Amazon Quickと壁打ちして進めるデータ活用を始めるための最初の一歩

こんにちは、こーへいです。

いきなりですがデータ活用とは、「データを使ってビジネスを前に進める意思決定をすること」です。

売上や稼働率、顧客の反応など、手元にある数字をただ眺めるのではなく、その数字をもとに「次に何をするか」を決めることが大切です。

「社内データをAIと対話して動かす Amazon Quickで始めるデータ活用・業務自動化入門」というタイトルで登壇しました | DevelopersIO

とはいえ、「実際に手持ちのデータをどう活用すればいいのか分からない」という声はよく聞きます。

組織全体でBIツールを導入し、ダッシュボードを整備し、みんなが数字を見て動く……という状態を最終ゴールとしたとき、そこに至る道のりは決して短くありません。

そこで今回は組織展開の前段階、つまり「個人としてまず何ができるか」という一歩目を「Amazon Quick」を使って踏み出す方法を紹介します。

身近な例えで全体像をつかむ

データ活用の話をまずは身近な例えで紹介します。データ活用には大きく2つのパターンがあります。

①モニタリング: 体重計

毎朝体重計に乗ると、数値がぱっと見でわかります。数値の推移をグラフにしていれば「先週から少し増えたな」といった変化にも気づけますし、それを受けて「今日は少し食事を控えよう」というアクションにつながります。

ビジネスの世界では、これがダッシュボードでのKPI定点観測にあたります。売上・稼働率・エラー率といった重要な数値を毎日・毎週決まった形で見えるようにしておくことで、変化にいち早く気づけるようになります。

②課題分析: 健康診断

体重の増加に気づいたとき、「なぜ増えたのか」を知りたければ健康診断を受けて多角的に検査します。血液検査、生活習慣の振り返り……いろいろな角度からデータを見ることで、初めて原因が特定できます。

ビジネスでは、これが原因分析にあたります。「なぜ稼働率が下がったのか」「なぜ解約が増えたのか」といった問いに対して、データを様々な切り口で分解し、原因の仮説を立てて検証していくプロセスです。

この「①ぱっと見でわかる定点観測」と「②異変に気づいたら深掘りする原因分析」の2つが、データ活用の基本的な型になります。

個人でデータ活用を始めるための準備6ステップ

ここからは実際に個人としてデータ活用を始めるための準備を6つのステップに分けて紹介します。先ほどの体重計・健康診断の例えを引き続き使いながら説明します。

ステップ1: 組織のミッションと追うべき数値を整理する

まず最初にやるべきは、自分の組織（チーム・部署・ライン）が果たすべきミッションと、それを測るための数値を言語化することです。

ダイエットで言えば「なぜ痩せたいのか」にあたります。健康診断で再検査になったからなのか、単純に見た目を変えたいからなのか。ここが曖昧なまま体重計に乗り続けても、数字の変化に一喜一憂するだけで終わってしまいます。

ビジネスでも同じで、ここを飛ばしていきなり「データがあるから分析してみよう」と手を動かすと、データ活用は簡単に迷走します。ミッションに紐づかない「あればいいな分析」は、結局誰も見なくなります。

ステップ2: あるべき状態を定義する

次に、追うべき数値について「どうなっていれば成功と言えるか」というあるべき状態を定義します。ステップ1と重なる部分もありますが、目指す状態が具体的な数値やラインとして定まって初めて、データ活用に「意味」が生まれます。

「痩せたい」だけでは何も決められませんが、「3か月で体重を3kg減らし、65kgで維持する」まで決めれば、初めて体重計の数字に意味が生まれます。

ビジネスでも同様に、「稼働率を見ている」だけでは何も決められません。「稼働率98%以上を安定的に維持している状態」まで定義して、初めて現状との比較ができるようになります。

ステップ3: 現状の状態を整理する

あるべき状態が決まったら、今持っているデータを使って現状を整理します。必要であればグラフや表にして可視化します。

ダイエットなら、まず直近の体重の推移を可視化するステップです。これをやって初めて、ステップ2で定義した「あるべき状態」とのギャップ、つまり「あと何kg減らす必要があるのか」が目に見える形になります。逆に言えば、現状整理をサボると「太った気がする」「痩せた気がする」という感覚論のままで話が進んでしまい、対策の優先順位もつけられません。

ステップ4: 定点観測する情報と都度分析する情報を切り分ける

ステップ2とステップ3のギャップを埋めるために、どの情報をどのくらいの頻度で見るべきかを整理します。

毎週・毎月チェックしたい「定点観測」の情報と、四半期に一度など必要なタイミングだけ見ればよい「都度分析」の情報に切り分けます。

体重計は毎日乗って定点観測する一方、血液検査を伴う健康診断まで毎日受ける人はいません。年に1〜2回、必要なタイミングで受ければ十分な「都度分析」です。

ビジネスでもここをやらずに何でもかんでもダッシュボードに載せてしまうと、「一度作ったきり誰も見ない指標」がどんどん積み重なり、ダッシュボード全体が汚れていきます。定点観測すべきものを絞り込むことは、個人的に非常に重要な作業です。

ステップ5: 足りないデータを整理する

ここまで進めると、「このデータさえあれば、もっと踏み込んだ分析ができるのに」という不足が見えてきます。

体重は減っているのに、それが筋肉なのか脂肪なのかは体重計の数字だけではわかりません。体組成計や血液検査のデータがあって初めて、もう一歩踏み込んだ判断ができます。

不足しているデータの中には、業務フローの変更が必要など、すぐには揃わないものも多くあります。ただ、それでも「今は足りない」という事実を記録に残しておくことが大切です。そうすることで、将来「そのデータを取得することで得られるメリット」と「取得にかかる工数」を天秤にかけて、導入の判断ができるようになります。

ステップ6: 一枚の資料にまとめる

最後に、ステップ1〜5で整理してきた内容を一枚の資料にまとめます。これは自分の理解を整理する意味でも、他人に展開する意味でも役立ちます。

ダイエットで言えば、「目標」「現在地」「今後の測定計画」「足りないデータ」を1枚のメモにまとめておくようなものです。

ここで大事なのは、机上で考えるだけで終わらせないことです。実際に手を動かしてAIで出力したグラフを見て考え、その過程で得た気づきも含めて、最終的に一枚の資料に考えをダンプする。

この「作りながら考える」プロセスこそが、手持ちのデータ活用の解像度を一気に上げてくれます。

やってみる

ここからは、SaaSプロダクトを提供する企業のカスタマーサクセス担当者を例に、Amazon Quickを使って6ステップの分析を進めてみます。

今回使用するのは、契約継続に関する以下のデータです。

• ログイン頻度
• 問い合わせ件数
• 月次解約率

まずAmazon Quickに6ステップ全体をまとめて分析してもらい、その結果をたたき台として、チャットエージェントとの対話で気になる部分を深掘りします。分析内容が固まったら、最後に意思決定者向けのスライド資料へまとめます。

今回の作業の流れは次のとおりです。

1. サンプルデータを準備する
2. 6ステップ全体の分析案を一括で作る
3. 各ステップをチャットエージェントで深掘りする
4. 分析内容を確定する
5. 一枚の資料・スライドにまとめる

このように、「全体像を作る→対話で深掘りする→内容を固める→資料化する」という順番で進めます。

サンプルデータの準備

まず、分析に使用するサンプルデータをAmazon Quickに用意してもらいます。

例えば以下のプロンプトを入力しました。

SaaSプロダクトを提供する企業のカスタマーサクセス担当者を例に、契約継続に関するサンプルデータを作成してください。

以下の項目を含めてください。

- 対象月
- ログイン頻度
- 問い合わせ件数
- 月次解約率

月次解約率は、前半は2%以下で推移し、途中からログイン頻度の低下や問い合わせ件数の増加とともに悪化する傾向を持たせてください。

架空ですが、SaaS企業のデータとして不自然ではない数値にしてください。

ファイルへの出力は不要です。このチャット内で確認できるように、CSV形式で出力してください。

このプロンプトでは、単にランダムなデータを作るのではなく、分析によって変化や課題を見つけられるように、一定の傾向を持たせています。

実際の業務では、CSVファイルやデータベースなど、すでに保有しているデータを使用します。

ステップ全体の分析案を作る

サンプルデータを準備したら、まず6ステップ全体を一括で分析してもらいます。

ここでの目的は、完成版のレポートを作ることではありません。現状や原因仮説、不足データ、次のアクションを含む分析のたたき台を短時間で作ることです。

今回は、次のプロンプトを入力しました。

あなたは、SaaS企業のカスタマーサクセス部門を支援するデータアナリストです。

入力した契約継続関連データを分析し、「解約を減らし、既存顧客の契約継続率を安定させる」というミッションに向けて、次の6ステップで整理してください。

前提として、目標は「月次解約率2%以下を維持し、解約の予兆が出た顧客には契約更新前にフォローできている状態」とします。

1. ミッションを達成するために追うべきKPIを整理する
2. 各指標のあるべき状態と警戒ラインを定義する
3. 時系列推移、目標との差、変化が始まった時期、指標間の関係から現状を分析する
4. 定点観測する指標と、必要なときに都度分析する情報を切り分ける
5. 原因特定や解約予兆の検知に不足しているデータを洗い出す
6. 分析結果を意思決定者向けの一枚資料としてまとめる

特に、ログイン頻度の低下、問い合わせ件数の増加、月次解約率の上昇にどのような関係があるか確認してください。

出力には以下を含めてください。

- 現状
- 目標との差
- 重要な変化
- 原因仮説
- 仮説を裏付けるデータ
- 現在のデータでは断定できないこと
- 定点観測する指標と確認頻度
- 都度分析する情報
- 不足データと取得優先度
- 今すぐ実施するアクション
- 1か月以内に実施するアクション
- 中長期で検討するアクション

データに存在しない事実や数値は作らず、「データから確認できる事実」と「そこから考えられる仮説」を明確に分けてください。

また、相関関係を因果関係として断定しないでください。

分析に必要な情報が不足している場合は、無理に結論を出さず、不足している情報と追加で確認したい質問を示してください。

このプロンプトを入力すると、6ステップに沿った分析案がまとめて出力されます。

最初の出力だけでも全体像は把握できますが、AIが出した内容をそのまま完成版として使うわけではありません。ここからQuickのチャットエージェントと対話しながら、各ステップの内容を深掘りしていきます。

チャットエージェントで各ステップを深掘りする

一括分析で全体像をつかんだ後は、気になる部分について追加の質問をします。

一度のプロンプトですべてを完璧に分析しようとするよりも、最初に全体のたたき台を作り、その後の対話で仮説や判断基準を修正していくほうが、実務では進めやすいと感じました。

ステップ1・2：ミッションとあるべき状態を確認する

この段階では、ミッションや目標値が実際の業務に合っているかを確認します。

例えば、次のように追加で質問できます。

先ほど整理したミッションとあるべき状態について、カスタマーサクセス部門が日常業務で判断しやすいように具体化してください。

また、月次解約率2%以下という最終指標だけでなく、解約の予兆を早期に把握するための先行指標を提案してください。

入力データから算出できる指標と、追加データが必要な指標を分けてください。

このように質問することで、月次解約率だけでなく、ログイン頻度などの先行指標についても整理できます。

ステップ3:現状と変化の起点を確認する

過去6か月分の月次解約率は、次のようになっていました。

Amazon Quickで折れ線グラフを作成すると、2025年3月までは目標の2%以下をおおむね維持していたのに対し、4月以降は右肩上がりで悪化していることが分かりました。

さらに、次のように依頼して変化を深掘りします。

月次解約率、ログイン頻度、問い合わせ件数の推移を比較し、変化が始まった時期を特定してください。

そのうえで、以下を分けて整理してください。

- データから確認できる事実
- 事実から考えられる原因仮説
- 現在のデータだけでは断定できないこと

相関関係があっても、因果関係とは断定しないでください。

この追加分析によって、単に「解約率が悪化している」だけでなく、ログイン頻度や問い合わせ件数が、どのタイミングで変化しているかを確認できます。

ステップ4:定点観測と都度分析を切り分ける

続いて、日常的に見るべき情報と、必要なタイミングで深掘りする情報を整理します。

ここまでの分析結果を踏まえて、確認すべき指標を次の2つに分類してください。

1. 定点観測する指標
2. 異変があった場合や四半期ごとに都度分析する情報

それぞれについて、確認頻度、確認する目的、警戒ライン、異変があった場合の初動を整理してください。

ダッシュボードに載せる指標は、日常的な意思決定に必要なものに絞ってください。

整理結果のイメージは次のとおりです。

ここでは、すべての指標をダッシュボードに載せるのではなく、日常の判断に必要な情報へ絞り込むことが重要です。

なお、「月次解約率を日次で確認する」という表現は、集計期間と更新頻度が混在しています。そのため、日次で確認する場合は、「当月累計の暫定解約率」など、指標の定義を明確にしたほうがよいでしょう。

ステップ5: 不足データの洗い出し

分析を進めると、月次解約率の悪化とログイン頻度の低下には、一定の関係が見られました。

一方で、現在のデータだけでは、ログイン頻度が低下した理由や、問い合わせが増えた理由までは分かりません。

そこで、次のように追加で質問します。

現在のデータだけで分かることと、分からないことを整理してください。

そのうえで、解約の原因特定と解約予兆の検知に必要な不足データを洗い出してください。

不足データごとに、以下を示してください。

- データ項目
- 必要な理由
- 検証できる仮説
- 取得方法
- 取得優先度

その結果、例えば次のような不足データが候補として挙げられます。

今回の月次集計データからは、全体としての傾向は把握できます。しかし、個別顧客の解約予兆を特定するには、顧客IDを軸にログイン履歴、契約更新日、問い合わせ履歴などを結び付けられるデータが必要です。

不足データを明らかにすることも、データ活用によって得られる重要な成果です。

分析内容を確定する

各ステップの深掘りが終わったら、ここまでの内容をまとめ直します。

ここまでの対話内容を反映して、分析結果を最終版として整理してください。

以下を明確に分けてください。

- データから確認できた事実
- 現時点の原因仮説
- 現在のデータでは断定できないこと
- 今すぐ実施するアクション
- 1か月以内に実施するアクション
- 中長期で検討するアクション

過去の回答と内容が重複している場合は統合し、意思決定に必要な情報へ絞ってください。

この段階で重要なのは、AIの回答をそのまま採用することではありません。

実際の業務背景や、チームで実行できる施策、データ取得にかかる負担などを踏まえて、人間が内容を確認して確定します。

AIは分析のたたき台を短時間で作ることには向いていますが、最終的な意思決定の責任まで引き受けてくれるわけではありません。

一枚の資料・スライドにまとめる

分析内容が固まったら、最後に意思決定者向けの資料へまとめます。

確定した分析内容を、意思決定者向けの一枚のスライドとして整理してください。

スライドには以下を含めてください。

- ミッションと目標
- 現状と目標との差
- 月次解約率の推移
- データから確認できた重要な変化
- 原因仮説
- 現在のデータでは断定できないこと
- 不足データ
- 推奨アクション

推奨アクションは、以下の3つに分けてください。

- 今すぐ実施すること
- 1か月以内に実施すること
- 中長期で検討すること

意思決定者が短時間で内容を理解できるように、文章を詰め込みすぎず、グラフ、表、箇条書きを使って構成してください。

最終的な一枚資料の内容は、例えば次のようになります。

このように、最初に6ステップ全体の分析案を作り、チャットエージェントとの対話で各要素を深掘りしてから資料化することで、分析の抜け漏れを抑えながら内容を具体化できます。

一度の指示で完成版を求めるのではなく、AIが作ったたたき台を見ながら問いを重ね、人間が内容を確定することがポイントです。

手持ちのデータ量にもよりますが、この流れを押さえておけば、「何を分析すればよいか分からない」という状態から、次のアクションを含む資料の作成までを短時間で進められます。

成果物サンプル

まとめ

今回紹介した内容は、あくまで組織展開前の「個人としての最初の一歩」です。

ですがここで作った一枚の資料が、次に「組織全体でどう展開するか」を議論するための土台になると思うので、まずは小さく始めてみましょう。