フィンテック企業がデータを活用して高い投資収益率を実現する方法

フィンテック分野におけるマーケティング活動からの投資収益率（ROI）を高めるには、統合されたデータによる強固な基盤が不可欠です。写真提供：ゲッティイメージズ

Marketing EvolutionのCEO、スティーブン・ウィリアムズ氏は、人工知能（AI）の取り組みを拡大しつつ、測定可能なパフォーマンスの向上を実現しようとするフィンテック企業にとって、統合データがなぜ不可欠な要素であるかを解説する。

ウィリアムズ氏は、金融サービス業界を変革する2つの主要な潮流――AI技術の急速な進歩と、規制環境下におけるデータ駆動型マーケティング戦略の複雑化――が交差する領域で活躍している。

エンジニアからマーケティング・エボリューションのCEOへと昇進した彼の、現代的なマーケティングインフラの開発におけるキャリア経験は、ますます細分化が進む業界環境において、フィンテック企業がパフォーマンス指標をより深く理解できるよう支援する彼のアプローチの基盤となっている。

Marketing Evolutionは、本質的に、組織が生データを実用的な知見へと変革できるよう支援することに注力している。同社の「Marketing Performance Substrate」は、ばらばらなデータソースを統合し、マーケティングインサイトを得るための統一されたフレームワークを構築する。これにより、データの欠落を補完し、因果分析機能を組み込み、パフォーマンスデータを継続的に更新することで、人間のチームとAIシステムの双方が利用できる信頼性の高い記録システムを構築する。

AIモデルがますます標準化される中、ウィリアムズ氏は、フィンテック企業にとって真の差別化要因は、モデル自体の高度さではなく、その基盤となるデータインフラの強さにあると主張する。この区別は、厳格なプライバシー、ガバナンス、コンプライアンス要件がデータの活用方法に大きな制約を課すフィンテック業界において、特に重要である。 さらに、口座開設から与信取得に至るまでのカスタマージャーニーは、通常、非線形であり、長期間にわたり複数のチャネル、ステークホルダー、タッチポイントが関与します。

マーケティング・エボリューション社 CEO、スティーブン・ウィリアムズ

マーケティング・エボリューションは、データを匿名化し、確率論的手法を用いてカスタマージャーニーを再構築することで、金融機関がマーケティング活動がビジネス成果にどのように寄与しているかを、コンプライアンスに準拠した形でより明確に把握できるようにし、業界で最も複雑な測定課題の一つに待望の透明性をもたらしています。

ここでは、ウィリアムズ氏が、AIモデルではなくデータこそが、人工知能（AI）イニシアチブの成否を左右する重要な要素になりつつある理由を解説し、フィンテック企業が戦略的目標と実際の実行とのギャップをどのように埋めることができるかを概説します。

マーケティングの進展がインフラ整備のペースを上回った場合、こうした格差は規制の厳しい金融サービス業界のCMOにどのような影響を与えるのでしょうか？

まずは、今日の組織が直面しているより広範な課題を検討してみましょう。あらゆる業界や役職において、人工知能を活用して業務効率を高め、コストを削減し、新たな価値の源泉を見出すよう求める圧力が強まっています。しかし、この圧力はCMOにとって特に強いものです。なぜなら、彼らの責任範囲は時間の経過とともに大きく変化してきたからです。

今日、CMOにはブランド管理だけでなく、収益の拡大や事業全体の業績向上についても責任が問われています。同時に、AIソリューションを迅速に導入し、明確な投資対効果（ROI）を示し、ますます細分化が進むシステムやデータソースを横断して意思決定を行うことが求められています。

規制の厳しい金融サービス業界では、顧客の購買プロセスが長期に及ぶこと、関与するステークホルダーが多数存在すること、厳格なコンプライアンス要件、そしてデータ上の大きな制約といった要因により、この課題はさらに困難なものとなります。

事業運営を正確に反映した統一された環境を構築することこそが、最終的にAIを効果的に活用することを可能にします。こうした基盤が整えば、組織はOpenAI、Anthropic、Googleなどの企業が提供するモデルを、この統合されたデータの上に重ね合わせることで、既存の情報源から価値を引き出すことができます。

私は次のように説明しています。あらゆる企業、特に金融サービス業界の企業は、膨大な量の貴重なデータを保有しています。しかし、そのデータが価値を生み出すには、まず整理、精製、構造化、そして文脈化が行われなければなりません。

もう一つの課題は、多くの組織の間で、「AI導入において失敗することよりも、導入に遅れをとることの方が大きなリスクである」という認識が広まっていることです。この考え方は、基盤となるデータインフラがまだ完全に整備されていない場合でも、迅速に行動しなければならないという多大なプレッシャーを生み出しています。

人工知能は初期段階では一定のメリットをもたらすかもしれませんが、その活用を支える適切なインフラが整っていなければ、組織が得られる利益は次第に減少していくでしょう。

統合されたデータ環境は、人工知能を有意義に活用するための不可欠な基盤となります。提供：Getty Images

「仲介のギャップ」は、銀行・保険業界のマーケターのアトリビューション活動にどのようなコストを強いているのか？

これに伴うコストは甚大ですが、軽減することは可能です。結局のところ、マーケターは測定可能なものしか最適化できないからです。その結果、適切にアトリビューションできない領域、特にコンバージョンが発生するはるか以前に行われる初期段階のブランド活動やファネルの上流におけるマーケティング活動に、過剰な投資をしてしまうことがよくあります。

この課題は、コンバージョンがブローカー、支店、アドバイザー、プラットフォーム、その他の下流のステークホルダーといった仲介業者によって頻繁に処理される金融サービス業界において、特に顕著です。マーケティングが需要を牽引しているにもかかわらず、実際の取引はシステム内の別の場所で記録されることがよくあります。

その結果、アトリビューションの慣行では、需要を生み出した主体ではなく、取引に最も近い主体に功績が帰される傾向があります。これは長年にわたる測定上の課題であり、顧客のジャーニーが長く、断片的で、複数のステークホルダーに分散している業界では、その深刻さが増します。

「今日、CMOはブランドだけでなく、収益や業績についても責任を負っています」— マーケティング・エボリューション社 CEO、スティーブン・ウィリアムズ

この問題に対処するには、事業運営を正確に反映した統一されたデータセットに、関連するすべての情報を統合する必要があります。こうした顧客の購買経路を再構築できれば、マーケターは、ブランドへの投資、メディア露出、仲介業者との関係が、下流のコンバージョン成果にどのように影響するかを理解し始めることができます。

例えば、当社は米国最大級の損害保険会社の1社と協業したことがある。この企業は全国ブランドレベルで多額の投資を行っており、その取り組みから良好な成果を上げていた。しかし、従来は、地元の代理店もマーケティングリソースを投入し、最終的に契約を成立させる保険契約締結段階において、こうしたブランド施策と実際の業績を結びつけることに苦戦していた。

代理店と保険会社の関係は、コンバージョンプロセスにおいて重要な役割を果たすため、極めて重要です。当社がこの企業を支援したのは、全国規模のブランド支出が、そうした下流のコンバージョンにどのような影響を与えているかを明らかにすることでした。

現在では、同社が主要なスポーツスポンサーシップや全国規模の広告キャンペーンなどの取り組みに投資する際、その投資がシステムを通じてどのように流れ、テネシー州メンフィスをはじめとする全米各地の地域代理店レベルで測定可能な成約にどのように寄与しているかを追跡できるようになりました。

なぜマーケティングシステムにおいて、人工知能はデータの質を向上させるどころか、むしろ質の低いデータを増幅させてしまう傾向があるのでしょうか？

この問題はマーケティング・スタックに限定されたものではありません。人工知能は、あらゆる分野において質の低いデータの質をさらに悪化させてしまうのです。

AIシステムがどれほど高度に見えても、正確なインサイトを生成するには、最終的には基盤となるデータの品質と構造に依存しています。そして、特にマーケティングデータの品質は、往々にして非常に低いものです。

その主な理由は、マーケティングデータが複数の異なるソースから得られていることです。マーケティングデータの単一のソースは存在せず、Google Analytics、Meta、Nielsen、Lamarの屋外広告、その他数十のプロバイダーといったプラットフォームから生成されています。これらのソースはすべて、それぞれ異なる形式や特性を持つデータを生成します。

さらに、このデータの粒度や完全性は大きく異なります。また、ファーストパーティデータとも統合する必要がありますが、このファーストパーティデータも広告主ごとに異なり、メールリスト、ダイレクトメールの記録、コンバージョンデータ、ウェブトラフィック情報などが含まれます。

その結果、マーケティングデータを全体として見た場合、すぐに利用できる一貫性のある単一のデータセットは存在しません。その代わりに、多くの断片化されたデータセットが存在し、それらは特定の領域において不完全であったり、データがまばらであったりすることがよくあります。これらのデータセットの中には、全国レベルをカバーするものもあれば、郵便番号区域をカバーするもの、さらにはDMA（放送市場）エリアをカバーするものもあります。

従来、この状況により、データエンジニアは特定の分析のためにその場しのぎでデータを処理するため、カスタムシステムの構築、クエリの作成、あるいはPythonスクリプトの作成に多大な時間を費やさざるを得ませんでした。

しかし、そのデータを統一的な構造に整え、粒度の不整合を解消し、サイロ化されたシステム間で統合することができれば、状況は劇的に変わります。

私たちは、こうした構造的な障壁を取り払い、異なるデータソースを単一のフレームワークの下で統合し、Amazon Ads、Google、Meta、CTV、リニアテレビ、屋外広告といったチャネルからの情報を、すべて一貫したフォーマットと構造を用いて提示することができます。これにより、「リンゴとオレンジ」や「リンゴとスイカ」を比較するような不適切な比較ではなく、有意義な比較が可能になります。

組織にはすでに、顧客データプラットフォーム（CDP）による顧客情報の記録システム、デジタルアセット管理（DAM）システムによるコンテンツ管理、マーケティングアクティビティプラットフォーム（MAP）によるキャンペーン実行管理といったシステムが存在しますが、マーケティングパフォーマンスの追跡に相当するシステムは存在しません。これこそが、Marketing Evolutionが解決を目指してきた課題です。

データは存在し、ツールも利用可能で、分析能力も備わっています。また、人工知能（AI）は、誤解を招くシグナルを増幅させるのではなく、市場の動向や事業運営に関する正確な洞察を提供することができます。

結局のところ、モデルの開発、分析の実施、そして人工知能の活用にあたっては、データ中心のアプローチを維持しなければなりません。モデルは今後も急速に進化し、時間の経過とともに頻繁に変化していくでしょう。

これは根本的に、モデル設計ではなくデータインフラストラクチャに関連する問題です。要は、適切なデータインフラストラクチャを構築し、そのインフラストラクチャに適切なデータを投入し、ビジネスの運営方法に合わせて文脈化することにかかっています。

データ層が適切に実装されなければ、CMOは長年にわたり不正確なインサイトに悩まされ続け、CFOは説明のつかない支出パターンに直面することになるでしょう。このデータ層をできるだけ迅速に適切に構築することが極めて重要です。

マーケティング・エボリューション CEO スティーブン・ウィリアムズ

経営幹部の71％が自社はAI導入の準備ができていると信じている一方で、実際に準備ができているのはわずか37％に過ぎない――この「準備状況のギャップ」は、具体的に何を指しているのでしょうか？

多くのビジネスリーダー――かつての私自身も含めて――は、ある単純な基準に頼っていると思います。つまり、「人工知能ツールが使用されていれば、その組織はAI導入の準備が整っていると見なすべきだ」というものです。しかし、実際にはそうなることはめったにありません。

データ構造、データの整合性、統合、アクセス性、ガバナンスなど、人工知能やエージェント型ワークフォースを成功裏に導入するために実際に必要な条件を検証すると、この仮定はすぐに崩れ去ります。

このギャップをより深く理解するため、CMO、副社長、ディレクター、シニアマネージャーを含むマーケティング部門の上級幹部を対象に調査を実施したところ、71％が自社はAI導入準備が整っていると認識していることが判明しました。

しかし、真のAI導入準備態勢に必要な基礎的なデータ要件が実際に満たされているかを評価したところ、その基準を満たしていたのはわずか37％にとどまりました。

これは大きなギャップを示しています。さらに驚くべきことは、調査対象のリーダーのうち、AIのパフォーマンスにおいて一貫した改善が見られたと報告したのはわずか3％に過ぎなかったという事実です。

実際には、多くの組織が、強固なデータ基盤を欠いているために、AIへの取り組みにおいて非常に早い段階で頭打ちになっています。AIシステムが、断片化したシステム、連携していないデータソース、一貫性のない構造を統合せざるを得ない状況では、問題の複雑さが劇的に増大し、結果の精度低下、誤った結論、エラーの頻発につながります。

AI導入に向けた基礎的なデータ要件を満たしている組織は、そのような基盤を持たない組織に比べて、約2倍のパフォーマンス成果を達成しています。AIから真の価値を引き出すためには、データ層を適切に構築することが不可欠です。特に、これらの技術のコストが高騰し、組織が低コストで無期限に実験を続ける余裕がなくなっている現在においては、なおさらです。

『Marketing Evolution』の主要な数値

• マーケティング部門の上級幹部の71％が、自社はAI導入の準備が整っていると認識している
• AI導入準備に必要な基礎的なデータ条件を満たしているマーケティングリーダーはわずか37％
• 一貫したAIによるパフォーマンスの向上を実感していると報告しているマーケティングリーダーはわずか3％

マーケティング・パフォーマンス・サブストレートは、人工知能のためのデータ統合ニーズにどのように対応するのでしょうか？

「マーケティング・パフォーマンス・サブストラット」――つまり、マーケティングパフォーマンスの追跡のために特別に設計された記録システム――は、本質的にインテリジェントであるため、この問題を解決します。このシステムは、欠落データを復元し、観測上のギャップを合成的に補完し、データが静的なデータウェアハウスやデータレイクに保存されたままでは不可能な、消費者レベルのジャーニーを再構築することができます。 このようにして、データがより複雑な下流モデルに投入される前に、そこから有意義なインサイトを抽出します。

この段階に至る以前から、データは組織の構造を反映したビジネスオントロジーと整合されています。データは適切なスキーマ、分類体系、ビジネスコンテキストにマッピングされ、命名規則が、企業が社内でクリエイティブ資産、メディアチャネル、キャンペーン、顧客を指す方法と一致するよう保証されています。この一貫性は、すべての基盤となるデータセット全体で維持されます。

データ構造と顧客のジャーニーの両方を統合することで、発見、分析、意思決定などの分野において、人工知能（AI）の活用に向けた数多くの新たな機会が開かれます。

これは決して誇張ではありません。人工知能が、ビジネス運営について真に統一され、文脈に沿った理解に基づいて動作するようになれば、その可能性はほぼ無限大になります。

AI対応のデータ基盤を備えた組織は、最大で2倍のAI成果を達成しています。提供：Getty Images

過去を振り返る測定から、将来を見据えた先見的なインテリジェンスへと移行しようとする組織に対して、どのようなアドバイスをしますか？

これは確かに、視点の大幅な転換を必要とする困難な移行です。つい最近まで、マーケティングの測定は事後的なものでした。つまり、キャンペーンを実行し、結果を待ち、その後で分析するという流れでした。しかし今では、何らかの行動を起こす前に、潜在的な成果をシミュレーションするために必要なデータとツールが手に入っています。

これにより、マーケティング・インテリジェンスの役割は根本的に変わります。組織は、結果が発生した後に単に測定するのではなく、過去数ヶ月、四半期、あるいは数年間のデータを活用して、次に何が起こりそうかを予測し、事前にあり得る結果をモデル化できるようになります。これにより、マーケターはリスクを軽減し、より迅速かつ情報に基づいた意思決定を行い、データ駆動型の証拠をもってその決定を裏付けることが可能になります。

「AIがどれほど知性的に見えても、その性能は依然として基盤となるデータの質と構造に根本的に依存しています」— マーケティング・エボリューション社 CEO スティーブン・ウィリアムズ

また、これにより、ファネル全体にわたるはるかに包括的な可視性が得られます。この概念を説明するために、人間の視覚がどのように機能するかを考えてみましょう。ほとんどの人は、私たちが見ているものは、単に視覚野が目に進入する光を処理した結果だと考えています。しかし実際には、脳は過去の感覚体験に基づいて予測モデルを絶えず実行し、これから何が見えるかを予期しているのです。

この予測モデルは、生涯にわたって蓄積された構造化された感覚データによって形成され、私たちの周囲の世界を絶えず予測しています。入ってくる視覚情報によってこのモデルは更新されますが、私たちが知覚していることの多くは、実際にはこれから起こりうることを脳が予測した結果なのです。

これが、野球のボールをキャッチしたり、目の前で突然ブレーキをかけた車に素早く反応したりといったタスクを私たちがこなす仕組みです。私たちは単に生の感覚入力にリアルタイムで反応しているのではなく、過去のデータや経験に基づいた予測に基づいて行動しているのです。

マーケティングも、これと非常によく似た方向へと向かっていると思います。

強固なデータ基盤を持つ組織は、過去の業績を説明できるだけでなく、将来の結果を予測し、シミュレーションすることも可能になるでしょう。

Marketing EvolutionのCEO、スティーブン・ウィリアムズ氏は、現代のマーケティングを支えるシステムの開発にキャリアを築いてきました

「MMMパートナーと提携しています。これからどうすればよいでしょうか？」と問うブランドに対して、どのようなアドバイスをしますか？

すでにMMMパートナーと協業しているのであれば、それは素晴らしい出発点です。なぜなら、メディアのパフォーマンスに関する過去の知見をすでに持っているからです。この知識を土台として、より予測的なインテリジェンス層を構築することができます。より適応性の高い意思決定アプローチへと移行する過程においても、既存のMMMパートナーシップは引き続きシステムを支えてくれるでしょう。

しかし、次のステップでは、より詳細かつ統合されたデータソースに対応できるよう、基盤となるデータインフラのアップグレードに投資する必要があります。

また、従来のMMMソリューションと比較して、変化する市場状況、メディア支出パターンの変化、そして進化する消費者行動に、より迅速に対応できる測定手法やモデルへと進化させることも必要となります。

COVID-19のような事態の影響を考えてみてください。その間、消費者の行動は月単位で劇的に変化しました。MMMシステムは最終的にこうした変化に追いつきましたが、多くの場合、変化がすでに生じてからでした。

週単位、あるいは日単位で稼働する、よりダイナミックなインテリジェンス層があれば、ビジネスの動向にリアルタイムで追随し、変化するトレンドをその発生と同時に特定し、組織がより迅速かつ自信を持って対応できるよう支援できます。

これは、業界で起きているより広範な変化を表しています。従来、マーケティングテクノロジーのスタックは、カスタマーデータプラットフォーム（CDP）、CRMシステム、デジタルアセット管理（DAM）プラットフォーム、マーケティングアクティビティプラットフォーム、測定ツールといった個別のシステムで構成されており、それぞれが異なる業務機能を担っていました。 しかし、組織はますます、これらのシステムを連携させ、人工知能（AI）アプリケーション、シミュレーション、最適化、意思決定のためにデータを利用可能にする統合されたインテリジェンス層を必要としています。これが業界が進んでいる方向性です。

では、ブランドは今日、マーテック・スタックの構築にどのように取り組むべきでしょうか？

私の見解では、現代のマーケティングテクノロジー・スタックは、既存のデータソースやシステム（顧客データプラットフォーム、CRMシステム、DSP、その他の関連ツールを含む）の評価から始めるべきであり、これらのシステムが孤立して稼働するのではなく、連携して機能することを確保する必要があります。

従来、マーケティングテクノロジー・スタックは階層的な構造と見なされてきました。しかし、現在では、中央のデータ・インテリジェンス層が組織全体にわたって意思決定を支援する、「スポーク・アンド・ホイール」モデルにますます近づいています。

この中心となるハブは、CDP（顧客データプラットフォーム）などのシステムと双方向で連携します。システムからデータを取得すると同時に、情報をフィードバックすることで、顧客の行動やエコシステム全体のダイナミクスに対する理解を深めます。

測定に関しては、測定プロセスがデータの生成速度に追いつける時代に入っています。 もはやMMM（マーケティング・モデル・マネジメント）ソリューションのみに頼る必要はありません。MMMには、特に長期的なトレンドの分析において依然として重要な役割がありますが、マーケターには、時には毎日といった頻度での迅速な意思決定能力が求められており、そのためにはよりアジャイルな測定システムが必要となります。

したがって、現代のマーケティングテクノロジー（マーテック）スタックは、迅速な測定、最適化、シミュレーション、意思決定をサポートする統合データレイヤーを中核とし、かつ組織全体の他のシステムとのシームレスな統合を維持すべきです。