本文へスキップ
Yuko Maie の写真

Yuko MaieDX・AX コンサルタント

AI が発達しても、基本は、データです。

マスターデータと、取引データを、どう見て、どう整理するか。ここが、キモです。大きな会社のプロジェクトで培った経験を、会社の規模に関わらず、AI で、速く、お届けします。

AI で、変わったこと

これまで

大きな会社のプロジェクトでは、データの整理と設計に、長い期間と、大きな体制が、必要でした。

  • 長い期間
  • 大きな体制
  • 大きな費用

いま

AI の登場で、データの整理・設計・確認を、速く進められる部分が、増えました。同じ土台を、小さな体制で、整えられるようになってきました。

  • 速く
  • 小さな体制で
  • 始めやすく

変わらないこと

基本は、データです。マスターデータと、取引データを、どう見て、どう整理するか。ここが、キモです。

だから、大きな会社のプロジェクトの経験は、中小の会社にも、役に立ちます。

お手伝いできること

DX・AX の簡易相談

「AI の前に、データの土台から」

何から始めるかを整理し、PMO、CIO 補佐まで、一緒に進めます。会社の規模は、問いません。

まずは、簡易相談から

AI で、試作と PR

LP、小さなサイト、PR 動画の試作。ファッション・ジュエリー・美容の、商品ビジュアルの企画。

まずは、簡易相談から

DX の進め方:データの土台から、AI まで

業務に必要なデータは何か、マスターデータと、取引のデータを、どう設計するか。ここが決まらないと、AX(AI の活用)は進みません。何から始めるかを整理し、会社の変革まで、一緒に考えます。

  1. 業務の棚卸しどんな仕事で、どんなデータが、生まれているか。
  2. デジタル化紙や、表計算や、人の頭の中にあるデータを、システムに乗せる。
  3. マスターデータ顧客、商品、取引先など、会社の基本になるデータを、そろえる(ERP=基幹システムの、中心になるデータ)。
  4. 取引データ受注、発注、在庫、請求など、日々の動きを、もれなく、つなぐ(ERP の中心になるデータ)。
  5. 意味づけ(オントロジー)モノと、関係と、動作を、会社の言葉で、決める。
  6. 見える化数字で、判断できるようにする(BI)。
  7. AI の活用(AX)その土台の上で、AI が、判断し、動く。

飛ばせない順番があります。土台ができていないと、AI は、動きません。

データの土台チェックへ

データが、まだ、デジタルになっていないときも、ご相談ください

  • 紙の帳票や、台帳でやっている
  • 表計算が、人によって、バラバラ
  • 担当者の頭の中にだけ、ある
  • どこに、何のデータがあるか、分からない

どこに、どんなデータがあるかを、一緒に洗い出します。何を、どの順番で、デジタルにするかを、決めるところから、ご相談できます。

オントロジー:データに、意味と関係を、つける

データがあっても、AI は、それだけでは、会社の仕事を、理解できません。「お客様」と「得意先」は、同じか、違うか。注文が入ったら、次に、何が起きるか。これを、会社の言葉で、決めたものが、オントロジーです。

簡単な例:「注文」

モノ
お客様 / 商品 / 注文 / 在庫 / 出荷
関係
お客様は、注文を、出す。注文は、商品を、含む。商品は、倉庫に、在庫がある。注文は、出荷に、つながる。
動作
注文を確定する / 出荷を指示する / 返品を受ける
ルール
在庫がなければ、納期を知らせる。支払いの上限を超えたら、止める。
  1. ERPデータを、記録する箱。
  2. オントロジー記録の、意味と、関係と、動作と、ルールを、会社の言葉で、決めたもの。
  3. AIそれを使って、判断し、動く。

ERP が、オントロジーなのではありません。ERP と AI を、つなぐために、必要な層です。ERP を知っているかどうかで、オントロジーの深さが、変わります。

ERP と AI の役割分担

AI が出てきても、ERP は、なくなりません。役割が、違うからです。

ERPAI
役割記録と統制。正しい数字を、1つに決める判断と提案。予測し、気づき、動く
得意なこと会計の確定、在庫の引当、承認、締め、監査に耐える記録需要の予測、異常の発見、問い合わせへの応答、入力や照合の自動化
苦手なことあいまいな情報、例外、文章や画像「正しい数字」を、1つに決めること。責任を取ること

間をつなぐのが、オントロジーです。ERP の記録に、意味と関係を与えて、AI が使える形にします。

最後に決めるのは、人です。承認と責任は、人に残します。

AI に、ERP の代わりをさせようとすると、数字が、合わなくなります。ERP の上に、AI を載せる。これが、順番です。

AI 化の入り方は、会社によって、違います

  1. 1ERP は、そのまま。まわりの業務から

    状況
    ERP は、動いていて、手を付けにくい。
    入り方
    問い合わせ対応、書類の作成、照合など、ERP のまわりの業務から、AI を入れる。
    気をつける点
    AI が使うデータは、結局、ERP から来ます。マスターデータの意味を、先にそろえます。
  2. 2ワークフローや、顧客管理(CRM)から

    状況
    申請・承認のワークフローや、営業の顧客管理は、変えやすい。
    入り方
    入力の手間が多い所、判断が遅い所から、AI を入れる。
    気をつける点
    ここだけで作ると、ERP の数字と、合わなくなります。「お客様」「受注」の定義を、ERP とそろえます。
  3. 3SAP はあるが、バラバラ。AI で、組み直す

    状況
    SAP を入れたが、部門や会社ごとに、使い方がバラバラで、データが使えない。
    入り方
    AI を使って、データの意味と関係(オントロジー)を、整理し直す。ERP を作り直す前に、「読める形」にする。
    気をつける点
    ERP そのものを、AI で置き換えるのでは、ありません。記録と統制は、ERP に残します。

製品と業務が複雑な所は、まず『見えるようにする』まで。動かすのは、シンプルな業務から。

どの入り方でも、最後は、データの意味を、そろえる所に、戻ってきます。

オントロジーは、新しい話ではありません

AI が業務で動くには、会社の言葉の意味を、そろえておく必要があります。決めることは、5つです。

決めること例
モノ得意先、商品、倉庫
関係商品は、製品群に属する
指標「売上」は、どこまで含むか
ルール誰が、どの数字を見てよいか
動作承認する、在庫を引き当てる

上の4つは、分析の土台を作ってきた会社なら、すでに持っています。足りないのは、最後の『動作』です。AI が動くには、『何をしてよいか』まで、決める必要があります。

大きな道具を入れる前に、できます。まず、1つの業務で、本物のデータを使って、小さく作ります。

私は、この『意味をそろえる仕事』を、分析の土台づくりで、続けてきました。

SAP BW を使ってきた会社の方へ
SAP BW で作ってきたものオントロジーでは例
特性(得意先、品目、会社コード)モノ「得意先」「品目」
属性・テキストモノの性質得意先の国、業種
階層(製品階層、組織階層)関係品目は、製品群に属する
キー数値と、計算の決まり指標と、その定義「売上」は、どこまで含むか
キューブ、DSO に入った取引取引の事実いつ、誰に、何を、いくつ
分析権限ルール誰が、どの数字を見てよいか
(BW には、ない)動作承認する、在庫を引き当てる

BW の定義を、捨てる必要は、ありません。SAP も、BW のモデルを、新しいデータ基盤(Business Data Cloud)へ引き継ぐ道を、用意しています。

BI で起きたことが、AI でも起きます

数字で決める習慣がない所に、道具だけ入れても、使われません。BI で、何度も見てきました。

  1. 1決め方

    BI で起きたこと
    数字ではなく、話し合いで、決まる。
    AI で起きること
    AI が良い案を出しても、決める場で、使われない。
    先に決めること
    会議の資料ではなく、日々の業務の中に、AI を入れる。最後に決めるのは、人。
  2. 2数字の見方

    BI で起きたこと
    傾向ではなく、細かな違いを、探しはじめる。
    AI で起きること
    AI が1回まちがえると、「使えない」と言われる。
    先に決めること
    答えに、根拠を付ける。分からない所は、「分からない」と出す。推測で、埋めない。
  3. 3費用と速さ

    BI で起きたこと
    開発に時間がかかる。費用が減ると、必須でないものから、削られる。
    AI で起きること
    試作で、終わる。
    先に決めること
    「あると便利」ではなく、止まると困る業務から。小さく、早く。

部分最適が、積み重なった結果です。誰かが悪いわけでは、ありません。だから、順番を変えます。

同じ言葉でも、部門で、意味が違う

たとえば、「お客様」。営業では、見込みの方も含みます。経理では、請求先だけです。この違いを、決めないまま AI に聞くと、AI は、間違えます。

大きな組織で、AI が、止まる理由

  • データの持ち主が、部門ごとに、違う
  • 同じ言葉が、部門で、違う意味になっている
  • 権限と、予算の仕組み
  • 古いシステムとの、つなぎ
  • 現場の、手間と、抵抗

だから、全社を、一度に、決めようとしません。1つの業務(たとえば、受注から出荷まで)から、小さく、始めます。

データの土台チェック

いくつかの質問に答えると、いまの位置と、次の一歩が、分かります。答えは、どこにも送りません。

経歴

30年以上、IT・データ・AI の仕事をしてきました。

  • AI スタートアップ(シリコンバレー発)の日本カントリーマネージャー(2019〜2023)。日本法人の立ち上げ、画像・文章データの意味づけ、小売・ファッション企業の、商品提案・接客の改善。
  • データ活用の事業開発・プログラムマネージャー。「このデータがあれば、こんな PDCA が回せる」を、現場で形に。
  • 小売・製造・医療など、幅広い業界での、データ活用と AI の導入支援。現在は、新規事業・企画。
経験の地図 ― 実際のプロジェクトで、経験してきた領域
AI の活用(AX)土台の上に載せる
見える化(BI)経営の数字・指標
  • デジタルマーケティング顧客データ
  • 販売受注・請求
  • 調達購買・在庫
  • 生産製造
  • サプライチェーン需要と供給の計画
  • 会計・管理会計グローバル連結
データの土台マスターデータ + 取引データ(ERP)
グローバル展開複数の国・海外のチームと

経験した業界

自動車・自動車部品 / 化学 / 精密機器 / 半導体関連 / 航空 / 小売 / 消費財 / 医薬 / 医療 / ファッション・EC / 公共

いろんな場面で、やってきたこと

  • データ・BI

    データを見える化し、経営の判断に使える形に。指標の設計、経営の見える化。

  • ERP(SAP)の導入と PMO

    グローバルな導入、グループ全体の標準化、開発から運用への移行。お客様側の PMO。

  • 事業開発・営業

    新規のお客様の開拓、大手企業のアカウント拡大、アライアンス。

  • AI の事業化

    パーソナライズ、画像認識、仮想モデルや商品画像の生成。日本法人の立ち上げ。

  • 小売・EC・顧客体験

    オムニチャネル、Customer 360、パーソナライズ、EC。

  • チームと新規事業づくり

    BI コンサルタント約30名の育成、運用・保守の新事業の立ち上げ、自治体・医療の新規事業。

経歴の詳細
  1. 2023〜現在

    新規事業・企画(ゼネラルマネージャー)

    生成 AI・データ活用・BI・ERP を軸に、新しい事業と変革を担当。構想づくりから、データとソリューションの設計、試作、PoC の計画まで、手を動かして進める。自治体のデジタル化、医療・在宅看護・介護のデジタル化、自費診療のモデルなど。

  2. 2019〜2023

    Mad Street Den(シリコンバレー発の AI スタートアップ) 日本カントリーマネージャー

    日本法人を設立し、事業を立ち上げから成長まで担当。事業計画、市場への参入、パートナー開拓、営業、デモと要件の整理、グローバルのチームとの導入の管理。小売・ファッション・EC の大手企業に、AI による、パーソナライズ、画像認識、仮想モデルの生成、商品画像の生成、動画コマースを提供。

  3. 2014〜2019

    NTTデータ グローバルソリューションズ デジタル事業 エグゼクティブマネージャー

    デジタルマーケティング、BI、グローバルな変革の、事業開発とコンサルティング。大手化学メーカーの、グローバルな SAP の導入を、お客様側の PMO として支援。製造業のデータ可視化の取り組みも担当。

  4. 2012〜2014

    Infosys 事業開発シニアマネージャー

    小売・消費財・医薬の事業開発。オムニチャネルの戦略とロードマップ、Customer 360、パーソナライズ、EC プラットフォームのプロジェクトを推進。

  5. 2011〜2012

    Oracle クラウドサービス営業ディレクター

    大手製造業向けに、ERP の近代化とクラウドへの移行を提案。

  6. 2009〜2010

    日立コンサルティング ディレクター

    グループ全体の SAP の標準化を、PMO として支援。医療卸の、運用コストの構造の見直し。

  7. 2006〜2009

    Satyam AVP(戦略事業開発)

    自動車関連の大手企業のアカウントを拡大。グローバルな導入プログラムの統括。日本側のプログラムマネージャー。

  8. 2002〜2006

    IBM グローバル・サービス SAP BI・ERP コンサルティング シニアマネージャー

    BI コンサルタント約30名のチームを、立ち上げて育成。運用・保守の新事業の立ち上げ。大手航空会社の、開発から運用への移行を主導。

  9. 2000〜2002

    Satyam 日本事業の立ち上げメンバー

    日本でのビジネスの立ち上げを支援。導入プロジェクトを、日本側のプロジェクトマネージャーとして担当。

このほか、会計領域のコンサルタントとして、個人でも活動してきました。

制作例(自主制作のデモ)

※掲載しているものは、すべて自主制作の Concept / Demo です。実在の企業・団体からのご依頼に基づくものではありません。

AI生成
Concept / Demo美容・健康・医療

パーソナルジム 体験申込LP

「今年こそ変わりたい」40〜60代の女性に向けた、体験予約特化のランディングページ

自主制作のデモです。

詳細(パーソナルジム 体験申込LP)
AI生成
Concept / DemoAI・法人向けサービス

AI業務支援SaaS サービスサイト

「結局なにができるの?」を解消し、資料請求とデモ申込を獲得するBtoBサイト

自主制作のデモです。

詳細(AI業務支援SaaS サービスサイト)

実際に運営しているサイト

Coco Glow 365

自分で企画から公開まで、AI を使って、運営しているサイトです。

商品ビジュアルと、AI モデル

AI スタートアップの日本責任者として、AI モデルのサービスを、洋服・ジュエリーなどの事業者に、販売しました。モデルと洋服を、別々に撮影し、合成して、EC サイトに出す方法です。モデルの費用がかかるため、需要がありました。EC サイトでは、洋服の細部と、光の向きによる陰影を、自然に合わせることが、いちばん難しい点でした。いまは、AI で、もっと簡単にできます。コツは同じで、変わるのは、撮影のしかたです。

AI 生成の映像・画像には、必ず「AI 生成」と書きます。

モデルが少ない層の、ご相談

AI モデルのサービスを売り歩くなかで、シニアモデルのニーズを、何度も聞きました。シニアに限らず、体型の幅の広いモデルは、通販サイトでも、まだ少ないと感じています。まずは、私自身が、モデルとして、お役に立てます。撮影に立つ、顔と体をお貸しする、AI モデルとして使う。形は、ご相談で決めます。

ご本人の同意と、契約のもとで、進めます。AI 生成の映像・画像には、必ず「AI 生成」と書きます。

モデルのご相談

AI の使いどころを見つけて、動く形にするまで

  1. 見つけて、選ぶ

    困りごとと、今あるデータから。

    出てくるもの機会の一覧

  2. 数字にする

    前提を変えて、くらべる。

    出てくるもの計画の1枚

  3. 動くものを、先に

    資料より先に、さわれる画面。

    出てくるもの動く試作

  4. 流れを決める

    AI がやる所、人が決める所。

    出てくるもの流れの図

  5. 1枚にする

    判断に要る、図と数字だけ。

    出てくるもの提案の1枚

  6. 動画で届ける

    要点は動画、深掘りはデモ。

    出てくるもの解説の動画

制作例を見る

簡易相談

メールか LinkedIn で、ご連絡ください。

簡易相談では、次のことを、お書きください

  • お名前(会社名)
  • ご相談の内容