DXの実務――戦略と技術をつなぐノウハウと企画から実装までのロードマップ

DXの実務とは、「戦略」と「技術」をつなぐこと。

あらゆる産業で「DX」が叫ばれる昨今、
多くの時間と労力を費やしているにもかかわらず、
成功とは言い難いDXプロジェクトが後を絶たない。
それらの取り組みに共通して見られるのが、
・DX戦略構築/実行の「型」が欠けている
・DX実現に不可欠の「技術的考察」が欠けている
という2つの根本的な問題だ。

DX成功の鍵は「戦略と技術をつなげる力」であり、
非エンジニアでも経営層でも、本気でDXを行うならば
データ利活用の標準的な考え方を身につけ、
主要技術を理解することが不可欠だ――。

「そもそもDXの戦略はどのように描けばよいのか?」
「データ利活用はどのような手順で進めるべきなのか?」
「どのような体制、マネジメント、人材が必要なのか?」
「AIはどう駆動するのか。機械学習で何が可能なのか?」
「技術をビジネスに実装/運用する上での注意点とは?」
「DXに携わる人にはどんなスキルが求められるのか?」
これらのポイントを押さえながら、「DXの実務」の
リアルな行程を、具体性と汎用性にこだわって解説する。

【技術者でない人のための データ/AI活用必携テキスト】

[本書の特徴]
・エンジニアではない読者向けに、DXに関する戦略と技術の双方を解説。
・あらゆる業種のDXに共通して必要な「データ利活用」の本質がわかる。
・難解なデータ/AIの技術について、易し過ぎず、難し過ぎないレベルで解説。
・データ/AIの技術を前提としながら、実務的な話ができるだけの基本知識・理解が得られる。


[構成]
Part 1[序論] DXの成否を左右する「データ利活用サイクル」
DXの"現在地"
DXは、「データ利活用」による経営改革
データ利活用を実現する重要コンセプト
データ利活用を実装する仕組み
データ利活用とAI
データ利活用の成否を分かつ要因
データ利活用DX実現へのロードマップ

Part 2[総論1] DXが進まない理由
業種/業界別に見られる課題とDXによるアプローチ
DX推進を阻む課題
DXを阻む課題の"深淵"
DXを実現するための3つの方針

Part 3[総論2] データ利活用DX推進のフレームワーク
データ利活用DXの2つのフェイズ
Pre-DX Phase:コンセプトの設計
Pre-DX Phase:メカニズムの設計
DX Phase:推進ステップ

Part 4[各論1] DX Phaseの具体的実務
データ利活用の前提となる「データ統合」
データの分類
DXフェイズにおける具体的実務の概観
KPIを具体的実務へ落とし込む
データ/AI活用を具体的実務へ落とし込む

Part 5[各論2] AIの活用
AIの全体像
AIの限界
Column 進化し続けるAI
AIの分類
AIの学習
教師あり学習:決定木
アンサンブル学習
画像認識/自然言語処理で用いる深層学習モデル
教師なし学習:クラスタリング
機械学習システムへの実装

Part 6[各論3] 人材要件
プロダクト開発担当
データサイエンス担当
データパイプライン担当

はじめに
・本書の概要と特徴
・本書の背景
・本書の目的

Part 1[序論] DXの成否を左右する「データ利活用サイクル」
DXの"現在地"
DXは、「データ利活用」による経営改革
データ利活用を実現する重要コンセプト
Column レコメンデーションの代表的手法
データ利活用を実装する仕組み
データ利活用とAI
データ利活用の成否を分かつ要因
データ利活用DX実現へのロードマップ

Part 2[総論1] DXが進まない理由
業種/業界別に見られる課題とDXによるアプローチ
DX推進を阻む課題
DXを阻む課題の"深淵"
DXを実現するための3つの方針

Part 3[総論2] データ利活用DX推進のフレームワーク
データ利活用DXの2つのフェイズ
Pre-DX Phase:コンセプトの設計
・盲目的なDX/データ利活用は本末転倒
・ビジョンの策定
・提供価値(バリュー)の定義
Column 環境分析
・顧客体験(UX)の定義
・顧客体験(UX)とKPIの接続
Pre-DX Phase:メカニズムの設計
・課題の「発見」はデータ利活用/DXに優先する
・コンセプトとメカニズムの接続
Column システム開発
DX Phase:推進ステップ
・データパイプラインと構成要素
・データ収集とデータレイク(DL)
・データ処理/活用準備とデータウェアハウス(DWH)
・データ活用とデータマート(DM)
・施策創出/推進のエンジンとしてのデータ基盤
・DXフェイズの施策難易度を左右する要素
・Level1:データ分析と局所的活用
Column 交絡因子
・Level2:分析結果の組織的運用と自動化
・Level3:横断的活動の最適化

Part 4[各論1] DX Phaseの具体的実務
データ利活用の前提となる「データ統合」
データの分類
DXフェイズにおける具体的実務の概観
KPIを具体的実務へ落とし込む
・KPI管理の利点
・KPI管理における「指標設計」と「モニタリング」
・KPIの具体的運用例
データ/AI活用を具体的実務へ落とし込む
・データ活用技術を理解する"入り口"
・データの"質"と"量"の重要性
・データ収集に関連する技術
Column ユーザビリティ
Column プロデューサー/メッセージブローカ/コンシューマー
・データレイクの活用
Column 密結合、疎結合、API
・データウェアハウスの活用
Column 情報検索技術
・データマート(DM)の活用
・データ収集/処理/活用準備の例
Column 要件定義

Part 5[各論2] AIの活用
AIの全体像
AIの限界
Column 進化し続けるAI
AIの分類
・学習の観点からの分類
・実行タスクの観点からの分類
AIの学習
・学習=パラメータの最適化
「教師あり学習」を通じてAIを理解する
・単回帰分析
Column 機械学習と統計学
・教師あり学習のパラメータ最適化プロセス
・教師あり学習:重回帰分析
・教師あり学習:ロジスティック回帰分析
・教師あり学習:深層学習/ニューラルネットワーク
教師あり学習:決定木
・決定木の概要/用途
・回帰木/分類木の分割条件
Column エントロピー/ジニ不純度
アンサンブル学習
・アンサンブル学習の手法
・バギング
・バギングの代表的手法:ランダムフォレスト
・ブースティング
Column Feature Importance
画像認識/自然言語処理で用いる深層学習モデル
・画像認識のタスク
・画像認識に用いられる深層学習モデル
Column AlexNet / ResNet
・自然言語処理のタスク
Column Transformer / BERT
教師なし学習:クラスタリング
機械学習システムへの実装
・機械学習システム構築/運用の難しさ
・機械学習システムの実装/運用の概観
Column 機械学習システム運用における典型的な課題
Column 機械学習モデルのサービングパターン
・特徴量エンジニアリング
・機械学習の実験フェイズ
・機械学習モデルの評価方法
・機械学習モデルのシステム実装
Column 機械学習システムのテストの難しさ
・機械学習システムの自動化

Part 6[各論3] 人材要件
プロダクト開発担当
データサイエンス担当
データパイプライン担当

Appendix 付録
付録1:勾配降下法
付録2:尤度関数
付録3:誤差逆伝播法
付録4:DXの理解を深めるための参考文献

おわりに

［著者］
古嶋十潤（ふるしま・とおる）
コンサルティング会社とスタートアップを行き来し、現在はデータ/AI活用製品を提供するスタートアップでCPO（Chief Product Officer）兼事業部長を務める。コンサルティング会社在籍時は、パートナーとして多くの日系大手企業とAI／データ活用プロジェクトを幅広いテーマで推進。また、複数のスタートアップで経営戦略／事業戦略／人事戦略等を統括。京都大学法学部卒。