要件定義の問題点

伴走支援の落とし穴

多くの企業がDX推進のために「伴走支援」を謳うコンサルティング会社に依頼するが、期待した成果が得られず終わるケースが後を絶たない。その原因の多くは、「伴走」という名目でありながら、実態は「丸投げ」になっているためだ。発注側も受注側も、伴走支援の本質を理解しないまま契約を結び、プロジェクトが進むにつれて認識のずれが明確になる。結果として、導入したシステムが活用されない、現場が混乱する、投資対効果が見えないという事態に陥る。

丸投げ支援の特徴

失敗する「丸投げ型支援」には明確な特徴がある。まず、コンサルタントが一方的に最新ツールやシステムを提案し、現場の業務フローや課題を十分にヒアリングしない。次に、導入後の運用は企業側に任せきりで、定期的なフォローアップがない。さらに、従業員への教育や研修が形式的で、実際の業務に即した内容になっていないのだ。このような支援では、高額なシステムを導入しても現場に定着せず、結局は以前の方法に戻ってしまう。経営層だけが満足して終わる「見せかけのDX」になってしまうのである。

真の伴走支援とは

では、真の「伴走支援」とは何か。第一に、企業の現状を深く理解することから始まる。業務フロー、従業員のスキルレベル、社内の文化まで把握したうえで、最適なDX戦略を設計する。第二に、導入プロセス全体に伴走者が関与し、現場の声を拾いながら柔軟に軌道修正する。システムを導入して終わりではなく、定着するまで継続的にサポートするのだ。第三に、従業員が自走できるよう、実践的な教育を提供する。マニュアルを渡すだけでなく、実際の業務シーンを想定したトレーニングを行い、疑問にその場で答える。つまり、企業と同じ目線で課題に向き合い、成果が出るまで責任を持つのが真の伴走支援である。

支援会社の選び方

伴走支援を選ぶ際は、いくつかの判断基準がある。まず、過去の実績と具体的な成果指標を確認すべきだ。単なる導入事例ではなく、導入後の定着率や業務効率の改善率などの数値データを提示できるかが重要である。次に、初回のヒアリングで、どれだけ深く現場の課題を掘り下げようとするかを見極める。表面的な質問だけで終わる会社は要注意だ。さらに、契約内容に導入後のサポート期間や具体的な支援内容が明記されているかを確認する必要がある。曖昧な表現ではなく、何を、いつまで、どのように支援するのかが明確であることが、真の伴走支援を提供する会社の証である。

まとめ

DX伴走支援の成否は、「丸投げ」か「真の伴走」かで決まる。表面的なシステム導入ではなく、現場に寄り添い、定着まで責任を持つパートナーを選ぶことが、DX成功への第一歩だ。明確な成果指標と継続的なサポート体制を持つ支援会社と組むことで、投資を確実に成果に変えることができる。

開発手法の選択基準

大がかりなシステム開発においては、ウォーターフォールモデルという開発手法がとられ、設計書などのドキュメント類も整理してから、プログラミングへ着手する。逆に中小規模なシステム開発においては、アジャイル開発と呼ばれ、プログラミングをしながらシステム開発が進められたり、ドキュメント類は簡易にして、プログラミング工程へ着手するといった方法がとられる。状況に応じて開発手法は使い分ける必要がある。

設計書の必要と課題

建築では図面なく建物を建てることはないが、中小規模のシステムについては簡単な概要だけでシステムの開発ができてしまう。もちろん設計書をしっかりと書いて、要件を詰めてシステム開発を進めることができれば、トラブルもなくていいのではないかと言われる。しかし、設計書を作成するにはシステムをプログラミングすることと同じくらい費用が掛かる。

設計書の粒度と要因

中小規模のシステム開発において設計書が簡易になってしまう理由は、ユーザー側や発注側の予算が乏しいという理由がある。建築のパターンの場合は、法律によって作成しなければならない図面や、施主から同意をもらうべき書類などが決められている。システム開発には法的に作成しなければならない書類が明確にされているわけではないため、この粒度が各社・各エンジニアによりバラツキが発生する。

文書管理の現状

中小規模のシステム開発において、最悪の場合は設計書がないケースもある。小さなプロジェクトの場合は予算も少なく特にドキュメント類がないが多くある。あるいは、システムはアップデートされ続けているのにドキュメントはアップデートされていなかったり、ひどい場合にはシステム保守ベンダーが紛失している場合もある。

まとめ

システム開発に時間がかかる理由は、設計書から作成することでプログラミング作業の2倍以上の時間がかかると言われる。いわゆる動作検証の工程まで入れるとプログラミング作業の3倍程度は時間がかかる。また、システム開発はほとんどが人件費である場合が多く、かかる時間に応じて費用が上がる。つまり、非エンジニアが単純に開発費用を値切ると、プログラミング以外の重要な情報を削っていくことになる。

AI活用の第一歩

AI活用による生産性向上のためのシステムツール構築では、過去データの利用が必要不可欠である。しかし、過去データが整備されていない場合の対処法を考えてみたい。多くの企業がAI導入を検討する際、まず直面するのがこのデータ品質の問題である。完璧なデータセットを求めがちだが、実際には現実的なアプローチで進めることが成功への鍵となる。

目的の明確化

まず「何に使いたいデータなのか」を明確にする必要がある。目的に応じて、必要なデータの「粒度・項目・量」が変わるため、いつも扱っている部門ではない人が客観的に整理するのがよいかもしれない。例えば、生産管理の異常検知であればセンサーデータの時系列とアラート履歴が必要になり、顧客離反の予測であれば購買履歴と問い合わせ履歴が必要になる。このように具体的な用途を定めることで、収集すべきデータの方向性が見えてくる。

データの現状把握

やりたいことを整理すれば、次に足りないデータなどが見えてくるはずである。このとき、データが重複していたり、欠損していたり、バラバラであったりというのも、すべてデータはあるものと考える。形式としては、Excel、CSV、紙、システム内に点在などを把握して、データの棚卸を行う。完璧でないデータでも、適切な処理を施すことで価値ある情報源に変わる。重要なのは、現在持っているデータ資産の全体像を正確に把握することである。

データ整備の実践

データの棚卸が終われば、データクレンジング（整備）の作業方針を立てる。手動で整えるのか、何らかのツールを使うのか検討が必要である。また、このツールはExtract（抽出）、Transform（変換）、Load（読み込み）の頭文字をとってETLツールと呼ばれている。Power Queryなどがその代表例である。作業量と精度のバランスを考慮し、コストパフォーマンスの高い整備方法を選択することが重要になる。自動化できる部分は積極的にツールを活用すべきである。

まとめ

データを整えていく途中で足りないデータが発見されることもあるだろう。しかし、ここからがAIの使い様である。ファインチューニング（学習させていく）ことや、生成AIやRAG（Retrieval-Augmented Generation）を利用して補完するなどが考えられる。