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。
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。
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。
「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、簡易相談から会社と会社、人と人。DX・AX を進めるパートナーの、紹介と橋渡し。
まずは、簡易相談から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。
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。
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。
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。
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。
| ERP | AI | |
|---|---|---|
| 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。
1ERP は、そのまま。まわりの業務から
2ワークフローや、顧客管理(CRM)から
3SAP はあるが、バラバラ。AI で、組み直す
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。
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 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。
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決め方
2数字の見方
3費用と速さ
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。
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。
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。
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。
まだ答えていない質問:A、B、1、2、3、4、5、6、7、8、9、10
30年以上、IT・データ・AI の仕事をしてきました。
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
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
※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 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。
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。
モデルのご相談困りごとと、今あるデータから。
出てくるもの機会の一覧
前提を変えて、くらべる。
出てくるもの計画の1枚
資料より先に、さわれる画面。
出てくるもの動く試作
AI がやる所、人が決める所。
出てくるもの流れの図
判断に要る、図と数字だけ。
出てくるもの提案の1枚
要点は動画、深掘りはデモ。
出てくるもの解説の動画