さきやんのDXらぼ！ 
こちらの記事では、ビジネスパーソンの方向けに1分でわかるように「データ活用」と「データドリブン」って何が違うのか？についてご紹介させていただきます！
どーも、さきやんです！ご覧いただきありがとうございます。
こちらの記事にたどり着いているということは「データ活用やデータドリブンに興味・関心」がある方だと思っています。
お時間のない方も多いと思いますので、シンプルに結論からご紹介させていただきます。
こちらの記事は以下のような人におススメだと思います！
- データ活用とデータドリブンって結局何か知りたい
- 短時間で内容を把握したい
さらに詳細を把握したい方は全ての記事をご覧いただければ幸いです。それではどうぞご覧ください！
1分で知りたい方（お時間のない方）はこちらの内容（章）のみご覧いただければ把握できると思います。
「データ活用」も「データドリブン」のどちらも「KKD（経験・勘・度胸）」から脱却し、データをビジネスに役立てることを意味しています。
では何が違うのか？について、ほぼ同じことを意味していますが、「継続性」を考慮しているかどうかがポイントです。
データドリブンはデータ活用を包含しており、データ活用の一連のステップ（①~③）が継続的に回っている状態（④）がデータドリブンということです。
- データ収集・蓄積
- データの利用手段と事例（データ分析やAI利用など）
- データ利用による成果（活用された状態）
- ①~③のサイクルが回り続ける
- 「データ活用」も「データドリブン」のどちらも「KKD（経験・勘・度胸）」から脱却し、データをビジネスに役立てることを意味している
- 違いについては「継続性」を考慮しているかどうかがポイント
- データドリブンはデータ活用を包含しており、データ活用の一連のステップ（①~③）が継続的に回っている状態（④）がデータドリブンということ
はい、ここまでで1分ぐらいではないでしょうか？もう少し深く内容を確認されたい方は是非この後の記事もご覧いただければ幸いです！
データ活用とデータドリブンの違いについて結論から説明させていただきましたので、深く把握されたい方向けに「データ活用」についてご紹介したいと思います！
こちらは単語として広辞苑などに定義されているわけではなく、主にビジネス領域で利用される用語です。
その前提で整理すると・・・
データ活用とは、データをビジネスに役立てること
です。経済産業省では「データ利活用」という表現をされていたりしますが、ほぼ同じ意味です。利活用とは、官公庁系でよくある「利用」と「活用」のどちらも包含した表現で、利用する手段も含まれるため表現している範囲は広いです。
そんなデータ活用について、簡単なイメージですがさきやんの自作でフローを作ってみました。
データ活用は主に以下の3つのステップで考えることができます。
- データ収集・蓄積
まずは業務上必要なデータを収集し、蓄積する必要があります。会社の業務で考えたときに、既にシステム化されているような業務であればサーバー上に様々なログデータが残っていますが、アナログの紙媒体等で利用している情報・資料などは電子化（デジタイゼーション）する必要があります。 - データの利用手段と事例（データ分析やAI利用など）
収集・蓄積されたデータを利用する方法は色々とありますが、データ分析やAI利用なども手段の1つです。データ分析とデータ活用の違いを気にされる方もいるかもしれませんが、データ分析はデータを利用するための手段です。
また、データ分析などで得られた結果から、ダッシュボードで可視化したり、意思決定したり、何らかの計画に対して今後の予測をしたりすることが考えられます。
※ データ利活用の「利用」することだけを目的とした場合はこのステップまでで（一応）目的達成していることになります。 - データ利用による成果（活用された状態）
データ分析などの結果から業務効率化や生産性向上、売上向上など、何らかの成果が出ている状態が「活用」されていることになります。
データ活用とは、最後の③の成果だけ見るのではなく、①のデータ収集・蓄積から③の成果創出までの一連の流れのことを指しています。
データ活用のステップは意外とシンプルで簡単だと思った方もいらっしゃるのではないでしょうか。単純化するためにシンプルにフローを書きましたが、実は大きく抜けている内容があります。次からご紹介します。
先ほど説明した3つのステップで、「②データの利用手段」と「③データ利用による成果」の間には大きく抜けていることがあります。それは・・・
です。
データ分析から得られるのはインサイト（示唆）であり、そこから「具体的な対策（アクション）」等の意思決定を行い、その対策を確実に実施することで「成果」につながっていく可能性が高くなります。
この「具体的な対策（アクション）」というのが最も重要で、様々なタスクを含み、この対応がないとデータ活用の実現は不可能です。
少し具体的な対策（アクション）のイメージがつきやすいように、以下表にサンプル事例を記載させていただきます（設定は架空の会社およびサービスです）。
| ①データ収集・蓄積 | ②データの利用手段とインサイト | 具体的な対策（アクション） | ③得られる成果 |
|---|---|---|---|
| お客様の自社製品の購買データ | データ分析による可視化の結果、特定の地域・店舗の売り上げが低いことが判明。早急に何らかの対策が必要。 | インサイトの深堀のため対象店舗の社員に対してヒアリング実施。課題を整理し、更にアクションを整理。その後…（記載は割愛） → 成果に確実に結びつくか不透明な中で対策（ヒアリングの稼働やそこから得られた課題への改善）を実施していかなければならない | 対象店舗への改善施策実施による売上向上 |
| 特定サービスのスマホアプリの利用ログおよび利用者アンケート結果 | アプリ利用からアプリの動作が重いという申告があり、ログを分析したところ特定の処理が異常に重い（遅い）ことが判明。改善するためにはシステム改修が必要。 | システム改修のために、開発部門との調整及び予算・稼働の確保など、実際に改善するためにはかなりのコスト（お金と稼働）がかかることが判明。その後…（記載は割愛） → 分析結果からインサイトが得られても、その後にアクション（システム改修）を行わなければ何の価値も生み出さない | アプリのレスポンス改善によるUI/UX向上（アプリ利用者の満足度向上） |
このように「具体的な対策（アクション）」が如何に重要で、推進するための難易度もかなり高いことが想定されます。
しかし、その対策を起こさない限りはデータ活用は達成できないことがわかるかと思いますので、データ活用を目指す場合はその点を留意いただくといいかと思います。
- データ活用とは、データをビジネスに役立てること
- 大きく3つのステップがデータ活用には必要
①データ収集・蓄積 ②データの利用手段と事例 ③データ利用による成果 - データ活用の②③のステップの間には「具体的な対策（アクション）」が必要で、この対応の難易度は高い
さきやんの場合、基本的にこのデータ活用を意識して社内プロジェクトを運営しています。
データ活用について紹介させていただきましたので、次に「データドリブン」についてご紹介したいと思います！
データドリブンはデジタル大辞泉で以下のように定義されています。
得られたデータを総合的に分析し、未来予測・意思決定・企画立案などに役立てること。特に、ビッグデータを対象とし、各種データを可視化して課題解決に結びつけることを指す。
出典：weblio（デジタル大辞泉）
データ活用の用語定義とほぼ変わらないと思います。こちらはIT用語の「データ駆動」がベースになり、ビジネスでも活用されるようになったようです。
データ駆動（データくどう）または データドリブン（data driven）は計算機科学における計算モデル（抽象的な計算の方法）のひとつである。データ駆動においては、ひとつの計算によって生成されるデータがつぎの計算を起動し、つぎつぎに一連の計算が実行される。
出典：Wikipedia
一般的な定義は上記ですが、その前提を置いてビジネス視点で整理すると・・・
データドリブンとは、ビッグデータに対してデータ活用の一連のステップが回り続けていること
と解釈することができます。
以前から「データドリブン経営」という言葉もありますが、経営とは企業の全ての事業活動・業務を指しており、データ活用を全ての事業活動に適用をしていくことになります。
ここで気になるのが「ビッグデータ」です。ビッグデータとは以下のように定義されています。
ビッグデータを「事業に役立つ知見を導出するためのデータ」とし、ビッグデータビジネスについて、「ビッグデータを用いて社会・経済の問題解決や、業務の付加価値向上を行う、あるいは支援する事業」と目的的に定義している例16がある。ビッグデータは、どの程度のデータ規模かという量的側面だけでなく、どのようなデータから構成されるか、あるいはそのデータがどのように利用されるかという質的側面において、従来のシステムとは違いがあると考えられる。
出典：総務省（https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/h24/html/nc121410.html）
単純なデータの量だけでなく、質的側面もビッグデータは考慮する必要があるようです。
データドリブンはビッグデータが必須なのか？という点についてはこの後触れていきたいと思います！
データ活用のステップは以下の①~③で実現されていきますが、データドリブンとは①~③が継続的に実行されている状態のことを指しています。
- データ収集・蓄積
- データの利用手段と事例（データ分析やAI利用など）
- データ利用による成果（活用された状態）
- ①~③のサイクルが回り続ける
企業の活動は継続的であり、その都度新たなデータや課題が発生します。VUCA時代といわれる現在は、一度課題解決をできたとしてもその状態が維持できるとは誰もわかりません。
そのような環境に対応するために「データ活用のサイクルが常に回っている状態≒データドリブンな状態」が昨今求められているのだと考えられます。
ここで気になってくるのが「ビッグデータの扱い」はどうなるのか？だと思います。ここからはさきやんの主観的なことを多分に含んでおりますのでその点ご了承ください。
答えは「NO」です。
データドリブン経営を目指す会社は基本的に「データ活用」を軸に課題解決や成果創出を目指しており、利用するデータがビッグデータかどうかはどちらでもよいからです。
結果的に新たな課題やインサイトはビッグデータのような大規模なデータ群に潜んでいる可能性はあるとは思いますが、企業でデータを役立てるという観点で見たらビッグデータに拘る必要は全くありません。
さきやんの感覚的なお話になりますが、実業務を行う上ではビッグデータの定義に合うようなデータを利用するケースはほとんどないです。。。
ビッグデータの活用のみを目指すと関わることができないビジネスパーソンも増えることが懸念されるため、やはり「データ活用」を軸にした取り組みを推進していくことが重要だと思います。
ここまで「データドリブン」の用語定義や内容についてご紹介しましたが、実は実現するには大きな課題を抱えています。
それは「データ活用」の章でも大きな落とし穴としてご紹介した内容と同じなのですが、データ分析で得られることはインサイト（示唆）であり、その結果から具体的なアクションをできるかどうかが重要になります。
この状況を会社として実現しようとした場合は以下のような様々な対応が必要になってきます。
① カルチャー変革
② 業務プロセスの変更
③ 人材育成
④ 組織・体制構築
などなど
データドリブン実現というのはDXの手段・過程としてとても重要になるため、企業として多岐に渡る対応が必要になります。そんな内容の記事も整理していますので、細かく確認されたい方は是非ご覧いただければ幸いです！
【2023年】いまさら聞けないDXとは？一般会社員が考える企業内でDXを実現するためのアクションを紹介
以上で、データドリブンのご紹介はおしまいです。
- データドリブンとは、ビッグデータに対してデータ活用の一連のステップが回り続けていること
- ビジネスにおいて、基本的にデータ活用を軸に課題解決や成果創出をしていくことが重要で、利用するデータがビッグデータかどうかはどちらでもよい
- データドリブンの実現には多岐に渡る対応が必要になる
①カルチャー変革 ②業務プロセスの変更 ③人材育成 ④組織・体制構築
DX推進をしていく上で必ず出てくる「データドリブン」という言葉です。是非同じようなビジネスパーソンの方は参考にしていただければ幸いです。
ここまでご覧いただき本当にありがとうございます。ここからは冒頭の章の内容に加えて最近の情報についてご紹介したいと思います。
「データ活用」も「データドリブン」のどちらも「KKD（経験・勘・度胸）」から脱却し、データをビジネスに役立てることを意味しています。
では何が違うのか？について、ほぼ同じことを意味していますが、「継続性」を考慮しているかどうかがポイントです。
データドリブンはデータ活用を包含しており、データ活用の一連のステップ（①~③）が継続的に回っている状態（④）がデータドリブンということです。
- データ収集・蓄積
- データの利用手段と事例（データ分析やAI利用など）
- データ利用による成果（活用された状態）
- ①~③のサイクルが回り続ける
- 「データ活用」も「データドリブン」のどちらも「KKD（経験・勘・度胸）」から脱却し、データをビジネスに役立てることを意味している
- 違いについては「継続性」を考慮しているかどうかがポイント
- データドリブンはデータ活用を包含しており、データ活用の一連のステップ（①~③）が継続的に回っている状態（④）がデータドリブンということ
こちらの内容は冒頭の章の再掲です。すべて読んでいただいた方にはスッと内容が入ったのではないでしょうか？（そうであることを祈りたいですｗ）
最近の用語の検索状況を「Googleトレンド」で可視化してみました。
その結果（2023年3月11日時点の情報）は以下の通りです。
ビジネス系の用語なので、あまり調べている人は少なさそうですねｗ
意外だったのが「データドリブン」よりも「データ活用」のほうが人気度が高いところでした。
※人気度については以下のような定義のようです。
人気度の動向
数値は、特定の地域と期間について、グラフ上の最高値を基準として検索インタレストを相対的に表したものです。100 の場合はそのキーワードの人気度が最も高いことを示し、50 の場合は人気度が半分であることを示します。0 の場合はそのキーワードに対する十分なデータがなかったことを示します。
出典：Googleトレンド
ちなみに、高度なデータ活用の集大成！？といっても過言ではない最近流行っているChatGPTと比較してみると圧倒的な格差がありましたｗｗ
さきやんとしてはできるだけこの記事が読んでもらえると嬉しいので、今後改めて「データ活用」や「データドリブン」がバズってくれることを祈るばかりですｗ
さいごに、「1分でわかる！データ活用とデータドリブンの違いは？」と題して紹介した記事についてまとめさせていただきます。
①データ収集・蓄積
②データの利用手段と事例
③データ利用による成果
①カルチャー変革
②業務プロセスの変更
③人材育成
④組織・体制構築
以上、本記事は終わりになりますので、ここまで読んでいただいた方は誠にありがとうございました！
今後もできれば色々とまとめていきたいと思いますのでよろしくお願いいたします！
