増分データ成熟度：データとAIへの投資を導く進化的フレームワーク

データとAI領域を扱うことは、非常に多くの課題が存在します。さまざまなツールや会社、知識が溢れ、急速に進化している現代においては、長期的な投資が行われることは稀です。そのため、多くの企業が本当にデータ駆動型の運営を実現することに苦労しています。そのため、データとAIを効果的に活用するための段階的なアプローチが重要となります。この記事では、アメリカとブラジルの企業に対する6年間のコンサルティング経験から得た知見をお伝えします。

まずは小さく始め、必要に応じて改善を重ねるという考え方は、非常に理にかなっています。以下の段落では、このアプローチの実現方法を紹介し、様々な企業ニーズに適応可能なカスタマイズ可能なフレームワークを提案します。

初期評価

ケンブリッジ辞典では「インクリメンタル」を、徐々に、少しずつ起こることと定義しています。最初のステップは、時間とともにインクリメンタルに改善できるものを特定することです。これを「柱」と呼びましょう。フレームワークの実装は、会社のデータとAIの基準を改善することにコミット（または少なくとも意図している）した個人のグループによって主導されるべきであることが重要です。

経験に基づくと、データとAIのチームは以下のトピックについて繰り返し議論します：戦略、ストレージ、ガバナンス、分析、エンジニアリング。これらはこの会話の五つの柱として機能しますが、フレームワークを採用する際には、より多く、少なく、あるいは全く異なる要素を選択することも可能です。まずは、あなたの会社で議論される主なデータおよびAI関連のトピックを特定することから始めてください。ただし、初めに広範なリストを避けることが重要です — 後で拡張することができます。

2番目のステップは、各柱に対する会社の成熟度レベルを評価することです。適切なオーディエンスを対象としたシンプルなオンライン調査が効果的です。「適切なオーディエンス」とは、データおよびAIの取り組みに関連する個人を指します。偏りを避け、信頼できる結果を得るためには、さまざまな役割とレベルを含めることが重要です。

このような調査はどのようなものになるでしょうか？質問は柱に直接関連しており、回答は測定可能な洞察を提供するものであるべきです。以下のフォームを参考にしてください：

回答を考慮する前に、異常値を排除するための閾値を設定します。たとえば、特定の項目（例：データカタログ）が会社に存在すると見なされるためには、少なくとも30％の回答が「TRUE」である必要があると明示します。

次に、各柱に対する回答と利用可能な項目の数を評価します。その結果は、レーダーチャートを使用して視覚化でき、会社の強みと弱みを効果的に強調します。

サイクル1

会社のデータとAI基準を向上させる責任を持つグループは、内部で結果をレビューし、他のステークホルダーと協力します。彼らは共に、次のレベルに進むための改善が必要な領域を優先します。

以下の画像は、そのような優先順位付けの議論の結果を示しています。この結果は、会社がサイクル1（サイクルの期間は各会社のニーズに合わせて調整可能）でデータガバナンスとデータエンジニアリングに焦点を当てることを示しています。

ガバナンスの観点から、初期評価では会社がデータオーナーシップと品質の能力を欠いていることが示されました。目標はガバナンスをレベル1からレベル2に引き上げることであるため、このサイクルでは単一のトピックを優先し、取り組むことが推奨されます。

データエンジニアリングに関しては、評価によってインフラストラクチャー・アズ・コードが存在しないことが示されています。このギャップを解消するために、この能力の導入が焦点となるべきです。

サイクルの終わりには、レーダーチャートが次のようになるはずです：

サイクル2

データエンジニアリングがレベル3に達したことに注目してください。我々の架空のシナリオでは主要な要素が整っていますが、その重要性を考慮すると、グループはさらに細分化し、サイクル2で詳細に掘り下げることを決定するかもしれません。データエンジニアを対象とした第二の調査は、エンジニアリングプラクティスの採用に対する彼らの認識を明らかにするのに役立ちます。以下にその例を示します。

この調査の可能な回答は、初期評価とは異なる可能性があります。これは、各柱の下にどれだけの項目が存在するかを数えるのではなく、特定の個人（この場合はデータエンジニア）が各項目をどのように認識しているかを理解することを目的としているからです。TrueまたはFalseの代わりに、「全くない (0)」、「POC / パイロット段階 (1)」、「はい、しかし改善が必要 (2)」、「はい、十分良い (3)」のような値がより適切です。

調査結果を使用して、フレームワークの実装をリードするグループは、第二のサイクルの計画を開始できます。具体的には、コーディング基準を「はい、しかし改善が必要 (2)」から「はい、十分良い (3)」に、CI / CDを「POC / パイロット段階 (1)」から「はい、しかし改善が必要 (2)」に引き上げることが目標となります。同様のことがIaCにも当てはまります。

さらに、長期的に変化を維持するためにデータ戦略運営委員会を正式に設立する時期であることも認識され、データ戦略をレベル1からレベル2に引き上げることが目指されています。

サイクル2の終わりまでに、成熟度レベルは以下のようになるべきです：

サイクル3

適切な戦略とエンジニアリングプラクティスが整ったことで、運営委員会はサイクル3でデータガバナンス基準を改善することに同意します。前のサイクルで説明されたように、彼らはこの機会を利用して項目を分割し、意図をより明確にし、チームのニーズに沿ったものにすることを目指します。

Cycle N

前のセクションが提案されたフレームワークのインクリメンタルな性質を説明するのに十分であったことを願っています。N回の後続サイクルがこのプロセスに従い、徐々に成熟度レベルを改善していきます。

最初に考慮された柱を分割することに加えて、運営委員会はレーダーチャートに新しい柱を追加することができます。現在の勢いを考えると、会社が基本的なデータ能力を確立した後は、人工知能（AI）が良い選択肢となります。データチームは、AIツールをどのように活用して生産性を向上させることができるでしょうか？自分たちのエージェントを構築するべきか、それともサードパーティのツールを採用するべきか？会社のデータはAIモデルのトレーニングに適しているでしょうか？これらの質問は慎重な議論を必要とし、この作業で概説されたインクリメンタルなアプローチが効果的に対処するのに役立ちます。

新しいデータポイントがチャートに追加されるにつれて、視覚化の複雑さが増していくという疑問が避けられません。項目が多すぎて、異なる価値尺度やその他の課題が出てきます。

これに対処するためには、いずれレーダーを分割する必要があります。画像9は、将来のイテレーションを計画する際にAI柱の追加とガバナンスおよびエンジニアリングのための新しいレーダーを含めるための提案を示しています。分割された柱に属していた項目はメインチャートから削除され、視覚化が簡素化されています。それらのデータは右側に表示され、専用のダッシュボードを形成しています。

終わりに

ご覧の通り、運営委員会がフレームワークに慣れ、さまざまなエリアのニーズにより効果的に対処できるようになるにつれて、複雑さが増していきます。この進展は、企業がデータとAIの旅で成功するのを助けます。プロセスの中で、間違いなく多くの質問が生じるでしょう。たとえば：
柱や項目を再評価するのはいつか？柱を分割した後か？サイクルを終えた時か？
調査結果以外の指標（例：洞察までの時間やコスト削減）をフレームワークの結果を評価するために使用できるか？
経験と戦略的支援をもって、委員会はこれらの質問に答え、変化や改善を効果的に管理するためにフレームワークをカスタマイズする準備が整います。
データの価値をさらに最大化する方法を知りたい方は、こちらからご連絡ください。

---