データを業務で活用し、日々の業務や属人化している業務を自動的に処理できるよう、生成AIを活用した基盤構築、検証、展開を内製化する伴走型支援を行います。
Amazon Quickを使ったデータの可視化や一連の業務の自動化、自然言語で欲しいデータを取得するためのノウハウなど、実践的なご支援が可能です。
データ利活用の課題
近年、データを利用した業務が増えておりますが、データを利活用する上で、以下の課題があります。
- データのサイロ化・属人化、品質の低下
- 部署ごとに異なるシステムを使用しているため、データがバラバラに保管され、横断的な活用ができない
- 入力形式がバラバラ(全角・半角の混在、表記ゆれ)であり、欠損値が多いため、活用の前に膨大な「掃除」が必要になる
- データを取り出すために情報システム部への依頼が必要で、手元に届くころにはデータの鮮度が落ちている
- ツール導入で満足し、データ活用より“勘”と“経験”を優先
- ツールを導入しても、現場の勘と経験が頼りになってしまうため、データをうまく活用することができない
- ツールを導入しても、現場の勘と経験が頼りになってしまうため、データをうまく活用することができない
- リテラシー不足と役割が不在
- リテラシー不足のため、誰でも簡単にデータを活用した業務を行うことができない
- コンシューマー、アナリスト、サイエンティストが存在・機能していない
そこで、生成AI環境を導入し、データの可視化も行うことで、誰でも簡単にデータを活用でき、欲しいデータを自然言語で取得でき、エージェント化すればベテランと同じ判断ができます。また、生成AIを使用した基盤を構築すれば、日々の業務を自動化でき、上記の問題を解決できるだけでなく、業務効率化も目指せます。
生成AIを使用した基盤の構築には、システム開発スキルが必要になるため、自社のみでの開発ではハードルが高いです。そこで、基盤構築支援の経験があり、様々な企業様の業務効率化に伴走型でご支援した豆蔵がご支援いたします。
実現イメージ
生成AIとデータの可視化を実現するため、Amazon Quickを使用します。以下が、基盤のイメージです。
構築例ではAmazon S3に格納されたデータ、Amazon S3からAWS LamdaもしくはAWS Glueで加工後、Amazon Auroraに格納したデータをAmazon Quickで取得しています。Amazon AuroraにはEC2経由で手動でデータを格納することができます。
上記を構築することで、以下のような課題をクリアーすることができます。
- パターン１
- 課題：データのサイロ化や業務の属人化により、担当者の“勘”や“経験”に依存した作業が多く、ミスの発生や作業負荷の増大が発生
- 解決：ベテランの知見・判断をエージェント化し、業務プロセスを標準化・自動化
- 効果：ミス削減、工数削減、業務効率の向上を実現
- パターン2
- 課題：利用者リテラシー不足により、データの見え方が変わるだけで活用方法が分からず、データ活用が停滞
- 解決：ベテランの知見・判断をエージェント化し、データを見える化。自然言語でデータ分析を指示できる環境を提供
- 効果：スキル不足を補い、データ活用の促進と業務効率化を実現
- パターン３
- 課題：属人化された業務やデータ管理によりデータ量が増大し、作業時間が増加してデータ活用が停滞
- 解決：ベテランの知見・判断をエージェント化。データをクラウドに集約し、自然言語でデータ分析を指示できる環境を提供
- 効果：ミス削減、データ活用の促進と業務効率化を実現
進め方
以下の３つのステップで進めていきます。
- STEP1：クイック・ウィン（可視化の先行実施）
まずは、「今あるデータ」で、現場が驚くような可視化を行います。- 「手元にあるExcel」の統合：
綺麗なシステム連携を待たず、まずは既存のファイルを繋いで「全社共通のダッシュボード」を作成します - 現場へのインパクト提供：
「今まで3日かかって表示できた数字が、常に画面に出ている」という状態を作ります
- 「手元にあるExcel」の統合：
- STEP2：データ集計の自動化・パイプライン構築
可視化の裏側で、人間がファイルを集める作業を「自動」に置き換えていきます。- データ・コネクティビティ：
クラウドサービスを活用し、各基盤からデータを自動抽出（Extract）します - 自動加工（Transform）：
複雑な集計ロジックをエージェントで実装し、ボタン一つ（あるいはスケジュール実行）でデータが整うようにします
- データ・コネクティビティ：
- STEP3：自走のための教育（エンジニアから活用へ）
自動でデータが流れるようになったら、それを「維持・活用」する力を移植します。- 自動化維持のスキル移転：
データの定義が変わった際の修正方法や、新しいデータソースの追加方法をIT担当者に伝授します - 「アナリスト層」への分析教育：
- 初級：ダッシュボードから課題を発見するトレーニングを行います
- 中級：自動化された基盤を使って、自ら新しい切り口のグラフを作るスキルを習得します
- 自動化維持のスキル移転：
豆蔵の強み
豆蔵がご支援することで、データ利活用の停滞は「技術と人の両輪が嚙み合った自走状態」へと変わります。
- ユーザー像の「空白」を埋め、自走を促す（人材面）
単なる「理論・べき論」ではなく、顧客が自分たちで動けるようになる「スキルトランスファー」を重視します。- アナリスト層の育成：
現場の課題を解くための「デザイン思考」や「アジャイル」のノウハウを伝授し、単なるExcel使いではない「課題解決型のアナリスト」を社内に育てます - リスキリング支援：
コンシューマー層（データ利用者）のリテラシー向上から、専門性の高いエンジニアの育成まで、階層に応じた教育プログラムを提供し、組織全体のデータ体力を底上げします
- アナリスト層の育成：
- 「データのサイロ化・属人化」を「資産」に変える（データ面）
オブジェクト指向などの高度なソフトウェア工学をルーツに持つ技術者集団です。- データサイエンス・エンジニアリング：
散らばったデータを整理する「データパイプライン」を構築し、分析しやすいクリーンな環境（データレイク/ウェアハウス）を整えます - 「超上流」からの設計：
そもそも「なぜそのデータを取るのか」というビジネス要求（要求開発）から入り、後からゴミにならないデータ設計を徹底します
- データサイエンス・エンジニアリング：
- 「理屈」を「実感」に変える伴走（文化面）
多くのコンサルが「レポート」で終わるのに対し、豆蔵は「動くもの（プロトタイプ）」を提供します。- アジャイルなスモールウィン：
壮大な計画を立てる前に、まずは価値が出る最小単位（PoC）で結果を出し、「データを使えば本当に変わる」という成功体験を現場に植え付けます - レガシーからの脱却：
複雑な既存システムのしがらみを解きほぐしながら、攻めのDXへシフトさせます
- アジャイルなスモールウィン：