サプライ チェーンの混乱への対応、景気後退への対応、インフレへの対応、新規顧客の維持と獲得、在庫と生産のより適切な管理など、データ品質はビジネスにとってこれまで以上に重要になっています。
デジタル時代において、データはビジネスにとって最も貴重なリソースです。データ収集、データ分析、そしてデータガバナンス戦略こそが、リーダー企業と他社を区別する鍵です。そして、データ品質はデータアーキテクチャ全体に織り込まれています。
データ品質とは何ですか?
Forresterの調査によると、トップクラスのカスタマーインテリジェンス専門家は、データ統合能力とデータ品質管理能力が、カスタマーインテリジェンスの阻害要因として上位2つに挙げられていると述べています。しかし、データ品質は顧客だけに関係するものではありません。経営幹部や経営陣は、社内データを活用して日々の業務を推進し、ビジネス目標を達成しています。
高品質なデータは、正確性、完全性、一貫性、信頼性、安全性、最新性を備え、サイロ化されていないものでなければなりません。高品質なデータは、多くの場合、「業務、意思決定、計画策定に適した」データと定義されます。高品質なデータは、現実世界の構造を反映したものでもあります。
内部データと外部データの違い、そしてそれらが「利用可能」かどうかを判断する基準は重要です。外部データは企業の顧客基盤によって生成され、マーケティングキャンペーンには高品質かもしれませんが、内部データを必要とする特定のビジネス上の意思決定には高品質でも利用に適さない場合もあります。外部データであれ内部データであれ、データの品質は常に検証され、期待を満たすか、それを超える必要があります。
さらに、企業や組織がデジタルトランスフォーメーションを推進し、クラウドやハイブリッドクラウド環境に移行するにつれて、データサイロの打破がデータ品質の確保に不可欠になります。デジタル化を進める企業にとって、データ品質の改善を怠った場合の影響を理解することは極めて重要です。
参照：調査：デジタルトランスフォーメーションの取り組みはコラボレーションに重点を置く（TechRepublic Premium）
データ品質が低い場合のビジネスコストやリスクは何ですか?
データ品質は収益に直接影響を及ぼします。外部データの品質が低いと、機会損失、収益損失、効率性の低下、顧客体験の低下につながる可能性があります。
内部データの品質の低さも、非効率的なサプライチェーンの一因となっています。これは、昨年、頻繁にニュースで取り上げられた問題です。同じ要因が「大量退職」の主な要因の一つとなっており、質の低いデータで業務を遂行する人事部門は、優秀な人材を維持するために従業員の理解を深めるという課題に直面しています。
さらに、企業が対処しなければならない深刻な差し迫ったリスクがあり、それを解決するにはデータ品質への取り組みが不可欠です。サイバーセキュリティと脅威の状況は規模と複雑さを増し続けており、不十分なデータ品質管理ポリシーが蔓延すると、脅威はさらに深刻化します。
データを取り扱う企業がデータ、金融、プライバシー規制を遵守できない場合、評判の失墜、訴訟、罰金、およびコンプライアンス違反に関連するその他の結果を招くリスクがあります。
ガートナーは、データ品質の低さが組織にもたらす平均財務的影響は年間970万ドルと推定しています。一方、IBMは、米国だけでも、データ品質の低さが原因で企業が年間3.1兆ドルの損失を被っていると述べています。
新たな経済減速と不況があらゆる組織を脅かす中、データの品質は、新たな経済を乗り切り、難しい決断を下し、短期、中期、長期の計画を立てるための鍵となります。
一般的なデータ品質の問題
データ品質に関する最も一般的な問題は、重複、曖昧、不正確、そして隠蔽されたデータや不整合なデータです。新たな問題としては、サイロ化されたデータ、古いデータ、安全でないデータなどが挙げられます。
しかし、データに関するもう一つの大きな問題は、組織全体でデータ品質へのアプローチを取るべきであるにもかかわらず、IT部門が厳格にデータ管理を行っていることです。マッキンゼーは、企業はデータを製品として捉え、組織全体で「データ製品」を生み出すためにデータを管理すべきだと述べています。
データが製品のように管理されていれば、データはすぐに利用、消費、販売できるため、品質が保証されます。このデータの品質は他に類を見ないものであり、検証済み、信頼性、一貫性、安全性が確保されています。企業が販売する完成品と同様に、品質は二重チェックされています。
ガートナーは、データ品質の問題に対処するには、企業がデータポリシーと品質プロセスをビジネス目標とミッションに整合させる必要があると説明しています。経営幹部は、ビジネスの優先事項と直面する課題との関連性を理解し、現実世界の問題を解決するデータ品質アプローチを採用する必要があります。
たとえば、企業の解約率が高く、その主なビジネス目標が顧客ベースの拡大である場合、データ品質プログラムはそれらの領域でのパフォーマンスを強化するのに役立ちます。
ビジネス目標と課題が理解され、データ チームが適切なパフォーマンス メトリックを選択したら、組織は現在のデータ品質をプロファイルする必要がある、と Gartner は述べています。
データプロファイリングは早期かつ頻繁に実施する必要があり、目標達成に向けた進捗状況をベンチマークするために、高いデータ品質基準を設定する必要があります。データ品質は「一度で完了」する活動ではなく、進化、調整、そして完璧さを追求し続ける、継続的かつ積極的な管理アプローチです。
参照: 採用キット: データベース エンジニア (TechRepublic Premium)
データ品質の問題の改善
マッキンゼーは、データを利用するチームが、データの検索、処理、クレンジング、あるいは利用可能状態の確認に時間を無駄にするべきではないと説明しています。同社はデータ品質に対応するための統合データアーキテクチャを提案し、そのモデルによってビジネスユースケースを90%加速し、データ関連コストを30%削減し、企業をデータガバナンスリスクから解放できると保証しています。
データ品質を向上させるには、組織は適切なモデルを必要とします。マッキンゼーは、個々のチームがデータをつなぎ合わせる草の根アプローチも、中央集権的なチームがすべてのプロセスに対応するビッグバンデータ戦略も、良い結果をもたらさないと警告しています。
効果的なデータ品質モデルでは、用途別に分類された異なる種類のデータに対し、異なるチームが責任を負います。各チームは独立して作業を行います。例えば、消費者がデジタルアプリで使用するデータは、データのクレンジング、保存、そして製品としての準備を担当するチームによって管理されるべきです。
報告システムや意思決定に使用される社内データも、品質、セキュリティ、データ変更を厳重に管理する別のチームによって管理されるべきです。この重点的なアプローチにより、運用上の意思決定や規制遵守のためのデータ活用が可能になります。これは、外部共有に使用されるデータや高度な分析に使用される情報にも当てはまります。これらのデータについては、機械学習やAIシステムで使用できるよう、チームがデータのクレンジングとエンジニアリングを行う必要があります。
データ製品の作成に優れた企業は、標準とベストプラクティスを設定し、社内外の業務オペレーション全体にわたってパフォーマンスと価値を追跡する必要があります。製品化されたデータへのこうした配慮は、データ品質の低下を防ぐ最も効果的な方法の一つです。
