想定通りにはいかない難しさ。

中路：良い仕掛けをつくる上で、難しい点はどこでしょうか？

松村：仕掛ける前には考えていなかった想定外のことが起こることです。そこで、これを回避するために予備実験（Preliminary Experiment）を行います。事前に仕掛けを検証し、仕掛けに問題がないか、想定外のことが発生しないか、期待どおりの効果が出そうか、などを確認します。ちなみに、総選挙では予備実験をすることができませんでしたが…。

中路：仕掛けの結果の検証や評価は厳格に行なっているのでしょうか。もともとAIの研究をされていたこともあり、データ分析は得意分野かと思いますが、具体的にどのようなことを行っているのでしょう。

松村：仕掛けの結果の検証でデータ分析はしますが、特別なことはしません。基本的にはすべて目視でデータ収集をします。どのような人がどのような反応をしているのか、そのときの表情はどういった様子なのか、といったことを定量化します。統計的な処理を行って仕掛けの効果を検証しますが、何より重視しているのは表情です。みんなが笑顔であれば大成功だと言えるでしょう。逆に怒っている人がいれば失敗です。

仕掛けの効果を正しく評価するためには、何をどのような観点で観察すべきかをあらかじめ議論し、漏れなく準備しておく必要があります。いったん仕掛けがスタートすると、後から観察したいことが見つかっても軌道修正することは難しいですからね。

中路：総選挙では予備実験ができなかったとのことですが、仕掛けがスタートした後に気づいたことはありますか？

松村：三つありました。ひとつ目は、気温による人の行動の変化です。実験期間中はそれ以前と比べて平均気温が5℃も上昇していました。気温が上がると、エスカレーターの利用率も上がると言われています。幸いにも実験期間後の平均気温がそれほど変わらず事なきを得ましたが、肝を冷やしました。

二つ目は、メディアの撮影用カメラにより階段を利用できない時間が発生してしまったことです。これはコントロールが非常に難しいケースかと思います。

三つ目は、第三の選択肢を与えてしまったことです。「アフター5の行き先は福島駅？それとも天満駅？」というように階段に二つの選択肢を持たせたわけですが、その二つから選べない、あるいはそれ以外を選択したい人に対して、エスカレーターの利用を選択する”逆の理由づけ“をしてしまったということです。

ただ、このような想定外をすべて事前に気づくことは難しいため、仕掛学を市民科学（Citizen Science）にすることが重要だと考えています。

中路：確かに、先人の知恵があると仕掛けの精度をより高められますね。さらに成果の観点でいうと、ひとつ一つの仕掛けの成果は小さくとも、それが広まることで大きな成果につながると思うのですが、その辺りの狙いはありますか？

松村：まさにそこが、仕掛学を市民科学にする大きな意味や価値になると思います。研究者が仕掛けの実験をして終わるのではなく、みんなが仕掛けの実験に参画し、成功や失敗の経験を共有できるようにしたい。そのために過去の仕掛けの内容は公開していますし、多くの人が仕掛けを考える際に有効活用してもらいたいと考えています。

まずは良い仕掛けを学ぶことから。

中路：仕掛学を市民科学に育てる上で大切なことは何でしょうか？

松村：良い仕掛けと悪い仕掛けの大きな違いである、誰もが不利益を被らない公平性と、仕掛ける側と仕掛けられる側の目的が異なる目的の二重性に、その答えがあると考えています。

仕掛けられた側が「あぁ、騙された！もう二度と騙されないぞ！」と思ってしまえば、それは良い仕掛けではありません。仕掛けられる側が、仕掛ける側の目的を理解し、なおかつ「楽しいからやろう！」と参加してくれる仕掛けは、おのずと広がっていくと思います。また、そのような良い仕掛けがたくさんある社会は、きっと素敵なものになると信じています。

中路：良い仕掛けを集める上でお手本となる業界や分野はありますか？

松村：教育現場は良い仕掛けの宝庫です。優れた先生は、試行錯誤の末に獲得した、子供たちのやる気を引き出す独自の仕掛けを持っています。教科書をそのまま読むのではなくクイズ形式にしたり、外に出て実際のものに触れてみたり。生徒をワクワクさせる良い仕掛けをたくさん持っているわけです。これらを集めて、課題解決に活かす仕組みを作りたいと考えています。

また、良い仕掛けを見つけるには”遊び心“が必要です。例えばゴミ箱ひとつにしても、「ゴミはゴミ箱に入れましょう」と張り紙をしたところで、残念ながらポイ捨てをする人はいるわけです。仕掛けは、やってみたいと思わせたら勝ちです。ゴミを入れることを目的にするのではなく、バスケットゴールに入れて快感を得るという、まったく別の”楽しい“目的を与えることで、ゴミの回収率を高めることはできるのです。

中路：人の行動を促す枠組みといえばナッジ（nudge）もありますが、仕掛学との違いはどこにありますか？

松村：どちらも新しい選択肢を与えて行動を促す点は同じですが、ナッジは無自覚的に選択し、仕掛けは自覚的に選択するという点が決定的な違いです。すなわち、仕掛けられる側が自身の選択を意識しているかどうかの違いです。

無意識的に選択をした場合、その行動を強要されたものとして反感（Back Fire）を生む可能性があります。これはナッジが抱える問題点です。一方で仕掛学では、自分が意識的に選択をするため、反感を生むことはありません。

また、仕掛学をマーケティングに利用したいという声もありますが、商品やサービスの認知獲得までは仕掛学の範囲であると考えています。購買までを目的にすると「買わされた」という反感を生む可能性があるからです。

中路：なるほど。他にはどのような注意点がありますか？

松村：「魔法陣を地面に書くと、人の行動にどのような変化が現れるか」という実験を、以前に大学内で行なったことがあります。人がたむろすることを防ぐことを目的とした仕掛けでしたが、その目的を理解せず、愉快犯的に模倣する人が現れました。これを予め想定して排除することは難しいのですが、仕掛けられる側の立場で、その仕掛けをどのように受け止めるかを考えておくことが大切だということです。

中路：仕掛けられる側の立場で考えるとは、具体的にどのようなことでしょうか。

松村：真実の口の中にアルコール消毒器を仕込んだ仕掛けを病院で実施するにあたり、注意書きを大きく記載するなどの工夫を行いました。アルコール過敏症の方に向けた配慮です。

楽しい経験がよい仕掛けを生む。

中路：良い仕掛けを生むコツはありますか？

松村：アイデアを出すプロセスは試行錯誤していますが、これという解はなさそうです。アイデアの発想法としては、オズボーンのチェックリストやIDEO社のデザイン思考（Design Thinking）などの手法がありますが、それで必ず良い仕掛けが生み出されるわけではありません。

仕掛けのポイントは”目的の二重性“で、仕掛けられた側の目的を作る必要があるのですが、アイデアの発想法だけではそれを生み出すに至らないことが多い。そこで利用するのが類推（Analogy）という手法です。

仕掛けられた側の”楽しい“目的を作るには、その人が過去にそれを楽しんだ経験があるかどうかが重要です。バスケットゴール付のゴミ箱の例でいうと、ボールをゴールに入れる”楽しい“経験が、総選挙の例でいうと、投票によって自分の意見を他の人と比較する”楽しい“経験があるからこそやってみたいと思うわけです。ライオンの口の例でいうと、ローマの休日の真実の口を知っていれば、やりたい気持ちはより高まるでしょう。このように、過去の経験を上手く紐づけて、体験したいという欲望（Desire）を作りだすことが、強力な誘引を持つ仕掛けの創出につながります。

中路：最後に、松村先生の今までの研究から導き出されたメッセージを一言で教えてください。

松村：ひとことで言うと「仕掛けは人の興味や関心を具現化したもの」です。

良い仕掛けを思いついたとしても、実際に試してみると想定外のことが起きることは多々あります。そんな時でも、軌道修正を厭わず、試行錯誤を楽しむことが大切であり、それが仕掛けられた側の笑顔につながります。

良い仕掛けは、ただ問題を解決するのではなく、人の行動を変えて笑顔にしてくれます。仕掛学（Shikakeology）が、仕掛楽（Shikakenjoy）という楽しい問題解決の一つの方法として多くの人に広まり、世の中に良い仕掛けがたくさん生まれ、共有される社会になることを願っています。

人を笑顔にする仕掛け。

本メディアのテーマである「UXとデータによる価値創発」に関わる領域で先駆的な取り組みをされている専門家の方々を、uxmeetsdata.com編集部の中路（ナカジ）が訪ねる本企画。

今回は、大阪大学大学院経済学研究科教授の松村真宏（マツムラナオヒロ）先生にお話を伺いました。松村先生は、仕掛学（Shikakeology）¹⁾仕掛学って？という学問を創出し、日常にひっそりと隠れている仕掛け（Shikake）を問題解決の手段として体系立てた、この領域の先駆者です。

もともとはAI研究者であった松村先生が、どのような問題意識から仕掛けというアプローチに至ったのか、そして”人を笑顔にする良い仕掛け“を生み出す極意はどのようなものかについて語ってもらいました。

データでは本質がわからない。

中路：まずは松村先生の研究テーマについて、これまでの経緯と合わせて教えてください。

松村：もともとは漠然と人工知能（Artificial Intelligence：AI）をやりたいと思っていて、当時AIの研究をされていた大澤先生²⁾大澤先生のデータ戯れ学のいる研究室を選びました。研究テーマは、修士までは検索エンジン（Search Engine）でしたが、博士課程でソーシャルメディア（Social Media）へと移りました。具体的には、Yahoo!掲示板や2ちゃんねるなどの掲示板サイトのデータを用いて、どのような話が、どのように伝播するのか、またその影響力などについて研究していました。それは刺激的で楽しかったのですが、一方で生涯の研究テーマなのかという違和感もありました。

中路：その違和感とは、どのようなものだったのでしょう？

松村：ひとつの側面しか捉えていないデータでは、本質的なことはわからないということです。人は、色々な人格を使い分けています。例えば、Yahoo!掲示板での発言データは、その人の人格のある側面でしかなく、それだけでその人の本質を捉えることはできません。

当時、社会心理学の分野の先生ともお話をしていて、人を対象としたデータの取り扱いの難しさや限界を感じ、何か違う方面に行きたいと考えていました。そんなおり、2012年にサバティカルという長期休暇を取得し、スタンフォード大学で研究をする機会を得ました。そこで今の研究テーマである仕掛学に本格的に取り組み始めたわけです。スタンフォード大学は挑戦的な研究テーマに対して理解のある大学で、デザインスクールの先生方や学生たちと人の行動について様々な側面から議論することができました。

そのあと日本に帰国し、それまでの研究成果を『仕掛学―人を動かすアイデアのつくり方』という本にまとめて2016年に出版しました。それが一部のマスコミやメディアに取り上げられ、企業や一般に認知が広まっていったわけです。

仕掛けとは人の行動を変える仕組み。

中路：仕掛学とはどのような学問でしょうか？

松村：仕掛学（Shikakeology）は、人の行動を変える”仕掛け“を研究する学問です。仕掛けと聞くと罠のような悪いイメージがあるかもしれませんが、仕掛学では世の中のたくさんの仕掛けの中から良い仕掛けを定義しています。具体的には公平性（Fairness）・誘引性（Attractiveness）・目的の二重性（Duality of purpose）の三つを満たすものです。

公平性（Fairness）は、仕掛けによって誰も不利益を被らないことです。人を騙したり不快にするものは仕掛けではないことになります。

誘引性（Attractiveness）は、行動を誘うという仕掛けの性質のことです。行動の変化を強要するものは仕掛けではないことになります。仕掛けが行動の選択肢を増やすもので、かつ自らの意思で選択できることが前提となります。

目的の二重性（Duality of purpose）は、仕掛ける側の目的（問題を解決したい）と仕掛けられる側の目的（その行動をしたい）が異なることです。目的が一致するものは仕掛けではないことになります。

簡単に言うと、仕掛ける側も仕掛けられる側も”笑顔になる“とか”幸せになれる“仕掛けを指します。”人を欺く“とか”行動を強要する“仕掛けは対象としていません。

また、企業とのコラボレーションを積極的に行っています。最近では、今年の7月30日から8月5日の期間限定で、JR西日本グループと「大阪環状線総選挙」を実施しました。これは「あなたの好きな大阪環状線のアフター5の行き先は福島駅？それとも天満駅？」という問いに対して、階段を登ることで投票できるという仕掛けです。

本来の目的は、混雑や問題発生の要因となるエスカレーターの利用を減らし、階段の利用を促進したいというJR西日本グループが抱える課題の解決することでした。仕掛けの定義で説明すると、仕掛ける側の目的は階段の利用促進、仕掛けられる側の目的は選挙への投票や投票結果を見ることであり、双方の目的が異なる、すなわち目的の二重性があることがわかります。また、誰の不利益もなく、行動も強要ではなく自然に誘引されています。

中路：このような企業とのコラボレーションによる大きなイベントが多いのでしょうか？

松村：企業とのコラボレーションも多数ありますが、大学の中や、大学の近くの商店街の中でもたくさん仕掛けの実験を行なっています。商店街のある通りを歩くと、研究目的で実施した仕掛けを五つ発見した、ということも少なくありません。学期末はゼミの発表会があるので、学生が新しい仕掛けを仕込んでいる姿が見られます。発表では、良い仕掛けが予想通りの結果をもたらしたものもあれば、想定外のことが起きたものもありますね。

わからないデータはつまらない。

中路：チャンス発見学のビジネス活用について問題にぶつかったとのことですが、詳しくお聞かせください。

大澤：データに抵抗のある人をどう巻き込んで新しい価値を創造するかということです。当時、文部科学省の助成金による多数のAI研究者による協働研究で、肝臓患者の血液情報を扱うようになりました。患者の血液検査データを元にC型肝炎治療の説明を試みたのですが、データが専門的すぎて理解が追いつかず、研究が進まないという問題に直面しました。血液検査項目にはGOTやGPTといった値がありますが、何が何だかよくわからない。人はわからないデータを見ても面白くないという、当たり前だけれども極めて重要なことに、その時気づきました。

中路：確かに、そもそもの変数や値の意味がわからないデータは、いくら可視化されても理解できないですし、見ていて全く楽しくないですよね。

大澤：データといくら睨めっこしても、わからないものはわからない。そこでキーグラフ（KeyGraph）を活用して患者のデータを可視化しました。とはいえ、この段階ではまだ何もわかりません。この結果を肝臓の専門医に見てもらってはコミュニケーションをとり、またデータセットを変えて可視化することを繰り返しました。可視化して議論するというプロセスを何度も回すことで、初めはデータからは見えてこなかったC型肝炎治療のプロセスを説明することに成功しました。

この研究でわかったことは二つあります。一つ目は、データクレンジングにおいて、データの意味を理解することが極めて重要だということです。医学のデータは同一成分が別の言葉や単位系で書かれているなどデータが整理されてないケースが多く、データの意味を理解しないとデータクレンジングはできません。専門医とのコミュニケーションを重ねてデータの意味を理解することで分析可能なデータに整理することができました。

二つ目は、データの意味がわかってくると面白いということです。データクレンジング処理が完了すると、可視化やより深い分析ができるようになります。医学の先生たちの中で何となく不明瞭だったC型肝炎治療のプロセスが、分析を通して判明して行く研究はとても楽しいものでした。

データ分析には五段階あり、その中でもどきどき期からわくわく期というデータ分析の仮説検証を回してる時が最も楽しい段階です。そしてそれを創出するにはデータの意味や背景を知る人と一緒にデータを可視化して議論し、繰り返すことが重要であると、わたしは考えています。

データと戯れる。

中路：データ分析の専門家だけではなく、そのデータの意味や背景を知る人とともに、データと戯れることが大切ということですね。そのプロセスを通じてデータの意味がわかってくると、さらに面白くなる。いわばデータ戯れ学ですね。あるいはデータディライト（Data Delight）とでも。データに抵抗のある人をどう巻き込んで新しい価値を創造するかの問いに一つの解が見えそうです。

その後、ビジネス側の研究に戻られたのでしょうか？

大澤：はい。データを可視化して、議論するステップを取り入れることがビジネス活用でも大いに役立てられると思い、ビジネスでのイノベーションを創発するフレームワークであるイノベーションゲームの研究を、東京大学大学院システム創成学科にて始めました。

イノベーションゲームは、ビジネスにつかえる製品や知識をカードに記入し、そのカード同士の関係をキーグラフで可視化して、参加者で議論をするという、ワークショップ形式で行います。さらに、単に奇抜なアイデアにならないように、マーケット原理、つまりお金の概念を導入し、良いアイデアにはお金が集まるような仕組みを導入しました。その仕組みをイノベーション市場（Innovators’ Marketplace）と言います。

中路：これまでの研究の集大成といえるものですね。この仕組みでビジネスの現場におけるイノベーション創発はされたのでしょうか？

大澤：残念ながらこの方法ではあまり多くのイノベーションが生み出されませんでした。イノベーション市場には二つの問題があります。一つ目は、継続しないこと。ワークショップが終了すると、その取り組み自体も終了してしまうわけです。

二つ目は、良いアイデアが出づらいことです。この問題の解決について、過去の研究にヒントがありました。それは仮説推論の研究の中で発見したもので、シンプルな事象についての知識を掛け合わせることで、未知の事象を説明できる、というものです。イノベーション市場の問題は、カードに記入するアイデアが複雑すぎたことにありました。

シンプルであること。

中路：なるほど。「良いアイデアは、既存のシンプルなアイデアの組み合わせで生まれる」とジェームス・ウェブ・ヤング著の『アイデアのつくり方』でも述べられています。大澤先生も、製品・知識データをシンプルなものに変えたということでしょうか？

大澤：はい。製品・知識データを概要情報に絞ったものを、データジャケット（Data Jacket）¹⁾データジャケットって？と名付けました。データジャケットは、データ概要が書かれているシンプルなものなので、ワークショップ内で組み合わせて良いアイデアを創発しやすい形状になっています。また、データジャケットのもう一つの利点は、データそのものでなくて良いということです。

データそのものは入手困難なものです。肝臓患者の血液情報データもプロジェクトメンバーの研究者であったため触れることができましたが、一般のユーザーは到底アクセスできないでしょう。一方で、このようにデータそのものの提供が難しい状況であっても、データの概要のみが書かれたデータジャケットであれば、お互いに公開し合えて議論が活性化できると考えました。

中路：確かに。多くの企業がビジネスに活かそうとデータを収集してますが、その多くが他社への提供が難しく、違いに活用することなく埋もれてしまっています。

大澤：自社データを提供することで競合に活用されてしまうリスクがあるという気持ちはよくわかります。そこで、データの概要情報に絞って開示を促すことが効果的となります。データそのものを渡すことは難しくても、データジャケットなら問題ないというケースがあることに気づきました。

2013年3月のNHK特集で、震災をテーマに各企業がデータを出し合い、参加者がデータ分析をするというコンペが報道されました。開催後にデータ提供企業に対してデータを欲しい旨を伝えると、もう結構使えそうだと知ったので無料では渡せないとのこと。これではイノベーションは継続的に生まれていかない。一方で、データの概要情報、すなわちデータジャケットなら問題ないという企業がいくつかありました。

データジャケットであればたくさん収集し、イノベーション創発に役立てることができるということに気づいたわけです。このデータジャケットを活用したイノベーション市場のワークショップを、IMDJ（Inovation Marketplace on Data Jackets）と呼び、現在も継続的に実施しています。これには複数の企業が参画し、データを活用したビジネスのイノベーションに取り組んでいる状況です。

中路：最後に、大澤先生の今までの研究から導き出された最も新しいエッセンスを一言で教えてください。

大澤：ひとことで言うと「変化の予測ではなく、変化の説明」です。

過去の変化の事象からの予測はできても、その変化の原因を説明できなければ、対策として行動シナリオを描けないことが、今までの研究を通して明らかになりました。仮説推論という私の最初の研究テーマを、数十年間にわたって研究から外していた最大の理由は、与えられた仮説や情報からだけでは、変化を説明できず、未来を予測できないと思ったからです。言い換えると、与えられた仮説以外の事象を新たに生み出すことができれば、未来を創発することができるかもしれない。そう気づいたのはデータジャケットを生み出した時でした。

データジャケットは、イノベーションゲームの参加者が自由に追加することができます。つまり、説明できない新たな知識を補い合うことが、ワークショップの仕組みの中でできるのです。AIは限られた仮説の中で最適な答えを出すことには優れてますが、与えられてない仮説を生み出すことはできません。その限界を理解して、イノベーションゲームといった人が間を補い合うことができる仕組みを持つことで、変化の説明を行えるようになりました。これは、新たな仮説推論手法とも言えます。事象のなぜ（Why）に対して、自分の知識や与えられたデータだけではわからないことを、可視化や分析、そして多様な人の議論によって解き明かすことができる。それが新たな価値を生み出す上で最も大切なステップだと考えてます。

物事の変化をデータで説明する。

本メディアのテーマである「UXとデータによる価値創発」に関わる領域で先駆的な取り組みをされている専門家の方々を、uxmeetsdata.com編集部の中路（ナカジ）が訪ねる本企画。

今回は、東京大学大学院システム創成学科教授の大澤幸生先生にお話を伺いました。大澤先生は、物事の変化をデータで説明することを基軸とし、チャンス発見学（Chance Discovery）やデータジャケット（Data Jacket）¹⁾データジャケットって？などの学問・フレームワークを創出した、この領域の先駆者です。

“物事の変化をデータで説明する“とは何か、またなぜそれが求められているのか。ビッグデータやAIがバズワード化している現在、データに関わるすべての人が理解しておくべき極めて重要なこのテーマに入門するとともに、そのプロセスにおいて”いかにしてデータと戯れるか“を語ってもらいました。

なぜその事象は発生したのか。

中路：まずは大澤先生の研究テーマについて、これまでの経緯と合わせて教えてください。

大澤：卒論では自然言語処理でした。修士課程では光ファイバーを、博士課程では人工知能の研究室で仮説推論の研究をしてました。

仮説推論（Abduction）とは、観測事象などの目に見えて起きている物事の変化を説明する学問のことです。1990年代当時、今ほど脚光を浴びていなかった人工知能（Artificial Intelligence：AI）や機械学習の原理となる論理モデルを活用して仮説推論の研究を行なっていました。AIを観測事象を説明するための道具として活用していたわけですが、その時に感じていたのは、AIが新たな事象を説明するのは得意ではないということです。与えられた仮説の中でしか事象を説明できないAIにとって、物事の変化を説明する、すなわちなぜ（Why）を解き明かすことは全くできなかったのです。そこにAIの不完全性を感じましたし、その不完全性をどのように人が補うのか、ということが私の中で重要なテーマとなったわけです。

中路：新たな事象を説明するというのは、具体的にはどういうことでしょうか？

大澤：その事象が起こるメカニズムを説明することです。具体的な研究テーマからお話しすると、その発端は1995年1月に発生した阪神淡路大震災でした。観測データを既存の仮説から説明する仮説推論では、大震災のような滅多に起こらない事象を説明することはできません。そこで、発生頻度の低い事象を予測することはできないのか、という問題に強い興味を持ちました。

機械学習には、事象にある程度の頻度がないと学習ができないという問題があります。発生頻度の低い事象を説明するにはどのように立ち向かうべきかを考えました。そこで編み出したのがキーグラフ（KeyGraph）というアルゴリズムです。

中路：キーグラフを地震以外に活用した事例はどのようなものがありますか？

大澤：薬局の購買データをキーグラフによって可視化し、これから売れる商品の予測、すなわち需要予測に役立てようとしました。ところが、うまく予測することができなかったのです。なぜ地震の予兆を捉えることはできるのに、需要変化の予兆は捉えられないのか。私は人の介在が大きく絡んでると考えました。

マーケットには人が介在する。

中路：需要変化に人の介在が影響するというのは具体的にどういうことでしょうか？

大澤：マーケットは人で形成されています。ゆえに商品の購買の裏側には人が大きく介在しています。したがって、商品の需要変化には人の介在が影響しているわけです。地震予測と決定的に異なるのはその点です。

人の意思や価値観が間に入ると、なぜ（Why）を理解することが途端に難しくなります。そこで、購買データから需要予測をするのではなく、購買データを元に、購買の結果の事象と関連する情報の関係性を可視化することで、なぜ売れたのかという説明を得た上で次の戦略を立てる仕組みを作るという方向で研究を進めることを考えました。そうして誕生したのがチャンス発見学（Chance Discovery）という学問です。

中路：チャンス発見学について、詳しく教えてください。

大澤：チャンス発見学とは、事象や関連する情報を理解し、新しい価値を生み出すために活用するための考え方や仕組みの学問です。ある繊維メーカーにおいて、購買の事象とその周辺の情報要素をキーグラフを活用して可視化し、新商品を売るアイデアを創出することに成功しました。そして社会人の方々と協働してチャンス発見コンソーシアムを立ち上げ、キーグラフを活用したチャンス発見学をビジネス活用する方向で動きました。

中路：ビジネスにおけるデータ活用の重要性は、以前にも増して高まっている状況ですが、このチャンス発見学をビジネスに活かすことはできるのでしょうか。

大澤：チャンス発見学のビジネス活用においては一定の価値を提供できることがわかったわけですが、ひとつ大きな問題にぶつかりました。それはデータに抵抗のある人をどう巻き込んで新しい価値を創造するかというものです。