データを持つ企業が勝つ理由──量ではなく「判断との接続」が差を生む

「うちにはデータが大量にある」という話をよく聞きますが、その多くは、部門ごとにばらばらに蓄積されていて、誰が更新したのか、何を意味する数字なのかが分からない状態です。AIにとって重要なのは量ではなく、その情報がどの判断につながり、どんな結果をもたらしたかという接続です。

目的から選ぶ

前回、競争優位の一つとして独自データを挙げました。今回はそのデータを、実際に使える状態にするための考え方を掘り下げます。企業は、顧客、取引、設備、業務のデータをそれぞれ持っていますが、部門ごとに定義が違い、更新時点が分からず、利用の権限も曖昧なことが少なくありません。データを「持っている」ことと「使える」ことは、まったく別の話です。まず考えるべきは、何のためにそのデータを集めるかという目的です。

すべてを集めようとするのではなく、価格、在庫、保守など、改善したい判断から逆算して必要なデータを決めてください。「将来役に立つかもしれないから」という理由で手当たり次第にデータを集め始めると、管理するデータベースだけが増え、実際には使われないまま費用だけがかさんでいきます。

目的のない収集は、費用とリスクを増やすだけです。保管コストに加えて、個人情報を含むデータであれば、使いもしないのに漏えいのリスクだけを抱え続けることになります。

「データは資産だから、とりあえず貯めておけ」という助言を耳にしますが、これは半分しか正しくありません。使う目的が決まっていないデータは、資産ではなく在庫です。しかも保管費用がかかり、漏えいすれば負債に変わります。

判断の順序としては、改善したい業務を一つ決め、そのために必要な項目を書き出し、足りないものだけを新たに集める。この順序なら、集めたデータは必ず使われます。逆順で進めた会社が、数年後に「このデータは何のために集めたのか」を誰も説明できなくなるのを、私は何度か見ています。

結果までつなぐ

AIに入力した情報だけでなく、どの提案を採用し、実際に何が起きたかまで記録に残してください。AIが出した需要予測をもとに発注量を決めたなら、その後の実際の販売実績まで記録して初めて、次回の予測の精度を検証できます。

予測と実績の差が分からなければ、次の判断は改善していきません。入力と出力だけを記録して、その後の結果を追わない運用は、どれだけデータを蓄積しても学習にはつながりません。

実務では、結果を書き戻す欄を業務システムに一つ足すだけで、状況が変わります。「この案件で、AIの提案を採用したか。採用しなかった場合、その理由は何か」。この二項目があるだけで、後から振り返る材料になります。

採用しなかった理由は、特に価値があります。AIの提案が現場感覚と合わなかった場面には、たいてい理由があります。データに表れていない制約、顧客との経緯、季節的な事情。こうした情報こそ、次の改善につながる材料です。「使わなかった」という記録を残す文化を作ってください。

権利と由来

取得目的、本人の同意、契約内容、作成者、更新履歴を確認してください。顧客から集めたアンケートの回答を、当初の説明と違う目的でAIの学習に使ってしまうと、それだけで信頼を損なう問題になります。

技術的に使えることと、法務・倫理の観点から使ってよいことは、別の話です。システム上コピーできるからといって、契約上使ってよいとは限りません。

特に注意が必要なのは、取引先から預かったデータです。共同開発の過程で受け取った設計情報や、業務委託で扱っている顧客情報を、自社のAI活用に流用してよいかは、契約条項によります。ここは自己判断せず、法務や顧問弁護士に確認してください。個人情報や営業秘密が絡む判断は、専門家に相談することを前提に進めるべき領域です。

実務上おすすめしたいのは、データごとに「取得元」「取得目的」「利用してよい範囲」を一行ずつ書いた一覧を作っておくことです。使いたくなったときに毎回契約書を読み返すのは現実的ではありません。先に整理しておけば、判断が速くなります。

現場の言葉をそろえる

「顧客」や「不良」の定義が部門によって違えば、AIはそこで混乱します。営業部門が「見込み客」と呼ぶ対象と、カスタマーサポート部門が「顧客」と呼ぶ対象が微妙にずれていると、AIがまたいで分析したときに数字が合わなくなります。

共通の定義は、中央が一方的に決めるのではなく、利用する現場と管理部門が合意しながら更新してください。情報システム部門だけで決めた定義を現場に押し付けると、現場は独自の呼び方を裏で使い続け、結局データはそろわないままになります。

全社の用語を一度にそろえようとすると、たいてい途中で頓挫します。関係部署が多く、調整だけで数か月かかるからです。現実的なのは、改善したい業務に関係する用語だけを、まずそろえることです。在庫の判断を改善したいなら、「在庫」「引当」「欠品」の定義を関係部署で合わせる。それだけで十分に前へ進めます。

そして、合意した定義は必ず文書に残し、更新した日付を書いてください。定義は事業の変化とともに変わります。いつ時点の定義なのかが分からない用語集は、しばらくすると誰も信用しなくなります。

見落としやすい点

データ整備は地味で時間のかかる作業です。ここを省略してAI導入だけを急ぐと、後になって「そもそもこの数字は何を意味するのか」という問いに戻ることになります。

戦略に落とすには

まず検証すること(1〜3か月)

• 改善したい判断を一つ選び、必要なデータの一覧を作ってください。

• 各データの管理者、更新頻度、利用権限、欠けている部分を確認してください。

• 判断の結果を書き戻す欄を、業務記録に追加してください。

積み上げること(6か月〜3年)

• 重要なデータには、責任者と品質基準を置いてください。

• 部門をまたぐ共通の語彙と識別子を整備してください。

• データ利用による価値とリスクを、取締役会へ定期的に報告してください。

経営者への問い

• 「データがある」という報告を受けたとき、それが判断と結びついているか確認していますか。

• 顧客や不良といった基本的な言葉の定義は、部門間でそろっていますか。

• データの取得目的と同意の範囲を、誰が管理していますか。

• 予測と実績の差を、次の学習として戻す仕組みはありますか。

まとめ

データの価値は量ではなく、判断との接続の深さで決まります。次回は、この考え方を新規事業づくりに応用します。