Case

ビッグデータやAIの活用の重要性が説かれていますが、これら自体が魔法の杖にはなり得ません。大切なのは、自分たちのビジネスにとって有益な情報かを見極めてデータを集めることです。

そして自社の情報から読み取れるのは、あくまでも「お客様に買っていただいた実績」のみ。去年あるお客様がダウンコートを買った、ということからわかるのは、今年同じお客様にダウンを売ることはベストな提案ではない、ということだけなのです。そこで「買っていただいた背景」や「買っていただけなかった理由」を考察することが必要になります。

そんな中、気温や天候がわれわれのビジネスに大きく影響するであろうことはわかっていましたが、同時に、商品の購買にいたるまでにはイベントやモチベーションなどさまざまな事象が絡み合っています。また、経験豊富な社員でも、ひとつの季節を過ごした経験は、たったの数十回。それも自身が生活している範囲内でしかありません。
それらの要素をどのように紐解いて、数値化し、組織の中で再現性を持たせるか、それを考えるのは果てしないことでした。
一方で、前日との寒暖差や週末の日差し、夜の寝苦しさといった個人の感覚が、購買にどう影響するか、例えば「春に暑い日が続けば、その後寒くなっても春物は売れない」のような仮説を導き出すことは、ビジネスの経験がものをいうことも確かです。
そこで気象のプロである日本気象協会の力を借り、われわれが持っている情報を整理・体系化して、知識に昇華させようということになったわけです。

最初にお話ししたように、何の加工もされていないデータは意味を成しません。わたしたちは「DIKWモデル」と読んでいるのですが、バラバラだった膨大な量の「データ（Data）」を関連づけて「情報（Information）」にし、みなで共有できる知識（Knowledge）」にして初めて役に立つと考えています。数字の羅列ではなく、理解できる平易な言葉に置き換えたインフォメーションメールにすることで、情報を知識化することができました。そして最後に、その知識を使って意思決定する、つまり人間の「知恵（Wisdom）」が必要になります。それがわたしたちの目指すデータ活用なのです。

例えば、２月の寒い時季に３月上旬ごろの気温まで上がることがわかったら、３月後半に仕入れ予定だった商品を２週間前倒しできるか調整ができます。反対に残暑が続く９月に10月上旬並みの寒波がくるとわかれば、ニットや厚手のアウターが動くのではないかと予想がつきます。気象の急な変化に対応できるよう、在庫の準備ができたことは優位に働いたと思います。

それに、もし予報が外れたとしても、その時は通常通りの時期に販売すればいいだけなので、問題はありません。
気象データを取り入れただけでダイレクトに売上につながるわけではありませんが、わたしたちがやろうとしていることの精度を上げるための要素のひとつになっていると思います。