事例にみる金融DX ～ Ezmeral（エズメラル）採用の舞台裏 ～

[Masazumi_Koga]

筆者は、2017年から暗号資産（仮想通貨）のデイトレードをしています。デイトレードにも種類があり、日単位で売買を繰り返す手法や、秒単位、分単位で取引を繰り返すスキャルピングなどがあります。
特に、仮想通貨の世界では、スキャルピングが広く行われており、筆者もスキャルピングをメインに取引しています。一般に、投資家は、短期的な価格変動だけでなく長期的な過去の価格変動もチェックします。また、金融関連の新事業に関するニュースや世界情勢も踏まえ、価格変動のグラフにいくつもの線を引いて未来を予測する「テクニカル分析」が行われます。
しかし、人間が行う情報収集とテクニカル分析による予測には限界があり、最近は、精度に賛否両論はあるものの、AIを使った分析や株取引も行われています。株や仮想通貨取引もAIまかせの時代が到来しようとしています。
IT基盤を駆使した金融DXでは、とくに、データ駆動型の業務改革や新規事業開拓の話が出てきます。具体的なHPE製品で言えば、本ブログで何回も登場している「Ezmeral Data Fabric - Customer Managed」（通称：EDF-CM、旧称：MapR）などのビッグデータ基盤ソフトウェアを駆使した金融商品の開発やAIをベースにした新規事業開拓に関するデータ分析などが挙げられます。
金融システムにおけるビッグデータを活用したIT変革の事例は、ITイベントなどで目にすることがありますが、今回は、米国の有名クレジットカード会社と銀行のDX事例を簡単にご紹介します。
■クレジットカード会社が「食」を提示？

とある米国の大手クレジットカード会社では、顧客維持にビッグデータ基盤ソフトウェアを使っています。具体的には、EDF-CM（旧称：MapR）によるスケールアウト型のビッグデータ基盤です。EDF-CMを導入する以前、彼らは、ダイレクトメールで有象無象の客にクレジットカードの商品情報などを提供していました。
しかし、のちに彼らは、この手法の効率の悪さに徐々に気づき始めます。その効率の悪さを改善するために、あらゆる方法が検討されましたが、まず彼らは、自分たちのクレジットカードのWebサイトのログを取得し、EDF-CMに溜めることを始めました。そして、EDF-CMに溜めたデータを使って、顧客行動分析を始めました。いわゆるWebサイトのクリックストリーム分析です。
ここまでは、よくある巷のWeb記事などに出てくるWebシステムを使ったビッグデータ分析の話なので、「まあ、よくあるWebアクセスログを使った行動分析の話ね。うちもやってるよ、そんなの」と思われるかもしれませんが、彼らは、そこからさらにデータ基盤の有効活用を考えました。
それは、日々溜まる顧客データを使った新事業の展開です。では、どのような新事業を始めたのでしょうか。Webシステムに関連するデータは、相変わらずEDF-CMに流れ込み、膨大な量が保管されているのですが、彼らは、データ分析だけでなく、支払い履歴から顧客に合わせた推奨レストランを提示する携帯アプリを提供しはじめました。
「カード会社がなぜレストランを提示するんだ？そんなこと必要なのか？」「レストラン以外にも、顧客が興味のあるものなんて、たくさんあるでしょ？」と思われるかもしれません。しかし、この大手クレジットカード会社は、個人のクレジットカードのレストランでの利用履歴に着目し、その個人の「食の嗜好」に合った店を提示し、精算時のクレジットカードの利用機会を増やす作戦にうって出たのです。クレジットカード会社が持つ顧客の支払い履歴情報とレストランをリンクさせ、機械学習エンジンを組み込むことで、顧客の嗜好の傾向や行動のタイミングを予測して、決済におけるクレジットカードの利用特典や推奨店舗を提示し、クレジットカードの利用継続を狙うわけです。
「なんだ、そんなの、よくある商品やサービスをおススメしてくるアプリの話じゃないか」と思われたかもしれません。一般には、レコメンデーションといわれるのもので、「ユーザーの嗜好にあった商品や店を推奨するサービス」であり、今では、日本の多くの企業で普及している「とくに珍しくもないITシステム」です。たしかに、今では、当たり前のITであり、技術自体も枯れたものが採用されていて、特に珍しいものでもありません。しかし、このクレジットカード会社の事例では、採用技術うんぬんというよりは、むしろ、レストランという「人間の食の嗜好」に着目している点が非常に重要です。
誤解してはいけないのは、「目が飛び出るような、ものすごい先進的なITを駆使しているかどうか」ということが重要ではないし、逆に「データ分析やAIの技術なんていらない」と言ってるわけでもない、ということです。
これは、クレジットカード会社のデータ駆動型の事業戦略を検討したCIOとそれを取り巻くDX推進チームの頭の中を想像するしかないのですが、人の食における「嗜好性」、とくに「外食」に着目したのは、ITの技術うんぬん以前に「人間が持つ『欲求』とは何か？」を徹底的に考慮した上での非常に意図されたDX戦略だと想像します。
一般に、食というのは、人間の衣・食・住のうち、同じものを何度も繰り返し欲する頻度が高い要素の一つです。人間は、一旦、ある特別な場所で美味しいものを口にすると、当然個人差はありますが、その時期（同じ季節や時間）や天候によって再び脳の記憶が蘇り、また同じ店や、同じような味の他の店、同じジャンルのよく似た店を探して、そのジャンルの店や似た場所に繰り返し行きたくなる傾向があります。
とくに、レストランは、外食であり、いつも家で食べる味とは異なる特別な味を含めて顧客体験が重要視される分野です。この分野では、高級レストランなのかどうかといったことではなく、いつもと違ったものを、いつもと違った場所で、いつもと違う服を着て、食べたという「食のユーザー体験」が重要なのです。
ユーザー体験のうち、食の嗜好は、人間にとって、体に染みついたものであり、継続性が高い、すなわち、適切な情報を適切なタイミングで顧客に与えれば、継続的にお金を払ってくれる確率が高くなるわけです。一旦味わうとやめられない「嗜好」という、人間というよりは、むしろ、生き物の本能や特性をうまく利用し、クレジットカードとデータサイエンスとレストランをうまく組み合わせたサービスを展開する、というわけです。（ちなみに、最近は、インスタグラムに掲載する食の体験を画像や映像として残すことで、新規客の来店を促す「店舗、食器、調度品を含めた顧客体験」も重要視されています）
生き物（人間）が欲するものがなにかということと、継続的な購買は、どのようなタイミングで、どのような情報をどのように提供すればよいのかを結びつけるような、ある意味、生物学的な観点でのサイエンスと社会学的な観点でのビジネスを結びつける青写真を描いて構想を練り、科学的な実験データの裏付けやITの実証実験を進めていく、ということです。
彼らも、単なる空想や思い付きでレストランアプリを作ったわけではありません。きちんとした調査とデータを取得しつつ、小規模ながらも実証実験を積み重ね、本番展開していったわけです。現実、このクレジットカード会社は、このビッグデータ基盤とレストラン提示アプリによって、顧客維持と新規顧客獲得に成功しています。まさに、人間の欲求をうまく利用し、顧客維持、新規顧客獲得を成功させたビッグデータ活用の金融DXの事例といってもよいでしょう。
■ビッグデータ基盤の有効活用による銀行の新事業展開
上記のクレジットカード会社以外に、金融におけるビッグデータ基盤ソフトウェアのDX事例としては、米国ジオンズ銀行が挙げられます。彼らは、当初、EDF-CM（旧称：MapR）を単なるセキュリティ分析に使っていました。セキュリティ分析というと、IT部門の人が、アクセスログから悪意のあるハッカーからの不正アクセスを目視でチェックしていくというイメージがありますが、たとえ、セキュリティ分析ツールを使っても、非常に時間と手間のかかる作業であり、この銀行も、ある特定のセキュリティ分析に１日以上かかっていました。セキュリティ分析に係るデータがどんどん増えてくると、従来のRDBMS（リレーショナルデータベース）のスケールアップ型の分析基盤では、太刀打ちできなくなるのです。
そこで、彼らは、セキュリティ分析の性能向上を図るため、スケールアウト型のビッグデータ基盤の導入を決意します。具体的には、データの取り込みが非常に単純なNFSやオープンソースの分析ソフトウェアが稼働できるMapR（現EDF-CM）の採用です。これにより、従来は１日以上かかっていたセキュリティ分析の業務が、EDF-CMで、なんと約30分まで短縮できました。
と、ここまでは、「スケールアウト型ビッグデータ基盤ソフトウェアの超高速HadoopであるMapRで分析時間が短縮しました」という、よくある事例の話なのですが、彼らは、この「30分に短縮できた」という成果から、新しい事業にEDF-CMを活用し始めます。
通常、クレジットカード会社や銀行は、マネーロンダリングなどの金融不正取引を監視しなければなりません。金融不正取引の監視には、即時性が求められるデータ基盤が必要です。彼らは、１日以上かかっていた処理が30分に短縮できたことで、従来よりも結果が短時間で得られるEDF-CMをリアルタイム不正検知基盤として使い始めます。単なる銀行内での閉じたセキュリティ分析基盤だったものが、EDF-CMに機械学習エンジンを組み合わせることで、リアルタイムの新しい業務を展開できるようになったわけです。
このリアルタイム不正検知によって、顧客の金融取引の健全性維持への取り組みを実践しているという企業価値を対外的に示すことができました。当然、不正取引検知そのもので、銀行に対する信頼度向上が期待できるのは当然なのですが、筆者のようなトレーダーや投資家の目線で見ると、銀行業務の健全性維持の新しい取り組みは、その銀行の企業としての価値向上が期待でき、いわゆる、投資対象候補になりえます。株主からの支持も得られやすくなり、そのような取り組みを対外的に発表できた銀行は、当然、最後には、その取り組みが実を結んで結果を出して、株主に還元される必要がありますが、少なくとも、投資家にとっては、新たな投資対象の一つとして、魅力的にうつるわけです。
■企業買収を繰り返したグローバル展開企業のデータ活用基盤事例

上記のクレジットカード会社や銀行は、いずれも、ビッグデータをうまく活用して新規の事業展開を成功させた事例です。EDF-CM上で活用されている技術自体は、とくに新規性があるわけでもないのですが、それでもデータをうまく活用しDXを実践しているのは、非常にすばらしいことです。
そして、現在、金融業界では、暗号資産（仮想通貨）の取り扱いや、GPUを使った金融商品開発（金融HPC）など、膨大なデータと高速計算機を使うグローバル規模の事業展開を見据えたDXが求められています。グローバルに事業展開している銀行や証券会社は、当然、その国の商習慣に応じた金融商品を開発しなければならないため、各国にビッグデータ分析基盤が散在します。各国にデータ基盤のEDF-CMと高速計算機を設置するわけです。そうなると、国ごとにデータは散在してしまいます。しかし、散在したとしても、各国のデータにすぐにアクセスできれば、各国でどのような分析をやっているかがまったく把握できないという事態は防げます。
そのためには、グローバルに散在したIT基盤のデータにすぐにアクセスできる仕組みが必要です。このような仕組みは、EDF-CMの「グローバルネームスペース」（Global Name Space：GNS）とよばれる機能で実現できます。このEDF-CMのグローバルネームスペースを使えば、世界中に散在するEDF-CMクラスターが、お互いのデータに容易にアクセスできるため、グローバル規模でのデータ活用を飛躍的に促進できます。実際、電子商取引を手掛けるインジェニコ社では、企業買収を繰り返したことによってデータ基盤が散在したため、その散らばったデータ基盤にアクセスするために、EDF-CMのグローバルネームスペースを活用しています。
■Ezmeralを金融DXの武器に
日本は、幸いというか、円（JPY）が安定して強いため、地銀も含め、昭和の時代からお付き合いのある中小企業への資金融資業務や、企業の株取引、法定通貨をベースにした預貯金や送金といった定型業務のIT基盤が多くを占めます。
しかし、そのような前世紀から続く従来型の金融取引のビジネスだけでは、グローバルを見据えた競争力強化やイノベーションが生まれにくい、というのも確かです。逆に、グローバル展開やイノベーションがなくてもちゃんと利益が出ているのであれば、それはそれで、国内で個別システムとして最適化して粛々とビジネスを継続すればよい話なのですが、日本の人口減少や海外投資家の傾向も含め、トレーダーとしての筆者個人の肌感覚も含め、今後は、より魅力的で使い勝手がよく、かつ、情報セキュリティ管理がしっかりした金融サービスや新しい顧客体験が必要とされていると思います。
例えば、個人に合った金融商品の自動提示、仮想通貨による取引手数料の大幅低減、AIによるファイナンシャルプラン提案の高精度化、保険や自動車会社などの他業種とのコラボ、自動車同士によるブロックチェーンを使った情報交換での仮想通貨決済など、新しい金融の在り方が世界中で模索されています。このような金融DXを実現するには、ビッグデータ分析、生成AI、改ざんが不能なデータ格納の仕組みなど、新技術を駆使した異業種間データ活用が欠かせません。そのため、金融機関は、国内外問わず、自身の金融事業そのものの在り方自体が大きく問われています。また、金融機関だけでなく、金融系のシステムインテグレーターや、我々のようなハードウェア製品やIT基盤ソフトウェアなどを提供するITインフラベンダーも、新技術を駆使した事業改善やDXのヒントになるアイデアを金融機関のお客様に提示しなければなりません。単に「EDF-CM（MapR）の性能がHadoopに比べてスゴイです」だけでは、当然、金融機関が抱える業務目線を意識したデータIT基盤の悩みの解決には至りません。
金融は、経済大国の日本の根幹を担う「非常にエキサイティングな業種」だとつくづく思います。私自身、デイトレードをやっていて、個人的に常に思うのは、「日本の金融ITは、非常に未来が明るい」ということです。仮想通貨の取引、量販店でのブロックチェーンへの対応、NISAなどの税制面での優遇を考慮した投資、Webシステムを使った「ふるさと納税」、金融商品の購入もオンラインでクイックに実現できる国です。これは、世界に対して、もっと堂々と「金融IT先進国ニッポン」と主張してもよいと思います。
しかし、上記の米国のクレジットカード会社や銀行の不正監視IT基盤の話や、以前ご紹介したインドのマイナンバーのIT基盤事例は、そんなスゴい技術でもないのに、金融の先進事例として、ビッグデータを扱うIT界隈では、それなりに認知されています。上記のクレジットカード会社と銀行の事例は、「そんなの、日本でもやってるし、全然先進的じゃないけど？」と思われるかもしれませんが、そういった「日本では先進的じゃないけど？」というクレジットカード会社や銀行の不正取引の監視システムの話が、なぜ世界的に海外メディアに事例として取り上げられるでしょうか？それは、小難しい技術的な話というよりは、むしろ、「データ活用による改革によって顧客体験に影響を及ぼした事例である」ということを、突き詰めてよく理解する必要があると思うのです。
たしかしに、EDF-CMは、超高速版Hadoopで、かつ、NFSを提供するNASソフトウェアでもあり、一般には、「ビッグデータ基盤ソフトウェア製品」としてそれなりに認知されています。また、先述のグローバルネームスペースやオープンソースの分析・AIソフトウェアなどをスケールさせて実行できるデータ基盤ソフトウェアとして定評があります。しかし、こららのEDF-CMが有する便利機能は、ブロックチェーンや最先端な量子コンピューター技術や生成AIの最先端の計算手法などに比べると、ものすごい最先端ITの高度な技術なのかというと、そうでもありません。むしろ、非常に枯れていて安定したデータ基盤ソフトウェアの「当たり前の機能」です。でも、世界的には、顧客体験を大きく変えた「金融の先進事例」として取り上げられるわけです。
クレジットカード会社や先程の銀行における「そんな機能、先進的でもなんでもないし、日本では、あたりまえだし、事例にならないよ、そんなもの」の「そんなもの」を活かすも殺すも、「製品技術の特性を熟知した上で、新事業にうまく活用し、顧客体験に変化をもたらし、そして、対外的にも、きっちりと変革の効果を事例として見せつける」ということが重要だと思うのです。いくら高度な機能、高度な技術があっても、顧客体験に変化がなければ、「技術はすごいけど、単にそれだけ」になってしまいます。重要なのは、ITシステムの高度な機能ではなく、「顧客体験」なのです。
なので、EDF-CM自体の便利機能や性能うんぬんの話は、ちょっと一旦横に置いておいて、まずは、今後の金融を支えるデータ活用のIT基盤は、どうあるべきなのかを今一度、考えて頂きたいのです。自分達が持っているデータと金融サービスで、どのような顧客体験をもたらす必要があるのか。それを実現するための技術は、なにを採用すべきなのか。今までのオラクルデータベースのIT更改を続けるITでよいのかどうか。海外の金融事業者に打ち勝つにはどうすればよいのか。海外展開を見据えたデータ活用の在り方は、どのようなものが考えられるのか。海外展開をすると、既存顧客に対して、どのような顧客体験の変化が生まれる可能性があるのか。今一度、基本に立ち返り、自社のデータ駆動型のビジネスとITの在り方を再検討してみてはいかがでしょうか。
KOGA MASAZUMI（@masazumi_koga）
【書籍のご案内】HadoopとMapRと機械学習を学べる本
MapR（現在の名称：HPE Ezmeral Data Fabric - Customer Managed）は、Hadoop互換でありながら、Hadoop HDFS（Hadoop分散ファイルシステム）よりも圧倒的に高速なMapRファイルシステムを搭載しています。その非常に高いI/O性能に加え、高可用性NFSサービスを提供する単純なNASとしても利用できます。それらの使い勝手の良さから、大手自動車会社の自動運転車のAI開発基盤や、インド政府のマイナンバーシステムで採用されているデータ基盤ソフトであり、日本国内でも100社以上の導入実績を誇ります。本書では、その豊富な導入実績をもとに、頻繁に利用されている基礎技術を「Hadoopクラスター構築実践ガイド」に収録しています。主に、以下に挙げるMapRとその上で動くオープンソースソフトウェアのノウハウを学べます。
●Hadoop v3とMapR v6の構築手順
●運用管理手法
●Spark：SQL、Streaming、GraphX、R、MLlibの使用法
●ニューラルネットワークによる学習
●データベース操作（Hive、Impala、HBase、MapR-DB、Pig）
●データのインポートとエクスポート（Sqoop、Flume）
フライトデータ分析、植物の分類、おすすめ映画のタイトル表示、Wikipediaドキュメント分類といった具体例をもとに、ステップバイステップで学べる一冊です。