人工知能の時代では、機械学習とAIアルゴリズムが「80/20ルール」を変えるだろう

[[186517]]

ハーバード・ビジネス・レビューは、機械学習と AI アルゴリズムの進歩により、私たちがよく知っている 80/20 ルールが変化しているというマイケル・シュラージ氏の記事を掲載しました。

[[186518]]

イタリアのエンジニアであり経済学者でもあるヴィルフレド・パレート

多くの高業績企業は、ビジネスに大きな影響を与えたイタリアのエンジニアであり経済学者でもあるヴィルフレド・パレートの「80/20 ルール」に大きな信頼を寄せています。

このルールは、結果 (売上、収益など) の 80% が貢献者 (製品、従業員など) の 20% からもたらされることを示しています。

現在、機械学習と AI アルゴリズムの革新により、パレート分析の実施方法が変わりつつあり、次世代のアルゴリズムがパレートパラダイムに大きな推進力を与えると信じています。

[[186519]]

AI と機械学習は、企業がパレートの法則を利用して収益を向上させる方法を 3 つの重要な方法で変化させます。

スマートパレート

まず、データの量が増え、データの多様性が高まると、アルゴリズムが十分なトレーニングを受けられるようになり、アルゴリズムがよりスマートになります。

たとえば、新しい職場分析では、より多くの企業が、どの 20% の従業員が製品、プロセス、またはユーザー エクスペリエンスに 80% の価値をもたらしているかをより簡単に特定できるようになります。ビジネス プロセス、プラットフォーム、顧客体験の継続的なデジタル化についても同様です。

どの 20% のプラットフォーム アップグレードが 80% の結果をもたらすのでしょうか?

顧客体験のどの 20% が、80% の喜びや嫌悪感を引き起こすのでしょうか?

同社の幹部は、アルゴリズムを利用してこれらのデータ関連の問題を解決したいと考えている。

スーパーパレート

第二に、従来の分配比率は破壊的な変化を遂げました。ビッグデータは、80/20 比率に固執することは経験的誤りである可能性があることを示しています。企業は、パレート比として 10/90、5/50、2/30、1/25 が考えられることにますます注目し始めています。データを異なる方法で分割、スライス、定義すると、パレート比が 1/50、5/75、10/150 になる場合があります。パレートが「重要な少数」と呼んだものは、今では「重要なごく少数」になっています。

この極端な分布は多くの業界で発生します。たとえば、アルコールの半分以上は、飲酒者の 10% 未満によって消費されています。さらに極端なことに、モバイル ゲームのアプリ内購入収益の半分は、ゲーム プレイヤーの 0.25% 未満から得られています。

しかし、スーパー パレートを明確に特定して受け入れるだけでは十分ではありません。市場シェアを獲得するには、これらの記述的統計を使用して予測を行う必要があります。言い換えれば、これらのデータセットは、インテリジェントなアルゴリズムの「トレーニング セット」に変換する必要があります。

企業は独自のパレート特性を決定する必要があります。つまり、アルゴリズムの観点から言えば、どのような小さな調整がビジネスに大きな影響を与えるかを把握する必要があります。マネージャーとデータ サイエンス チームは、より多くの質の高いデータだけでなく、極端なパレートの潜在性と可能性を考慮して作業する必要があります。

たとえば、2,000 を超える製品と数十億ユーロのポートフォリオを持つ産業機器会社では、わずか 4% 未満の製品が売上の 3 分の 1 と収益性の約半分を占めています。しかし、分析をサービスとメンテナンスにまで広げると、約 100 の製品が収益の 3 分の 2 以上を占めていることも明らかになりました。これにより、同社は価格設定とバンドル戦略を再考する必要に迫られた。

製品そのものだけでなく、製品の属性や機能に関するきめ細かいパレート分析を行うことで、さらに興味深い洞察が得られます。同社のエンジニアリング チームは、製品自体ではなく、ユーザーが望む機能と機能セットを中心に据えたデータ主導の再設計の結果、より価値のあるパレートの洞察をいくつか発見しました。たとえば、一部のターゲット機能がキャンセルされた後、製品コストが削減されただけでなく、ユーザーエクスペリエンスも向上しました。

組み合わせパレート

3 番目に、データがより細かくなり、アルゴリズムが複雑なパターンを処理するよりスマートな方法を学習するにつれて、パレートの管理方法も変化します。複数の異なるパレート分析をグループ化して、企業全体で使用することができます。以下では、「主要なパレート情報」を表すために略語 KPI を使用します。企業のKPIが曖昧に設計されている場合、将来の最適化や価値創造の機会を見出すことができません。

個々のプロセス所有者、製品マネージャー、および営業チームがこれまで独自のコア パレートの最適化に重点を置いていた場合は、今後は他者のパレートを調査して研究する必要があります。自分の部分に焦点を当てるのではなく、自分の部門のパレート図を企業全体で交差、重複、再編成できることを認識しています。

パレート図を再検討する最も確実な方法は、それを別のパレート図に関連付けることです。これまでは 12 個もの重要なパレート指標を個別に管理していた、豊富なデータとアルゴリズムに精通した企業が、今では数百、あるいは数千もの KPI を監視し始めており、イノベーションの機会を最大化する新しいパレート クラスターを発見しています。

したがって、連結されたパレート ネットワークは非常に強力な分析の視点を提供します。 KPI クラスターの 10% が、新規顧客、成長、収益性の 90% に貢献していますか? このアプローチをうまく活用するには、データ主導の部門横断的なコラボレーションと、社内のマネージャーが革新的になり、それらの「重要な少数の」要素を統合することが必要です。

いくつかの企業は、パレートクラスタリングを試して初期の成功を収めました。重要な点は、最良の結果は単一のモデルのパフォーマンスを向上させることからではなく、最良の機能が一緒に増幅されるクラスターを作成することから得られるということです。最も価値のあるクラスターを見つけるにはどうすればよいでしょうか? パレート分析を使用できます。

経験則の 1 つは、漸進的な結果を得る (そして競争で勝つ) ためには多くのモデルが有用であるということですが、実際には、慎重に選択された少数のモデルを使用して優れたシステムを構築できます。

明日の「重要な少数」の要素をより正確に予測し、企業全体の重要なパレートグループ化の機会を特定する能力は、企業の効率性を向上させるだけでなく、価値創造の決定的な要因にもなります。

アルゴリズムが賢くなるほど、企業はパレート分析を実行する必要が高まります。