データドリブン経営は演繹的アプローチと帰納的アプローチの合わせ技で
これまでのデータ分析はデータウェアハウスにデータを集め、分析対象や目的を明確にして分析することが前提にあった。そのうえでデータモデルやスキーマを設計し、ETL（Extract Transform Load）を使い、データを分析、可視化して、最終的には過去の正確な把握を行う。これを原田氏は「演繹的アプローチ」と指摘する。
一方、これからは未来の予測も必要になる。従来の演繹的アプローチと比較すると、データレイクなどにデータを集めて観察し、何が予測できるか仮説を立て、立証していくところに違いがある。機械学習をとりいれるのも特徴だ。こちらは「帰納的アプローチ」になるという。
ただし演繹的アプローチが帰納的アプローチへと入れ替わるのではなく、両方とも必要だ。原田氏は「過去の正確な把握だけでは不十分です。これからは状況変化を前提として、未来予測していくことも必要な時代になります。両方合わせてデータドリブン経営が実現します」と話す。
ここで原田氏はシンガポールのデジタルツインの例を挙げた。シンガポールをバーチャルに再現する試みがある。実在するあらゆるものをバーチャルに再現し、デジタルツインを作りあげている。サイバー空間でシミュレーションを行うなかで、リアルと照らし合わせて予測モデルを繰り返し磨きあげているのだ。
デジタルツインの例と同様に、モデル駆動とデータ駆動（データドリブン）を組み合わせることがデータドリブン経営の未来像になると原田氏は考えている。モデル駆動は、演繹的アプローチでリアルの理論科学からサイバーの計算機科学でシミュレーションを行う。一方、データ駆動は帰納的アプローチでリアルの実験科学からデータを収集し、データサイエンスで未来予測を行うという。これらモデル駆動とデータ駆動の間で理論やモデルの補正を行うことで、精度を高めていく。
[画像クリックで拡大]
食品流通サプライチェーンで考えてみよう。不確実なものが多いため、原料生産、食品加工、流通、小売、あらゆる段階でロスが起きている。これは、需要がわからないから多めに作ってしまったり、機会ロスを怖れて多めに発注してしまい廃棄してしまったりすることが原因だ。しかし、需要と供給のデータをつなぎ、予測と検証を繰り返すことで、勘と経験だけに頼らない判断が可能になる。
[画像クリックで拡大]
DATAFLUCTではデータサイエンスで収穫予測、仕入れ予測、流通予測などを行うサービスを次々とリリースしている。たとえば、気象やエリア、モバイル空間統計、店舗のPOSデータなどから需要予測モデルでダイナミックプライシングを行う店舗支援型AIサービス「DATAFLUCT foodloss.」では、フードロスや機会ロスの最小化を目指しているという。
原田氏は、「いろいろなプロダクトをつなぎ合わせることで食品ロスが発生しない、最適化されたサプライチェーンを作っていきたいというのが私たちのビジョンです」と話す。
