記事

内製化の成功術

IT報酬の実態

海外と比べて日本のITエンジニアの報酬が低いという記事をよく目にする。それもそのはずで、ハイクラスIT人材は都合のいい「何でも屋」にはならないからである。

導入時の誤解

ユーザー企業やシステムのユーザーは、IT化を行うことで業務が減るという先入観を持っていることがある。システム導入を着手したときの目的を忘れて、その時、その場の課題を優先して都合よくITエンジニアを動かしてしまう。また動くITエンジニアもそこにいたりする。

システムと医療

たとえば、「お腹が痛い」と病院にいって「すぐに切開しよう」とはならないはずだ。このようにシステムにもその他にも色々な条件が絡まり合っている。システムは取り扱う情報量や関連する業務が多く導入に時間がかかる。時間がかかる結果、最初の導入目的を忘れてしまうのである。

真のIT人材価値

ハイクラスIT人材はユーザー側の状況と心理を配慮しつつ、現場のプログラマーの状況と心理を考慮して陣頭指揮できる人材といってもよいだろう。心理というのは物の言い方だけではなく、無形の財産を構築したり業務にフィットさせたりするので、プロジェクトの円滑さが変わるのだ。

まとめ

小手先だけでシステムに関するプロジェクトを推進しようとすると、「言われた通りにやった」という受動的な参加者が増えてしまう。情シスのSIer化を回避するにはITエンジニアを「何でも屋」にさせて疲弊させないことも大切である。開発チームの雰囲気作りも非常に効果がある。

予算ブレの原因 前の記事 生成AIは使えない？ 次の記事

関連記事

記事

製造業DX – IoT×ローコード活用法

IoT導入の新時代

製造業の現場では、人手不足や品質管理の課題が深刻化しているが、IoTとローコード技術の組み合わせが解決策として注目されている。従来のシステム開発には高額な費用と長期間を要していたが、ローコードプラットフォームを活用することで、現場の作業者でも直感的にIoTシステムを構築できるようになった。センサーからのデータ収集、機械の稼働状況監視、品質データの自動記録など、これまで手作業で行っていた業務を効率化できる。

ローコード開発の威力

ローコード開発プラットフォームは、プログラミング知識がなくても視覚的な操作でアプリケーションを作成できる革新的な技術である。製造現場の作業者が自分たちのニーズに合わせてリアルタイムでシステムをカスタマイズでき、IT部門への依存を大幅に減らせる。温度センサー、振動センサー、カメラなどのIoTデバイスと連携させることで、設備の予知保全や作業効率の向上を実現できる。従来の開発期間を3分の1に短縮し、コストも大幅に削減できるため、中小企業でも導入しやすくなっている。

成功事例と導入効果

実際の導入事例を見ると、ある自動車部品メーカーでは設備稼働率が15%向上し、品質不良率を30%削減できた。IoTセンサーで機械の振動や温度を常時監視し、異常を検知すると自動でアラートを発信するシステムを構築したのである。また、食品製造業では温度・湿度管理の自動化により、品質検査時間を50%短縮し、人的ミスによる製品廃棄を90%削減した。これらの成果は、現場作業者がローコードツールを使って自ら問題解決に取り組んだ結果であり、外部ベンダーに依存しない持続可能なDX推進を実現している。

未来の製造業像

IoT×ローコード技術は単なるデジタル化を超えて、製造業の競争力を根本的に変革する力を持っている。現場の知見を活かしたシステム構築により、真に使えるDXソリューションが生まれ、継続的な改善サイクルが確立される。今後はAI技術との融合により、さらに高度な予測分析や自動最適化が可能になるだろう。重要なのは小さく始めて段階的に拡張していくアプローチである。まずは一つの工程から始めて成功体験を積み重ね、徐々に全社規模へ展開していくことで、確実にDX効果を実感できる。変化に対応できる柔軟な組織作りこそが成功の鍵となる。

まとめ

IoT×ローコード技術は、製造業DXの民主化を実現する画期的なソリューションである。プログラミング不要で現場主導のシステム構築が可能になり、短期間・低コストでの導入を実現できる。成功事例が示すように、設備稼働率向上、品質改善、作業効率化など具体的な成果が期待できる。重要なのは小さく始めて段階的に拡張するアプローチであり、現場の知見を活かした持続可能なDX推進が可能になる。

続きを見る >
記事

予算ブレの原因

開発の変動要因

システム開発は長期にわたることが多く、また未来の不確実性の中で予算を策定しなくてはいけないことがある。セキュリティーをはじめ動作環境の変化や人員の欠如、予期していなかった仕様の発覚などが原因だ。

目標変化と予算

進捗率は目的地が明確に設定されていれば数字を負うことで予算達成率を算出することができる。しかし、目的地が近い遠いのは無しではなく、根本的な目的地がなくなったり、複数になったりすることがシステム予算の策定の難しいところである。

計画型開発法

システムに未来を見ることができればブレない、見えないことをすべて調査の上で着手できれば確実な予算と実行が可能である。進捗率の報告が可能になる。フォーターフォールモデルなのでコストがかかることと時間がかかることの覚悟が必要だ。途中での方向修正は原則できない。

柔軟な開発手法

逆に低予算で早く導入するなら、見えにくくなるデメリットがある。状況によって対応を素早く変化させる必要があるため進捗率を算出しにくい。アジャイル開発と呼ばれるものであり、社内開発であることが理想である。途中で出てくる条件に対しても柔軟に方向性を変化させることが可能である。

まとめ

アジャイル開発で予算を立てるときは、1.5-2.5倍くらいを目安に余裕を持って設定することを推奨する。

続きを見る >
記事

業務データ資産の発見と活用

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。

続きを見る >