聞き手
つるぞう
その通りです。日本の一人当たりGDPは、3万3800ドルで、これは台湾、中国より高いものの、韓国には追い越されました。OECD加盟国34か国で21位です(2023年度）。聞き手
どのようにしていけばよいのでしょうか。
つるぞう
日本の特に製造業の国際競争力強化に向けては、税負担の問題や各種規制の問題、企業の内部留保の問題も大きいですが、やはり付加価値を生むために日本企業の「製品・サービスの性能・品質」「研究開発・技術」という”強み”をより強くして戦っていく必要があります。
聞き手
その中で最近は、ビッグデータやIoT（モノのインターネット）の利活用に代表されるような「データサイエンス」や「生成AI」が次の柱として取りざたされています。
つるぞう
ひと昔前までは、ビッグデータはGoogleやAmazonのような超巨大企業やプラットフォーマーが中心に扱っていましたが、近年のAIやコンピューティングの更なる進化で、大企業を中心に多くの一般企業でも活用がされるようになってきました。以前はデータを「溜める」ことが目的化してしまい、肝心の「使って」事業貢献までつながっているところが、まだまだ少なかったのです。
聞き手
データサイエンスやAIは、どれほど事業成果につながっているのですか。
つるぞう
企業によってばらつきが大きく、ざっくり言えば二分化しつつあります。その理由は、データサイエンスやAI活用のためには、活用の目的やビジネスモデルの明確化、データサイエンティスト育成または外注、高速・大量データ処理のための情報システムへの多額の投資、等のいくつかのハードルにあります。早くからこのような人財やシステムに投資してきた企業と、そうでない企業の差が表れつつあります。
聞き手
ジェダイトさんの「データエンジニアリング」もそのような技術の一種なのでしょうか。
つるぞう
以前から弊社ではデータサイエンスとは呼ばずに、データエンジニアリングとしていました。事業の損益に重要な1～数年先を見据えた場合、ほとんどの組織や企業が活用しているデータは、いわゆるビッグデータ(*1)でありません。半導体工場などのの量産プロセスから日々出力される大量のデータも、従来の統計解析で処理できるような「ふつうのデータ」なのです。もちろん、エンジニアが研究開発や実験のために採取するデータの量に関しては、言うに及びません。これらの活用に重きを置いてきたのです。
聞き手
「データエンジニアリング」では扱うデータもやり方も違うのですね。
つるぞう
その通りですが、最近では生成AIがより身近になってきたことで、ボーダーレスになってきた感じです。当社は、この日常扱う大量のデータを、事業貢献のために迅速に利活用するための「データエンジニアリング」を推し進めています。これらに用いる手法は、従来から活用されている統計解析や信頼性工学はもちろん、実験データを飛躍的に効率的に採取し、製品やプロセスを迅速で改善・最適化するための品質工学を含みます。特に品質工学は日々進歩しており、また一般には難解と考えられているため、活用すべきである製造業での普及は遅々としています。さらに、生成AIを活用すれば、商品企画やアイデア発想は飛躍的に効率化できます。
聞き手
逆に言えば、データエンジニアリングを駆使できれば他社や諸外国と差別化が図れるとうことですね。
つるぞう
そういうことです。ただし改善や問題つぶしだけでなく、新しい価値の創造が必要です。データエンジニアリングのさまざまな手法を駆使して、活用できるデータを増やしていくことで、製品の価値向上（性能・品質）、生産性向上、ロス低減、などの事業貢献を地に足をつけて加速しることで、これまで無駄にしていたリソースが生まれます。そのリソースをより価値を生み出す仕事に振り向ければよいのです。
聞き手
統計解析や品質工学を活用するコンサルティングは従来もあったかと思いますが。
つるぞう
当社は「超実践品質工学」などの独自の方法論によって、分かりやすく、成果につながる「データエンジニアリング」で製造業をお手伝いします。また最近では、生成AIを活用した品質機能展開QFDや、アイデア発想などにも力を入れています。
聞き手
それによって、業績向上・顧客満足、ひいては世界競争力強化、日本産業の復興につなげていくということなんですね。
つるぞう
それが、当社の使命と考えています。
聞き手
ありがとうございました。
*1)「3V」と言われる、「Velocity：高速に更新され」、「Variety：広範囲・非定形なデータ」であり、結果として「Volume：大量」となるデータのこと。
本ウェブサイトのモデル写真はイメージです。
0 件のコメント:
コメントを投稿