テクノロジーへの支出を最適化してコストを抑制

適切な計画や指針を策定しないまま、「非効率なテクノロジースタックを回避しましょう」と呼びかけるだけでは、十分な対策を講じているとは言えません。非効率な箇所を特定・対処・分析する必要があります。Qlik がお役に立ちます。 

クラウドには、非効率な要素がつきものです。過剰なプロビジョニング、計画を下回る使用量、不適切な設定などが蔓延し、生産性を阻害する可能性があります。IT 環境全体で利用されているかどうかを問わず、非効率なデータツールは利用率に悪影響を与え、テクノロジー疲れを引き起こします。さらに、予期せぬデータ使用コストが発生し、予算を圧迫することがよくあります。   

プロアクティブなアプローチがなければ、データ施策は常にトラブルに直面したり、肥大化したりすることになり、予算削減や打ち切りの対象になりかねません。データリーダーは、問題領域を特定するだけでなく、それらの問題領域にどのように対処すべきか把握する必要があります。 

幸いにも、業界を問わず、あらゆる企業が調査すべき共通の領域がいくつかあります。次の「データリーダーのシナリオ」は、その好例です。

データツール自体が優れていても、断片化や重複が発生していれば、その価値を十分に引き出すことはできません。ツールを無秩序に増やすことは避けましょう。 

ある調査によると、従業員の 70% 近くが、複数のサイロ化したツールや情報を探すのに、週当たり 20 時間以上も費やしています。¹³ これは憂慮すべき事態です。これが、データツールの断片化の実態です。データチームが組織全体でテクノロジーにアクセスし、活用することが困難になっています。驚くべきことに、時間のかかる作業は、迅速な行動や情報に基づいたビジネス上の意思決定を妨げています。Georgia-Pacific 社のマーケティング部門は、それを痛感しています。さらに悪いことに、個人情報や機密データを扱っている場合、データの断片化は、コンプライアンスの問題が発生するリスクを高める可能性があります。 

また、データチームの 25% が、AI ツールの実装が既に困難になっていると報告しています。¹⁴ データツールの断片化は、作業の非効率化、重複コストの増加、AI 導入率の低下につながります。 

1. データ・分析の監査：目的が重複しているツールや、複数の部門で使用されているツールを探しましょう。こうした重複は、機能やプロジェクトの増加に伴い発生します。多くのチームでは、厳格なデータ品質管理体制や、どのツールがどのように使用されているのかを監視・管理するガバナンス体制が整っていません。監査を始めるには、どうすればよいでしょうか？ データリーダーのためのアドバイスをご覧ください。

2. 企業全体でデータ・分析ソリューションを活用：エンドツーエンドの可視性・拡張性により、レイクハウス・ウェアハウス・オープンレイクハウスに保存されている構造化データと非構造化データへのアクセスが容易になり、理解しやすくなります。さらに、単一のソリューションで部門横断的な機能を実現し、保守・ライセンス付与・統合にかかるコストを削減できます。その余剰資金を、人員補充や継続的なトレーニングへの投資など、他の領域に再配分できます。

次に、非効率なクラウドについて見ていきましょう。一般的には、リソースが過剰にプロビジョニングされている、リソースが十分に活用されていない、またはリソース構成が誤っている状態を指します。既存のリソースが十分に活用されていない、リソースが不足している、パフォーマンスを十分に発揮できていない場合、コストの増加・パフォーマンスの問題・セキュリティの脆弱性など、さまざまな問題が発生します。実際、2024年時点で、企業の 78% において、クラウド予算の割り当てが 75% 未満にとどまっています。¹⁵ つまり、積極的なクラウド管理施策を講じれば、他社の一歩先を行くことができます。 

特に注視すべき領域は、分析クエリのコストです。分析クエリは、ツールによって機能が異なる領域の一つです。一部のソリューションは、インメモリのクエリキャッシュやインデックス作成に対応しています。これにより、基盤となるデータウェアハウスに送信されるクエリ数を最小限に抑え、追加コストを回避できるだけでなく、クエリ実行速度・可用性・ユーザーエクスペリエンスの向上にもつながります。  

実際、データコストは増加の一途を辿っています。例えば、生成 AI クエリは大規模な計算能力を必要とするため、バックエンドインフラへの多額の投資が必要になります。生成 AI やエージェンティックモデルへの需要の増加を考慮すると、2027年までに、他の IT 関連プロジェクトよりもエネルギーコストが増加すると予想されます。¹⁶  

一部の組織では、パート 2 で説明したガバナンスポリシーに、エネルギーコストや、制御不能な支出を削減する手段を組み込んでいます。プラットフォームの各種機能（リアルタイム監視、使用状況の異常を検知する自動アラートなど）を使用すれば、定期的な監査に対応し、過剰な支出を回避できます。さらに、多くのデータベンダーは、ユーザーあたりの月額固定料金ではなく、リソースの使用量に応じて課金する料金体系を採用しています。従量課金制のプラットフォームを導入していない場合は、プラットフォームプロバイダーに相談してみましょう。無駄なコストを削減できる可能性があります。 

コストを犠牲にしてパフォーマンスを重視するのか、それともパフォーマンスを犠牲にしてコストを抑えるのか。データリーダーは、コスト管理が諸刃の剣であることを痛感しています。Qlik の答えは、「パフォーマンスもコストも妥協しない」です。  

AI は、高性能の計算を必要とします。しかし、多くの機械学習モデルは急速に劣化するため、コストのかかる再学習が必要になります。また、データの断片化によってストレージ容量が増大し、AI 対応データの準備が後回しになることがよくあります。 

企業は現在、迅速な対応とスマートな資金運用の両立を模索しています。これはコスト削減にとどまらず、適切な領域に投資し、チームがリソースを過剰に割り当てたり重複させたりしないようにすることが重要です。次の「データリーダーのシナリオ」では、Steinemann 社がこの課題にどのように取り組んでいるのかを紹介します。 

Steinemann 社と同様に、あらゆる規模の企業が競争力維持のために AI ツールを導入しています。それはつまり、支出が大幅に増加していることを意味します。AI ツール自体だけでなく、クラウドコストも上昇しています。 

クラウドプラットフォームは、AI モデルの実行、膨大なデータセットの保存、コンピューティング能力の迅速な向上に役立ちます。実験・拡張が迅速かつ容易になる一方で、月額料金が大幅に上昇する可能性があります。AI プロジェクトの規模が拡大するにつれて、優れた処理能力へのニーズも高まり、クラウドの使用容量（およびコスト）もそれに応じて増加する傾向があります。 

また、すべての情報を取り込んだら、AI に対応できるようにデータを整備する必要があります。Steinemann 社のように組み込み型ソリューションを導入しなければ、ソリューションはさらに断片化され、コストの増大につながる可能性があります。

理想的な環境では、AI モデルにどのようなデータセットを提供しても、適切なデータとそうでないデータを判別できるはずです。しかし残念ながら、（少なくとも現時点では）現実にはそうではありません。理想的な環境を実現するには、データが特定の基準を満たし、AI がデータをすぐに活用できる必要があります。そうすれば、作業時間を 50% 削減し、250 万米ドル相当の価値を得ることができます。¹⁸ パート 2 で述べたように、AI 対応とは、多様性・タイムリー性・正確性・セキュリティ・発見可能性・活用性に優れたデータを確保することを意味します。 

何時間もかけて、データのクリーニングや移動を手作業で行いたいという人はいないでしょう。ローコードやノーコードの AI 機能を備えたツールは、データの変換・重複排除・フォーマット設定といった、多くの煩雑な作業を処理できるので、チームはインサイト獲得に専念できます。また、ミスを減らし、あらゆる作業を高速化できます。 

誰もが時間を短縮したいと考えているもう一つの作業は、バッチ処理です。データを取り込んだら、すぐにインサイトを獲得できるようになることが理想です。Kafka や Kinesis などのストリーミングツールを使用している場合は、リアルタイムのデータ取り込みを設定することで、AI モデルは常に最新のデータを処理できるようになります。これにより、処理速度が向上し、余分なストレージ容量を削減できるだけでなく、チームはすばやく行動できるようになります。 

もう一つ重要なことは、データの無駄を全力で回避することです。誰もがすべてのデータにアクセスできる場合、データが重複し、ストレージコストだけでなく、クラウドデータウェアハウスへのクエリ実行時にコンピューティングコストが増加する可能性があります。ロールベースのアクセスを設定するといった簡単な手順を実行するだけで、整備されたデータ環境を維持できます。適切なチームに必要なデータを確実に提供することで、システム内に放置された未使用のデータや無関係なデータに、コストを費やす必要がなくなります。

コストを最適化するうえで重要なのは、継続的かつ頻繁に実行する必要があるということです。そうしなければ、コストを一度最適化したとしても、すぐに複雑になる恐れがあります。 

もう一つ特筆すべきことは、この戦略は財務面だけに焦点を当てているわけではないということです。拡張性と成長の観点から、持続可能なビジネスモデルを構築することが重要です。確固たる計画がなければ、データや AI の非効率な作業を助長する、目に見えない要因を特定・理解・対処することが困難になります。 

最後の「データリーダーのシナリオ」では、持続可能なコスト戦略を策定することの価値が、明確に示されています。 

AI ワークロードは、常にリソースを消費します。注意深く監視しなければ、対策を講じる暇もなく、モデルが予算を使い果たしてしまう可能性があります。多くのチームは、問題解決のために過剰なコンピューティングリソースを投入する、必要以上に頻繁にモデルを再トレーニングする、といった状況に陥り、「本当にそれだけの価値があるのか？」と自問自答する時間さえありません。これは、渋滞中にスポーツカーのエンジンをふかしているようなものです。派手な演出ではあるものの、決して効率的とは言えません。 

使用量にかかわらず固定料金を支払うサブスクリプションモデルではなく、柔軟な価格設定モデルとコスト追跡を活用しましょう。使用量ベースの価格設定は比較的新しい料金体系であり、使用した分だけ料金を支払うことを望む組織に支持されています。リスクを増やすことなく、拡張性などの柔軟性を大幅に向上できることを考えると、人気があるのも当然であると言えます。 

データサイロも、コスト増加の大きな要因の一つです。データパイプラインとデータ分析ツールを同期していないと、処理が煩雑になります。同じデータを必要以上に移動する、クエリを繰り返し実行する、知らないうちにシャドー IT コストが増加している、といった事態に陥ることになります。こうした断片化によって実際のコストを把握することが難しくなると、オーバーヘッドの管理はさらに困難になります。 

既存のツールを、単一の AI 主導型プラットフォームに統合することを検討しましょう。このプラットフォームを活用すれば、リアルタイムのダッシュボードを作成し、データの使用量・支出を追跡しながら、貴重な予算を浪費する前に異常なコストを検知できるようになります。次に、さまざまな部門を横断して、コストが増大する前に不明な支出や予期せぬ支出を検知し、企業全体で効率化のヒントを見つけ出すのに役立つアプリケーションを開発しましょう。  

実際には、テクノロジー予算はあらゆる部門に分散しています。例えば、多くの予算がマーケティング部門に割り振られる一方で、IT 部門や人事部門にも一部の予算が割り当てられているかもしれません。これらすべてが積み重なると、膨大な金額になります。明確なリーダーシップがなければ、無秩序な状態に陥ることになるでしょう。チームは無作為に投資を行い、支出額を把握するのは極めて困難になります。 

チャンスはすぐそこにあります。AI・クラウドの取り組みがビジネス目標と合致していることを確認し、チャンスを掴むことが重要です。プロジェクトの関係者全員が、AI 開発とクラウド導入に伴うコスト（ストレージ・ソフトウェア・データ移動・運用）など、関連する費用を十分に理解している必要があります。コスト削減・収益増加・その他の KPI と比較して、これらの費用を定量化できるかどうかも確認しましょう。

油断は禁物です。油断すれば、データ利用者（関係者全員）が、予算を無秩序に浪費する恐れがあります。最悪の場合、収益性や生産性に悪影響を与え、経営陣を含む企業全体の評判が失墜する可能性があります。 

しかし、心配は無用です。データ・統合・AI に関する取り組みの成果を最大化するには、非効率な作業を排除するための、綿密に練り上げられた計画が必要です。Qlik が全力でサポートします。自信を持って一歩を踏み出しましょう。