データビジュアライゼーションのベストプラクティス：明確で、誠実で、効果的なチャート作成の実践ガイド

Richard Tomlinsonは、キャリアの大部分を、組織が自社のデータを活用し、社内の人々がそのデータを信頼できるように支援することに費やしてきました。BIとプロダクトの両方の役割において、彼は同じ失敗パターンが繰り返されるのを目にしてきました。それは、良かれと思って作成されたダッシュボードが、いつの間にか誰にも使われなくなってしまうというパターンです。AIが数秒でグラフを生成できるようになった現在、彼の経験から言えば、「セルフサービス」とは単に「速い」こと以上の意味を持たなければなりません。

この対話の中で、Richardは、ダッシュボードが優れたデザインを失うずっと前に信頼を失ってしまう理由、AIがその課題をどのように本質的に変えるのか、そしてAIの支援だけでは提供できない、人間がグラフにもたらすべき要素について説明します。

なぜ人々はBIダッシュボードを使わなくなるのか？

これまでに失敗したダッシュボードの例を教えてください。見た目が悪かったものではなく、人々が単純に開かなくなったもののことです。

Richard Tomlinson：失敗するダッシュボードは、必ずしも見た目が悪いわけではありません。多くの場合、誰かが信用できない数値を目にし、なぜその数値がそこにあるのかをすぐに理解できないことが原因で失敗します。

月曜日の朝、エグゼクティブが売上ダッシュボードを開いたところ、金曜日に財務部門が配布したレポートとは異なる数値が表示されている場面を想像してみてください。ダッシュボードが異なる売上の定義を使用しているのか、更新時間が異なるのか、異なるフィルターが適用されているのか、あるいは単にデータが間違っているのか、彼らにはわかりません。アナリストに問い合わせて確認しなければならないようでは、ダッシュボードはすでに最も重要な役割の1つを果たせていないことになります。

信頼を築くには時間がかかりますが、失うのは一瞬です。ユーザーが「BIプラットフォームを信用できなくなった」というチケットを起票することはめったにありません。彼らは黙ってダッシュボードを開くのをやめ、スプレッドシートやアナリスト、あるいは手動で作成されたレポートに戻っていきます。

だからこそ、優れた可視化は可視化そのものの前から始まると私は考えています。分かりやすいグラフであっても、不明確なメトリクス、疑わしいソース、あるいは一貫性のないビジネス定義を補うことはできません。AIを活用した分析環境では、ユーザーがより多くの分析をはるかに迅速に生成できるため、この問題はさらに重要になります。基盤となるデータ、セマンティクス、ガバナンスに一貫性がない場合、AIは単に一貫性のないグラフをより速く作成するのを手助けするだけに終わってしまいます。

最新の優れた分析体験は、可視化をそのデータと意味に結びつけます。これにより、5つの異なる真実ではなく、あらゆる場所で1つの「信頼できる唯一の情報源（Single Source of Truth）」が維持されます。たとえば、DatabricksのAI/BIダッシュボードのデータセットはUnity Catalogのガバナンスを継承し、プラットフォームはデータ資産間のリネージ（系統）を維持します。つまり、数値を疑うユーザーは、システム全体を諦めてしまう代わりに、その数値のソースまで遡って追跡することができます。

AIダッシュボードツールを導入する際、リーダーは何を優先すべきか？

AIがデータの利用方法やデータとの関わり方を変革する中、新しいAIダッシュボードツールを導入する際にリーダーが優先すべきことは何でしょうか？

Richard Tomlinson：私は「信頼の負債（trust debt）」という考え方が気に入っています。なぜなら、ユーザーが同じメトリクスの2つの異なるバージョン、説明のつかない不整合、古いダッシュボード、あるいは検証できない回答に遭遇するたびに、組織にこの負債が蓄積されていくからです。

AIは分析の経済性を変えるため、その負債を大幅に悪化させる可能性があります。かつて組織は、何年もかけて何百、何千もの厳選されたダッシュボードを構築していました。生成AIを使えば、誰でも数秒で新しいグラフを作成できます。さらに、エージェント型オーサリング（agentic authoring）により、AIはデータセット、可視化、フィルター、レイアウトを含む複数ページのダッシュボード全体を迅速に作成できるようになりました。

たとえば、DatabricksのGenie Codeは、自然言語の目的を受け取り、関連するデータを見つけ、データセットを構築し、可視化を作成し、フィルターを設定し、ページを整理し、結果を調整するまでを、従来よりもはるかに迅速に行うことができます。これは真の生産性向上ですが、AIが生成したすべてのグラフを手作業で確認することはできないため、リーダーがガバナンスを適用すべき対象が変わってきます。

したがって、私の回答としては、次の4つのことを優先します。

1. データのガバナンス：AIが他のすべての場所で適用されているものと同じ権限と制御を継承するようにします。
2. 意味（セマンティクス）のガバナンス：誰かがグラフを生成するたびに再定義するのではなく、重要な指標やディメンションが再利用可能なビジネス定義から取得されるようにします。
3. プロベナンス（来歴）の保持：ユーザーが、どのようなデータと計算によって重要な結果が導き出されたのかを理解できるようにします。
4. 検証を前提とした設計：説明のない回答を事実として提示するのではなく、可視化によってさらなる質問、フィルタリング、ドリルダウンを促すようにします。

優れたガバナンスは、実際にはより多くのセルフサービスを可能にします。強固な基盤があれば、中央のBIチームがすべてを手作業で作成しなくても、AIがはるかに多くの分析体験を安全に生成できます。

AIが生成したグラフはどこで破綻するのか？

AIアシスタントがグラフを生成するとき、それはユーザーが下そうとしている意思決定ではなく、データの形状に基づいて決定を下しています。これはどこで破綻するのでしょうか？

Richard Tomlinson：その前提を少し修正させてください。現代のAIアシスタントは、データの形状以上のものを利用します。リクエストとその文脈（コンテキスト）も解釈できます。たとえば、「過去12ヶ月間の売上の推移を示して」と言えば、それは時系列データを意味します。「最も売上の高い5つの地域はどこか？」と尋ねれば、同じデータでもランク付けされた棒グラフを指し示す可能性があります。理想的には、作成者が自然言語で可視化を表現できるべきであり、だからこそDatabricksはすでにGenie Codeを使用して、より大きなダッシュボードの目的の一部として複数の可視化を計画および構築できるようにしています。

AIが依然として苦戦しているのは「目的」です。データセットは、どのような値が利用可能かを示します。プロンプトは、誰かが何を尋ねたかを示します。しかし、そのどちらも、誰がその可視化を使用するのか、どのような意思決定を行おうとしているのか、どの比較が最も重要か、何に最初に注目すべきか、どの程度の精度が必要か、オーディエンスがすでにどのような文脈を理解しているか、あるいは何が誤解される可能性があるかを確実には教えてくれません。

たとえば、あるメトリクスが94%から91%に低下したとします。AIはその低下を正しくグラフ化できますが、それが壊滅的な事態なのか、それとも無関係なノイズなのかは、データセットのどこにも存在しないビジネスコンテキストに完全に依存します。だからこそ、人間の役割はグラフを描くことから、意図を指定し、判断を下すことへと移行しています。AIは可視化を構築する機械的な作業を行うことはできますが、それが何を伝えるべきか、そしてそれが正確であるかどうかを判断するのは依然として人間です。

データが正確であっても、レガシーBIが不適切な分析を生み出すのはなぜか？

不正確なデータや欠落したデータ以外に、レガシーシステムで発生するその他の課題にはどのようなものがありますか？

Richard Tomlinson：最も困難な問題は、行の欠落ではなく、文脈（コンテキスト）の欠落によって発生します。レガシーなBI環境では、データが正確であっても、ビジネスロジックがダッシュボード、計算フィールド、抽出、セマンティックモデル、スプレッドシート、および暗黙知に断片化しているため、不適切な分析が生成されることがあります。

結果として、同じKPIに対して5つの異なる定義が存在することになり、どのダッシュボードが正規（カノニカル）であるか誰も確信が持てなくなります。計算ロジックは個々のレポート内に存在し、ユーザーはどのツールやタブに回答があるかを知っておく必要があり、定義を変更するには重複して存在するすべての場所を追跡しなければなりません。

AIはこの問題を非常に素早く浮き彫りにします。アシスタントは質問を正しく理解できたとしても、5つの売上定義のうちどれを会社が信頼できるものと見なしているかを判断する確実な方法がありません。だからこそ、不足しているピースは、単に可視化レイヤーに言語モデルを接続することではありません。AIを活用したダッシュボードには、ガバナンスが適用されたデータの基盤に加えて、再利用可能なビジネスセマンティクスとコンテキストが必要です。

Microsoftでさえ、現在のPower BIのガイダンスにおいて、基盤となるデータ、セマンティックモデル、およびユーザーが適切に準備されていない場合、Copilotの出力が低品質であったり誤解を招くものになったりする可能性があると警告しています。Databricksは、ダッシュボード、ガバナンスが適用されたデータセット、ビジネスセマンティクス、および対話型分析を、1つの統合されたガバナンスデータ基盤に統合することで、この同じ問題に対処しています。AI/BIデータセットは、テーブル、ビュー、Metric Viewsから直接取得できるだけでなく、Unity Catalogの権限を継承することもできます。AIファーストの世界では、AIがグラフを構築するたびにビジネスの意味を再構築するのではなく、再利用する必要があるため、このアーキテクチャがより重要になります。

グラフやダッシュボード用の優れたAIプロンプトを作成するには？

3回もやり取りを繰り返すことなく、AIアシスタントから常に必要なものを引き出せる人の習慣とは何でしょうか？

Richard Tomlinson：成功しているユーザーは、単にグラフの指示を出すだけでなく、意思決定の文脈（コンテキスト）を提供しています。効果の薄いプロンプトは「製品別の売上を表示して」です。はるかに効果的なプロンプトは「週次の売上レビューを準備しています。前四半期と比較して、売上の変化に最も寄与した製品カテゴリを示してください。最もプラスに寄与したものとマイナスに寄与したものを簡単に特定できるようにしてください」というものです。2番目のバージョンは、AIに対してオーディエンス、比較対象、メトリクス、および可視化の目的を伝えています。

このようなコンテキストを提供することで、分析プロンプトを劇的に改善できます。何を理解しようとしているのか？単にデータセット名を指定するのではなく、ビジネス上の問いを明確にします。何を比較すべきか？期間、地域、セグメント、計画対実績、あるいは事前対事後など。どのメトリクス定義が重要か？曖昧さがある場合は、AIに作成させるのではなく、ビジネスメトリクスを指定します。これは誰のためのものか？エグゼクティブ向けのダッシュボードとアナリスト向けの探索では、通常、必要な詳細レベルが完全に異なります。そして、これがどのような意思決定をサポートすべきか？これこそが、人々が最も見落としがちな要素です。

もう一つの変化も起きています。より優れたAIシステムが登場することで、そもそも必要なプロンプトエンジニアリングの量が減るはずです。エージェント型システムは、あいまいな要件を明確にし、利用可能なデータを検査し、分析計画を構築し、その結果を繰り返し改善していくことがますます得意になっています。例えば、Genie Codeは、作成者がすべての実装ステップを細かく指定しなくても、データを発見し、データセットや可視化を作成し、ダッシュボードを段階的に洗練させることができます。これは、将来誰もが世界レベルのプロンプトエンジニアにならなければならないという意味ではありません。人間が意図を表現するのが得意になり、エージェントが実装の処理を得意になるということです。

AI時代のデータ可視化のベストプラクティスとは？

人々がダッシュボード、クエリ、パイプラインに対して直接AIに問い合わせるようになる中で、「優れた」可視化デザインの特徴はどのように変化するのでしょうか？

Richard Tomlinson: これは、おそらく最も興味深い変化でしょう。かつて、可視化は最終目的地でした。ユーザーはダッシュボードを開き、アナリストがあらかじめ定義したチャートを見ていました。これによりデータを理解することはできましたが、情報の伝達はそこで止まっていました。

AIの登場により、可視化とのインタラクションは会話に近くなっています。ユーザーが質問すると、システムが回答と（場合によっては）チャートを生成し、そのチャートから興味深い事実が明らかになり、ユーザーがそれについてさらに質問すると、システムが別の分析を実行して新たな可視化を作成します。この体験は動的であり、あらかじめ定義されたものではありません。

AI/BI Dashboardsは、すでにこの点を考慮に入れています。公開されたダッシュボードには、コンパニオンとなるGenie Agentを含めることができ、閲覧者は静的な表示にとどまることなく、基盤となるデータについて自然言語で質問できます。

つまり、最初のチャートですべての想定される質問を予測しておく必要はありません。重要なインサイトを明確に伝え、次の質問を自然かつ簡単に思い浮かべられるようにすればよいのです。

これらすべてが、AI時代の可視化に求められる4つの特徴につながります。それらは以下の通りです。

1. 自明であること（Self-explanatory）：生成されたチャートは、作成元のダッシュボード以外の場所で表示される可能性があるため、タイトル、単位、期間、メトリクスがそれ単体で理解できる必要があります。
2. 追跡可能であること（Traceable）：ユーザーが重要な数値の出所を理解できるようにするためです。
3. インタラクティブであること（Interactive）：フィルタリング、ドリルダウン、会話によるフォローアップにより、観察から調査へと自然に移行できるようにするためです。
4. コンテキストを認識すること（Context-aware）：単に返されたフィールドをプロットするだけでなく、可視化がユーザーの質問やビジネス用語を反映するようにするためです。

ここには、さらに深い意味もあります。ダッシュボード、クエリ、パイプライン、ドキュメントは、もはや人間だけが消費するものではありません。分析の成果物は、単なるプレゼンテーション層にとどまらず、組織の機械可読な知識の一部となることができます。これらは、AIシステムが組織の仕組みを理解するためのコンテキストになり得ます。例えば、Genie Codeでは、作成者がテーブル、パイプライン、ノートブック、クエリ、ファイルをコンテキストとして参照できるようになっています。

なぜユーザーはセルフサービス分析を信頼しなくなるのか？

誰かがセルフサービス分析を信頼するのをやめ、アナリストに直接質問するようになる直前には、どのようなパターンがあるのでしょうか？

Richard Tomlinson: 通常、問題はシステムが何も提供しないことではありません。むしろ、もっともらしい情報を提供しているものの、ユーザーがすでに知っていることと整合性が取れないことにあります。数値が間違っているように見えたり、フィルターを変更して予期しない結果が得られたり、2つのダッシュボードの表示が一致せず、どちらの定義が使用されているか判断できなかったりします。フォローアップの質問をして別のチャートを得ることはできても、その不一致の原因は説明されません。

その時点で、ユーザーには2つの選択肢があります。自分で分析システムのデバッグを続けるか、誰かにメッセージを送って尋ねるかです。人に尋ねる方が、セルフサービスの回答を検証するよりも早くなった時点で、セルフサービスはすでに失敗しています。

だからこそ、現代のBIにおける重要な指標は「回答までの時間（time to answer）」だけであるべきではありません。「信頼までの時間（time to trust）」も重要です。AIは最初の指標を劇的に向上させます。クエリ、可視化、そしてダッシュボード全体を数秒で生成できます。しかし、2番目の指標も改善されなければ、人々が信頼できないものの作成を加速させただけにすぎません。

これを正しく行うには、従来のBIがしばしば個別に扱ってきた3つの要素を組み合わせる必要があります。それは、「理解しやすい回答」、「回答を信頼できるものにする証拠」、そして「何かがおかしいと感じたときに調査する経路」です。優れたセルフサービス体験とは、何が何でもアナリストをプロセスから排除することではありません。目の前にあるシステムを理解できない、あるいは信頼できないからではなく、質問に真に人間の専門知識が必要な場合にのみ、アナリストを必要とするような体験です。

これこそが、エージェント時代においても可視化が依然として重要である究極の理由です。AIは膨大な量の分析を生成できます。優れた可視化とは、その分析を検査し、疑問を投げかけ、そして最も重要なこととして、アクションにつなげられることを意味します。

AI支援による作成とガバナンスが適用されたデータが、どのように信頼されるダッシュボードを実現するかをご覧ください。AI/BI Dashboardsをぜひお試しください。

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事