データサイエンティストに分析を丸投げしてはいけない

――2017年5月に、ネット広告運用のトレーディングデスク専業会社のエスワンオーインタラクティブは、分析型マーケティングソリューション事業を展開するGRueと戦略的提携を結ぶことを発表し大きな話題となりました（関連ニュースはこちら）。まずは楽天で活躍されていた上野さんが2016年9月にGRue設立に至った経緯について教えてください。

上野：楽天では、楽天市場のマーケティング部に所属し、デジタルマーケティング予算の策定・運用を担っていました。ご存知の通り、楽天は日本最大級のデータを保有しております。そのような環境であるため、楽天はデータを活用したマーケティング活動が根付いた組織文化でした。

　私自身もその環境で経験させてもらったことで、データの重要性について学び、大いに鍛えられました。とはいえ、楽天のように当たり前のようにデータを活用できる環境は稀です。まだまだ日本企業でデータを活用できる環境が整っていないことも事実です。そのような中、私が楽天で得た知見を活かしてより多くの企業の支援をしたいと思うに至り、GRueを立ち上げました。

高瀬：上野さんから見て、マーケターがデータドリブンなマーケティング活動（プロモーション含む）を実現するために果たすべき役割とはどういうものですか。

上野：まず大切なのは、データサイエンティストが分析するための「課題」づくりですね。勘違いされがちなのですが、分析をデータサイエンティストに丸投げすれば、自然と課題や解決策がデータから見えてくるということはありえません。「売上を増やしたい」「コストを下げたい」といった課題があって初めて、何を分析し、どうデータを集めるかが決まるのです。

高瀬：確かに、優秀なアナリストはアカデミックな分析能力は高いのですが、ビジネス視点で課題を設定することは苦手な傾向にありますよね。

短期的な目先の数字を追うマーケターほど視野が狭くなる

――だからこそマーケターに「ビジネス課題とデータ分析のつなぎ役」としての役割が求められているわけですが、なかなか実現できないのはなぜなのでしょうか。

高瀬：組織的な問題は大きいでしょう。当たり前ではありますが、たいていの会社組織は、ビジネススキームは経営陣、プロフィット機能は営業部門、プロモーションはマーケターといったように分かれているのが普通です。そして、役割のみならず情報まで分断されていることも少なくないですね。

　権限や情報を部分的にしか与えられなければ、視野が広がらないのは当然です。これではマーケターはビジネス課題とデータをつなげて考えられません。

上野：会社員である以上、四半期ごとの予算サイクルで成果報告を迫られたりするでしょう。そこで、獲得数とかCVRとか、短期的に結果が出やすい目先の数字に集中するほど視野が狭くなる。成果が出ている体にして報告して広告費が増えれば「仕事をやっている気分」になるのも人情で、そこにつけ込む広告代理店もいますし……。

　事実、総務省の調査によると、日本でITの投資対効果が検証できているのはわずか1～2割しかないようで、一方、米国では6割が定量的な効果検証を行っています。日本が投資対効果に対する意識が低いということがうかがえます。また、広告費も年々増えていることから、相対的に日本の広告費に無駄が多いのは明らかでしょう。

コントロール可能なところから全体最適への道筋を探る

――多くの課題がある中で、マーケターがビジネス課題とデータ分析を紐づけて、全体最適化を図るには、どんなことから始めればよいのでしょうか。

上野：まずは自分がコントロールできるところで、ビジネス上の課題に対して最もインパクトが大きいところから取り組むのがよいと思います。

――自分がコントロールできるところで、全社的なビジネス課題に直結している部分を探すのが現実的なファーストステップですね。

上野：全体最適への意識は保ちつつ、小さな成果を積み重ねていくことで少しずつ社内の信頼を確立していく。そして大切なのは、「アクションにつなげられるように、分析を設計すること」です。データサイエンティスト自身はおもしろいと思っているけど、アクションにつながらない分析って結構多いんです。

高瀬：ビジネス全体を意識しつつ「コントロールできるところからやる」のは得策だと思います。そのためには下準備、つまり「ビジネス全体を把握するためのデータのインプット」が必要になります。具体的には、データのありかを把握して、蓄積・整理するための働きかけが大切でしょう。

――全社的にタグがきちんと設置できているかのチェック、などでしょうか。

高瀬：データを溜めるための準備は面倒ですが、避けては通れません。例えばオンライン上の広告活動においては、計測ツールのタグを全ページに埋め込むのもそうですし、パラメータを振り直すことなど、データを取得するための環境づくりが第一歩ですね。データ蓄積の基盤が構築できていないと、データサイエンティストも宝の持ち腐れですから。