陳教授は、大手アフターサービスチェーンのケーススタディを通して、データ分析導入プロセス全体を明らかにしています。本稿では、体系的な分析フレームワークを提供するだけでなく、データ導入プロセスにおける管理手法の重要性も強調しています。データアナリスト、ビジネス上の意思決定者、あるいはデータ分析に関心のある読者にとって、本稿は貴重な洞察となるでしょう。

「あなたのデータ分析はまったく実用的ではありません！」

「数字を書き出すこと以外に、何か実用的な提案はありますか？」

「それで、数字は分かりましたね。では、次のステップは何でしょうか？何をする必要がありますか？」

このような不満は社内でよく聞かれ、データアナリストを悩ませています。では、具体的にどのように導入が成功と言えるのでしょうか？今日は、例を挙げながら体系的に解説します。

問題シナリオ：大規模なアフターサービスチェーンは、メーカー、企業、個人からのサービスリクエストを受け付けています。リクエストを受信すると、カスタマーサービス部門は作業指示書を発行し、自社運営のサービス拠点またはアウトソーシングされたサービスプロバイダーに割り当てて、現場でサービスを完了させます。

ノーススター指標、つまり完了した作業指示の実数が設定されました。問題は、実装分析をさらにどのように実施するかです。

I. データ実装におけるよくある間違い

多くの生徒は、この質問を見てすぐに「先生、やり方が分かります！」と言います。作業指示の計算式は、「作業指示 = 要求数 × コンバージョン率」です。目標は完了した作業指示の数を増やすことなので、要求数とコンバージョン率の両方を最適化することが鍵となります。

高く行け！

したがって、データを実装する方法は次のようになります。

まず、メーカーや顧客との契約を増やします。

第二に、より多くの法人顧客と契約する必要があります。

3番目に、個人のトラフィックを増やす必要があります。

4番目に、顧客サービスの効率を向上します。

5つ目に、現場管理を強化しなければなりません。

6番目に、熟練した職人のスキルを向上させます。

この提案がいかに具体的かつ実用的であるかをご覧ください...

額……

まず第一に、これらの指標は高めに設定すべきであることは事実であり、これら6つのポイントは確かに提案に過ぎません。問題は、これらはすべて正しいものの、意味をなさない発言であるということです。データアナリストでなくても、誰もが「既に知っている」ことなので、当然高めに設定すべきです。では、どうして低く設定できるのでしょうか？

データを用いてビジネス実行アクションを推論する上での核心は、優先順位付けです。データ分析の価値は、何が重要で何が二次的なものかを見極めることにあります。計算がなければ、誰もがこれを強化する必要がある、あれを強化すべきだと認識してしまいます。

ステップ1：ビジネスプロセスの合理化

導入を成功させるための第一歩は、データレベルの数値にばかり注目しないことです。データがどのビジネスプロセスから発生し、どのプロセスがそれに影響を与えているかを明確にすることが重要です。このビジネスレベルの分析は、通常、大まかな分析から具体的な分析へと進み、タマネギのように層を剥いていきます。例えば、このケースでは多くの役割が関与していますが、リードを受け取るカスタマーサービス担当者を基準に、需要と供給の2つのカテゴリに分類できます（下図参照）。

目標は完了した作業指示の数を増やすことです。まずは、需要と供給が一致しているかどうかを判断することが重要です。

単月または全体の需給状況を見ると、次の 3 つのシナリオが考えられます。

需要 ≥ 供給

需要 = 供給

需要 ≤ 供給

最初のレベルの評価によって、その後の実装の方向性が決まります。

需要が供給を上回っているため、供給能力を改善します。

需要は供給に等しいので、供給コストを継続的に監視/削減します。

需要 ≤ 供給、顧客を開拓し、需要を拡大する。

これらはV1.0の実装提案です。実際の提案はこのような会話的な言語ではなく、計算に基づいて行われることに注意してください。

このステップは単純に見えますが、実際には秘密が隠されています。それは、どちらの端が大きいかをどのように判断するかということです。

第三に、第2段階：判断基準の確立

判断基準は、上司が即座に決断するほど単純ではありません。需要が供給以下、あるいは供給と等しい状況は比較的容易に観察できます。例えば、アフターサービス技術者一人当たりの作業受注数が少ない、平均賃金が低い、スタッフの離職率が高いといった状況です。

しかし、需要が供給を上回った場合、データ記録が残らない可能性があります。例えば、個人のお客様は電話をかけても修理の予約が取れないかもしれません。法人のお客様は電話をかけても修理に長い時間がかかるかもしれませんが、年間契約を結んでいるため、すぐに契約を破棄する可能性は低いでしょう。

これらの要因により、供給能力の評価が困難になり、データの不正確さにつながります。企業がこれに気付いた時には、すでに手遅れです。

そのため、個別に分析を行い、基準を定めるのが最善です。例えば、メーカー・法人顧客の場合は、契約書に記されたサービス条件（受注後24時間以内に完了するなど）との整合性を図る必要があります。また、個人顧客の場合は、顧客が依頼を開始してからの完了率を見る必要があります。完了率からは、顧客側の理由（問い合わせ後に価格が高すぎると思った、担当者が見つからなかった、気軽に問い合わせたなど）を排除することで、比較的正確な数値を算出することができます。

これには判断基準の策定が含まれます。基準を策定した後、各部門の合意を得て全会一致で承認を得る必要があります。

このステップは非常に重要です。多くの学生が自分のアイデアを実践するのに苦労するのは、この最初のステップから判断を下さずに数字だけしか見ていないからです。あるいは、判断が十分に厳密でないため、深く掘り下げていくと曖昧さや矛盾した解釈が生じてしまいます。当然のことながら、これはアイデアを真に実践することを妨げます（下の図を参照）。

第4段階：短期から長期へ

注：期間を延長すると、季節変動が生じる可能性があります。例えば、特定のデバイスは夏や冬に使用頻度が高く、故障が発生しやすくなる場合があります。そのため、1か月を基準として基準を設定した後、1年間の状況を調査することで、問題をさらに特定することができます。

たとえば、全体的な状況は需要 ≥ 供給ですが、

時々（1～2か月）

頻繁（3か月以上継続して発生）

持続性（新規/有効期限が近い）

季節的（特定の季節に発生する）

これらの優先事項の優先度と緊急度は異なり、対応する実装提案も異なります (下の図を参照)。

5 番目、4 番目のステップ: 重要なポイントを特定して焦点を当てます。

全体的な状況が把握できれば、具体的な問題を検討できます。例えば、第一段階では、問題は供給側、つまり供給不足に起因すると特定しました。では、どのようにさらに分析を進めていくのでしょうか？

まず、3つの事業ラインがあり、どれを優先するかを区別することが重要です。これは、B2Bクライアント（メーカー／企業）とB2C個人ユーザーでは、根本的に異なる開発パスが想定されるためです。現状では、受注全体に占める割合が異なるだけでなく、将来の開発における重要性も異なります。B2Bが当社の生命線となる可能性は高いでしょう。

現状のデータが同一で​​あっても、将来の展開に関する判断は、その重要度によって異なる場合があります。まず判断を下し、その後、詳細をさらに検討することが重要です（下図参照）。

VI. ステップ5：全体から部分へ

第二に、アフターサービスは地域ごとに提供されるため、特に影響を受けている地域と例外的な地域を区別する必要があります。顧客ニーズや店舗・サービス担当者の構成は地域ごとに異なるため、これは比較的容易に把握できます。遠隔地は再びアウトソーシングされる可能性が高いため、問題領域を特定することで、優先順位を決定し、最も緊急性の高い問題から対処することができます。

ここに戦略的な違いがあります。ある地域で例外的に高い需要が発生し、その業務がアウトソーシングされている場合、決定は「アウトソーサーはパフォーマンスの成長傾向を維持する必要がある」ではなく、「アウトソーサーを入れ替えて、社内にサービス ポイントを設置する」となる可能性があります。

実際には、良い指標を維持するか悪い指標を改善するかという問題ではなく、常に第 3 の選択肢が存在します。

VII. ステップ6：ローカルから詳細へ

最後に、アフターサービスは、顧客サービスの派遣が遅いか、アフターセールスの実行が不十分であるかの 2 段階で実装されます。

この内訳は最も複雑です。カスタマーサービスからの注文を発送できない場合、地域／主要カスタマーサービスチームの業務負荷が高い場合、休日などの一般的な理由、あるいは部品の出荷待ちなどの客観的な理由が考えられます。そのため、サービスチーム、サポートスタッフ、そして注文受付後の休日対応に関する詳細なデータがなければ、問題がディスパッチャーにあるのかサービスプロバイダーにあるのかを判断するのは困難です。

実装計画を検討する際には、最も詳細な問題は後回しにしましょう。非常に細かい点まで掘り下げていくと、データが不足していることに気づく可能性があるからです。手元にあるデータは何でも活用しましょう。これが分析の基本原則です。

8. ステップ7: データから管理へ

詳細データが不足している場合は、データ構築と併せて管理手法を活用することができます。例えば、カスタマーサービス担当者には、最初の注文を受けてから30分以内に注文の割り当てを完了するよう指示し、その後問題がなければ、手動で問題を報告し、マークを付ける必要があります。

各地域のスペアパーツの在庫を事前に確認し、在庫切れのアイテムにマークを付けることができます。これにより、分析中にスペアパーツの待ち時間による遅延を特定できます。また、サービス技術者にサービス訪問の前後にシステムへの出退勤を義務付けることもできます。これにより、技術者の稼働状況を追跡し、技術者の飽和状態を把握できます。

これらの管理手法自体もパフォーマンスの向上に貢献する点に留意してください。これらの手法は、問題を早期に特定し、現場の行動を監視して努力に報い、成長の可能性のある領域を迅速に特定することを可能にします。

したがって、これらのビジネス関連のメリットを餌として利用することで、管理手法の導入を効果的に促進し、データ収集という目標を達成し、同時に2つの目的を達成することができます。適切な管理手法がなければ、データを収集できない可能性が高く、当然ながら導入も不可能になります。ビジネス関連のメリットがなければ、たとえ上級管理職が強く介入し、ソフトウェアを強制的に導入させても、業務部門が協力せず、適当な情報を入力すると、データは依然として混乱したままになります。

IX. 要約

データを真に実装するには、一般的なことから具体的なことまで段階的に進め、異常を排除し、主要な問題を特定し、最終的にはデータの実装と管理の方法の組み合わせに頼る必要があります。

単純に次のようにするのではなく:

1. 低い方の指標を上げます。

2. どちらかの指標が高いレベルを維持します。

これは、「神聖無敵の汎用モデル」を作るだけでは解決できません。例えば、学生の中には「ああ！カスタマーサービスの注文がある！」と見て、反射的に「滴滴出行（Didi/Meituan）を真似て、AIを活用した注文発送モデルを構築しよう」と考える人もいるかもしれません。

ええ、これはアフターサービスです。機械の故障率は、配車サービスやフードデリバリーのように毎日発生するものではありません。需要は一定です。さらに、現場訪問には部品の問題も絡んでくるため、場当たり的に対応することはできません。そのため、綿密に行うには、業務プロセスを深く掘り下げ、根気強く一つずつ丁寧に作業を進めていく必要があります。