企業がデータ主導型事業の創出や、顧客・製品・市場のより深い理解といった機会を模索している場合、非構造化で不完全なビッグデータを活用することは十分に理にかなう場合がある。しかし、質の低い、不適切に管理されたデータに基づいて影響の大きい経営判断を行うことは、破綻を招きかねない。従来のテクノロジー界の格言が言うように、ゴミを入れればゴミが出てくる（Garbage in, garbage out）。
かつてデータは、IT部門が管理・保護する中核システムにのみ存在していた。この「スモールデータ」の世界では、完璧なデータを得ることは難しかったものの、企業はそれに近づくことができた。ビッグデータでは、データの質が大きく変化した。その多くは、ソーシャルメディアの投稿のような非構造化で「ノイズの多い」自然言語や、センサー、スマートフォン、データベース、インターネットから届く互換性のない多数の形式として到来する。少しの労力をかければ、企業はしばしばノイズの中から意味のある信号を見つけ出せる。しかし同時に、企業は「ビッグ・バッド・データの罠」に陥る危険もある。すなわち、データが実際よりも高品質だと考えてしまうことだ。
データの質が低い原因としては、欠陥のあるプロセス、場当たり的なデータ方針、データの取得・保存における規律の欠如、そして企業の管理の及ばない外部データ提供者などが挙げられることが多い。もちろん、適切なデータガバナンスはCスイート（経営陣）の優先課題とならなければならない。しかし、それだけでは企業のデータ品質の体制は整わない。企業は、我々が「データ品質の全体管理」と呼ぶ体系的なアプローチを採用しなければならない。
ビッグ・バッド・データの影響
情報集約型のプロジェクトで企業と協働する際、矛盾していたり、不正確であったり、不完全であったりするデータを日常的に見いだしている。業界を問わず、企業のデータ定義が一貫していなかったり、データ項目の説明（またはメタデータ）が失われていたりすることが多く、ビジネスアナリストやデータサイエンティストにとってデータの有用性が低下している。
質の低いデータの利用には、さまざまな影響がある。事業の各部門間でデータに食い違いが生じると、経営陣がデータの妥当性と正確性への信頼を失うことがある。その結果、ミッションクリティカルな意思決定や事業構想が遅れることがある。また、スタッフが質の低いデータを修正するために、費用のかかる回避策を生み出すこともある。ある大手銀行は、毎日財務記録を修正する常勤従業員を300人雇用した。この取り組みには年間5,000万ドルの費用がかかり、帳簿の締めに要する時間も長引いた。最悪の場合、顧客は請求ミスなどの不十分なサービスを経験し、事業はサプライチェーンのボトルネックや欠陥のある製品・出荷に悩まされることもある。不良データが業務プロセス全体に連鎖し、最上位の意思決定にまで悪影響を与えるため、その影響は増幅される。（図1参照）
特に企業は、影響の大きい経営判断に質の低いビッグデータを用いることで、日常的に機会を逸している。35社の経験から、顧客ターゲティング、貸倒削減、クロスセル、価格設定といった領域での意思決定において、質の低いビッグデータの利用により、完全な潜在力の25％が犠牲になっていると試算している。我々の計算では、これらの企業がより質の高いデータを持っていれば、利払い・税金・減価償却・償却前利益（EBITDA）および売上高は10％高くなっていたはずである。
ある世界的な金融機関がビッグデータのパイロットプロジェクトを実施し、マージンを年間5,000万ドル超（売上高の10％）増やせる価格設定の機会を特定した。しかし、基礎となるデータには請求明細項目しか含まれておらず、銀行が手数料をどのように計算・適用しているかという重要なメタデータが欠けていた。データ品質の問題を是正し、価格戦略を実行するまでに3か月を要した間に、同社は初年度の潜在利益の4分の1以上（少なくとも1,500万ドルに相当）を失った。また、重要な機会を捉える機動力も損なわれた。
より単純な時代には、このような企業も比較的容易に検証できる少数のデータセットに基づいて意思決定を行うことができた。今や組織は数千もの変数をモデルに組み込んでおり、すべての変数の正確性を検証することは非常に複雑すぎて困難になりうる。一部のモデルは理解が難しいため、経営者はその論理と入力を盲目的に信頼せざるを得ないと感じている。
罠から抜け出す方法
情報が、データに基づくインサイトから収益を生み出す可能性を秘めた中核的な事業資産となるにつれ、企業はデータ品質へのアプローチを根本的に変えなければならない。（参照：「Seven Ways to Profit from Big Data as a Business」、BCG記事、2014年3月。）ほかの根本的な転換と同様に、変えるべきは技術だけでなく、考え方そのものである。
しかし企業は、データ品質の問題に優先順位をつけることに苦戦したり、すべての問題に一度に取り組まなければならないと感じたりすることが多い。そこで我々は、経営者がデータ品質の全体管理に向けて次の7つのステップを踏むことを提案する。これは時間をかけて実証されたアプローチであり、データの特定の新たな活用法を、そのビジネス上の利点と比較検討するものである。
機会を特定する。データの新たな活用法を見つけるには、「どのような問いに答えたいのか」と問うことから始めよう。「新しい箱で考える」と呼ぶ体系的に創造的なアプローチは、日常の前提を問い直すことで新たなアイデアを引き出す助けになる。データソース、事業KPI、「ペインポイント」を検討するなど、他のアプローチも発想の豊かな源となり得る。（参照：「Big Data and Beyond」の記事集では、さまざまな業界における影響の大きい機会の例を紹介している。）
データの潜在的な活用法（例：どの顧客が追加の製品を購入しそうかを判断すること）の一覧を作成した後、利点と実現可能性を比較して活用法に優先順位をつけよう。最終損益に最も大きな影響を与えうる機会から始める。価値、新たな製品やサービスの開発可能性、対処できる規制上の問題など、複数の基準で利点を評価することを徹底しよう。次に、技術的、組織的、データ・スチュワードシップの観点から実現可能性を検討する。さらに、そのデータ活用が企業の既存のプロジェクト・ポートフォリオにどう適合するかも確認する。
データに必要な種類と品質を特定する。機会を効果的につかむには、社内データと第三者データといった複数の種類のデータや、構造化・非構造化といった複数の形式が必要となる場合がある。ただし、分析に取りかかる前に、優れたデータサイエンティストや事業マネージャーは、以下を含む複数の次元にわたって必要なデータの品質を測定する。
妥当性：データが論理的基準に適合している度合い
完全性：意思決定、計算、推論に必要なデータが利用可能である度合い
一貫性：任意の時点で、データの定義、ビジネスルール、形式、値が同一である度合い
正確性：データが現実を反映している度合い
適時性：データが入手可能な最新情報を反映している度合い
各次元は、前のステップで説明したとおり、それがもたらすビジネス上の利点に応じて重み付けすべきである。また、企業は品質の基準を多段階で用いることを推奨する。例えば、財務アプリケーションには高品質なデータが必要である一方、バンドルやクロスセルのアプリケーションでは、良好なデータで十分な場合がある。
改善の明確な目標を定める。データ評価プロセスは、データ品質を改善するための基準点を提供する。各データソースについて、データ品質の次元ごとに目標とする状態を定めよう。
ギャップ分析により、各データソースの基準点と目標状態との差異を明らかにし、各データ品質次元を改善するための行動計画の根拠とすることができる。ギャップは可視化でき、データ品質の主要な次元ごとに実績を色分けしたダッシュボードで追跡できる。（図2参照）
ビジネスケースを構築する。データ品質には対価が伴う。より質の高いビジネスデータを求める論拠を構築するため、企業は、不良データを利用することの直接的・間接的なコストと、良質なデータを利用することの潜在的価値を定量化しなければならない。
直接コストには、例えば非効率なプロセスから生じる追加の人員費、クリーンアップ費用、第三者データの利用料などが含まれる。間接コストは、不適切な意思決定、データへの信頼の欠如、逸した機会、プロジェクト遂行における機動力の喪失、規制要件を満たせないことなどから生じ得る。そのほかにもさまざまな要因がある。
高品質なデータがもたらす効果は大きくなりうる。これは特定の活用法の優先順位付けからも明らかである。例えば、マイクロターゲティングにより企業は「一人ひとりのセグメント」に到達でき、より効果的な価格設定やプロモーションを可能にし、マージンの大幅な改善につながる。データが正確であるほど、オファーは目標に近づくことができる。例えば、あるアジアの通信事業者は、顧客の購買意向のビッグデータモデリングを通じて、ターゲットを絞ったオファーの生成を始めた。このアプローチにより、18か月で最も価値の高い顧客の解約率を80％削減した。
コストと利益が手元にそろえば、経営陣は事業にとって重要なものを変えるための根拠を構築し始めることができる。そうして初めて、企業は適切な管理、人材、プロセスを導入できる。
不良データの原因を根絶する。多くの人は、データ品質の管理とは単に内部および外部のソースから不良データを排除することだと考えている。しかし、人、プロセス、テクノロジーもまたデータ品質に影響を与える。この3つはいずれも不良データの蓄積を許しかねない。例えば我々は、夜間に上書きされてしまうデータを、企業が日中に整備するために膨大な時間と費用を費やしている例を見てきた。
特定の種類のデータ品質の問題は、発生源で修正できるし、修正しなければならない。これには財務情報や業務指標に関連する問題が含まれる。そのためには、企業は、物事を初回から正しく行うインセンティブの欠如といった、根本的な組織上の課題を解決する必要があるかもしれない。例えば、コールセンターのオペレーターは、顧客情報を正確にではなく迅速に入力するインセンティブを持っているかもしれず、その結果、高くつく請求ミスが生じる。経営陣もデータ入力担当者も、BCGのシニアパートナーであるYves Morieuxが「未来の影」と呼ぶものを感じていない。このケースでは、不正確なデータを入力すると、顧客体験全体に悪影響が及ぶということである。また企業は、「ゼロタッチ処理」などのアプローチを通じて、データモデルを単純化し、データへの手作業による介入を最小化することもできる。
外部データに関連するものなど、すべてのデータ品質の問題を発生源で修正することは、不可能であったり、経済的でなかったりする場合がある。そのような場合、企業は「不良データ」を「利用可能なデータ」に効果的に変換するミドルウェアを採用できる。例として、買掛金システムの構造化データには、購入されている正確な商品を把握するための十分な詳細が含まれていないことが多い。「computing」とコード化された請求書は、デスクトップ用かノートパソコン用か。回避策として、請求書の本文を読み取り、購入品を分類し、その変換をルールまたはモデルにするテキスト分析がある。このアプローチは、意図された用途には十分な場合があり、企業向けソフトウェアのデータ構造全体を再構築するよりもはるかに費用対効果が高い。
データに業務上の責任者を割り当てる。データは、高品質になるためには所有されなければならない。企業はこの手順を外部委託することはできない。事業側の誰かがデータを所有し、変化のペースを決め、複雑な問題を解決するためにCスイートと取締役会の支持を得る必要がある。
多くの組織は、データ品質責任者などの新たな役職を定義すれば問題は解決すると考えている。データ品質責任者は、データ品質の状態を測定・監視するうえで適切な選択肢であるが、それだけで対応すべきことのすべてをカバーできるわけではない。そのため、多くの企業は業務データオーナーという役職を設けている。この役職の人物は、データが高品質であり、組織全体で戦略的に利用されることを確実にする。
業務データオーナーが担う責務のなかでも、特にエンドツーエンドの情報モデル全体の定義に責任を負う。情報モデルには、マスターデータ、トランザクションデータの標準、非構造化コンテンツのメタデータが含まれる。オーナーは技術ではなく、業務上の成果と利益に焦点を当てる。データの業務的な所有は、品質の問題に優先順位を付け、賛同を得られるほど高い階層にありつつ、意味のある変化を実現できるほど詳細に関与できるレベルである必要がある。必要とされる変革は、ときに事業にとって極めて根本的なものとなる。
オーナーはまた、データ品質の透明性が保たれるよう確保しなければならない。企業は、名前や住所などの顧客データについて、すべての品質次元で100％を目標とし、そのデータを、レピュテーションスコアなど、より低品質なデータの保管とは区別された「仮想データマート」などのシステムを通じてアクセス可能にすべきである。
効果のあるものを拡大する。データ品質プロジェクトは、企業が事業全体に拡大する際に問題にぶつかることが多い。多くのビッグデータプロジェクトは、パイロット用に最良の品質のデータをいいとこ取りして選んでいる。インサイトを、不良データの割合がはるかに高い領域に適用する段階になると、プロジェクトは行き詰まる。
「大規模プログラム」症候群を避けるには、小さく始め、結果を測定し、効果的なソリューションへの信頼を獲得し、うまくいくものを素早く反復して改善する。ただし、最終目標を見失ってはならない。すなわち、信頼できる高品質なデータによって、測定可能な事業インパクトを生み出すことである。
高品質なデータを活用するリアルタイム企業を目指す、ある国際消費財企業の歩みを考えてみよう。変革が始まる前、同社のデータガバナンスは最低限のレベルだった。データは、組織全体に散在する互いに競合するITシステムやプラットフォームに閉じ込められていた。リアルタイムの業績監視能力は限られており、主に静的なコックピットやダッシュボードに頼っていた。全社的な高度分析チームも存在しなかった。
全社的なデータ品質管理戦略を実現するため、CEOは中央集権的な企業情報管理（EIM）組織を創設した。これは、信頼できるデータを開発するための複数年戦略の重要な要素である。同社は現在、「ワンタッチ」マスターデータ収集プロセスを用いて、データを単一の高品質なオンデマンドソースに集約し始めている。計画の一部として、標準化された上位25のKPIセットを用い、数千人のマネージャーがアクセスできる、信頼できる顧客情報のリアルタイムコックピットにより、スピードと意思決定を向上させることも含まれる。さらに同社は、アドバンスト・アナリティクスのパイロットプログラムを立ち上げ、事業部門におけるビッグデータ能力を開発するインキュベーターとして機能させ、さらなる成長への道筋を作ろうとしている。最後に、同社の情報モデルのガバナンス、設計、改善を担う業務データオーナーのポジションを新設している。
この複数年にわたる変革は、効率化による成果を原資として、完全に自己資金で賄われる。例えば、マスターデータに関与する従業員数の予測削減率50％や、常勤の情報管理スタッフ数の20〜40％の減少が見込まれている。
データ品質の必須条件
質の低いデータは、常に事業にとって有害であった。しかし、ビッグデータの台頭により、企業は根底にある不正確さや誤りの影響を増幅させ、ビッグ・バッド・データの罠に陥るリスクがある。
賢明な企業は、データ品質に対してエンドツーエンドのアプローチを取り始めている。このような変革の成果は、真に大きなものになりうる。
本記事は、 BCG Perspectivesとの協力により掲載されたものです。掲載は、世界経済フォーラムによる見解の支持を意味するものではありません。
The Agenda の最新情報を追うには、 週刊ニュースレターに登録してください。
著者：David Opolonは、ボストンのBCGプリンシパル。Tamim Salehは、ロンドンのBCGシニアパートナー兼マネージング・ディレクター。Erik Lenhardは、ミュンヘンのBCGプリンシパル。Nic Gordonは、ロンドンのBSGアソシエイト・ディレクター。
画像：ノートパソコンを抱える男性に二進数コードが投影されたイラスト。REUTERS
