予測モデルを導入した組織には、ほぼ例外なく訪れる局面があります。
「今月の予測精度はどうだったか」を追いかける会議が始まる瞬間です。
最初は健全な取り組みに見えます。
予測モデルを運用しているのだから、その精度を定期的に確認するのは当然だ。精度が落ちていれば改善する、という論理は理にかなっています。
そこで、MAPE（平均絶対パーセント誤差）のような指標が会議に持ち込まれ、毎月の数字が並べられるようになります。
先月は5.2%、今月は6.8%、先月よりやや悪化している。分析チームは原因を調べ、改善策を検討します。
ここまでは良いのです。
しかし、半年ほど経つと、会議の空気が微妙に変わっていきます。
「先月より予測の精度が悪化した」という事実に対して、誰かが説明責任を負うようになる。
分析チームは毎月、悪化の言い訳と改善策を持ってこなければならない。
経営層は「なぜ良くならないのか」と問い詰める。
いつの間にか、精度を上げること自体が目的化し、「何のために予測しているのか」という最初の問いが見えなくなっていきます。
Contents
「KPIにすると、歪む」という普遍的な法則
ここで、組織運営における一つの普遍的な現象について触れておきます。
ある指標をKPI（重要業績評価指標）として追いかけ始めた瞬間、その指標は本来の意味を失い始めるという現象です。
有名な言い方をすれば、「指標が目的になると、それは指標でなくなる」ということです。
例を挙げてみます。
コールセンターで「1件あたりの対応時間を短くすること」をKPIにすると、オペレーターは顧客の話を十分に聞かずに電話を切るようになります。
対応時間は短くなりますが、顧客満足度は下がります。
営業部門で「訪問件数」をKPIにすると、中身のない短時間訪問が増えます。訪問件数は増えますが、成約率は落ちます。
同じことが、予測精度についても起こります。
予測精度をKPIにすると、「精度の数字が良く見えること」が優先されるようになります。
そして、この「見かけ」を良くする方法はいくつもあるのです。
たとえば、大きく外れそうな特殊要因のある月を「例外扱い」として集計から外す。
予測しやすい商品カテゴリだけを対象にして、難しいカテゴリは「別管理」にする。
あるいは、予測値を実績が出る直前まで微調整できるようにして、「後出し」で精度を上げる。
こうした工夫はどれも、短期的には数字を改善します。
しかし、本来の目的である「より良い意思決定」には何一つ貢献していません。
むしろ、現実から目を逸らす手段になっています。
「精度KPI」が組織にもたらす3つの疲弊
精度を追いかけることが自己目的化すると、組織には具体的な疲弊が蓄積していきます。
疲弊①：分析チームが「言い訳の準備」に時間を使うようになる
月次会議で精度を報告する立場にある分析チームは、やがてある準備を始めます。
「なぜ今月は精度が悪化したのか」を説明するための資料作りです。
外部要因、一時的なイベント、データの異常値。
精度の悪化を「自分たちの責任ではない」と説明できる材料を集めることに、少なくない時間が割かれるようになります。
これ自体は、担当者の自己防衛として自然な行動です。責められる立場に置かれれば、誰でも身を守る準備をします。
問題は、この時間が、本来やるべき「意思決定の支援」に使われていないことです。
本当に組織に貢献するなら、分析チームは「この数字を現場がどう使っているか」「どんな判断に役立っているか」を調べるべきです。
しかし、会議で精度を問い詰められるプレッシャーの中では、そこまで手が回りません。
精度KPIは、分析チームの時間を、意思決定支援から言い訳準備へと静かに移していきます。
疲弊②：現場が「精度に責任を感じる」ようになる
さらに見落とされやすいのが、現場への波及です。
精度KPIが毎月話題になるようになると、現場の担当者は無意識にこう感じ始めます。
「モデルの予測通りに動かないと、精度を悪化させてしまう」
本来、モデルの予測は「判断の材料」であって、現場がそれに従う義務はありません。
現場の経験と照らして補正することが想定されているはずです。
ところが、精度の悪化が会議で問題になる空気があると、現場は「モデル通りに動くこと」を選ぶようになります。
そのほうが、余計な説明責任を問われずに済むからです。
こうして、現場の経験値や肌感覚は予測プロセスから徐々に排除されていきます。AI（予測モデル）の奴隷になります。「モデルと現場の統合」とは正反対の方向に、組織が動き始めるのです。
嘘のような本当の話しです。自己決定しているようで、予測に踊らされているのです。
疲弊③：「モデルを改善する」が「モデルをいじる」に変わる
三つ目の疲弊は、モデルそのものに向けられます。
精度が毎月評価される環境では、分析チームは継続的にモデルを改善しようとします。
これ自体は悪いことではありません。しかし、短期的な精度改善を狙った細かな調整が積み重なると、モデルは次第に過去データに最適化されすぎた状態に陥っていきます。
過去データによく合うようにチューニングされたモデルは、一見すると優秀に見えます。
しかし、未知の状況に対する対応力は逆に落ちていることが多いのです。
市場環境が変わった瞬間に、これまで優秀だったモデルが突然まったく当たらなくなる、という現象がここから生まれます。
精度を追うことで、かえって予測の本質的な価値が損なわれていく。この逆説に気づくには、一歩引いた視点が必要です。
では、何を追いかければいいのか
ここまで読まれて、「精度を追いかけないなら、何を追いかければいいのか」と感じる方が多いと思います。
結論めいたことを言うのは避けますが、一つだけ視点の転換を提案しておきます。
予測精度は「測るべき数字」ではあっても、「追いかけるべきKPI」ではないのです。
健康診断の数値に例えると分かりやすいかもしれません。
血圧や血糖値は、定期的に測ります。異常があれば原因を調べます。
しかし、「血圧の数字を目標にする」ことはしません。血圧を下げることが目的ではなく、健康であることが目的だからです。
予測精度も同じです。
定期的に測り、異常があれば原因を調べる。しかし、精度の数字自体を目標にはしない。
目標にすべきなのは、その予測が支援しているはずの「判断の質」です。
判断の質とは、たとえば、欠品率の低下、廃棄ロスの削減、過剰在庫の減少、意思決定にかかる時間の短縮、判断の根拠が説明できるかどうか。
こうした業務上の成果こそが、本来追いかけるべき指標です。
精度が6.8%に悪化したことを責める会議ではなく……
- 予測を使った結果、先月の発注判断はどう変わったか？
- その判断は結果的に良い結果をもたらしたか？
……を議論する会議。前者は組織を疲弊させ、後者は組織を学習させます。
どちらの会議を毎月開いているか。それが、予測運用の成熟度を測る、一つの静かな基準になります。
「何のためにやっているのか」を、定期的に問い直す
最後に、少し引いた視点でまとめます。
予測モデルを導入するとき、組織は「より良い意思決定のために」という目的を共有していたはずです。
その目的は、導入初期には全員の意識の中にあります。
しかし、運用が日常化するにつれて、目的は徐々に背景に退いていきます。
代わりに前面に出てくるのが、「精度の数字」や「月次のKPI」です。
これらは測りやすく、報告しやすく、会議の議題にしやすい。
だから自然と、そちらに組織のエネルギーが吸い寄せられていきます。
この現象に対抗する唯一の方法は、定期的に「何のためにやっているのか」を問い直すことです。
半年に一度、あるいは四半期に一度、精度の議論をいったん脇に置き、「この予測は、どの判断を、どのように良くしたか」を振り返る時間を作る。
そこで語られるのは数字ではなく、具体的な意思決定の物語です。
- 先月、このモデルのおかげで、あの大口案件に対する発注判断が早くなった
- この予測のおかげで、季節変動への備えが去年より2週間早くできた
- 逆に、このカテゴリについては、予測があってもなくても判断は変わっていない
こうした物語が語られる組織は、疲弊しません。
なぜなら、自分たちが何のために予測を使っているかを、定期的に思い出せるからです。
そして、物語の中で「予測の価値が見えにくい領域」が浮かび上がってきたら、そこは予測の運用自体を見直すべき領域です。
精度の改善ではなく、用途の再設計が必要な場所です。
今回のまとめ
予測精度をKPIとして毎月追いかけ始めた組織は、次第に疲弊していきます。
分析チームは言い訳の準備に時間を使うようになり、現場はモデル通りに動くことを選んで肌感覚を封じ、モデルは短期的な精度改善のために過去データに最適化されすぎていきます。
これらはすべて、「精度を上げること」が自己目的化した結果であり、本来の目的であった「より良い意思決定」からは遠ざかる方向に組織が動いてしまう現象です。
予測精度は健康診断の数値のように、測って異常を検知するためのものであって、追いかけるべき目標ではありません。
本当に追いかけるべきは、予測を使った結果として現場の判断の質がどう変わったかという、業務上の成果です。
そして定期的に「何のためにやっているのか」を問い直し、数字ではなく具体的な意思決定の物語で振り返る時間を持つこと。
この習慣が、予測運用を疲弊から守る、最も地味で最も効果的な処方箋になります。
