今回の記事ではメーカーでDXを推進する上で、基本となる下記5つのステップを解説します。
- DXを活用する目的の明確化
- DX人材の確保
- 要件定義とモデル構築
- 実験とビジネスへの適用
- 成果の横展開
まず大前提として、DX（デジタル変革）はあくまで「プロセス」なので、それ自体では社会に利益をもたらしません。
そのため、メーカーでのDX推進は、お金につながる部署の「何かしらのプロセス」を良い方向に変えることが求められます。DXは、そのための「手段」でしかないです。
そのためpythonや統計を勉強して、１人で企業でいきなり大きな成果が得られるかというと、決してそういうわけではないです。メーカーでDXを推進する際には様々なステップがあります。
ステップをしっかり把握して、DXを推進すれば少しずつ成果が得られると思います。
今回の記事では、メーカーでDXを推進する際の5つのステップをご紹介させていただきます。
DXを活用する目的の明確化
DXは、「人間では解決が困難・解決しようとすら思えなかった課題」に対して活用すべきです。
なぜなら、人間で簡単に解決できるのなら、人間がやればいいから。
人間が楽にならないことをわざわざコンピュータにやらせる必要はありません。
人間が楽をするために、コンピューターサイエンスを活用すべきなのです。
では、どうやって「DXを活用する目的を明確化するのか」記載していく。
達成したい理想の状態を考える
理想の状態を考えれば、現状とのギャップが見えてきます。
そして、そのギャップをDXを活用して埋められるか考えるだけです。
例えば、「現場の勘で在庫量を調整していたが、余ったり、欠品したりする問題が多発している。
最適な在庫量を算出できないかな？」
みたいな感じ。
すごく簡単じゃん！と思った方にお伝えしなければならないことがあります。
DX人材だけでは、理想の状態は見つからない
現場の現状を深く理解していないと、理想の状態はわかりません。
世の中でDXが推進しないという理由の大半は、DXを担当する人が、現場の理想の状態がわかっていないことに由来すると思います。
ではどうすれば良いのかを考えていくと、自ずと下記のようになります。
現場の人間のDX教育はマスト
DXを活用することでどんなことができるのか知らないと、DXの活用目的を明確化していくことは難しい。上の例でも、DXを活用することで最適な在庫量を算出できる例があることを知っている人でないと、最適な在庫量を算出できないか？というアイデアは生まれない。
そういう意味で、現場の人間にもDXという解決手段があることを理解してもらうべき。
特に、現場のマネージャークラスは現場の課題が一番集まってくる場所なので、マネージャークラスのDX教育はマストだと考えています。
多くの企業で、DX教育が行われているのはこうした背景があるからだと思う。
私はメーカーでデータサイエンスの仕事をして4年目になるが、メーカでのDX推進は、この「目的の明確化」が一番できていないと感じています。
ここさえできれば、最悪外注できるので、社員教育はし続けるべきです。
次にDXを担当する人材についてお話します。
必要な人材を集める
DXを担当する人材を集めるには、大きく分けて3つあると思う。
- 社内メンバーの育成
- データサイエンティストを雇う
- 外注
正直人材の確保はかなり難しい
世の中的に、DX人材が少ないので、DX人材の確保はかなり難しい。
そのため、DX人材を集めるための戦略も必要だ。
DXが進んでいると積極的にアピールする企業が増えてきた
取り組んでいる感を出せば、自ずとやりたい人が集まってくる。
やりたい人はDXをやりたくて入社してくるので、人材育成（無理やり仕事としてさせる）よりコスパが良い。
個人的には良い戦略だと思う。
DX推進室という別組織を作る企業も増えてきた
現場でメンバーが1人でDXを推進すると、DX人材は必ず孤立してしまう。
そこでDX人材が孤立しないように、DX推進室というDXを担当する専門部署を設置する企業も増えてきた。個人的には良い取り組みだと思う。
また「DX推進室の役割」と「そこで働く人に求められるスキル」を詳細に下記記事に書いたので是非みて欲しい。
最悪外注
外注も悪くないが、自社にノウハウが残らないのであまりお勧めはしない。
また、外注にも多額のコストと時間（納期）がかかるようになってきている。
DXは下記にも記載しているが、1回解析して終わりというわけではなく、
複数回解析して、改善しながら目的を達成していくプロセスである。
なので、外注してしまうと少し仕様を変更したい時など非常に困る。
追加費用も発生しうるからだ。
ここまで人材の確保が難しいことについてお話ししてきた。
DX人材はこれからも需要は上昇傾向なので、是非読者の皆さんもDX人材を目指すことをお勧めする。
人材を確保できたら、ようやく「プロジェクト」として始動する。
要件定義とモデル構築
最悪、外注という手段があるので、今回は特に「要件定義」について深掘りする。
ところでDXとは具体的に何をやってるのだろうか？
pythonを用いた機械学習を基に説明する。
機械学習では、人間が問題を作ってコンピュータに問題を解かせる
人間が問題を作ってコンピュータが問題を解く。これが機械学習だ。
機械学習については下記記事で、詳細に解説しているので是非読んでみて欲しい。
メーカーでDXを活用する上で大切な点を次にお話しする。
「問題を作る」ところに最も頭を使うべき
理想の状態を達成するために「解くべき問題」を考える必要ある。
問題の設定次第では、目的が達成できない場合も多い。
そのため、良い問題を作らなければならない。
良い問題を作るために大切なことを記載する。
現場の知見・DXに纏わる知識の両方がないと良い問題が作れない
現場の知見がないと、そもそも問題が作れない。なのでマストだ。
またDXに纏わる知識がないと、そもそも「解けない問題」になってしまったりする。
例えば機械学習ではモデルの学習にデータが必要だ。データがないとモデルを構築できない。
そういう意味では現場との協力が不可欠だ。現場と協力できる体制を普段から構築しておくべきだ。
余談ではあるが、DX人材に現場の知見も備わっていると、非常に希少人材になれる。
自分で問題を作って、自分で解いて、予測が当たってるか自分で確かめられるから。
協力の必要がないのでDXも早く推進するし、また自分で全部やっていれば上への説明はかなり楽だ。
今後はこういうDX人材が求められると個人的には思っている。
さて話を戻そう。
問題を作って、コンピュータで予測モデルを構築できれば、「予測が正しいのか、間違っているのか」を試す（実験）する必要がある。
問題を作る際に、実験コストも考慮に入れておくべき
予測が当たっているのか確認するのに、例えば〇〇億円かかりますとか、従業員100人必要ですとか、そんなテーマは最初はお勧めしない。
壮大な夢のあるテーマでなければ、普通は決裁が下りない。
試すことができないと、予測した意味がそもそもなくなる。
また予測が当たっているのか確認できないと、予測モデルの改良ができない。
だから、実験コストの低いテーマがお勧めだ。
このように要件定義できれば、後は機械学習のスキルを活用して可能な限り精度の高い予測モデルを構築するだけだ。
予測モデルが構築できれば、実際にビジネスに適用していく。
実験とビジネスへの適用
ひとまず予測モデルの構築が完了すれば、実験して予測が当たっているのか確認する必要がある。
予測モデルは改善することが前提
予測モデルは1回構築して終わりではない。
実験とモデルの改良を繰り返して、良い予測が得られるようになる。
私の肌感覚では最低3回はこのサイクルが必要な気がする。
足りないデータを補ったりして良い予測をできるようにする工夫が必要だ。
現在、多くのメーカーのDXではこの「実験」まで辿り着けていないケースが非常に多い。
様々な要因はあるが、実験してみないとDXは推進しないので、予測モデルが構築できればすぐに実験すべきだ。
予測は現場の人が使うことを忘れてはならない
良い予測ができたからと言って、そこで終了ではない。
現場の人が使うことを忘れてはいけない。
例えば、アプリ化したり、取扱説明書等を作成し現場の人が予測できるようにしなければならない。
ビジネスへの応用はそういう意味ではハードルが高い。
まだまだ成功事例が少ない
実際、実験してビジネスに適用するところまでDXが推進している事例はまだまだ少ない。
大体が実験とモデルの改良を繰り返しているところだと思う。
今後、申し分ない精度が出れば、一気にビジネスの変革が起こると思う。
スマホが出たときのように変革が一度起こると、既存ビジネスは一気に崩壊する恐れだってある。
なので、今から少しずつでもDXを推進しておかなければならないと思う。
最後にサックリ横展開のお話をする。
成果の横展開
成功したDX事例を他のプロジェクトに応用し、組織全体でDXを推進させることが目的だ。
横展開するには「伝える力」が何より求められる
プロジェクトに参画していない人にも成功事例を「わかりやすく伝える」能力がDX推進者には求められる。
ここでわかりやすく伝えて興味を持ってもらうことができれば、他部署からこんなことができないか？など前向きな提案が得られる可能性が高い。
現場のプロセスを変えていく以上、社内の人間に興味をもってもらわなければならない。
横展開していけば、上手くいくプロジェクトがわかってくる
DXは成功事例、失敗事例ともにまだまだ数として少ない。
10・20個くらいプロジェクトをやれば、上手くいくもの、上手くいかなかったもの、それぞれ出てくると思う。
それぞれを分析していけば、上手くいきそうなプロジェクトがわかってくると思う。
そういう意味では、今現在のメーカーでのDXは事例を作っているという感じだと思う。
DXはとにかく取り組まないと何も進まないので、ひとまず何でもいいので、何か取り組むべきだと思う。今、種を撒いているメーカーは数年後に大きな変革を成し遂げていると思う。
今回はかなり長い記事となりましたが、最後まで読んでいただきありがとうございました。
読者の皆さんのDX推進がうまくいくことを心より願っています☺️☺️
