発生すると、分析およびレコメンデーション エンジンが自動でガイダンスを提供します。これは、データ分析結果に基づいた根本原因分析と解決策のデータ提示であり、たとえストレージ外の問題であったとしても、どのような問題がどこで発生しており、その解決に何をすべきかをデータソース横断的な分析と、データに基づいた診断・推奨の正確性を通じて正確に把握できます。
AI主導型エクスペリエンスでは、ITチームで基盤インフラストラクチャを管理する時間がデータに基づいて短縮されるため、ITチームを高付加価値業務やイノベーション関連業務に振り向けられるようになり、イノベーションが促進されます。インフラストラクチャが常時スマート化し、データ分析によって障害発生の可能性を抑制することから、AIの活用によって、IT環境のリスクをデータに基づいて管理できると言えます。これにより、IT環境は稼働率データやパフォーマンスデータといったデータ指標によって、常時稼働、常時高速の状態に維持されます。
Intelligent Data PlatformによるAIを活用したデータ分析機能提供とデータに基づく価値抽出
HPE Intelligent Data Platformは、AIを活用することで、データサイエンティストや専門家といった特定の分野に限定されず、あらゆる企業がデータからインサイトや予測といったデータに基づく価値を迅速に抽出できるためのデータ分析機能を提供します。高い競争力を維持するためには、データから有益な情報を迅速に引き出すことが不可欠であり、これはデータに基づいた迅速な意思決定やデータ駆動型イノベーションがビジネスの優位性に繋がるデータ分析的な根拠に基づいています。Intelligent Data Platformは、このような重要なデータ集約型ワークロード（例：大規模データ分析、機械学習モデル学習）に必要なデータ処理能力とデータ基盤を、必要な時に必要なだけ利用できるシームレスなas-a-Serviceエクスペリエンスで提供します。
クラウド対応：ハイブリッド/マルチクラウドデータ管理の柔軟性
Intelligent Data Platformは、パブリッククラウド（AWS, Microsoft® Azure）とプライベートクラウドとのシームレスな連携を可能にし、お客様のクラウド戦略（データ配置、データ移動、データ利用シナリオなど）に応じてデータ基盤を進化させることができる、ハイブリッド/マルチクラウドデータ管理の柔軟性を提供します。HPE Cloud Volumesと組み合わせて使用することで、これらのパブリッククラウドとのネイティブなクラウド統合が実現され、異なるクラウド環境間でのデータ移動、データ同期、データ共有といったデータ連携の効率化と自動化が容易に行えるシームレスなマルチクラウドエクスペリエンスを実現します。これにより、データセンターから任意のクラウド環境に至るまで、場所を問わずにあらゆるワークロード（データ処理、アプリケーション実行）を簡単に実行できる、データとワークロードの配置の柔軟性が向上します。組み込みのクラウドおよびコンテナー自動化機能により、データリソース（データストレージ、データ処理能力）やデータ分析環境のプロビジョニング、構成変更といったデータ関連タスクが自動化され、開発者がデータ駆動型アプリケーション開発とデプロイメントを迅速に行えるようになります。また、HPE Cloud Technology Partnersが、データコスト分析、データセキュリティポリシー適用、データガバナンス要件遵守といったデータマネジメントに関する専門知識と支援を提供し、コスト、セキュリティ、およびコンプライアンスを最適化しつつクラウドを最大限に活用できるようサポートします。
データ移動の柔軟性と統合エコシステムとのデータマネジメント機能連携
Intelligent Data Platformでは、オンプレミスとパブリッククラウドの間のデータ移動が可能になり、ハイブリッドITやマルチクラウド環境におけるデータモビリティを実現します。本番環境データベース、セカンダリデータ、またはバックアップデータといった多様なデータタイプのワークロードをクラウドに移動できる点は、様々な種類のデータを異なる環境間で容易に移動させ、分析、アーカイブ、災害対策といった目的に応じて活用できるデータ活用の柔軟性を示しています。Kubernetes、Docker、Mesosphereなど、他のクラウド自動化およびDevOpsエコシステムを構成するテクノロジーとの統合は、データ管理機能と、コンテナオーケストレーションツールやDevOpsツールチェーンとのデータマネジメント機能の連携を可能にします。LOBや開発者のニーズに対応することで、これらの連携を通じて、データリソースのプロビジョニング、データパイプラインの構築・管理、データ分析環境のデプロイといったデータ関連タスクを効率化し、ハイブリッドクラウド環境におけるデータとアプリケーションの管理を極めて容易にします。
ソフトウェアデファインドコンポーザブルインフラストラクチャ：オンプレミスデータ基盤の柔軟性向上
HPEのソフトウェアデファインドコンポーザブルインフラストラクチャソリューションは、オンプレミス環境でクラウドのようなアジリティ、すなわちデータ基盤リソースの動的な構成変更やプロビジョニングを可能にするオンプレミスデータ基盤の柔軟性向上技術の基盤となります。VMファームやコンテナーファームに最適なHPEコンポーザブルシステムは、データ処理能力やストレージ容量といったデータ基盤リソースを、ソフトウェアを通じてプール化・抽象化し、データ分析やアプリケーション実行に必要なリソースを容易に割り当て・管理できるデータ基盤リソースのソフトウェア定義による管理を可能にします。これにより、セットアップ、構成、通常運用といったデータ基盤の導入・運用におけるデータ管理負担が軽減されます。
ある顧客は、「フレキシブルキャパシティは、オンプレミスでクラウドの機能を使用できるようなものです。当社は一部のサービスをクラウドで運用していますが、データセンターにも同様の柔軟性を求めています。これは、当社のハイブリッド戦略で特に重要な要素です」と述べており、これはデータ量に基づいた従量課金モデルが、オンプレミス環境においてもデータ需要の変動に合わせたデータ基盤リソースの柔軟な利用を可能にし、これが異なる環境にわたるデータ配置やデータ利用シナリオを含むハイブリッド戦略において重要な要素であるというデータ経済性とデータモビリティに関する顧客の認識を反映しています。
データ急増に伴うIT部門のデータ管理課題と潜在的ビジネス機会損失
今日、データが急増する中、これらのシステム、そしてそこに存在するデータの膨大な規模と複雑な運用への対処に向け、IT部門では課題を抱えています。データ急増に伴うIT部門のデータ・システム管理の複雑性は、多様なデータソースからのデータ取り込み、膨大なデータ量の処理、異なるデータプラットフォーム間のデータ連携、データガバナンスポリシーの適用といったデータマネジメントの技術的・運用的な複雑性として現れています。これらのデータ管理活動には、ITリソースと予算が必要です。ハイブリッドクラウドコンピューティング環境は、データストレージや処理における新しい選択肢を提供していますが、選択肢が増えることで、異なるクラウドやオンプレミス環境に分散したデータストレージ、データ処理、データサービスが連携しないことによるデータサイロ化が進行し、データ管理アーキテクチャの複雑化も進むことになります。ハイブリッド環境によって広大なデータ環境が利用可能になるものの、データアクセスパターン、利用頻度、コスト、セキュリティ要件といったデータ分析に基づいた最適なデータ配置（ストレージティア、ロケーション、レプリケーションポリシーなど）を見極めるのは、データ収集、分析、およびデータに基づいた意思決定支援情報の不足により、管理者に委ねられた困難な判断となっています。そして最後に、ビジネス部門が求める有益な情報を得るには、データ収集・管理の非効率性により、それを必要とするスタッフが必要な時に必要な場所でデータを利用できるようにする必要があります。
これは、IT部門にとってはデータ管理の複雑性、非効率性、データ不足に起因する運用コスト増大、障害対応時間増加といったIT運用効率を示すデータ指標の悪化を意味し、ビジネス部門から見れば、IT部門が引き出すべき、データの持つ潜在的なビジネス機会（データに基づいたインサイト獲得、データ駆動型プロセス導入）を喪失する、データ活用の断絶とビジネス価値創出の遅延を意味します。
ある顧客は、「ごく短期間で多数のクラウドユーザーをオンボーディングするには、常に迅速かつシンプルに、コスト効率よく展開できなければなりません。ストレージ管理者が簡単に実装、構成できるHPE Nimbleアレイなら、わずか数分で新しいアレイの運用を開始することが可能です」と述べており、これはデータ量に基づいた従量課金モデルや管理の容易さが、データストレージプロビジョニングの迅速化（展開時間データ）とコスト効率化に貢献し、これがデータ活用の迅速化を支援するというデータインフラ導入・運用効率に関する顧客のデータに基づいた認識を反映しています。
インテリジェンスですべてが変わる：データ駆動型IT運用標準の到来
私たちが直面している問題（そして私たちに訪れる機会）は、ビッグデータ現象を後押しする問題や機会に類似しています。「インテリジェンスですべてが変わる」というメッセージは、データに基づいた分析と自動化がインフラ管理を変革するデータ駆動型IT運用の到来を位置づけます。ストレージデバイス、サーバー、ソフトウェア、ネットワーク上には膨大なインフラデータ（テレメトリデータ、ログデータ、構成データなど）があり、そこにはデータの作成、保存、移動、アクセスがどこでどのように行われているかといった詳細情報が含まれています。さらにそこには、ストレージデバイス、サーバー、さらには仮想インフラストラクチャ全体の構成やパフォーマンスの詳細だけでなく、障害の兆候、パフォーマンスの低下、または非効率な箇所のデータといった、インフラ運用の状態を示す情報も含まれています。こうしたデータを収集して高度な分析や機械学習を適用することで、データ配置の最適化（データ利用パターンやコストデータ分析に基づく最適なデータ配置）、優れたサービスの提供（データ分析に基づくボトルネック特定と解消、サービスレベル目標達成）、IT効率の向上（運用データ分析に基づくプロセス改善）に必要とされる有益な情報が得られます。
インフラストラクチャを効率的に管理
データストレージはハードウェアとソフトウェアの複雑な統合型スタックの一要素であり、アプリケーションにデータを提供し、ユーザーにビジネス価値を提供するための重要なレイヤーです。HPEのシステムから収集したデータによると、アプリケーションの遅延や障害の原因となる問題の過半数は、ネットワーク、サーバー、仮想化ソフトウェアなど、ストレージよりも上位のレイヤーで発生しています。エラーログや構成データの精査、複数のテクノロジー・デバイス（異なるデータソース）からの数百の変数（データポイント）を関連付ける作業は、これらのデータソース間のデータ統合とデータ相関分析の複雑性を伴います。この複雑性が障害長期化、コスト増加、責任の押し付けに繋がる状況は、データ不足、データサイロ化、およびデータ分析能力の不足に起因する根本原因特定と解決の非効率性を示しています。データ駆動型IT運用は、これらの課題に対処し、インフラストラクチャ管理を効率化します。
Amazon Web Services：データ分析とAI活用を支援するサービス群
Amazon Web Services (AWS) は、データコンサルタントおよびデータアナリストの視点から、データ収集、処理、分析、活用といったデータライフサイクルの特定のフェーズや、データ分析・AI活用シナリオを支援する包括的なデータサービスおよび分析ツール群を提供します。
Amazon QuickSight の統合ビジネスインテリジェンス: 同一の情報源から多様な分析ニーズに対応するデータ統合、可視化、レポート作成機能を提供します。Amazon Q in QuickSight では、自然言語を使用してダッシュボードの構築と説得力のあるビジュアルストーリーの作成を行うことが可能であり、これはAIを活用したデータ分析プロセス支援およびデータプレゼンテーションの自動化を意味します。
Amazon Qによる迅速なインサイト抽出: 生成AIアシスタントとして、データに基づいた質問応答、要約、関連情報検索といった機能を提供し、重要なインサイトをより迅速に抽出することを可能にします。これはデータ分析からの知見獲得効率化に貢献します。
Amazon SageMaker Canvas による機械学習の民主化: 経験やコーディング不要で正確な機械学習予測を生成することを可能にします。これは、データサイエンスの専門知識がないユーザーでも、データを用いた予測モデル構築、評価、デプロイメントを行える機械学習の民主化と予測分析能力の向上を促進します。
Amazon DataZone によるデータアクセス管理の簡素化: ビジネスユーザーのデータへのアクセス管理を簡素化します。データカタログ、メタデータ管理、アクセス制御ポリシーといったデータガバナンスおよびデータアクセス管理の機能を提供し、データ利用者が安全かつ容易に必要なデータにアクセスできる環境を整備します。
AWS トレーニングと認定: データ、分析、機械学習に関連する150を超える専門能力開発コースを利用可能です。これは、組織全体のデータリテラシー向上とデータ分析スキル開発を支援するプログラムとして位置づけられます。
データ基盤のヒント：コスト最適化とデータ経済性
データ基盤においては、パフォーマンスを損なうことなく、コスト効率の高いデータ基盤を実現することが重要です。これは、データストレージ、データ処理、データ転送にかかるコストをデータ量、利用頻度、パフォーマンス要件に基づいて最適化するデータ経済性の追求を意味します。コストを最適化することで、組織は予算制約の中でより多くのデータ収集・分析・活用を可能にし、現在のデータ活用能力を最大限に発揮できるようになります。
データ活用による経済的メリットの定量評価を示す事例として、以下が挙げられます。
Samsung: Amazon Aurora PostgreSQLに移行することで、毎月の運用コストをデータとして44%削減、さらにメンテナンス費をデータとして22%削減しました。これは直接的な財務データ指標改善を示しています。
Carrier: コールドチェーンロジスティクスネットワークのデータ活用により、コールドチェーンオペレーションの最適化やエネルギー使用量の削減を行い、さらに輸送時のコスト、遅延、貨物紛失、輸送品劣化をデータとして低減して、顧客の成果向上を支援しています。これはデータ分析が運用効率改善と顧客成果向上にもたらした効果を示しています。
United Airlines: 2万個を超えるセンサーが生成するデータを活用し、インテリジェントな空港を実現しました。センサーデータからインサイトを引き出し、地上設備機能を最適化することで、不要となった設備のコスト1億2千万 USDを削減しました。これはデータに基づいた運用効率化による資産最適化とコスト削減の具体的な事例です。
データを活用する組織のデータ駆動型競争力
「データの時代（Data Age）」において、組織は自らのデータを効果的に活用してビジネスの監視、セキュリティ対策、推進を行っていく組織と、そうでない組織に二極化することでしょう。これは、データ分析能力がビジネスの生存と成長に不可欠な要素となっている、データ駆動型競争力の重要性を示唆しています。ESGとSplunkの共同調査によると、ビジネスへのデータ活用に積極的に取り組むデータイノベーターは、こうした取り組みを行わない組織に比べて利益成長率がデータとして12.5%高くなっています。これは、データ活用がビジネス成果（利益率データ）に直接的に貢献していることのデータに基づいた根拠と言えます。
しかし、データ活用を成功させることは口で言うほどたやすいことではありません。組織内のクラウドとオンプレミスの両方にわたってすべてのテクノロジー（データソース、データプラットフォーム、データ処理ツールなど）を明確かつ包括的に把握することは、データ環境の全体像把握の困難性を伴います。データは今や数多くのシステムとエンドポイントに分散しており、これはデータサイロ化とデータ分散化の課題を示しています。データの生成速度に比べて、構造化や標準化といったデータ準備プロセスが手薄になる一方で、データは次々と生成されていきます。データの時間尺度が大幅に短くなり、さまざまな監視方法が求められていますが、いずれもリアルタイムでの結果を出す必要があることは変わりません。これは、変化の激しい環境下でのデータに基づいた迅速な意思決定に不可欠なリアルタイムデータ分析能力の必要性を強調しています。
データによるビジネス推進要因の特定とシステム導入戦略
データに基づかないプロジェクト推進は、多大な時間とリソースを投じたにも関わらず、後になって根本的な方向転換を迫られるリスクを伴います。あるいは、革新的な技術やデータ活用事例に触れても、それを自社の具体的なビジネス課題解決に繋げるためのデータ戦略や分析基盤が不足していると感じた経験もあるかもしれません。
財務、人事、給与計算といった基幹システムの刷新検討は、ビジネスに変革をもたらす期待がある一方で、その複雑さから早期の技術選定に意識が向きがちです。しかし、システム導入プロジェクトを成功させる上で最も重要なステップは、まずビジネスの成功を定量的に定義する「キーパフォーマンス指標 (KPI)」やその他のデータに基づいた「ビジネス推進要因」を明確にすることです。そして、どのようなデータが必要で、テクノロジーがそれらのデータをどのように収集、分析し、データドリブンな意思決定とビジネスイニシアチブの実行をいかに支援できるかを深く理解する必要があります。
新しいシステムが解決すべき「ビジネス課題」を、データによって測定・検証可能な形で厳密に定義し、ステークホルダー間で合意形成を図ることに時間を費やすべきです。このプロセスを経ることで、システム導入によって達成すべき具体的なデータ目標が明確になり、無駄な機能要件を排除し、真に価値をもたらす投資へと繋げることができます。
まずは、システム導入によって実現したい「望ましいビジネスの状態」を、具体的なデータ指標を用いて定義することから始めます。最終的にどのような成果を、どのようなデータ改善によって達成したいのかを明確にします。変革プロジェクトに着手するにあたり、現状のパフォーマンスを客観的なデータで把握し、新しいソリューションが解決を目指すビジネス課題を、データ分析の視点から検証することに時間を割くべきです。
この段階では、効果的なデータ収集と分析を導く「適切な問い」を立てるよう心がけましょう。データによって答えが得られる、測定可能な問いを設定することが、問題の本質的な解決に繋がります。
達成すべき「データに基づいた目標」と「望ましいビジネス成果」を定義します。具体的には、以下のデータポイントや指標について検討が必要です。
6ヶ月後から1年後に、組織がどのようなデータ指標において改善または達成している状態が望ましいか。
組織の5カ年ビジネスプランを、追跡すべき主要なビジネス指標（KPI）に分解し、それらを継続的に測定・分析するためのデータ要件は何か。
全社的に解決する必要がある現在のビジネス課題は、どのようなデータ分析によって特定され、深掘りできるか。例えば：
パフォーマンスおよび収益性の改善: 売上データ、コストデータ、顧客行動データ、オペレーションデータ等の詳細な分析による収益ドライバーやコスト要因の特定。
キャッシュフローの最適化: 入出金予測データ、在庫回転率、売掛金/買掛金年齢分析等の財務データ分析。
コスト管理と支出に関するコンプライアンスの徹底: 経費データ、購買データ、契約データ、承認プロセスデータの追跡と分析。
グローバルでの労務費とワークフォースに関する支出の追跡: 統合された人事データ、給与データ、勤怠データ、組織構造データの分析基盤構築。
プロセス最適化のための機会の特定: 業務プロセスデータ、システムログ、タスク完了時間データ等の分析によるボトルネックの可視化。
さらに、以下の戦略的ビジネス目標をデータ戦略と紐づけて策定します。これらの目標達成は、どのようなデータに基づいたインサイトによって支援されるべきか。
市場環境の変化への適応: 市場データ、競合データ、顧客の嗜好変化を示すデータの継続的な収集と分析体制。
ビジネスの健全性に対するインサイトの獲得: 主要なデータ指標をリアルタイムでモニタリングできるデータプラットフォームおよびダッシュボードの構築。
新たな事業部門や市場の追求: 市場調査データ、顧客セグメントデータ、製品パフォーマンスデータ等の分析による機会特定と検証。 外的要因や競合によるプレッシャーの評価：外部データソースの活用と、自社データとの比較分析。
達成すべきビジネス成果と、それを測定・評価するためのデータ指標が明確になった段階で、ようやくそれを実現するための具体的なプロジェクト要件、すなわち必要なデータソース、データ統合の方法、分析ツール、レポート・ダッシュボードの要件、データガバナンス体制などを詳細に定義していくことで、プロジェクトの成功確率を大幅に高めることができます。
コア財務管理：データ主導のグローバルオペレーション
グローバルオペレーションの簡素化: Workday は、50か国以上に対応した標準設定と120か国以上での事業運営サポートを通じて、グローバルなデータの一貫性を実現します。 Workday のビジネスプロセスフレームワーク (BPF) は、全世界対応の標準レポート作成フレームワークを提供し、新たなデータ要件への迅速な対応を可能にします。 これにより、グローバルな財務データの統合と分析が容易になり、全世界規模での意思決定をデータに基づいて行うことができます。
グローバルなビジネスプロセスのデータ標準化と合理化: Workday を活用することで、各地域、組織、グループ固有のニーズに対応しながら、ビジネスプロセスにおけるデータの収集、分析、および利用方法を標準化できます。 ビジネスプロセスを定義し、組織構造やロールベースのセキュリティと直接結びつけることで、一元的なデータ管理を実現しながら、各地域でのデータ利用における柔軟性も確保します。 これにより、組織全体のデータガバナンスを強化し、データの品質と信頼性を向上させることができます。
総勘定元帳以上のデータハブとしての役割: Workday は、すべての業務トランザクションの詳細なデータを保持し、全世界で利用できる総勘定元帳に必要な会計情報を保存します。 複数通貨、複数言語、複数帳簿など、従来の会計システムでは対応が難しかった主要領域をコアシステムに組み込み、規制や財務の報告要件にグローバルに対応します。 勘定科目表の合理化により、決算処理の迅速化と正確性の向上に貢献します。 さらに、関係会社間取引、相殺、配賦調整、連結決算報告を自動化することで、複数の事業体、企業、ビジネスユニットのデータを効率的に管理し、データに基づく連結財務分析を可能にします。
リアルタイム財務データの連結: Workday は、財務連結を簡素化し、ビジネスパフォーマンスに関するリアルタイムなデータインサイトを提供します。 決算プロセスの監視チェックリスト、ダッシュボードへのアクセスを通じて、データの収集、変換、決算の進捗を追跡し、数値、プロセス、レポートの信頼性を高めます。 組織全体の財務状況をリアルタイムで把握し、変化に迅速に対応するためのデータに基づく意思決定を支援します。
将来を見据えた監査とコンプライアンス: Workday は、システム内の承認と変更を継続的に追跡する常時監査のアプローチを提供し、誰が、いつ、どのような行動をとったかを可視化します。 これにより、監査証跡が強化され、コンプライアンス遵守状況をデータに基づいて継続的に監視できます。
キャッシュフローの自動化とデータに基づいた管理: 現金残高をリアルタイムで把握し、リソースを効果的に管理することで、資金繰り、決済、回収に関するデータに基づいた意思決定を向上させます。 Workday の決済エンジンは、サプライヤへの支払い、社員への経費精算、顧客への支払い、給与計算など、すべてのトランザクションの決済データを処理します。 現金の入出金をすべて把握することで、将来のキャッシュフローを正確に予測し、データに基づいた財務計画を策定できます。
あらゆる規模の固定資産管理: Workday は、ノートPC、携帯電話、Web会議アカウント、セキュリティバッジなどの現代のワークフォースにとって不可欠な、安価でありながらビジネス上重要なリソースを管理する機能を提供します。 これまでは固定資産と在庫に分かれていた領域を統合することで、固定資産に関連するすべてのデータを一元的に管理し、データに基づいた資産管理戦略を策定できます。
データドリブンな意思決定の組織全体への拡大:
Workday は、ビジネスユーザーが以下のことを行えるように支援します。
組織全体の財務およびオペレーションデータへのアクセスを容易にし、データの透明性を向上させます。
データ分析ツールを提供し、ユーザー自身がデータからインサイトを引き出し、意思決定に活用できるようにします。
データに基づいた意思決定を促進する企業文化を醸成します。
プロジェクトの設計とデータに基づいたシステム選定
プロジェクトのデータスコープ定義: プロジェクトスコープ内で、データによって解決すべき、あるいはデータ収集・活用の観点から改善すべき運用上または技術上の課題を特定します。これには、プロジェクトの成功を阻害しうる、データ収集の制約、データ品質の問題、既存システムのデータ連携能力に関する内外の制約事項を含めて洗い出すことが不可欠です。データに関する現状の課題と限界を正確に把握することが、実現可能なスコープ設定の出発点となります。
部門を横断したデータチームの結集: 財務、給与計算、人事、ITといった部門から主要な人財を集結させることは、単に運用プロセスの全体像を把握するだけでなく、組織全体のデータフロー、データ定義のばらつき、部門ごとのデータニーズ、そしてデータに基づく分析要件を包括的に理解するために極めて重要です。データオーナー、データコンシューマー、IT担当者が協力し、共通のデータ言語で課題と解決策を議論することで、データ統合や分析基盤構築に向けたロードマップが明確になります。
データに基づいたプロジェクト目標、目的、望ましい成果の決定: ビジネス戦略とシステム導入によって成し遂げたい目標を、具体的なデータ測定可能な形で定義します。プロジェクト完了時、そして今後数年間でどのようなデータ指標において改善または特定の水準を達成したいかを明確に示します。プロジェクトの成功は、これらのデータ目標の達成度合いによって評価されます。
ビジネス成果のデータに基づく優先順位付け: 達成すべきデータに基づいた成果の中から、最もビジネスインパクトが大きい上位3つに焦点を当てて優先順位を定めます。同時に、データ収集・分析の難易度や、データ不足により現時点では追求が困難な領域も明確にしておくことが、リソースの効率的な配分に繋がります。優先順位付けは、潜在的なデータ活用の可能性と、現実的なデータ取得・分析能力を考慮して行う必要があります。
さらに、組織内で検討すべき多くのデータ関連の問いがあります。役割ごとのデータ利用状況、必要なデータアクセス権限、そして検討すべき主要なデータ分析シナリオを参照し、必要なデータの種類や分析要件を詳細に洗い出す必要があります。
システムオプションのデータ能力評価: 定義した目標、データに関する優先順位、および課題が明確になったら、IT部門と連携し、これらのデータ要件を満たすためのテクノロジーの種類を検討します。各ベンダーのシステム能力を評価する際は、現在の組織におけるデータ収集、管理、分析の運用がどうなっており、新しいテクノロジーによってどのように進化させられるのかという視点が不可欠です。継続的なデータプランニング（データに基づいた継続的な改善活動）が実現できるか、現在および将来のビジネス運用においてデータ活用をどのように支援できるかを見極めます。システムが全社的なデータ活用のビジョンをシームレスにサポートし、最終的にビジネス成果をデータ分析に基づいて評価し、運用を調整するための基盤となるかどうかが重要な評価基準となります。財務、人事、給与計算ソリューションのプロバイダを評価する際は、定義したデータ要件、データ統合の容易さ、分析機能の豊富さといった観点から、各ベンダーの能力を比較します。将来的にどのようなデータ活用を想定しているか、そのデータ戦略の実現において、テクノロジーの選択肢が事業や社員のデータアクセス、分析能力にどの程度影響を及ぼすかを深く理解することが大切です。
財務データの統合ハブとしての機能:
財務や運用についての豊富なデータインサイトを迅速に提供するためには、堅牢なデータハブ機能が不可欠です。Workday のように、堅牢な監査機能や詳細なデータトレーサビリティ機能がプラットフォームに組み込まれている場合、財務部門のユーザーはデータを効率的に管理し、あらゆるレポート、分析、プランニングのユースケースに適した形式にデータを変換することができます。また、財務アナリストは、視覚的で直感的なデータ準備機能を活用することで、コーディングスキルがなくても、データ変換パイプラインを作成、管理、調整できるようになります。さらに、組み込み型のデータ視覚化ツールや、Microsoft Excel ベースのデータ操作を実現する Microsoft Office 連携により、アドホックなデータ分析が容易になり、データに基づいた迅速な意思決定を支援します。
Workdayのデータアーキテクチャと分析能力
豊富なデータディメンションによるトランザクション分析: Workday のオブジェクトデータモデルは、すべての業務トランザクションに関する詳細なビジネスイベントデータを保持しており、財務諸表や管理レポートに豊富な情報基盤を提供します。これは単なる会計キーにとどまらず、法人、コストセンター、勘定科目、キャンペーン、場所、チーム、サプライヤ、顧客など、ビジネス上の戦略的な重要性に基づいて設定された多岐にわたるディメンションによる多角的な分析を可能にします。このデータモデルは、大量のオペレーショナルデータを取り込み、財務情報と組み合わせることでさらに強化されます。その結果、より詳細で包括的なデータセットを財務部門および各ビジネス部門に提供し、データに基づいた的確な意思決定を推進します。
信頼できる唯一のデータソース: 財務/会計部門の担当者、マネージャー、エグゼクティブ、各事業部門のニーズに応える Workday のレポートおよび分析ツールは、すべてのユーザーが、同一のオブジェクトデータモデルに接続され、セキュリティで保護された一貫性のある情報を参照できる環境を提供します。総勘定元帳から直接抽出された柔軟なディメンションを活用し、リアルタイムの財務トランザクションデータやレガシーシステムの履歴データ、さらには業界固有のソリューションや内製ソリューションからのオペレーショナルデータとシームレスに連携します。計画データや予測データは、実際のトランザクションデータ（システムオブレコード）に再度連携され、精緻な差異分析に活用することで、計画と実績の間のギャップをデータに基づいて理解できます。
セルフサービス型アドホック分析: Workday は、ドラッグアンドドロップによる直感的な操作でアドホック分析を可能にし、複数の分析を組み合わせることで新たなデータインサイトを迅速に発見できます。すべてのデータアクセスは、ネイティブの Workday データと同じセキュリティモデルで保護されており、分析結果は既存の企業ダッシュボード上に表示させることが可能です。このダッシュボードは、事業全体のパフォーマンスデータが一元化された信頼できる情報源として機能します。
データに基づいた全社的プランニング
ファイナンシャルプランニングの高度化: Workday は、継続的かつ包括的なファイナンシャルプランニング、レポーティング、分析に必要なデータ基盤とツールを提供します。統合された財務データに基づき、正確で確実な予算策定を迅速かつ容易に行うことができます。データに基づいた迅速なインサイト把握が可能となり、高品質なレポーティングを短時間で生成できます。Web、モバイル、さらには Microsoft Excel との連携を通じて、全社的なデータコラボレーションを促進し、計画プロセスの効率と精度を高めます。
ワークフォースプランニングのデータ活用: スピーディで使いやすく、強力なソリューションを活用して、ワークフォースプランニングをデータ活用の新たな次元へと引き上げます。ヘッドカウントデータやスキルデータに基づいた動的なプランを迅速に策定し、より良い業績に繋がるようデータ分析でサポートします。人事部門およびビジネスリーダーとのデータに基づいたコラボレーションを強化し、ワークフォースデータを最適化して、戦略目標の達成に向けた意思決定を支援します。