予算ブレの原因

DX推進の落とし穴

デジタルトランスフォーメーション（DX）に取り組む企業が増える一方で、期待した成果を得られずに頓挫するケースが後を絶たない。経済産業省の調査でも、DXに成功したと実感している企業はわずか数パーセントに留まっている。なぜ多くの企業がDXで失敗してしまうのか。本記事では、失敗する会社に共通する特徴を分析し、成功へ導くための視点を紹介する。

失敗企業の共通点

DXが失敗する会社には、いくつかの共通点がある。第一に「目的の不明確さ」である。ツール導入そのものが目的化し、何を解決したいのかが曖昧なまま進めてしまう。第二に「経営層の関与不足」が挙げられる。DXは全社的な変革であり、現場任せでは推進力が生まれない。第三に「現場との乖離」である。実際に業務を担う社員の声を聞かず、使われないシステムが構築されるケースが多発している。これらの問題は単独ではなく、複合的に絡み合って失敗を引き起こす。

成功企業の原則

では、成功している企業は何が違うのか。成功企業に共通するのは「ビジネス課題起点の発想」である。まず解決すべき経営課題を明確にし、その手段としてデジタル技術を選定する。また、経営者自身がDXの旗振り役となり、変革の必要性を全社に浸透させている。さらに重要なのが「スモールスタート」の姿勢である。最初から大規模なシステム刷新を狙うのではなく、小さな成功体験を積み重ねることで社内の理解と協力を得ていく。加えて、外部パートナーを活用して専門知識を補い、客観的な視点で推進状況を評価する仕組みを持っている。

成功は準備次第

DXの成否は、取り組む前の「準備」で大きく左右される。自社の現状を正しく把握し、何のためにDXを行うのかという目的を明文化することが第一歩である。その上で、経営層から現場まで一貫したビジョンを共有し、段階的に進める計画を立てるべきだ。失敗を恐れて動かないことが最大のリスクである。しかし、闇雲に進めても成果は出ない。重要なのは、正しい方向性を持って着実に歩みを進めることである。自社だけで判断が難しい場合は、DX推進の実績を持つ専門家の力を借りることも有効な選択肢となる。

まとめ

DXが失敗する会社には、目的の不明確さ、経営層の関与不足、現場との乖離という共通点がある。成功するためには、ビジネス課題を起点とした発想、経営者主導の推進体制、スモールスタートによる段階的な取り組みが不可欠である。正しい準備と専門家の支援を活用し、着実なDX推進を目指すべきだ。

システム開発の現状と課題

数名で開発した初期のシステム構築から、システム会社を変更して大がかりなリプレイスを行い、保守運用を実施しているが、月々の費用が高額であるわりに、開発スピードも遅い。開発スピードが遅いため、新しい機能を実装していけない。

不具合と開発の不透明性

リリースから何年も経っているのに不具合がなくならない。開発会社からの報告が曖昧で何にお金を支払っているのか謎のままであることが多い。

コスト削減と資源最適化

開発スピードを上げるには、システム開発コストの削減をしなければならない。コストを削減するということは、それで浮いたコストを開発に割り当てることができるため、結果的に開発スピードがあがることを意味する。

開発の透明性と妥当性

そのためにしなければならないことは、開発工程や開発過程の見える化および妥当性を担保することである。システムの比較検討ができないため、システム開発のコミュニケーションは一般的なものであると思い込んでいる。システム発注の担当者はシステムのことがわからないから、システム開発の進め方に違和感があったとしても技術者が言うことを信用するほかないと思っている。

まとめ

結果として、技術者の工数と称して月々の費用や、ひどいものでは言語のバージョンアップと称して、何もしていないことに費用を支払っていることもある。不明点はシステム発注の担当者が理解できるまで聞くべきである。

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。