出版書誌データベース

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。

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：古嶋十潤
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。