データ活用に欠かせない「データサイエンス」と「データマネジメント」の違いや関係性を解説！

今回は「データ活用」に取り組む上でとても大切になる要素である「データサイエンス」と「データマネジメント」について解説していきたいと思います。

私は「データサイエンス」と「データマネジメント」の関係性を分かりやすく例えるために、「料理と冷蔵庫」と呼んでいます。

料理に例えると、「データ」は食材そのもの、食材(データ)を冷蔵庫に入れて保存しておくことが「データマネジメント」、食材を使って料理をすることが「データサイエンス」という感じです。

以下の記事を読んで頂けると「そういうことか！」と感じて頂けると思います。

この記事でわかること

✔ 「データサイエンス」の概要がわかる
✔ 「データマネジメント」の概要がわかる
✔ 「データサイエンス」と「データマネジメント」の関係性、役割がわかる

データサイエンスとはなにか？

「データサイエンス」という言葉は、最近では割とよく聞かれるようになりましたし、「データサイエンス」を活用してデータ分析を行う人のことを「データサイエンティスト」と呼んだりしますので、そうしたことに詳しくない方でも、「なんか難しい理論や手法を使ってデータ分析をすることなんだろうな」ということはなんとなく知っているのではないでしょうか。

「データサイエンス」というのは、「サイエンス(科学)」という言葉がついていることから、「データを使って現実の出来事を明らかにしようとする」試みのことです。

つまり、「データから何かしらの意味を見出す」ということがデータサイエンスの役割、ということになります。

「データ分析」と「データサイエンス」という関係性で言えば、「データサイエンスはデータ分析の考え方や技術の一部」と言えます。

「データ分析」というものは、従来は「定量分析」や「定性分析」という「扱うデータが数値かどうか」という分け方をされたり、「目的型データ分析」、「探索型データ分析」というように、「最初から仮説があるのかどうか」という分け方などもされてきました。

また、データ分析の中には「統計学」の考え方や手法を使ってビジネスデータの分析に応用するというやり方もあります。

マーケティング・リサーチやパネル調査といったような、「取れたサンプルのデータを分析して、その結果から全体を予測する」という分析においてはとても有効な手法です。

しかし、「データサイエンス」というものは、これまで行われてきたデータ分析の考え方や手法とは、根本的に異なる概念で成り立っています。

例えば、現在のデータサイエンスでメインとなる手法に「機械学習」というものがあります。

これは文字通り「機械に学習させる」ということで、これまでの統計学では平均や分散、相関と言った観点でデータの特徴を人が把握していましたが(少数派の特徴は切り捨てる)、機械学習では、すべてのデータをアルゴリズムに渡せば、すべての特徴をもったまま計算を実行できるのです。

本記事では機械学習の詳細は述べませんが、これまでの分析手法とは桁違いの複雑な判断や精度が出せる、というのが「データサイエンス」と言えます。

よって、データサイエンスを活用すれば、これまでのデータ分析手法では発見できなかったデータの特徴や、モデリングなどをすることができるため、ビジネスに活用することができれば非常に大きな「価値」を生みます。

社内で「データサイエンティスト」を活かせない・活躍できない5つの理由を解説

社内でデータサイエンティストなどのデータの専門職がなかなか活躍してくれない企業には、明確な理由があります。

データマネジメントとは何か？

データマネジメントとは、「データをビジネスに活かせる状態を継続的に維持し、さらに進化させていくための組織的な営み」のことです。

簡単に言うと「データをビジネスに活用するために、活用しやすい形に整えたり、活用しやすい場所に保管しておく」ということです。

ここでのポイントは3つあります。

① データをビジネスに活かせる状態にすること
② その状態を維持し、進化させること
③ 組織的な営みができること

①については、例えば、「データは最新のものかどうか」「データに抜け漏れはないのか」「データは正確に現実をあらわしているのか」といったことです。

つまり、「そのデータって分析に使って本当に大丈夫？」ということを様々な視点から検証していくことです。

②については主に、

データ
システム
人材

という3つについて、適切な考え方や、やり方、評価の仕方などをしっかりと考え、「データから価値を生み出せる状態」を常に保っておく、ということになります。

③については、データ活用に関して特定の人材(例えばデータサイエンティストなど)に任せっぱなしにするのではなく、様々な拠点や部署、人材が協力しながら「データを活用できる体制」を作っていく、ということです。

よって「データマネジメント」というものは、「いかに良いデータを良い方法で管理するか」ということが目的になります。

「データマネジメント」の実践の中で中心になることの1つに、「メタデータ」や「マスタデータ」というような、企業活動の根幹になるようなデータの整備ということが挙げられますが、これらは「データ分析」ということに限ったことではなく、「データの参照」や「データの紐づけ」といった「業務効率化」に焦点が当てられています。

「データマネジメント」とは何か？データ活用で知っておきたい超基本

社内でデータを利活用しやすいように、データを適切に管理するデータマネジメントについて基本から解説しています。

データサイエンスとデータマネジメントのお互いの役割は？

これまで、「データサイエンス」と「データマネジメント」について簡単に考え方や特徴を見てきました。

ここから言えることは、

データサイエンス → データを価値に変えること

データマネジメント → データそのものの価値を維持あるいは高めるもの

ということです。

冒頭で申し上げたように、「データ」を「食材」と例えると、

データサイエンス ⇒ データという食材を調理して、料理を作り上げる

データマネジメント ⇒ データという食材を、食材に合わせた方法で保存して、いつでも調理ができるようにしておく

と言えます。

「どちらが大切か」「どちらを先にやるべきか」というのは企業の規模や扱うデータの量や種類などにも左右されるため正解はありません。

手持ちのデータの種類や量がそれほど多くなく、データを管理する手間がそれほど必要ないのであれば、「データサイエンス」に力を入れてもよいと思います。

大企業で複数の事業から日々大量のデータが発生しているような状況においては、もちろんデータサイエンスに取り組むのも大事ですが、データが社内の様々な場所にバラバラに存在していたり、重複するデータが存在していたり、どんな意味を持つデータなのかがよくわからない、という場合が多くなるため、データマネジメントの取り組みも非常に大切になります。

「データマネジメント」という考え方が今一つ注目を浴びずに広まらないのは、「データマネジメント」そのものにどれくらいの価値があるのかよく分からない、ということが大きいと感じます。

もちろん、現在の「ビッグデータ社会」においては「データ」という食材が溢れかえっていますので、それを保存できる「冷蔵庫(データマネジメント)」は必ず必要になります。

しかし、メタデータやマスタデータの整備そのものが「価値」を生み出すわけではなく、データが価値を生み出すのはあくまで「データを使った結果がビジネスに活かされた」ときです。

おススメなのは、まずは「データ分析(データサイエンスも含む)」に取り組みつつ、マスタデータの整備など、どうしてもデータ分析に必要になる部分だけに対して少しずつデータマネジメントを導入していくことです。

「データ分析を上手く進めるためには、どのようなデータマネジメントが必要か」という考え方です。

「データ活用」はデータが価値を生み出すまでに長い時間がかかります。会社の規模が大きくなるほど、多くの利害調整やプロセスを挟むため、時間がかかります。

よって、なるべくローコストで開始して少しずつ成果を出していくほうが安全です。

データガバナンスとは何か？データ利活用を支える仕組みづくり

データ利活用を推進する仕組みを整える「データガバナンス」について、基本から構築のポイントまで解説しています。