高精度なAI予測を実現する独自技術を備え、豊富な経験やノウハウを持つデータサイエンティストとデータ分析チームが、データ収集から利活用までトータルでユーザをサポートするFindability Sciences社が提供するAIソリューションが注目を集めはじめています。
その背景には、日本の多くの企業がAIやAI予測プロジェクトに対し、理解や検討が不足しているという現状があります。
AI予測プロジェクトを成功に導く鍵は、どこにあるのでしょうか。
AI予測プロジェクトを進める前に理解しておくこと
AI予測プロジェクトを進めるにあたり、その目的や目標を明確に定義する必要があります。ただ、それ以上に重要なことは、AI（機械学習）が「できること」と「できないこと」を正確に理解することです。
AI（機械学習）ができること
AIが得意とするものは、膨大なデータの学習に基づく分析・推論・予測です。
例えば、さまざまな猫の画像を大量に集め、AIにデータとして記憶させます。
AIはその大量の猫のデータからその特長を抽出し、それをもとに、入力される画像から猫を高速で認識することができます。
AI予測もこれと同じような原理となっていて、過去の事例から特長を抽出し傾向を学習することで、未来を予測することが可能となります。
AI（機械学習）ができないこと
AIは多くのデータを学習し、それをもとに合理的な判断をするため、学習していないことやデータが少ないものに対しては正しい判断を下すことができません。
また、言語化や数値化が難しい感覚的なものを学習することもできません。人間が感じることや、ひらめきや直感などはAIには理解できないことなのです。
また、学習したデータに基づいたものを組みあわせることはできても、今までになかったものを生み出すことはできません。
AI予測プロジェクトが失敗する理由
「売上を予測して、発注を自動化させたい」
「原材料の価格を予測して、仕入を最適化させたい」
「サービス加入客を予測して、営業活動を効率化させたい」
といったイメージをもって、AI予測を活用したプロジェクトを立ち上げたものの、思うような成果を得られずプロジェクトが失敗となる例は少なくありません。
では、AI予測プロジェクトが失敗する理由にはどのようなものがあるのでしょうか。
失敗理由① 学習データを集められない事例の予測を、AIにさせようとした
AI予測は、さまざまなデータを学習し、それらを組みあわせることで可能となります。つまり、予測のためにはデータが必要です。
例えば、「東京でオリンピックが行われた場合、売上はどうなるのか予測したい」としましょう。この場合、過去に東京でオリンピックが行われた1964年時のデータが必要となります。つまり、1964年時のデータが集められなければ、精度の高い予測は困難ということになります。
このように、学習データが乏しい場合は、AI予測は失敗に終わります。
失敗理由② AIに予測させるスコープ（適用範囲）が広すぎた
とある会社では、10,000種類ある全商品の売り上げをAIに予測させようとしました。ただ、10,000種類もの商品の予測となると、取り扱うデータの量は膨大となります。その結果、予測にかかるコストが高額になり、検証がいつまで経っても終わらないという事態に至ってしまいました。
例えば、売上規模が少なく、また売上数の波も少ないような商品は人間が対応し、AIが売上を予想する商品は、在庫を多く抱えているものに限定させるなど、自動化による費用対効果が大きいものに絞って進めていくことが大切です。
AI予測プロジェクトを成功させるためには
AI予測プロジェクトの成功に必要なのは3つのステップです。
ステップ1：スコープ設計
失敗理由②のように、AI予測のスコープ（適用範囲）が的確でない場合、AI予測プロジェクトは上手くいきません。
「予測に必要なデータを揃えることができるか」
「AIに予測させる範囲は的確であるか」
といったことをしっかりと議論・確認した上で、スコープ設計をすることが大切です。
ただ、どんなに慎重にスコープ設計をおこなったとしても、最初に設定したスコープが正しいとは限りません。実際に行ったAI予測が的確であったかどうかは、データ取得から予測・運用までを行ってみて初めて分かることだからです。
つまり、最初からコストを大きくかけてAI予測を行うことには、大きなリスクがあるといえます。
まずは、スコープを絞り、その事象に対する「データ収集、予測、運用」といった一連の流れを何度も繰り返して、改善を続けていくイメージを持って取り組んでみましょう。
「AI予測は、小さくはじめて大きく育てる」ことが大切です。
ステップ2：データの収集・統合・加工
スコープ設計をおこなった後は、AIに学習させるデータを収集します。
注意しなければならないのは、分析や予測に使いたいデータを集めて終わり、というわけではないということです。AIへの入力をおこなわなければ、AIはそのデータを学習することができません。
そして、集めたデータをAIに入力させるためには、データの統合や加工が必要となります。
AI予測のためのデータ統合や加工にもし多くの労力を費やすことになってしまっては本末転倒です。
データの収集だけでなく、その後のデータ統合や加工のことも忘れずにプロジェクトを進めていきましょう。
ステップ3：分析・活用
ステップ2で入力したデータをAIは学習し、予測を立てます。
その予測結果を分析し活用するのがステップ3です。
期待した予測結果が得られているのであれば問題ありません。
その結果をもとに、業務効率化や自動化といった次のステップに進むことができます。
しかしながら、最初から精度の高い予測を出すことは難しいといえます。
予測結果を精査して、
- 学習させるデータの見直し・探索
- スコープの見直し
を都度行っていきましょう。
AI予測は、その時々の経済状況や環境の変化にあわせて、そのモデル自体を更新していく必要があります。
つまり予測精度の維持・向上のために、継続的な改善を欠かすことはできません。
繰り返し繰り返し継続していくためにも、「小さくはじめる」ことを意識しましょう。
プロジェクトの成功事例
AI予測の活用例
AI予測は業界・業種を問わず幅広い用途において、以下のようにビジネスへの活用が可能です。
成功事例1：優良見込み顧客リストを営業アクションへ活用
電気機器メーカA社は、潜在価値や見込みに基づき、取引先の優先づけを行う必要があり、Recency（最新購入日）、Frequency（購入頻度）、Monetary（購入金額）の3つの指標で顧客を分類するRFM分析を導入していました。
しかしながら、その分析精度に満足がいかず、考慮すべき変数も多岐に渡っていたため、分析結果を上手く活用できていませんでした。
そこで、Findability Sciences社のサポートの元、顧客ごとに予測確信度を算出した優良見込み顧客リストを自動生成することで、効率的なアプローチが可能となり、利益の最大化を実現しました。
成功事例2：分析レポートの自動生成
事務機器メーカB社では、営業担当者が各自で企業調査を行っていましたが、
情報収集が手作業であったことと、情報ソースやノウハウが属人的であったため、企業調査内容が不正確であることが多くありました。
そこで、Findability Sciences社が適用するAIプラットフォームにて最新の優良見込み顧客のレポートを取得する仕組みを構築し、営業活動に活用するように変更しました。
それにより、これまでバラつきがあったレポートは正確なものとなり、かつレポート作成にかかっていた工数を大幅に削減。さらに、時間や場所を問わず必要な最新情報を得ることができるようになり、取引先へのアプローチがより最適化されました。
エンドツーエンドのサポートにて、高精度な予測を享受
Findability Sciences社が提供するAIソリューションは、ユーザのニーズに応じて
柔軟なサービスモデルを選択することができます。
フルサービスモデルは、事前準備から予測結果の提供までをワンストップで利用することが可能です。
AI開発プラットフォームを提供するサービスモデルもあり、さらなる個別対応も可能となっています。
また、Findability Sciences社の専門チームが、クライアントが抱えるビジネス課題の中から、AI活用に適した活用事例選びをサポートする「AIコンサルティングサービス」も準備されています。
AIによるデータ利活用で、自社のビジネスをよりステップアップしたい方、一度ご検討してみてはいかがでしょうか。詳細は以下のアドレスへお問い合わせください。
問い合わせ先：SBMGRP-synchroid-portal-contact@g.softbank.co.jp