KPIは掲げた瞬間から陳腐化し、月末には「達成/未達」を確認するだけの数字になりがちです。なぜKPIは行動に効かなくなるのか。その分岐点は、活動データが構造化されているかどうかにあると考えます。本稿では、次の一手を示す指標を設計するための土台を上流から整理します。
人手不足、原材料と物流費の上昇、そして労働時間規制の強化。中小〜中堅企業の経営者・事業企画にとって、限られた人員で成果を最大化する要請はかつてなく強まっています。こうした状況では「勘と気合い」ではなく数字で管理しよう、という判断は自然です。実際、多くの現場がKPIを掲げています。ところが、掲げたKPIが日々の行動を変えているかと問うと、答えに詰まる組織は少なくないと考えられます。
典型的な症状はこうです。月初に目標を設定し、月末に達成・未達を確認する。未達なら「来月がんばろう」と精神論に着地し、達成しても「なぜ達成できたか」は言語化されない。KPIが結果の記録簿になり、次の一手を示す羅針盤になっていない状態です。これはKPIそのものが悪いのではなく、KPIの立て方と、その裏にあるデータの持ち方に構造的な原因があると考えます。
多くの現場には数字が「ある」のです。受注件数、売上、稼働率、不良率。しかし、それらは結果指標に偏っており、結果に至るまでの過程――どの工程で時間を要したか、どの商談段階で失注したか、どの検査条件で見逃しが増えたか――が同じ粒度で残っていません。結果だけを眺めても、どこを直せば数字が動くのかは見えてこない。ここに「数字はあるのに動けない」という停滞が生まれると考えられます。
議論を整理するために、二つの軸を置きます。一つ目は「結果指標」と「プロセス指標」の軸です。結果指標は売上や不良率のように、活動の終着点で確定する数字。プロセス指標は、その結果を生み出す途中の行動量・進捗・条件を表す数字です。結果指標は評価には向きますが、それ単体では改善の打ち手を指し示しません。行動を変えるのは、多くの場合プロセス指標の側だと考えます。
二つ目の軸は「報告KPI」と「行動KPI」です。報告KPIは上位者や社外に説明するための数字で、粒度は粗く、更新頻度も低めで構いません。行動KPIは現場の担当者が今週・今日どう動くかを決めるための数字で、細かく、鮮度が命です。この二つを一枚のダッシュボードに混在させ、しかも報告KPIしか用意していない――これが「見てはいるが動けない」構造の一因になっていると考えられます。
綿密なKPI設計とは、結果指標をプロセス指標へと因数分解していく作業に他なりません。たとえば受注は「商談数 × 各段階の通過率 × 平均単価」に分解でき、通過率はさらに提案の質・スピード・接触頻度といった行動要因に分解できます。物流や検査の現場でも同様に、最終的な品質・コストを工程単位の指標へ落とし込む発想が起点になります。この分解の作法はKPIをデータドリブンで設計するという考え方の中核でもあり、結果を眺める管理から、過程に介入する管理への転換だと考えます。
プロセス指標を分解しようとすると、必ずデータの持ち方の問題に突き当たります。分解した各要因を測るには、活動が「誰が・いつ・何を・どの段階で・どんな条件下で」といった軸で記録されている必要があります。ところが現実には、活動記録が自由記述のメモ、担当者の頭の中、あるいはExcelの島宇宙に散らばっていることが多い。これらは人間が読めば意味は分かりますが、集計にも分析にも機械的には使えません。
データ構造化とは、この散らばった活動を、後から集計・比較・関連づけができる形に揃えることです。難しく考える必要はなく、まずは同じ出来事を同じ項目名・同じ選択肢・同じ日時形式で残す、という地道な統一から始まります。構造化されたデータがあって初めて、プロセス指標は自動で算出でき、指標同士の関係も追えるようになると考えます。
「AIにボトルネックを見つけてほしい」という期待は自然ですが、AIは記録されていないものは分析できません。段階ごとの通過率が残っていなければ、どの段階が詰まっているかは示せない。逆に、活動が構造化されていれば、AIは「この段階の滞留が結果指標を下押ししている可能性が高い」といった仮説を、人が探しにいく前に提示できるようになります。現場データを起点に見える化する取り組み――たとえば営業データの可視化――は、AI活用の前段としても意味を持つと考えます。
設計の第一歩は、最終的に動かしたい結果指標を一つ定めることです。あれもこれもと結果指標を並べると、プロセス指標が発散して現場が消化できません。一つの結果に絞り、そこから「この結果は何と何の掛け算か」を分解していく。分解の各段に、現場が今週コントロールできる行動要因が現れたら、それが行動KPIの候補になります。
次に、その行動KPIが「先行性」を持つかを吟味します。良い行動KPIは、結果指標より早く動きます。結果が出てから慌てるのではなく、行動KPIの兆候を見て手を打てる。たとえば検査工程であれば、最終不良率という結果より、特定条件下での判定のばらつきという先行指標のほうが早く異常を教えてくれる場合があります。精度のような現場品質をどう指標へ落とすかは、精度をKPIで設計するで扱う論点と地続きだと考えます。
KPIを増やすときに陥りやすいのが、測りやすい数字を並べてしまうことです。しかしKPIの本質は数の多さではなく、行動との因果の強さにあると考えます。測れるかどうかではなく、その指標が動いたとき本当に結果が変わるのか、という問いを常に添える。因果が疑わしい指標は、たとえ綺麗に測れても行動KPIからは外す勇気が要ります。
KPIには目標値や警告ラインといった閾値が付き物ですが、これを机上で決め切るのは危険です。適切な水準は現場の条件によって変わりうるため、初期値は仮置きとし、実際の活動データと突き合わせながら調整していく前提が現実的だと考えます。数値はあくまでモデル前提の一例であり、現物・現場での検証を通じて自組織の妥当な水準を見つけていく姿勢が欠かせません。
活動が構造化され、行動KPIが定義できると、次の段階として「集計を人がやらない」という発想が現実味を帯びます。構造化データからプロセス指標・結果指標を自動で算出し、ダッシュボードに常時反映する。ここまで来ると、KPIは月末に手で作る報告物ではなく、日々更新される生きた状態になると考えられます。
さらにその先に、AIによる「先出し」があります。人がダッシュボードを開いて異常を探すのではなく、AI側が「今週はこの段階の通過率が普段より落ちており、結果指標に効いてくる可能性があります」といった注意点を先に差し出す。これはKPIを見る作業から、示された仮説を検証し打ち手を決める作業へと、担当者の時間の使い方を移す試みだと考えます。ただしAIの提示はあくまで仮説であり、最終判断は現場の文脈を知る人が担うべきだと考えます。
綿密なKPI管理には、本来かなりの集計工数が伴います。その工数が重いために、KPIの粒度を粗くしたり更新を月次に留めたりする――結果として行動KPIが育たない、という悪循環も見られます。データ構造化と自動算出は、この集計コストを下げることで、細かく鮮度の高い行動KPIを維持可能にする側面があると考えます。指標を精緻にするほど人手が要る、という制約を緩める方向の投資だと捉えられます。
最後に、正直に限界と落とし穴を挙げます。KPI設計とデータ構造化は万能ではなく、進め方を誤ると労力だけがかさむことも十分にありうるからです。
では何から着手すべきか。壮大な基盤構築から入るのではなく、動かしたい結果指標を一つ選び、それを支える最も重要なプロセスを1本だけ構造化するところから始めるのが現実的だと考えます。その1本で、記録の粒度・入力負荷・指標の先行性を実地で確かめる。ここで得た手触りが、横展開の設計図になります。
次の段階で、算出の自動化とダッシュボードへの常時反映に進み、さらにAIによる先出しを試す。各段階で「この指標は本当に行動を変えたか」を問い直し、効かない指標は削る。KPI設計は一度作って終わりではなく、事業と現場の変化に合わせて磨き続けるものだと考えます。
Nsightは、元キーエンス画像処理事業部でKPI設計と営業マネジメントの綿密さを体得した知見をもとに、自社の営業・業務データを単一のナレッジ基盤に集約しAIがKPIとボトルネックを先出しする業務OSを、自ら構築・運用しています。同じ考え方は物流OCRや外観検査の現場指標にも通じると考えます。自社のKPIが行動に効いているか確かめたい方は、まず現状の把握から一緒に整理できますので、お気軽に相談するところから始めていただければと考えます。
一般にKGIは最終的に達成したい成果（結果指標）、KPIはその達成度を測る中間指標を指します。本稿の観点では、KGIに近い結果指標だけでなく、そこへ至るプロセス指標を分解して持つことが、行動を変えるうえで重要になると考えます。用語の厳密な定義は文脈により幅があるため、自社での運用定義を先に揃えておくことをおすすめします。
どちらか一方ではなく役割が異なると考えます。結果指標は評価や説明に向き、プロセス指標は日々の行動を決めるのに向きます。改善の打ち手を早く打ちたい場面ではプロセス指標（先行指標）が有効になりうる一方、評価はプロセスと結果を組み合わせて行うと定着しやすいと考えます。
すべてを一度に整える必要はなく、動かしたい結果指標を一つ選び、それを支える最重要プロセス1本を、同じ項目名・選択肢・日時形式で記録し直すところから始めるのが現実的だと考えます。まず小さく構造化し、集計や分析に使えるかを現物で確かめてから広げる順序が、息切れを防ぐうえで有効だと考えます。
活動データが構造化されていれば、AIが指標を自動算出し「この段階の滞留が結果に効いている可能性がある」といった仮説を先出しすることは技術的に可能になりつつあると考えます。ただし提示されるのは相関に基づく仮説であり因果の証明ではないため、現場の文脈での検証と最終判断は人が担う前提が欠かせないと考えます。効果の程度は現場や運用により異なり、現物・現場での検証が前提です。
業務のデジタル化やデータ活用を対象とした公的支援制度が用意されている場合があります。ただし対象要件・補助率・申請時期は年度や制度により変わりうるため、適用可否や具体的な数値は所管省庁の最新の公表資料でご確認ください。制度ありきで設計を歪めず、まず自社に効くKPIとデータの持ち方を固めることを優先されるのが良いと考えます。
報告のための数字で終わっていないか、まずは現状のデータの持ち方と指標の使われ方を客観的に把握するところから始めませんか。壮大な基盤づくりの前に、1本のプロセスの構造化と現物検証から一緒に整理できます。
KPI設計とデータ構造化について相談する