AI集計を成功させるためのデータ整備｜「綺麗にする」こととは違う

「AIを使えば、売上集計も案件集計も簡単になるのではないか」。AIが身近になって、こう考える経営者が増えています。実際、AIにデータを渡せば、集計も分析もそれらしい結果を返してくれます。期待するのは自然なことです。

ただ、いざAIに自社のデータを渡してみると、思ったような結果にならないことが多い。集計が合わない、分析の方向がズレている、出てきた答えが信用できない。AIが悪いわけではなく、渡しているデータの側に問題があるケースがほとんどです。

この記事では、AIで集計や分析をする前に必要な「データ整備」とは何か、を扱います。ただし、データ整備というのは、世間でよく言われる「データを綺麗にしましょう」とは少し違います。何のために、どこまで整えるかを見極めることが本質で、ここを誤解すると、整備したのにAIで使えない、という結果になります。

AIに集計させる前に、そもそも集計できるデータになっているか

まず、AIにデータを渡したときに、なぜうまくいかないのか。原因は、データが集計できる状態になっていないことです。

ありがちなのは、フォーマット自体は統一されているのに、中身がバラバラなケースです。同じ列に入っているデータの書き方が人によって違う、必須のはずの項目が空欄だらけ、入力ルールが共有されていないので表記がまちまち。表の見た目は整っているのに、中身を見ると、集計に耐えない状態になっている。

たとえば、同じ「完了」という状態を、ある人は「完了」、別の人は「済」、また別の人は空欄のまま次の作業に進む、といったことが起きます。人間が見れば文脈で判断できますが、AIに「完了した案件を集計して」と頼むと、表記が揃っていないために正しく拾えません。空欄が多ければ、その分は集計から漏れます。こうした状態が生まれる背景と、管理が限界を迎えるサインについては、Excel管理が限界になる会社の特徴で書いています。

こういうデータをAIに渡すと、AIはあるものを集計するので、見た目には結果が出ます。問題は、その結果が、抜けや誤りを含んだまま出てくることです。しかも、もっともらしい数字として出てくるので、間違いに気づきにくい。

データが整っていないままAIを使うと、最終チェックが人に残る

データが整っていない状態でAIを使うと、出てきた答えが信用できない、という問題に必ず突き当たります。

AIを業務に活用している会社の話を聞いても、結局、最終チェックは人がやらないといけない、という声が多いです。AIが出した集計や分析を、人が一つひとつ確認して、間違いが紛れ込んでいないかを見る。これでは、AIで効率化したつもりが、チェック作業という新しい負荷が増えただけになります。

なぜチェックが必要かというと、元データが整っていないと、AIの出力に間違いが混入する可能性が消えないからです。AIは渡されたデータを処理するだけなので、データ自体に抜けや表記ゆれがあれば、その影響をそのまま受けます。AIが優秀かどうかの問題ではなく、入力されるデータの質が、出力の質を決めている。

つまり、データ整備をせずにAIを使うのは、不確かな材料で料理を作るようなものです。どれだけ腕の良いシェフでも、材料が悪ければ、できあがるものの質には限界がある。そして、できあがったものが本当に大丈夫かを、毎回確かめないといけなくなる。

「AIが何か有益な分析を出してくれる」という期待のズレ

もうひとつ、よくある期待のズレがあります。「今あるデータをAIに渡せば、何か有益な分析が出てくるはずだ」という期待です。

実際にAIに分析させると、出てくる結果自体は、概ね間違っていないことが多いです。データから読み取れる傾向を、それらしくまとめてくれる。ここまではAIは得意です。

問題は、その分析の方向性、粒度、フェーズが、その会社にとって本当に必要なものとズレることです。AIは渡されたデータから一般的に意味のありそうな分析を出しますが、それがその会社の今の課題に効くかどうかは、また別の話です。一般的に正しい分析と、その会社の打ち手に繋がる分析は、違います。

たとえば、同じ売上データから分析を出しても、その会社が今、新規開拓に課題があるのか、既存顧客の維持に課題があるのか、現場のオペレーションに課題があるのかによって、見るべき切り口は変わります。AIは会社の真の課題を知らないので、一般的な切り口で分析を返してくる。それにパッと飛びついても、会社の本当の課題は解決されません。

さらに、会社の文化によっても、必要な分析は変わります。きっちり管理する文化の会社と、おおらかに運営してきた会社では、同じ数字を見ても、取るべき対策が違う。前者には細かい改善が効くかもしれないし、後者にはまず大枠を整えることが先かもしれない。AIが出す一般的な分析は、この組織ごとの違いを汲み取れません。

だから、AIの分析をそのまま受け取るのではなく、自社の課題とフェーズに照らして、何を見るべきかを決める人間の判断が、AIの手前にも先にも必要になります。

ここを取り違えると、AIが出した分析に振り回されることになります。それらしいグラフや数字が出てくると、つい「何か対策を打たないと」という気持ちになる。でも、その分析が自社の今の優先課題と関係なければ、対策を打っても成果に繋がりません。むしろ、本当に解くべき課題から目が逸れて、AIが指摘した枝葉の問題に時間を使ってしまう。分析が出ること自体が、判断を惑わせる材料になることもあるわけです。AIの分析は、自社の課題が明確になっていて初めて、有効な道具になります。課題が曖昧なままAIに分析させると、出てきた結果に引っ張られて、かえって判断がぶれます。

データ整備とは、「綺麗にする」ことではない

ここまで読むと、「ではデータを完璧に綺麗にすればいいのか」と思うかもしれません。ここに、いちばん大きな誤解があります。

データ整備とは、すべてのデータを完璧に整えることではありません。それを目指すと、整備自体が膨大な作業になり、しかも現場が運用しきれずに、結局また崩れます。完璧主義は、データ整備においては逆効果になることが多い。

本当のデータ整備は、会社を伸ばすために必要な要素は何か、それをどの粒度で持つべきか、現場が実際に運用できる範囲はどこまでか、を考えた上で、どこまで整えるかを決めることです。つまり、目的から逆算して、整える範囲を見極める作業です。

たとえば、案件の進捗を管理するとして、分単位で記録する必要があるのか、日単位で十分なのか、これは会社の業務によって変わります。細かく取れば取るほど良いわけではない。細かくしすぎると、入力する現場の負担が増えて、結局入力されなくなり、データが崩れます。会社にとって意味のある粒度で、かつ現場が無理なく運用できる範囲で整える、このバランスが整備の肝です。

整える対象も、すべての項目ではなく、その会社の打ち手に繋がる項目に絞ります。集めても使わないデータを綺麗にしても意味がないし、現場の負担になるだけです。何が打ち手に繋がるかは、その会社の課題から逆算しないと決まりません。だから、データ整備の前に、そもそも何を解きたいのか、という課題の定義が必要になります。

ここで起きやすいのが、「とりあえず全部のデータを取っておこう」という発想です。後で何かに使えるかもしれないから、できる限り細かく、できる限り多くの項目を集めておく。一見、合理的に見えますが、これがデータ整備を破綻させる典型パターンです。集める項目が増えれば、入力する現場の負担が増え、入力されない項目が出てくる。入力されない項目が混じると、データ全体の信頼性が落ちる。結果として、たくさん集めたのに、どれも中途半端で使えない、という状態になります。「念のため集める」は、データ整備においては悪手になることが多い。本当に使うものだけを、確実に集めるほうが、はるかに価値があります。

この見極めができていないと、管理表を見ても、なんとなくの流れが見えるだけで、具体的な打ち手が見えてこない、という状態になります。データはあるのに、判断に使えない。これは、整備の方向が「綺麗にする」に向いていて、「打ち手に繋げる」に向いていないから起きます。

データ整備とシステム化の正しい順番

最後に、データ整備とシステム化の順番について整理します。

よくある誤解は、「システムを入れれば、データは自動的に整う」という考えです。確かに、システムには入力ルールを強制する機能があるので、ある程度はデータの形が整います。ただ、何を集めるべきか、どの粒度で持つべきか、どの情報とどの情報を連携させるべきか、という設計が間違っていれば、整ったゴミが溜まるだけです。

正しい順番は、システム開発に着手する前に、データ整備の設計を済ませることです。何が必要か、どうシステムで情報を保持するか、それぞれの項目を持つことのメリットとデメリットは何かを考え、その上で理想のシステムのあり方や構造を決めて、開発に進む。この順番を踏むことで、システムが「打ち手に繋がるデータ」を自然に蓄積していく形になります。

逆に、この設計を飛ばしてシステムを作ると、後から「この項目が必要だった」「この粒度では足りなかった」が次々に出てきて、作り直しが発生します。データ整備の設計は、システム開発の前段にある、最も重要な工程の一つです。

この順番を守るかどうかで、同じシステムでも、数年後の価値がまったく変わります。設計を済ませてから作ったシステムは、使えば使うほど、打ち手に繋がるデータが綺麗に溜まっていきます。一方、設計を飛ばして作ったシステムは、データが溜まれば溜まるほど、後から整理し直す手間が増えていく。最初の設計の差が、時間とともに開いていきます。データ整備の設計に時間をかけることは、目先では遠回りに見えても、長期では最も効率の良い進め方です。

AIで集計や分析をしたい、というゴールがあるなら、なおさらこの順番が効いてきます。AIが力を発揮できるかどうかは、渡されるデータの質で決まる。そのデータの質は、システム化の前のデータ整備の設計で決まる。AIを使いこなすことの本当のスタート地点は、AIの操作を覚えることではなく、その手前のデータ整備にある、ということです。なお、集計や分析の補助を超えて、業務の実行そのものをAIに任せる場合のコスト構造については、基幹業務をAIエージェントに任せると何が起きるかで書いています。

AIで集計や分析を成功させたいなら、その手前で、データが集計できる状態に整っている必要があります。ただし、データ整備とは、すべてを完璧に綺麗にすることではなく、会社の課題と打ち手から逆算して、必要な要素を、運用できる粒度で整えることです。この見極めができていれば、AIは力を発揮しますし、できていなければ、どれだけ高性能なAIを使っても、信用できない結果が出てくるだけになります。