ダッシュボードでは見えない問題を、AIはどう見つけるのか

本当のリスクが、ダッシュボードに並ぶ数字の「あいだ」に隠れているとしたら、どうでしょうか。

会社全体の売上は問題なく見えていても、ある地域だけが落ち込んでいる。来店数は増えているのに、コンバージョンは下がっている。プロモーションで需要は高まっているのに、店舗には商品が残っていない。
こうした問題は、それぞれの数字を個別に見ているだけでは気づきにくいものです。ひとつひとつは見慣れた指標でも、複数の数字が食い違って動いたときに、初めて異変が見えてくることがあります。

Domoでは、こうした問題を見つけるために、業務データの中から数字の食い違いや、見過ごしやすい変化を探すAIエージェントを構築しました。
ここでは、その例をもとに、まだ誰も質問していない問題をAIがどう見つけ、原因をたどり、次の対応につなげていくのかを見ていきます。

「定点確認」だけでは、見えない問題がある

多くの会社には、毎朝確認する項目があります。前日の実績、計画を下回っている地域、注意が必要な店舗、プロモーションの結果、返品の傾向などです。
もちろん、こうした確認は重要ですが、これらは基本的にあらかじめ見ると決めている数字をチェックしているだけです。
一つの指標だけを見て分かる異常には気づけても、複数の数字が予想外の組み合わせで動いたとき、その背景まで見抜くのは難しいでしょう。

「AIを使っている」と言っても、チャットボットを開いて毎朝同じ質問を入力しているだけでは、結局は人が知っている範囲の確認にとどまります。
一方、AIエージェントなら、人が質問するのを待たずに、ガバナンスの効いた業務データを繰り返し確認し、数字の食い違いや不自然な動きを探すことができます。
たとえば、「売上はどうだったか」ではなく、「今、経営者として注意すべきことは何か」を探させる。
そうすることで、毎朝の定例やレポートでは見つからなかった問題を浮かび上がらせることができます。

今回の例では、AIを使ってこうした隠れた問題を見つけるための流れを、5つのステップに整理できます。
特に、状況の変化が速く、すべての数字の組み合わせを人が一つずつ確認するのが難しい場面で役立つでしょう。

1．「いつもの確認」と「新しい発見」を分ける

毎朝の定例レポートは、そのまま残します。経営層が毎日同じ5つの項目を確認しているなら、その答えはあらかじめ用意されている状態にしておくべきです。
そのうえで、もうひとつ「新しい問題を見つけるための役割」をAIに持たせましょう。

たとえば、「最新の業務データを確認し、経営者として注意すべき状況を3つ挙げる」といった目標を与えます。
見つかった項目については、「何が変わったのか、なぜ重要なのか、根拠は何か、考えられる原因は何か、次に何をすべきか」まで確認します。
いつものレポートは安定して続けながら、それとは別に、まだ誰も気づいていない問題を探す役割を持たせる。そうすることで、定例の確認だけでは見つからない変化を拾いやすくなります。

2．まずは、信頼できるデータに絞って調べる

AIに企業全体のデータをいきなりすべて見せる必要はありません。
まずは、店舗別、工場別、配送ルート別、日別など、目的に合った単位で整理された、信頼できるデータから始めます。

今回のデモでは、エージェントをあえてシンプルに設計しました。AIモデルが分析を行い、プロンプトで役割を定め、使うツールは小売業の日次業務データに対するSQLクエリだけです。
重要なのは、AIに大量のデータを与えることではなく、どのデータを信頼して使うのかをあらかじめ決めておくことです。
Domoでは、Snowflake、BigQuery、Databricksなどにある既存のデータを活かしながら、ガバナンスを維持した状態でAIに利用させることができます。
人が目標と制約を決め、その範囲内でエージェントを動かす設計が理想です。

3．「悪い数字」だけでなく、「数字の矛盾」を探す

AIエージェントには、単に目立つ異常値を探すだけでなく、複数の数字を見比べながら、食い違いや意外な組み合わせを探すように指示します。
まず全体の状況を確認し、そこから大きな変化や数字同士の食い違いに注目する。必要に応じてデータをさらに調べ、原因につながりそうな情報を追っていきます。
例えば、次のような組み合わせです。

・来店数は増えているのに、売上は下がっている
・プロモーションへの反応は上がっているのに、在庫率は下がっている
・需要は増えているのに、コンバージョンは下がっている
・同じ地域で、配送の遅れと顧客からの苦情が同時に起きている

今回のデモでは、会社全体の売上は814万ドルで、計画を3.8％上回っていました。来店数も5.2％増えており、全体だけを見れば大きな問題はなさそうです。
ところが、A地区では来店数が約6％増えている一方で、売上は14％減少していました。A地区の売上低下だけを見れば、通常のアラートでも目標未達には気づけるかもしれません。
ただし、「来店数は増えているのに、なぜ売上は落ちているのか」という関係まで見なければ、本当の原因にはたどり着けません。
そして翌日には、また別の数字の組み合わせに問題が隠れている可能性があります。

4．結論を出す前に、原因につながる情報をたどる

A地区で見つかった異変について、AIエージェントがその原因をさらに調べていきます。
来店数は約6.1％増えており、需要自体は落ちていません。さらに、実施中のプロモーションへの反応も17％上がっていました。
ところが在庫を見ると、プロモーション対象の3商品が欠品し、在庫率は94％から71％に低下。コンバージョンも28％から19％まで落ちていました。さらに、商品の入荷は31時間遅れ、顧客からも「プロモーション商品が売り切れている」という声が出ていました。

つまり、会社は需要を生み出すためにプロモーション費を使っていた一方で、その需要に応えられる在庫がなかったということです。
「A地区の売上が落ちた」という結果だけを見るのではなく、来店数、プロモーション、在庫、配送、コンバージョン、顧客の声までつなげて見ることで、ようやく何が起きていたのかが見えてきます。
会社全体の売上や来店数、マーケティングの反応だけを見れば問題はなさそうでも、それぞれのデータを個別に見ているだけでは全体像は分かりません。

5．対応案は、人が確認して実行する

問題を見つけただけでは、欠品やプロモーションとのズレは解消されません。
そこで、重要な問題が見つかったら、AIエージェントには対応案まで出してもらい、人がその内容を確認して、承認・修正・却下できるようにします。
今回は、次のような対応案が出ました。

・近隣店舗から約420点の商品を移す
・影響が出ている地域でプロモーションを一時停止する
・遅れている配送を優先対応に切り替える
・対応責任者を決める

このプロセスは、異常を見つけて終わりではありません。根拠を確認し、対応案を出し、最後は人が判断して実行します。
こうした問題を12時間早く見つけられるだけでも、その日の結果を大きく変えられる可能性があります。
実際に運用する際は、次の5つがそろっていると進めやすくなるでしょう。

・毎日の定例確認が自動化されている
・AIが参照する信頼できるデータが決まっている
・数字の矛盾を探すように指示されている
・重要な問題について、根拠までたどれる
・対応案を、人が普段使っているシステム上で確認・承認できる

AIエージェントの価値は、数字を一つずつ見ることではなく、その組み合わせから「まだ誰も聞いていない問題」を見つけられることにあります。
それぞれの指標は正常に見えていても、つなげて見ることで初めて異変が見える。そこに、AIを業務データの中で使う意味があります。