
「AIおよびアナリティクス活用におけるプライバシーの論点」ピープルアナリティクスで担保すべき透明性と公平性
人材マネジメントに「ピープルアナリティクス」を活用するケースが増えてきています。特に活用が期待される領域や活用事例、プライバシー上の懸念事項を紹介します。
2020-07-28
新型コロナウィルス感染症(COVID-19)が世界的に流行する現在、対面でのコミュニケーションは極端に制限され、オンライン会議やECサイトなどの非対面チャネルの活用に拍車がかかっています。これまでECサイトをあまり活用してこなかったユーザーは、至る所で商品を「おススメ」されることに驚いたかもしれません。この「おススメ」機能はレコメンデーションと呼ばれ、消費者(顧客)の購買意欲を大いにかき立てるものになっています。レコメンデーションの進化とそれに伴う弊害、今こそ企業に求められるレコメンデーションの在り方を解説します。
国内広告費のうち、インターネット広告費がテレビメディア広告費を超えたことは、記憶に新しいニュースです。※1インターネットが広告業界の主戦場となることで、企業には、従来のテレビに向けた広告とは異なるマーケティング手法が求められています。
テレビにおける広告は、不特定多数の消費者に向けた「マス・マーケティング」が主流でした。対照的にインターネット広告は、少数の特定消費者に対して広告を配信します。消費者の属性情報(年齢・性別など)、性格情報(趣味・嗜好など)、行動履歴(購入回数・ページ遷移履歴など)を分析し、ニーズに合致した消費者にアプローチすることで、広告に対する反応率(Conversion Rate:CVR)を高めることが可能となります。インターネット技術の発達によって、企業はこれら消費者の情報を容易に取得できるようになり、誰に何を「おススメ」すべきかという選択肢の幅が広がりました。このような背景から、現代においては「よりレコメンデーションが求められる時代」になったと言えます。
より効率的な「レコメンデーション」を行うためには、レコメンデーションの種類と手法に対する理解を深めることが重要です(図表2)。どのような情報をもとにレコメンデーションを実施するかを見定めることで、意味のある顧客の分類が可能になります。例えば、流通小売業のように商品数が多く、購入サイクルが短い商品を扱う企業においては、協調フィルタリング(顧客の行動履歴や、顧客と似た性格情報を持つ別の顧客の行動履歴からおススメを決める手法)に代表される「アイテムベース」でのレコメンデーションが適切であると考えられます。そのために、顧客の購買履歴に着目し、顧客が「何を買ったか」で分類する必要があることは自明でしょう。
また、レコメンデーションの精度を維持するためには、逐次レコメンデーションモデルの見直しを行う必要があります。一般に、作成したモデルは時間の経過と共に精度が劣化していくものと考えられています。なぜなら、環境や対象となる顧客自身が時間の経過によって変化していくためです。精度の高いレコメンデーションを維持するためには、継続してデータを収集し、モデルを改善し続ける「仕組み作り」が重要になります。
新しく、より適切なレコメンデーション技術に対応していくため。そして、過去に作成したレコメンデーションモデルが時間とともに劣化していくため。これらの理由から、企業は自社のレコメンデーション技術を日々改善、進化させていく必要があります。
ただ、レコメンデーション中に「嫌悪感」を抱く顧客がいることも忘れてはなりません。必要のないタイミングで商品をおススメされたり、まったく関心のない商品をおススメされたり、はたまた欲しい商品が当てられ自己の内面を覗かれているようで、逆にストレスを感じたという方もいらっしゃるかもしれません。レコメンデーションの目的は「顧客が商品やサービスを必要とするタイミングを当てる」ことではなく「実際に購買を促すこと」ですから、レコメンデーションが顧客の「嫌悪感」につながり、商品やサービスに対するネガティブな感情を抱かせてしまっては、逆効果になってしまいます。企業には、「放っておいてもらいたい」顧客に配慮することも求められます。
諸説ありますが、プライバシー保護の活動は「個人情報」「私的領域」「個人の自律」のそれぞれを対象に構成されます(図表3)。従来、特に法務や情報システムの業務領域では、個人データの適正利用や漏えい防止などの「個人情報」の保護に重点が置かれていました。一方、ユーザーサービスの充実や顧客ロイヤルティの向上という観点では、私生活へむやみに干渉しないという「私的領域」の保護、つまりは「放っておいてもらえる権利」への配慮とのバランスが重要になります。
特にレコメンデーションについては、(1)過度なアプローチを控える(2)私的情報に踏み込み過ぎないという2点が、サービス設計の中で検討すべき項目となります。
レコメンデーションにおいて検討すべき上記2つの課題に対して、企業は以下の対策を講じる必要があります。
インターネット技術の進化によって注目を集めるレコメンデーション。必要な時に必要な情報を届けてくれたり、顧客が気づいていなかった潜在的な購買意欲を引き出したりと、情報を発信する側と受け取る側の双方に恩恵をもたらしています。ですが、取得または提示可能な情報が増えたことにより、新たな弊害も生まれています。これからの時代に求められる真のレコメンデーションとは、企業がAI技術を駆使しながらプライバシーに配慮し、顧客が安心してサービスを利用できる「オモテナシのレコメンデーション」なのかもしれません。
このインサイトが、マーケティング施策における最適なレコメンデーションを検討する一助になれば幸いです。
※1 日本経済新聞, 「ネット広告費、テレビ抜く スマホ普及で動画好調」(2020年7月15日閲覧)
人材マネジメントに「ピープルアナリティクス」を活用するケースが増えてきています。特に活用が期待される領域や活用事例、プライバシー上の懸念事項を紹介します。
Society5.0を実現する上で、ユーザーのオンライン、オフラインの行動履歴に基づいてパーソナライズされた体験を提供することが鍵となります。この行動履歴を活用するにあたっての注意点を解説します。
企業におけるデジタルトランスフォーメーション(DX)の取り組みが加速するのに伴い、事業効率化・高度化に向けたデータ利活用が浸透してきています。本稿ではデータ利活用の新たな可能性としてのデータマネタイズ(データ外販)およびその課題に関して説明します。
ECサイトのレコメンデーションは、消費者の購買意欲を大いにかき立てるものになっています。レコメンデーションの進化とそれに伴う弊害、今こそ企業に求められるレコメンデーションの在り方を解説します。
DXとプライバシー保護を両立させる上で有用な「プライバシー・バイ・デザイン」の概念と、その実装方法を紹介します。
実臨床から収集した膨大な医療情報である「医療ビッグデータ」の利活用にあたっては、個人情報保護と研究倫理に関するそれぞれのルールに留意する必要があります。「サービスベンダーによる医療情報の外部提供」と「大学病院との人工知能(AI)の共同研究」の2つの想定事例を取り上げて、データ利活用の観点から法的問題点を解説します。
個人を信用スコアで格付けするサービス「信用スコアリング事業」が、日本でも近年広がりつつあります。同時に、公正取引委員会が、デジタル・プラットフォーム事業者に対する競争法の執行を活発化する姿勢を見せています。信用スコアリング事業を展開するにあたって留意するべき、独占禁止法の観点からの法的課題を考察します。
ビッグデータと人工知能(AI)を用いて個人の性向や属性などの推測を行う「プロファイリング」は、プライバシーの侵害につながる可能性があります。日本でも広がりつつある信用スコアリング事業を取り上げながら、日本における個人情報の取り扱いの法的課題について、個人情報保護法やプライバシーの観点から解説します。
プライバシーガバナンスは、プライバシー問題に関するリスクを適切に管理し、消費者やステークホルダーに対して責任を果たすことを指します。この見直しは、社会からの信頼を得るとともに企業価値の向上に寄与します。企業のプライバシーガバナンスへの取り組み状況として2社の事例をご紹介します。
2025年3月末より、IoTセキュリティ適合性評価及びラベリング制度(JC-STAR)の運用が開始されました。行政機関や地方公共団体、民間企業に向けてさまざまな政府機関が発行するガイダンスについて紹介、解説します。
マーケットでの競争が激化するなか、成功しているビジネスリーダーは、価値の創出には体験から得られるリターンが不可欠であると認識しています。本レポートでは、顧客と従業員の体験に焦点を当てて企業がとるべき対応策を解説するとともに、日本企業に向けた示唆を紹介します。
欧州におけるデジタル関連規制が急速に発展する中で、法令間の関係の適切な理解と効率的なコンプライアンス対応が課題となっています。金融セクターにおける「NIS2指令」と「DORA」への対応を事例として、課題へのアプローチを解説します。