2020年5月28日(木)開催 FINANCE FORUM 金融機関に求められるデータ利活用の実践＜アフターレポート＞

▼イベントのサイトを見る


金融機関に求められるデータ利活用の実践

顧客のグローバル化を支える
「計数標準化」の取り組みについて
～邦銀初の管理会計ＭＤＭ
（マスターデータマネジメント）事例～

基調講演

【講演者】

株式会社三井住友銀行
データマネジメント部
部長

宇賀神　清徳　氏

MIS(経営情報システム)が誕生したのは80年代で、情報系ホストと呼ばれ、経営管理や支店業績の推進に活用された。レガシイな情報系ホストの陳腐化、顧客のグローバル化による海外取引の増大などの結果、古い国内情報系ホストは役割を終えた。現在、信用リスクや、海外業務計数、マスリテールの計数など、顧客価値の向上や資本の効率性を目的とした、新MISが必要とされている。

MISの意義は、お客様の見える化、ビジネスリレーションの見える化、従業員の働く姿の見える化の3点だ。21世紀以降、銀行の業務環境は大きく変貌を遂げた。収益や業容・規模を重視から、顧客価値や資本効率性を重視する経営への変化だ。この変革がもたらした、基幹系情報系ホストの陳腐化により、計数担当者の負担は増大し、ブラックボックス化・維持コスト増大などの問題が発生。そこで、業務環境の変化に柔軟に対応可能で、かつ品質の高い、計数情報を排出可能な、新たなMIS基盤の導入が決定された。

情報系システムの高度化について、弊行での取り組みを2点お話しする。まず1点目は計数標準化で、事業部門・プロダクトごとに管理された計数情報を全社的に集約し、標準的な体系化で整理、品質を維持してデータを提供するソリューションだ。膨大な数の業務によってマスターデータは部分最適化が進み、横串での管理が困難な状況で、必要なデータの埋没・統制の実効性が不明確といった課題がある。「これを見ればいい」というデータベースが求められている状況だ。

計数標準化のグランドデザインに関して、まずファクトをベースにして素データを収集するのが1つめのポイントだ。素データは計数化され、基礎データとなる。ここから計数要素を取り出し、体系化コードを振ってBS/PLの形式で格納する。すべての計数要素は残高または損益で説明可能だ。例えばリスクアセットは残高、信用コストであれば損益といったように分類し、大きなBS/PLの箱の中に部品番号を付けて格納するイメージだ。この部品を取り出して、レゴブロックのように組み合わせ、業務の目的に応じたデータマート、を組み上げる。この三段階の構造により、計数情報は柔軟になり、環境変化への対応が可能になる。

もう1つの取り組みは顧客軸情報の整備だ。従来、銀行の管理会計は縦割りの部門軸だった。しかしグローバル化により、部門をまたがる展開がなされている。顧客のビジネスに基づき、多様な顧客リレーション定義を集約・マスタ化し、顧客軸情報による管理が必要だ。顧客軸データの整備のため、伝統的な部門軸データに加え、母社グループを起点とした、幅広かつ事業部門横断的な顧客軸のデータの整備に着手。また、従来の顧客リレーション管理では資本関係がメインであったが、SPC・商流・リテール取引なども含めるよう、リレーション定義を拡大した。

プロジェクト運営に関して、管理会計を支えてきた計数担当者を結集した。事業部門横断的に計数標準化のワーキンググループを結成し、短期間で「ひらめき」を「かたち」に変える体制を構築。ユーザープログラムの移行、新旧計数の突合といった課題に取り組んだ。

プロジェクトの成果として、取引別全量データ集約、計数定義の体系化、ヒューマンプロセスの排除などにより、経営インフラの高度化を達成。メガバンク発の、管理会計におけるマスターデータマネジメントを実現した。顧客軸の計数が見える化されることにより、本社と拠点間の連携の活性化も期待される。この新たなMIS情報は、グローバルCRMとして展開していくことを予定している。

顧客洞察を起点とした
“ハイブリッド”な金融マーケティングの実践

【講演者】

SAS Institute Japan株式会社
Customer Intelligence
ソリューショングループ　マネージャー

小宮　丈史　氏

SAS Instituteは国内外で80,000を超えるユーザー企業があり、アナリティクスをコア事業とするグローバルカンパニーである。多くの国内金融機関においても、SASをご採用いただいている。SASというと分析ツールの会社とイメージが強いと思われますが、実はマーケティングオートメーションといわれるマーケティング実行系プラットホームとしても外部調査機関からリーダー評価をいただいている。

現在、CX(顧客体験価値)が競争優位に直結することは、いくつもの調査で明らかになっている。顧客側も価格要素だけではなく、優れたパーソナル提案を求めている。CX実現のポイント「チャネルのカバレッジ」「カスタマージャーニーに応じたパーソナライゼーション」「顧客データ管理と洞察」だ。この3つのバランスが非常に重要となる。例えば1つが欠けてしまうと他の2つも本来の役割を果たさなくなってしまう。CX実現の仕組みを現在検討されている方には、今の仕組みの強み・弱み、3つの要素のバランスを評価することを推奨したい。

こうした取り組みを実現するため、Customer Data Platform、AIなどの
新しいテクノロジーがクラウドサー
ビスとして国内外で生まれ続けている。クラウド型のMAツールを導入、または導入を検討している企業も多いだろう。ただこうしたクラウドサービスの多くは、特に金融機関向けに作成されてはおらず、金融機関ならではの課題がある。クラウド活用で厳しいデータセキュリティが求められること、デジタル活用では高いカスタマイズ性が必要なこと、アナリティクス活用においては人材含めたリソース不足などが課題となっている。こうした3つの観点の課題について１つのアプローチではなく、複数のアプローチを組み合わせて金融機関ならではの課題を解決する方法や事例を紹介する。

まずクラウド活用では金融セキュリティ要件によりクラウドに顧客データをアップするためのデータサマリ化処理によって顧客の情報量は著しく減少してしまう。減少により、特にリアル取引起点のシナリオ実行や効果検証ができなくなる。この解決には、パブリッククラウド環境に加え、プライベートの「顧客DB」および「マーケティングデータハブ」との併用が推奨される。

デジタル活用に関して、日本ではデジタルと対面のハイブリッドな取引
を選好する傾向が高いが、店舗相談よりもオンライン相談を望む傾向が見られる。大手銀行様での店舗数削減やコロナ禍といった要因もあり、オンライン相談の流れは加速している。顧客指向のサービス実現のためには、デジタル・AIアドバイザー・オンライン相談(人)の併用が鍵となる。AIアドバイザーとは一般的なMAツールでは実現できない顧客一人別のきめ細かい商品カスタマイズ提案をオンライン上で実現する仕組みで、「機械学習モデル」と「ビジネスルール」を組み合わせた意思決定ロジックをデジタル上からAPIコールする形で利用する。

アナリティクス活用に関して一般的なMAツールでは、デジタル/リアル横断の「効果検証」は困難だ。効果検証ではデータ準備の負荷が大きく、改善プロセスが回らない原因となる。効果検証はパターン化と自動化による効率化が重要だ。効率化することで、AIツール活用の余裕ができ、顧客洞察も高度化できる。マーケティング改善プロセスの実現には、MAやAIに加え、各ツール間のデータ連携と効果検証の効率化を実現する「マーケティングデータハブ」との併用を推奨する。

SASはパブリック環境MAツールとプライベート環境のマーケティングデータハブを1製品に統合した。このハイブリッド型クラウドMAは、三菱UFJ銀行様にもご採用頂いている。　

業務へのAI活用、
そのためにまず最初にやるべき事とは？

【講演者】

株式会社セゾン情報システムズ
テクノベーションセンター 先端技術部
DX Initiative　DataRobot Japan
パートナー データ サイエンティスト

木村　裕之　氏

AIにはさまざまな定義があるが、広い意味の定義としては、言語の理解や推論、問題解決などの知的行動をコンピューターに実行させる技術のことだ。AIには機械学習やDeep Learningも含まれ、機械学習は過去データからパターンを学習し、未知のデータに対する予測もおこなう。Deep Learningは機械学習のアルゴリズムの一種で、画像・音楽・動画・言語といった創造分野で力を発揮する。本セッションでは機械学習の活用を中心にお話しする。

機械学習には、分類と回帰の2つの機能がある。機械学習を活用するための手順としては、まず過去データを学習させてモデルを作成することから始まる。過去データを集約・加工して行列データにし、予測したいターゲット項目を1つだけ決定し、コンピューターに学習させる。学習が進むとモデルは正解率が上がっていくので出来上がったらモデルを評価する。

次に作ったモデルを活用できるようにデプロイする。デプロイとは、作成されたモデルを未知のデータに対して利用可能にすることだ。予測データを受け取り、予測結果を返せるように、作成したモデルをサーバなどにデプロイし、API連携の設定などをする必要がある。

続いて、デプロイしたモデルに予測データを投入する。予測データは学習データと同様のレイアウトにする必要がある。最後のステップとして、モデルから予測データに対する予測結果を受け取り、他のシステムへの連携や、人の意思決定の補助として使う。以上が機械学習の流れであり、各作業は弊社商品のDataSpiderとDataRobot JapanのDataRobotを組み合わせることで、丸ごと自動化できる。

ただし、AI活用はビジネス課題の設定から始めることが重要だ。ビジネス課題を念頭に置くことで、利益やコストを意識した課題解決ができるので、実際のアクションにもつなげやすくなる。

ここから弊社の事例をお話しする。「HULFT8」24時間テクニカルサポート契約を推奨するというビジネス課題である。通常契約ではなく24時間を契約しそうな顧客を予測し、ターゲットマーケティングを行なうのが狙いだ。想定インパクトがコストを上回ると考えられたので、モデル開発のゴーサインが出て、ビジネス課題設定は完了した。

次にデータソースの準備だ。学習用データは過去履歴を含む保守契約情報、会社情報とテクニカルサポート実績も加えた。この時点で複数のデータソースの取り扱い、データの
行列化といった課題が発生するが、
ここでDataSpiderを活用した。これは異なるシステムのデータやアプリケーションをノンプログラミングでつなぐEAIツールだ。ドラッグ&ドロップによるGUI操作で各システムを連携可能にする。キーによるデータ結合や、必要な項目だけ使用するような抽出・加工も可能だ。

行列データが出来たら次にDataRobotの出番となる。機械学習を自動化するプラットフォームだ。学習データファイルをドラッグ&ドロップし、ターゲットを設定する。後は開始ボタンを押せば、ターゲット予測用機械学習モデルが完成となる。作成された複数のモデルについて、課題に最適なものはどれかを評価する。使いたいモデルが決まったら、ワンクリックでモデルをデプロイできる。これで学習パイプラインが完成となる。

続いて予測パイプラインの作成に入る。まずはデータレイアウトの検討である。機械学習の予測結果だけではアクションを取るには不十分な場合、通常はプログラミングによる項目追加が必要だが、DataSpiderがあればデータ追加も簡単だ。これらの連携によりデータの準備やモデルの作成といった一連の工程が、すべてノンプログラミングで実現可能となる。

他業界でのDXパターンは
金融業界にどう展開できるか

【講演者】

トレジャーデータ株式会社
エバンジェリスト

若原　強　氏

顧客行動のオンラインへのシフトは、業界横断で見られる現象であり、金融業界も例外ではない。弊社はオンラインシフトが進む状況で、データ活用を通じてお客様の収益向上に貢献してきた。データ活用にはパターンがあり、今回は金融業界にも適用できるパターンについて説明する。

弊社は2011年にシリコンバレーで創業し、2018年8月からイギリスArm傘下となった。500社近い企業様にサービスをご利用いただいている。弊社が提供しているのはArm Treasure Data CDP(Customer Data Platform)で、SaaS型で提供している。CDPはデータを貯める箱と説明することも多いが、その導入が企業にもたらすメリットについて、株式会社SUBARU様の事例を通じて紹介する。

SUBARU様では、多様な顧客接点で得られるデータを顧客理解に活用したいという背景があった。具体的には広告/販促、自社製品サイト、自社店舗検索サイト、ディーラー、CRMなど。しかし散在するデータを一元化することには様々な困難が伴うので、Arm Treasure Data CDPを利用頂いた。弊社のCDPは散在した大量データの統合に長け、統合したデータを分析したりマーケティングツールと連
携させたりすることもできる。

この結果、顧客ごとにオンライン/オフライン含めた全ての購買関連行動が結びつき、顧客がたどった旅路＝カスタマージャーニーを全て明らかにできた。さらに、その中で実際に成約に至った顧客の旅路を教師データとして機械学習させ、新たな顧客の購買見込みを精度高く予測。その見込みを販売店に送ることで、接客の最適化や成約率の向上につなげた。
つまりCDP導入のメリットは、データの統合を加速し、顧客理解を深める。限られた情報ではなく、多様なデータによる顧客の理解が深まることで、事業がさらに強くなるということである。

次に、CDP導⼊事例からみる、⾦融業界でのデータ活⽤パターンについて説明しよう。

パターンを考えるうえでの前提として、購買検討時にさまざまな顧客接点があること、契約ベースで定期支払があることの2点に当てはまるビジネスが対象だ。例えば保険商品、クレジットカードの会員費用、住宅ローンなどが該当する。具体的なデータ活用パターンとしては次の3つが挙げられる。

1つ目の活用パターンは契約獲得支援で、契約前の顧客のデータを連携・活用し、顧客理解を深めることで契約獲得をサポートする。金融業界にも、カスタマージャーニーの分析、資料請求・相談窓口・契約への誘導最適化で適用できるだろう。

2つ目の活用パターンは追加や見直しの提案支援だ。契約後の顧客接点データを活用し、ニーズやライフステージ変化に応じて提案する。金融業界では、保険や住宅ローン契約者のライフステージ変化に対応した追加や見直し提案で活用できるのではないかと考える。

3つ目の活用パターンは解約防止支援。実際に解約に至った顧客の旅路を分析することで、現顧客の解約見込みを予測し、解約見込みが高い顧客へのポイント付与、キャンペーン実施などの抑止策実施をサポートする。

総括として、金融業界においてもArm Treasure Data CDPの導⼊により、⼤量のデータを迅速に活⽤できる。様々なフェーズで顧客を深く理解したうえで、顧客に適切に寄り添う価値提供が可能となる。加えて、データを基にした顧客接点の再構成や新商品開発にまでも発展しうる可能性も生まれてくる。

金融の枠を超えた
異業種データ連携の挑戦

特別講演

【講演者】

株式会社みずほフィナンシャルグループ
兼　株式会社Blue Lab
アドバイザリーボード

大久保　光伸　氏

まず始めに、外部環境変化から読み解くデータの利活用として、PEST分析について説明をする。弊社のチームでは従来1年に1回、PEST分析を見直していたが、昨今では環境変化の速度がさらに増加しているため、半期・四半期に一回の見直しを行っている。

PEST分析のP(政治)の領域では、政府のIT戦略また、新型コロナウイルス感染症対策として経済団体からの規制・制度の見直し要望などがトピックである。

E(経済)分野のトピックとして、個人資産管理サービスのマネーツリー様によるトレンド調査のデータがある。金融データを分析することで、人々の行動の変化を察知する。そして、次のアクションにつなげることで、ビジネス機会への創出の有用な手段となる。

S(社会)の分野では、諸外国のパーソナルデータの利活用、接触確認アプリ「まもりあいJAPAN」の誕生といった動きが見られる。

最後のT(技術)のトピックとして、ClBA(シーバ)がある。スマートフォンを活用し、ユーザー体験を向上させることができる新たな認証・認可プロトコルであり、社会情勢に即したサービス提供がすでに始まっている。

ここから、PEST分析を活用したビ
ジネス開発事例についてお話しする。まず市場動向調査として、先進的製品やプレイヤーを整理する。その結果から将来トレンドを予測し、方向性の仮説を検討する。

具体的なAPI活用による新規ビジネス創出として、製品への支払いモジュール組込、企業間支払いの柔軟化、継続課金など、IoTを中心に、データ利活用によるサービス実現が可能と考えている。企業間支払いの柔軟化に関して、サプライチェーン上で発生する決済をつなぐ。都度決済やネッティングによる効率化を実現し、ブロックチェーン活用などの可能性も存在する。

既存にないビジネスモデルの構築では、省庁横断型の規制のサンドボックス制度が重要だ。期間や場所、参加者等を限定し、リスクを特定した上で本番試行を行い、ネックとなる制度やガイドラインについての整備を支援するものである。

ここでサーキュラーエコノミーについて紹介する。消費された経済を再利用し続けることで、資源制約から脱却した経済成長を実現する新たな経済モデルである。みずほリースでも、第6次中期経営計画では、シェアリングエコノミーやサブスクリプションモデルへの対応について言及している。

当社グループでは、「オープン&コネクト」を掲げており、異業種連携によるオープンイノベーションに挑戦をしている。デジタルイノベーションによる既存業務の拡張として、認証・スコアリング・プライシングがあげられる。具体的な実現方法として、我々のチームではIoT決済プラットフォームを使ったビジネス開発等を進めている。

2017年9月には、SoftBank様との連携で、AIスコア・レンディングを開始した。また、スコアリング情報を提携企業と連携することで、ユーザーにフィットした情報の提供を開始している。

試行段階ではあるが、マネーツリー様との共同開発により，金融データや支出・収入と言ったインプット情報から、利用者の金融情報パターンや消費行動パターンなどをアウトプットする仕組みについて実証実験をおこなった。

クロスインダストリのビジネス開発では、金融をマイクロサービスと捉え、FinTechと他のTechとの掛け合わせが重要だ。