数値だけでは解決できない課題解決へ挑む「データ戦略室」

レバレジーズのマーケティング・専門職組織【vol.3】

オールインハウスのレバレジーズグループではマーケティング職や専門職と呼ばれるエンジニア職・デザイナー職の社員が多く在籍しています。それぞれの部署ではどのような業務を担い、どのような価値観を大切にしているのでしょうか。今回は「データ戦略室」について、責任者の阪上さん・小山さんに話を聞きました。(聞き手:徳永)

f:id:leverages200546:20200910130535j:plain

プロフィール

右:阪上(Sakaue)
マーケティング部 データ戦略室 マネージャー 兼 アナリシスグループ リーダー
2012年新卒入社。マーケティング部SEOチームへ配属後、入社6年目に全社を対象に緊急課題の解決を行うタスクフォースチームへ異動。入社7年目にデータ戦略室のマネージャーに抜擢され、立ち上げを行う。現在はデータ分析・機械学習を使ったアプリケーション開発を行うアナリシスグループにてリーダーを兼務し、データサイエンティストとして第一線で活躍中。趣味はトランペットの演奏。

左:小山(Koyama)
マーケティング部 データ戦略室 アーキテクトグループ リーダー 2016年新卒入社。入社後は新規メディア事業立ち上げを行い、その後レバテックのマーケティング担当として異動。入社2年目に人事マーケティングチームの責任者に抜擢され、入社3年目からはデータ戦略室立ち上げに参画。現在はデータ基盤/BI構築・データ設計・全社データマネジメントの統括を行う、アーキテクトグループにてリーダーとして活躍中。趣味はビリヤード。

「データ戦略室」とは?

データ戦略室の役割・ミッション

 データ分析の効率化と企業単位でのデータドリブン戦略推進のため、2019年2月に発足した組織です。企業規模の急拡大を背景に、データ戦略室にて高度なデータ分析・データ設計・データ管理を行うことで、効率化・コスト減・ノウハウ蓄積を行い、ビジネス成果に繋げることが目的です。

 ミッションは「データを手段として事業の競争優位性を高める」こと。事業成長には営業スキルやマーケティング力など社員個人の職能の高さが極めて重要ですが、一方で「社員の経験・勘」などの成功体験に頼っている可能性も少なくありません。そこでレバレジーズではデータ分析組織を有する事業会社としての強みを活かし、展開する各事業で「データ分析による最適な意思決定」を行うことで、競合との差をより拡大することを目標としています。

 ビジョンには「業界でまだ誰もやっていない挑戦で、会社をガラリと変える」ことを掲げています。データ分析・データ設計は、やろうと思えばいくらでも仕事を作れる領域ですが、データ戦略室では「やって意味のある仕事」に取り組むことは当然ながら、少しの改善ではなく「ゲームチェンジを起こす仕事」に取り組むことを共通理念にしています。データ戦略室がレバレジーズ全体を良い方向にガラリと変えるための技術習得に、チーム全員が取り組んでいます。

組織体制・業務内容

 データ戦略室の組織構成は「アナリシス」「アーキテクト」の2つのグループに分かれています。

■アナリシスグループ
 統計解析や機械学習などの高度な分析業務を行う部署です。最終的な目標は、機械ができる判断は機械が代替することで、社員が「人間にしかできない判断」にコミットしてより高いバリューを出せる状態にすることです。例えば、「ユーザーの経歴から、求人ごとの報酬・勤続可能年数を予想すること」は、データ分析の得意領域で、もはや人間の仕事でなくても良いはずです。このように複雑で、人間の思考に限界が来るであろう領域は業務工程で点在しており、機械学習を用いればより客観的・効率的にサービスを提供できる可能性が高まります。そのためアナリシスグループでは、これまで勘や経験をもとに判断していた業務を機械が代替し、かつ最適な結果を生み出すことを目指しています。

 具体的には下記3つを行っています。

・予測
(例:翌月の売上予測、自社サービスのユーザー離脱率予測など)

・効果検証
(例:広告の効果検証、機械学習施策の効果検証など)

・機械学習を使ったアプリケーション開発
(例:レコメンド求人アプリの開発など)

 データ戦略室では基本的に、事業部の戦略をベースに分析案件を提案しています。一般的にはゼロから戦略を考えデータドリブン施策に繋げていくデータ分析組織もありますが、レバレジーズでは人材紹介サービスについて盤石な戦略があるため、それを支援するという観点で分析を進めています。その他にも、マーケティング施策の効果検証を行っています。例えば「広告の効果検証」では、計量経済学や機械学習を用いることで「その広告を打つことで売上が伸びたのかどうか」を検証します。ただし、これらの分析に至るまでに重要となってくるのが「データの前処理」です。様々なデータベースや情報ソースからバラバラになっているデータを繋ぎ、ドメイン知識を駆使して加工しなければ正確な分析ができません。この前処理にも幅広い専門知識が必要であり、かつ重要視しているところです。

f:id:leverages200546:20200910130538j:plain

■アーキテクトグループ
 「データの民主化」の実現に向けて、全社員が正しいデータにすばやくアクセスして意思決定できる基盤作りを行う部署です。同時に、レバレジーズ全社のあらゆるデータの統括・管理も担っています。インハウス組織であるレバレジーズでは、これまでの事業運営により社内にあらゆるデータが蓄積されています。今後これらのデータを有効活用して事業利益に効率的に還元していくためには、専門的なデータ分析を行える「データ戦略室」を抱えるのみならず、各事業それぞれが低コストで適切にデータを扱える組織になるべきだと考えています。

 具体的には下記の通り、「データの民主化」実現のために幅広い業務を行っています。

・データ基盤構築
(例:DWH及びデータマート設計・実装・運用など)

・BIツール開発
(例:事業KPI設計、SQL作成、BIツール設計・開発など)

・データ蓄積、収集の企画・設計・実行
(例:各種SQL作成、非システム化データの収集、データ蓄積システムの構築など)

・データマネジメント
(例:メタデータ定義・管理、マスタ設計など)

・社内教育
(例:SQL・Python研修など)

 いわゆる「データウェアハウス(DWH)・データマート」と言われるような、目的に合わせてデータを切り出して利用できる環境を構築・運用しています。 他には事業部からのニーズがあった際に、データベース設計やシステム設計を行ったり、BIツールでダッシュボードを実装して事業部の社員がKPIを見れるように環境を整えることで、事業運営者へ正しいデータを届けることが主業務です。また、社内教育にも力を入れており、マーケターや、事業部リーダー・事業推進担当を対象に、データ分析やSQL・Pythonの使い方の研修を行っています。

業務を行う上で大切にしている行動・価値観

■アナリシスグループの場合
①アウトプットイメージをすり合わせる
②生データを誰よりも確認する
③専門性に責任を持つ

 ①データ分析を依頼する事業部担当とアウトプットイメージがズレると、分析プロダクトの利用価値がゼロになります。だからこそ大事なのが、当然のことながらこちらが提供できるアウトプットと、相手の求めているアウトプットの認識を初手の段階で合わせることです。具体的には「ある予測結果の精度が十分に高い場合、それに従うことで業務の生産性向上が期待されるが、その結果に対して業務のオペレーションを変更することができるのか」を議論します。そうすることで、分析プロダクトが使い物にならないという最悪の事態を回避できます。

 ②正しくデータ蓄積されていない・データ定義が不明瞭であるケースが、複数の事業を運営する社内ではしばしば起こります。その正しくない不明瞭なデータを使って予測しても、分析結果が解釈しにくいものとなったり、予測精度が悪化したりします。データ分析業界で有名な言葉に「無意味なデータ入力をしても無意味な結果が返される」という意味で使われる「Garbage In Garbage Out」がありますが、実際の現場でもそれを強く実感します。そうならないように、分析前の「生データ」を何度も確認することを大事にしています。

 ③データ戦略室では扱う課題が幅広く、例えば機械学習・因果推論・統計学・自然言語処理・簡易なアプリケーション開発・パブリッククラウドの活用の知識が必要となります。しかしながら、分析業務を社内屈指の専門性でもって対応しているということは、自分たちのアウトプットに専門的な知見でフィードバックをもらうことが難しいことを意味します。そのため、自分の出した結果に責任を持つためにも、徹底的にリサーチを行い、謙虚に学び知識を身につけていくことを大切にしています。

■アーキテクトグループの場合
①現場主義である
②プロ意識を持つ
③領域を区切らない

 ①「ビジネスの成果に繋がるデータ活用」を行うことを意識しています。専門知識を使うための課題を探すのではなく、あくまで今の現場で優先的に解決すべき問題に対して、我々の専門性を使って解決できる課題を設定します。ビジネスのボトルネックになっている課題を設定するために非常に重要なのが、必ず現場に足を運んで「何が課題なのか」を特定した上で、筋の良い仮説を構築することです。自分も含め、メンバーはしっかりと現場に足を運んで現実世界とデータの世界を結びつける役割を担うように徹底しています。

 ②事業ごとにデータ整備を担う責任者を分け、各自がプロ意識を持つことを大切にしています。我々が事業部や経営層に提供するデータは、事業部長やリーダー、役員らが意思決定のために毎日見るデータです。アーキテクトグループの各人が自身の責任範囲のデータに社内で最も詳しい存在のため、自分たちがデータ構造を1つ間違えるだけで、会社の意思決定が間違った方向に進んでしまうリスクが非常に高くなります。データ戦略室として「正確性が保証されたデータ」を提供することを、メンバー全員が徹底しています。

 ③特殊なチームのため、必要なスキルや専門性を限定しにくいのが特徴です。必要なスキルが幅広いため「自分はこれが専門だから」と領域を区切ってしまうと、活躍しにくい領域です。いくつか例を上げるなら、エンジニアリング、クラウドインフラ・セキュリティ、データベース設計、統計学、SQL・Python・R等のコーディング、ダッシュボードデザイン等々幅広い知識が要求されます。また、ビジネス現場に近い存在になることが多いため、自ら仮説構築・課題解決を行うコンサルティングスキルも求められますし、BIツールや新しい事業KPIを事業部に浸透させていく上でのプロジェクト推進力も必要不可欠です。このように、領域を区切らずスキルを身につけることを重視しています。

f:id:leverages200546:20200910130541j:plain

データ戦略室の魅力

「各事業で実際に起きている課題を、現場と共に解決へ導ける」

 事業会社のレバレジーズでは、事業で実際に起きている高難度の課題に立ち向かいデータ分析から施策に繋げています。分析専業のコンサルティングファームでは、専門家や知見が集まりやすいという強みはあるものの、クライアントが変わる度にプロジェクトが変わったり、データ分析からの提案止まりで施策まで繋げられないもどかしさを感じることもあるのではないかと考えています。その点、レバレジーズでは「現場と共に事業部の課題を解いていく」意識を持つことができ、メンバーもそこにモチベーションを感じています。もちろん、分析専業会社ほどの技術水準を目指すのは難しいことですが、専門性の向上のために毎週勉強会を開くなど自己研鑽する文化を大事にしています。また、プライベートの時間をKaggleなどのデータサイエンスのコンペに充てるメンバーもいます。

「データ基盤構築・データドリブンな文化形成という、0→1の経験ができる」

 データ基盤を0から構築する機会は、失敗しなければ1事業1回しかありません。既に整ったデータ基盤がある環境でデータ分析を行うよりも、自ら理想形を描いてその理想に向かって物事を推進するような0→1の経験をしたい人にとっては、今のレバレジーズは非常に面白いフェーズです。また、現在は会社のデータドリブンのレベルを徐々に高めているフェーズです。データ利活用を通じて、社員のデータ分析に関する理解を得られ始めている実感があり、データ抽出の依頼が1年で100回以上発生するなど、事業部のデータ分析への関心はここ数年でかなり高まってきました。全社的なデータドリブンに関する文化形成を感じられるのは、今のフェーズならではのやりがいだと感じています。

「投資領域で圧倒的スピード感を持って動かせる」

 レバレジーズ全体の特徴として、ベンチャー企業だけあって柔軟に意思決定を行いスピード感を持って施策を動かせます。例えば、社内最大の事業であるレバテックではBIツールの全領域導入を半年で完遂しました。組織規模を考えると、一般的な事例からみて相当スピード感のある組織変革です。データ戦略はいわゆる「投資」のため、新しい施策を行うときに衝突が起きたり効果試算を求められて、なかなか前に進まないことがあるかと思います。レバレジーズの場合は、新しい施策が決まったらスピード感を持って動けるため、そういった環境を求める人に最適な職場です。

「間接部門ながら、直接バリューを出すチャンスがある」

 データ戦略室はただデータ分析の参謀にとどまらず、直接的にバリューを出すことも可能です。以前行った、案件情報のレコメンドメール施策の実施がその例として挙げられます。エンジニア向け人材サービスのレバテックで蓄積してきた過去のユーザー情報から機械学習を行い、パーソナライズされた、マッチング精度の高い案件情報を顧客に送ることが可能になりました。その結果、生み出せた事業売上へのインパクトは億単位に登ります。裏方でデータ戦略を考えるだけではなく、直接的に「ゲームチェンジ」を引き起こせるのが、データ戦略室の仕事の面白い点です。

データ戦略室が直面する困難

「情報の非対称への適応の難しさ」

 データ戦略室の業務が専門的である分、データ分析の結果の考察方法など、データ戦略室しか知らない、他の人では判断がつかない世界が転がっています。これはレバレジーズだけでなくどこの会社でもそうですが、データ分析は「情報の非対称性」が起きやすい分野と考えています。そのため、専門的な立場であるデータ戦略室が、データに関して専門知識を持たない社員にも明快に分かるように伝えることを心がけています。アルゴリズムや直感的ではない評価指標など、あまりに高度な専門領域を万人に理解してもらうことは難しいかもしれません。しかし可視化やポンチ絵の工夫をしたり、あるいは機械学習の評価指標などをそのまま見せるのではなく、金額や主要なKPIとの関連付けをして共通の理解を得やすいような数値を載せるように資料を工夫しています。

 また領域が専門的である分、待っていても仕事は降って来ないつもりで日々アンテナを張ることを意識しています。自分たちで事業部に出向いて自分で現状を見た上で、データで解決できる課題を見つけて解決方法を提案しています。この提案のとき大事なのは「事業部のデータに一番詳しくなること」「事業部の現場で起きている課題を、正しくリアルタイムで把握すること」の2点です。事業課題を正しく理解し、その課題に対して自分たちの知識を元にデータによる本質的な改善策を提案しています。

「非構造化データの分析の難しさ」

 人材紹介業界のデータは、テキスト・画像・音声といった「非構造化データ」であることが多々あります。例えば、履歴書・職務経歴書・メールでのコミュニケーション・ユーザーとの会話などのデータは、適切な処理をしなければそのままでは正確な分析ができません。

 これらの非構造化データは、分析できる形に整形・抽出したり、匿名化して初めて分析することができます。しかし、このデータ変換はある程度の専門知識が求められるので、データ戦略室が行う必要があります。データ分析のみならず、データ変換も行う大変さはありますが「自分の仕事次第で、会社に眠っているデータから価値を生み出せる」と捉えることもでき、それもモチベーションに繋がります。実際に、大量に眠っていたユーザーの職能に関する非構造化データから、自然言語処理を用いてうまくデータを抽出することで、どのユーザーのどのスキルが、どの企業の求人とマッチするのかの分析が可能になりました。

「社内でバラバラに管理されてきたデータ整備の難しさ」

 データ整備にあたっては、これまで社内でどんな形式やルールでデータ蓄積がなされてきて、誰が管理者だったかを1つひとつ確認していくことが必要です。例えば「BIツールのダッシュボード導入」を行うことになった場合、バラバラに管理されている既存データを収集し、画一的なデータ定義から行う必要があります。そもそも、ある程度の事業規模になるとその事業で使われているデータ、及びそのデータの正確な定義全てを把握している人は存在しないケースが多々あります。そのため、事業部の各所でこれまで使われてきた「KPI管理シート」や「事業数値管理シート」を1つひとつ集めます。しかし、データの定義がチームごとに若干違ったり、そもそもそのシートを作成したのが退職者だったりという壁にぶつかります。

 このように、事業別で今まで色んな人が色んな定義でデータを定義してきた結果、社内のデータが統一された基盤に存在せず、データの再現が難しいのが課題でした。そんな状況を解決するためには、結局自分たちが「本質的にどんなデータマネジメントが最適なのか」を考え、データを1つひとつ定義していくしかありません。非常に泥臭い仕事ですが、ここで重要なのがプロ意識です。自分が「これで良いか」と思ってしまうと、今後もその妥協したデータ構造が受け継がれてしまいます。今後の事業成長を見据えながら、そうならないよう、事業部と対話しながら本質的なデータ構造を模索して変え続ける必要がありますし、我々にはその責任があります。

f:id:leverages200546:20200910130545j:plain

最後に

データ分析の面白さを教えてください。

 「全ての事象に対して、客観性を持って意思決定を支援できる点」にデータ分析の魅力を感じます。例えば、蛇口をひねれば水は出ますし、乗り物はブレーキを踏めば当然ながら減速します。ただ、物事の意思決定の際に「どれだけ蛇口をひねればどれくらい水が出るのか、どれくらいブレーキを踏めばどれくらい減速するのか」を知りたいというケースはかなりの頻度で発生します。このような場合、人間の勘には限界があります。データ分析はそのような状況下で統計モデルという形で我々に有益な情報を与えてくれます。

 加えて、仮説の正しさを指示してくれる点もデータ分析の魅力です。例えば「あるwebサイトで月末に通信制限にかかっているユーザーが一定数存在し、ページ表示時間が伸び、コンバージョンしにくくなる」という仮説があったとして、それが統計的に有意な差を生み出すものなのかをデータ分析から明らかにすることができます。このように自分たちが考えた仮説の正しさを確かめることができる点は、ビジネスの意思決定においてかなり重要です。データ分析の全てを理解するにはそれなりの勉強時間が必要となりますが、様々な場面で役に立つからこそ、学ぶのも活用するのも楽しいのではないでしょうか。

今後の目標

 「各事業部でデータ分析に精通した人材を育て、全社でデータドリブンな文化を形成すること」です。データ戦略室だけが分析を行う会社が果たしてデータドリブンな会社だと言えるのかと言うと、そうではないと考えています。また、今のデータ戦略室のメンバーだけで、社内の全データを分析することはできません。データの信頼性はデータ戦略室が中央集権的に管理し、分析は各事業部でゲリラ的に実施できるような、データ分析の民主化が十分になされ、競合優位性を持った会社にしていくことが目標です。

 分析には社内のデータ蓄積が重要で、今のデータ蓄積状況は理想形ではありませんが、できるだけ蓄積の負担をかけ過ぎずに分析において合目的なデータの蓄積をできないかを模索しています。例えば、機械学習を用いて非構造化データから構造化データを付与する取り組みなども進めています。そうすれば現状のデータ蓄積の手間プラスアルファで良質なデータを蓄積できます。もちろん、トップダウンで強制的にデータ蓄積方法をガラッと変えさせることも可能です。しかし、それよりも現場で徐々にデータ蓄積のメリットに対する理解を浸透させて、あるいは効率的な蓄積方法を見つけることで、事業部と共に長期的にデータドリブンな文化形成をしていきたいと考えています。