データの“排ガス”か”宝の山”か 「オペレーショナルアナリティクス」のススメ：Lenovoも実践

日々の会議やチャット、顧客対応から生じる膨大な「業務データ」。その多くは活用されず、価値のない“排ガス”として捨てられている。本記事では、Lenovoの事例を交え、AIを用いてこれらのシグナルを具体的な意思決定につなげる手法を詳説する。

[James Alan Miller，TechTarget]

　日常業務は、単なる「作業」の積み重ねではない。

　それは従業員がかける電話、参加する会議、処理するチケット、あるいは解決する顧客のトラブルといった活動の全てを指す。これらの活動は、業務の停滞、顧客のいら立ち、システムの故障、人員不足、手戻りが発生しているプロセス、そして管理職が介入すべきタイミングなど、あらゆる「予兆（シグナル）」を発している。

　しかし、この潜在的な宝の山は、ビジネスで再利用可能な「エネルギー源」として回収されるのではなく、単なる「排ガス」として放出され、捨てられてしまうことがあまりにも多い。

　本記事では、Lenovoの事例を交え、AIを用いてこれらのシグナルを具体的な意思決定につなげる手法を詳説する。単なる数値の羅列から脱却し、ビジネスを加速させる「真のデータ活用」の鍵とは。

「オペレーショナルアナリティクス」の基本的な約束

「コミュニケーションデータと経営」に関連する編集部お薦め記事

　対策を始める場所として、UC（統合コミュニケーション）やVoIPシステムは最適だ。社内、顧客向け、あるいはパートナー向けといった企業のコミュニケーションは、膨大な数のシグナルを生み出す。通話品質、応答時間、待ち時間、離脱率、顧客の感情、ネットワークの問題、人員配置のパターン、コンプライアンスリスク、セキュリティの異常などは、全て業務がどのように進行し、どこで破綻しているかを雄弁に物語る。

　問題は、必ずしも企業にデータが不足していることではない。多くの場合、データは既に存在している。日常のビジネス活動から生成されるシグナルを利用して、何が起きているのか、どこで業務が滞っているのか、次に何を変えるべきかを理解する。これが「オペレーショナルアナリティクス」の基本的な約束だ。

　難しいのは、そのデータを、誰も読まないレポートや、誰も解釈する時間のないダッシュボードに変えてしまう前に、有用なものへと変換することである。

　「ダッシュボード疲れ」も問題の一端を担っている。リーダーたちが求めているのは、脈絡のない指標で埋め尽くされた画面を増やすことではない。彼らが求めているのは、人員配置の調整、ワークフローの修正、サービス問題の調査、トレーニングの改善、あるいはベンダーへの責任追及といった「意思決定」を指し示すシグナルだ。

　ここに、AIや機械学習がコミュニケーションデータの価値を変える可能性が秘められている。管理職に膨大なダッシュボードを精査させる代わりに、AIを活用した分析によって、パターンの発見、異常の検知、活動の要約、需要の予測、そして注意を払うべき瞬間の特定を支援できる。

　コミュニケーションのこれらのシグナルは、リーダーが見逃しがちな問題を浮き彫りにする。顧客との摩擦、人員のギャップ、サービスの問題、ネットワークの不具合、従業員の疲弊、コールルーティングの失敗、トレーニングの必要性、コンプライアンスの露呈、セキュリティの異常などは、日常的な通話、会議、メッセージの流れの中に隠れている。

　チャンスは単にデータを収集することではなく、日常業務が既に生み出しているシグナルをより適切に活用することにある。

AIが分散したシグナルの解釈を支援する

　有用な業務シグナルは、企業のほぼ全ての部門にまたがって存在する。明らかなものもあれば、一見しただけでは分からないものもある。これらが組み合わさり、キャンペーン結果、Webサイトでの行動、コンバージョン率、クリック率、顧客体験、社内のワークフロー、運用のパターンといった、膨大な量の構造化データおよび非構造化データが生成される。

　この広範な課題に、Lenovoが有用な事例を示している。同社のチームは、地域、キャンペーン、Webサイトの活動、社内システムなどにデータが分散していた。そのデータには価値があったが、意味を理解するには時間がかかり、複雑すぎた。そこで同社は、Adobe Data Insights Agentを採用した。データアナリスト、マーケター、カスタマーエクスペリエンス（CX）チーム、UXデザイナーが情報でより適切な問いを投げかけ、顧客体験の向上に活用できるようにするためだ。

　これは、単にダッシュボードを置き換えることとは少し違う。Lenovoが導入したようなAIエージェントは、ダッシュボードへの依存度を低減させる役割を果たす。

　ダッシュボードは指標を示すことはできるが、どのような問いを立てるべきか、どのパターンが重要か、どのような行動をとるべきかを判断するのは依然として人間に委ねられている。AIエージェントは、膨大な量の構造化・非構造化データを整理し、パターンをより速く表面化させ、データアナリストではない人々にとっても情報を利用しやすいものにする。

　ポイントは、古いダッシュボードを「AI風のダッシュボード」に置き換えることではなく、シグナルと意思決定の距離を縮めることにある。

AIエージェント、ダッシュボード、生成AIの違い

　「エージェント」という言葉が、AI分析の理解を難しくしている側面がある。

　一部の企業向けソフトウェアでは、AIエージェントはより能動的に動作する。異常を検知し、アラートを発信し、ルーティングを調整し、あるいはリアルタイムの状況に基づいてワークフローの変更を推奨したりする。

　別の場合では、エージェントは分析レイヤーに近い役割を果たす。人間が質問を投げかけると、エージェントが異なるシステムから構造化・非構造化データを取得、結合、解釈するのを支援する。

　この2番目の用途は、生成AIと重なる部分がある。システムが自然言語で質問に答え、調査結果を要約し、パターンを説明する場合、それは生成AIのような機能を使用しているといえる。しかし、質問に答えるためにどのデータソースや分析ステップが必要かをAI自体が判断できるのであれば、それは自律的な「エージェント」としての性質を持っていることになる。

　この区別は重要だ。全てのエージェントが同じレベルの自律性を持っているわけではないからだ。実行するもの、分析するもの、あるいは単に手持ちのデータでより良い問いを立てるのを助けるだけのものもある。

　ダッシュボードは依然として指標やトレンドを表示する。オペレーショナルアナリティクスの文脈で、優れたAIツールは単に多くの指標を表示するだけではなく、どのシグナルが重要で、それがどのような意思決定をサポートするのかを理解する助けとなるべきだ。

　有用なAI分析エージェントは、指標と人間が行うべき意思決定の間の距離を短縮するのに役立つ。しかし、エージェントが導入されたからといって、ガバナンスの問題が解消されるわけではない。

　Lenovoの経験は、クリーンなデータ、共通のデータソース、ガードレール、そして明確な優先順位の必要性も示唆している。異なるチームが異なるデータを使用し、異なるユースケースを追いかけ、孤立したAIの取り組みを構築してしまえば、シグナルは明確になるどころか、より混乱を招くものになりかねない。

　これは「データの排ガス」という考え方につながる。

　AIは、日常業務から漏れ出してしまう情報を収集し、再利用するのに役立つ。しかし、目的はAIそのものではない。目標は、分散したシグナルをビジネスの指針へと変えることだ。より優れた顧客体験、明確な製品の発見、よりスマートなキャンペーン、効率的なワークフロー、そしてより情報に基づいた意思決定を実現することにある。

顧客との対話はビジネスのシグナル

　活用可能な業務シグナルは、顧客との対話からも得られる。

　サービスへの電話、チャットセッション、メール、ソーシャルメディアのメッセージ、ボットとの会話、書き起こし、録音、画面共有セッションなどは全て、顧客が何を必要としているか、どこで立ち往生しているか、そしてビジネスがそれでどれだけ適切に対応できているかを明らかにする。その情報の一部は人間同士のやりとりから得られ、一部はボットやAIエージェント、セルフサービスツールから得られる。

　いずれにせよ、これらの対話はカスタマーサービスチーム以外でも有用なシグナルを生み出す。

　顧客対話分析（カスタマーインタラクションアナリティクス）は、オペレーショナルアナリティクスの一形態だ。繰り返される苦情、感情のパターン、製品についての質問、サービスのギャップ、エスカレーションのリスク、コンプライアンスの問題、販売機会などを、会話の中から構造化された情報として抽出できる。

　こうしたシグナルが、ビジネスの複数部門にとって重要である理由はそこにある。

　カスタマーサービスチームはサポートの改善に利用できる。営業チームは顧客の拒絶理由を理解するために利用できる。製品チームは機能の欠落を発見するために利用できる。セキュリティやコンプライアンスのチームはリスクの監視に利用できる。経営層は、財務報告や運用報告にはもっと後になってからしか現れないようなパターンをいち早く察知できる。

　ダッシュボードにも役割はあるが、それが答えの全てではない。より大きなインパクトをもたらすのは、大規模言語モデル（LLM）と生成AIによって、対話データで容易に問いを投げかけられるようになることだ。

　CXの責任者は、固定されたレポートを待ったり、混雑した別のダッシュボードを解釈しようとしたりする代わりに、何が苦情の急増を招いているのか、どの製品が最も混乱を引き起こしているのか、あるいはなぜ特定の顧客層がプロセスを放棄しているのかを直接尋ねることができる。

　これにより、シグナルは意思決定へと近づく。

　目標は単に何かが変わったことを知ることではない。なぜ変わったのか、どのパターンが重要なのか、そして次にどのような行動をとるべきかを理解することだ。

優れたシグナルが優れた意思決定を導く

　これら全ての取り組みには、あるリスクが伴う。

　日常業務が有用なシグナルを発していることに企業が気付くと、全てを計測したくなる誘惑にかられる可能性がある。全ての電話、全ての会議、全てのチャット、全てのクリック、そして全ての社内会話だ。

　そうなれば、分析のチャンスは瞬く間に、もう1つの「ノイズ」の層へと変わってしまう。あるいは最悪の場合、従業員が信頼できない「監視（サーベイランス）」へと変貌を遂げる。

　より良い道は、選択的であることだ。リーダーは、どのシグナルを収集し分析するかを決める前に、どのような経営上の問いに答えようとしているのかを自問すべきだ。顧客はどこで滞っているのか。担当者は過負荷になっていないか。サポートの問題は繰り返されていないか。Webサイトの訪問者は重要なステップを放棄していないか。会議は意思決定を生んでいるか、それとも単に次の打ち合わせを増やしているだけか。チームは同じ引き継ぎ作業を何度も待たされていないか。

　これらは単なる分析の問いではなく、マネジメントの問いである。オペレーショナルアナリティクスの価値は、組織がシグナルを意思決定に結び付けられるかどうかにかかっている。

　だからこそ、日常業務のシグナルが重要なのだ。リーダーが摩擦を早期に発見し、プロセスを迅速に修正し、顧客や従業員の問題が大きなビジネス課題になる前に理解するのを助けてくれる。しかし、それが役立つのは、どのシグナルが重要か、誰がそれを見るべきか、そしてどのような行動をとるべきかを決定できるだけの規律を組織が持っている場合だけである。

　エンタープライズソフトウェアは、既に多くの企業が使い切れないほどのシグナルを生成している。AIはそれらの多くを解釈するのを助け、より多くの人々がデータでより良い問いを投げかけるのを支援できる。しかし、真の機会はデータの増加、ダッシュボードの増加、あるいは監視の強化にあるのではない。

　真の機会は、日常業務からの排ガスを、有用なビジネスエネルギーへと変えることにあるのだ。