データ可視化を誰でもできる状態にする。分析レポートの自動生成

数字を出せる人が、組織の中で限られていることがあります。
「あの人に頼まないと数字が出ない」という状態で、その人が忙しいと数字そのものが止まります。
数字が出てこないと、議論はそのまま感覚論になります。

今回は、データの可視化をAIで広げて、特定の人に依存しない状態をつくる設計を書いていきます。
社内のAIボットを共通資産にする全体像は社内AIボットを共通資産にする。作成・共有・改善のサイクルにまとめてあります。

数字を出せる人が、組織の中で限られている

なぜ、ここまで数字を出せる人が限られてしまうのでしょうか？
理由は3つあり、どれも現場で同時に起きています。
集計の方法を知っている人が少ないこと、データの場所を知っている人が少ないこと、見せ方の型がないことです。
数字が出せても、伝わる形にするのは別の技能だからです。

中でも大きいのは、データの場所を知っている人が少ないことだと思います。
集計の方法は調べれば分かりますが、データの場所は知っている人にしか分からないからです。
見せ方は型を配れば身につきますし、集計は聞ける状態をつくれば補えます。
だから対処の順番は、データの場所を先に整えて、残りの2つをあとから配る形になります。

可視化には、性質の違う3つの領域がある

よく発生する可視化を並べると、3つの領域に分かれます。
アンケートの分析、つまり選択式の集計と自由回答の分類にあたる作業です。
KPIの推移、つまり数字の時系列と前期との比較にあたる作業です。
キーワードや傾向の分析、つまりテキストから傾向を出す作業にあたります。

アンケートは決まった集計を繰り返すので集計が中心になり、KPIは前期や目標との差を見るので比較が中心になり、キーワードの分析はテキストを分けて数えるので分類が中心になります。
このなかで、キーワードや傾向の分析がいちばん手つかずのままだと思います。

「そういえば、あのテキストは集計していなかった」というデータが、現場には必ず残っているからです。
数字を日常業務の中で見る形にする話は数字を見える状態にする。データ集計と分析をAIで日常業務化するにまとめてあります。

アンケートとKPIとテキストを、どう回すか

3つの領域は性質が違うので、回し方も変わります。
では、それぞれをどう回していけばよいのでしょうか？

アンケートの分析では、回答を渡して集計と分類をさせます。
ただ、選択式は数式で集計して、AIには計算させません。
自由回答のほうはカテゴリと感情の2軸で分類させ、選択肢は先に決めておきます。

そのうえで「このカテゴリに否定的な意見が何件」というクロス集計を出し、代表的な回答を各カテゴリから3件抜き出します。
数字だけでは、何が起きているかが伝わらないからです。

グラフの形も指定しておきます。
割合なら円か横棒、推移なら折れ線、比較なら縦棒というように決めておかないと、不適切な形で出てくるからです。

あわせてグラフは3つまでに絞ります。
それ以上並ぶと、どれを見ればよいか決まらなくなります。
自由回答の扱いは自由回答を読める数字に変える。アンケート分析を高速化するで扱っています。

KPIの推移でも、集計そのものは数式でやります。
AIに任せるのは、変化した項目の指摘と要因の仮説だけです。
見る指標は5つまでに絞り込み、「動いたら手を打てるか」を基準に選びます。

グラフの形をあらかじめ固定しておくと、前期との比較がぐっとしやすくなります。
あわせて目標との差を必ず入れます。
推移だけを見ていても、その数字が良いのか悪いのかまでは判断できないからです。

「他と傾向が違う項目」を異常値として検出させると、人が見落とす箇所を拾えます。
もちろん要因の説明は、あくまで仮説として扱います。
出てきたものは、確定した原因ではないからです。
計算の役割分担そのものはAIに計算させない。数字を扱う業務での役割分担を組織ルールにするにまとめてあります。

テキストの分析では、問い合わせの内容や商談の記録、チャットのログ、アンケートの自由回答、レビューや口コミといったデータを分類して数えます。
時系列で見るのが要点で、前期と比べてどのカテゴリが増えたか減ったかを見るほうが、単発の集計より価値があります。
増えたカテゴリがあれば、そこで新しい問題が起きている可能性を疑います。

代表的な内容も忘れずに抜き出しておき、分類の選択肢のほうは固定しておきます。
途中で変えると、前期との比較が成立しなくなるからです。

見せ方の型を決め、読む会議体をつくる

見せ方が整っても、それだけでは数字は動きません。
型と、読む場の両方を決めておきます。

見せ方の型は3つ用意します。
推移を見せる型は折れ線と目標のラインで、内訳を見せる型は横棒で件数順、比較を見せる型は縦棒で前期と並べる形です。
大半の場面はこれで足ります。

使わない形も決めておきます。
円グラフは項目が多いと読めませんし、3Dのグラフはそもそも正確に読み取れないからです。

また、1枚に1つのメッセージにします。
複数のことを1枚で言おうとすると、結局どれも伝わらなくなるからです。
グラフには結論を1行添えます。
「〇〇が前期比で2割増加」という一文がないと、何を見るべきか伝わらないからです。

運用の設計は、ここがいちばん重要だと思います。
せっかく数字が出るようになっても、「誰も見ていない」となれば意味がないからです。

見る場を決めます。
月次の会議、四半期の振り返りといった場です。

見る前に配っておき、会議で読む時間は取りません。
数字の確認ではなく、打ち手の議論に時間を使うためです。

決まった打ち手は、次回のレポートで追跡します。
「前回決めたことの結果」を項目として入れるということです。
打ち手が追跡される仕組みがあってはじめて、決めたことが実行されるようになります。

読んでいない人がいる場合は「5分で読んでください」と伝え、読み上げはしません。

あわせて、数字を出す人と判断する人は分けておきます。
数字を出す人が判断まで求められると、そこで負荷がどうしても大きくなるからです。
レポートそのものの自動生成は分析レポートを自動生成する。数字を見る習慣を組織に埋め込むにまとめてあります。

データの場所を一覧にすると、数字を出せる人が増える

前提として要るのが、データの場所の整理です。
ここを飛ばすと、型や運用を整えても数字は出てきません。

やることは、よく使うデータの場所を一覧にすることです。
書く項目は5つで、データの名前、場所、更新の頻度、管理している人、注意点です。

中でも、注意点を入れるのが要点になります。
「このデータは月初に更新されるので、月末は前月の数字」といった注意が、知っている人の頭の中にだけあるからです。
あわせて最新版がどれかを明記し、似た名前のファイルが複数ある状態を解消します。

一覧は1枚に収まり、10〜20件あれば足ります。
作るだけでも、数字を出せる人は目に見えて増えます。
新しいデータが増えるたびに一覧へ追加していき、更新のオーナーもそのつど決めておきます。

効果の確認は3つで見ます。
数字を出せる人の数、数字が出るまでの時間、数字を根拠にした判断の件数です。

このなかで、数字を出せる人の数がいちばん本質的です。
特定の人に依存しない状態にすることが目的だからです。
判断の件数は測りにくいものの、会議で「感覚ですが」という発言が減っているかで判断できます。

数字が出るまでの時間が改善しないなら、それはデータの場所の問題です。
集計の方法を配っても、データそのものが探せなければ数字は出てこないからです。

失敗の型はだいたい決まっていて、集計をAIに任せる、グラフの形を指定しない、グラフを5つ以上入れる、グラフに結論を添えない、場所を整えずに集計の方法だけ配る、分類の選択肢を変える、打ち手を追跡しない、の7つです。
どれも、数式で集計し、形を指定し、3つまでに絞り、結論を添え、場所の一覧を先に作り、選択肢を固定し、次回のレポートで追跡すれば防げます。

事業の数字だけでなく、AI活用状況の可視化も要る

ここまで書いてきたのは事業の数字ですが、AI活用そのものの数字にも同じ設計が要ります。
誰がどのツールをどれだけ使っているか、部門別や職種別の利用率、削減時間の積算を毎月手で集めていると、忙しい月から止まります。
推進担当から「また今月も集計に追われた」という声が漏れるのは、たいていこの作業だと思います。

クロスして見る必要もあります。
部門別の数字だけでは分からないので、職種別と役職別のほうも掛け合わせます。
「営業部の担当者層は使っているが、管理職層は使っていない」という形まで見えて、初めて手が打てるからです。
手作業でクロス集計を回すのは、現実的ではありません。

見る指標の考え方は、事業の数字と同じです。
「動いたら手を打てるか」で選び、部門別の利用率が下がったらその部門に手を打ちます。
打ち手を追跡し、前回決めた打ち手が実行されて効果が出たかを、次の回で確認します。
推進側の指標とROIの設計はAI推進担当者の情報収集と経営判断。リサーチとROIの設計にまとめてあります。

こうしたクロス集計は、当社の組織のAIポータル「AI Portalize」なら、部署・職種・グレードごとの利用率と前期比として集計の手間なしで出ます。
事業の数字は見えるのにAI活用の数字は手作業のまま、という状態なら、考え方の参考になるかもしれません。

数字を出せる人を増やすのは、場所の一覧から

数字を出せる人が限られるのは、集計の方法とデータの場所と見せ方の型、この3つを知っている人が少ないからです。
中でもデータの場所を知っている人の少なさが、いちばん大きく効いていると思います。
だから最初に整えるのは、場所の一覧です。
5項目、10〜20件でよく、これを作るだけで数字を出せる人は増えます。

そのうえで、集計は数式に任せ、AIには変化点の指摘と要因の仮説を任せます。
見せ方の型を3つに決め、読む会議体をつくり、打ち手を次回のレポートで追跡します。
事業の数字を扱う仕組みが整ったら、AI活用状況そのものの可視化にも同じ設計を広げていきます。

よく使うデータ10件について、場所と注意点の一覧ができた時点で、自動化に進む準備は整っています。