ビジネスへのデータ科学的接近と知の共有

(1)

大学共同利用機関法人：情報・システム研究機構統計数理研究所・

データ科学研究系

国立大学法法人：総合研究大学院大学複合科学研究科・統計科学専攻

椿広計

ビジネスへの

データ科学的接近と

知の共有

(2)

お品書き

• はじめに：ビジネスとビジネスデータ・マネジメント・システム

• 最近使い過ぎた自己紹介

• 古典的統計科学とは？

• データ科学はどのようにビジネスに貢献するのか

• 実践家にとって重要な実践の知の共有

(3)

3

はじめに：ビジネスは科学たりえるか？

• ビジネスとは？

• 変革と挑戦：米国

MB賞のWEBの1999年頃

• Challenge to Chance of Changes：筑波大MBA-IB創生期

• どこにチャンスがあるのか • どのようにチャンスをつかむのか • データ科学の役割は？

• ビジネスデータ・マネジメント・システム

• 「ビジネス情報」に付加価値を与える一連のプロセス：

マネジメント・システム

• ビジネスとして関心のある事象の集合から、予測・制御・デザイン・最適化といった経営アクションに利用できる便利な経験法則を事実（Data）に基づいて抽出し、それに基づいて最適なアクションを決定するのに必要な方法の体系 • どう構築するのか？

(4)

自称：不思議の国の

統計家

≠統計学者

人材基盤無き我が国のビッグデータ時代（データの消費財化と価格破壊）

最近使いすぎた自己紹介

(5)

参考資料：　世界各国の統計学科ないしは統計関連組織のファカルティ数についての概要国名組織名教授准教授助教講師ｺﾝｻﾙﾀﾝﾄ研究員兼任研究者計インドインド統計研究所（スタッフ1000名以上） 255 255 日本統計数理研究所 1 9 1 7 9 2 2 8 7 5 ドイツルートヴィヒ・マキシミリアン大学統計学研究所 11 55 66 イタリアボローニャ大学統計学科：Faculty 64名 64 64 オーストリアウィーン大学統計・OR研究所（Faculty22名、講師・客員35名） 22 35 57 フィンランドヘルシンキ大学数学統計学科(統計学内訳不明） 19 1 18 7 11 56 オーストラリアメルボルン大学数学統計学科(統計教員比不明） 18 9 12 7 46 中国中国人民大学統計学院 24 13 1 6 1 45 ニュージーランドオークランド大学統計学科 12 9 15 8 44 英国ケンブリッジ大学j純粋数学数理統計学科（統計は1/3程度） 24 18 42 英国オックスフォード大学統計学科 13 16 12 41 米国ミシガン大学生物統計学科：ファカルティ数：40 40 40 米国ワシントン大学生物統計学科 25 8 6 39 米国 UCLA統計学科 10 1 8 20 39 バングラディシュダッカ大学統計生物統計情報学科 16 6 10 4 36 中国(台北）中央研究院統計科学研究所（35名） 35 35 米国スタンフォード大学統計学科 16 2 2 0 2 5 7 34 シンガポールシンガポール国立大学統計・応用確率学科 7 14 6 6 33 米国ミシガン大学統計学科 16 7 3 4 1 31 米国カリフォルニア大学バークレー校統計学科 21 2 2 1 1 2 29 米国コロンビア大学統計学科 12 4 11 1 1 29 米国デューク大学統計科学科 12 5 7 1 4 29 チェコカレル大学確率数理統計学科 10 7 9 2 1 29 中国香港大学統計学・保険数理学科 7 7 3 6 5 28 米国シカゴ大学統計学科 16 3 3 2 2 26 米国ワシントン大学統計学科 16 4 4 1 25 スェーデンウプサラ大学統計学科 4 9 12 25 中国(台北）国立台北大学統計学科 1 10 9 5 25 米国カーネギーメロン大学統計学科 13 6 3 2 24 カナダトロント大学統計科学科 10 7 2 4 23 オランダユトレヒト大学方法論・統計学科 4 4 6 8 22 中国(台北）国立成功大学統計学科 5 8 3 6 22 南アフリカステレンボッシュ大学統計・保険数理学科 6 7 8 21 中国北京大学統計科学センター：ファカルティ18名？ 18 18 フランスノートルダム大学応用計算数学・統計学科 3 3 10 16 イスラエルエルサレム大学統計学科 11 5 16 スリランカコロンボ大学統計学科 1 1 12 2 16 米国ハーバード大学統計学科 9 2 2 2 15 ナイジェリアイバダン大学統計学科 0 0 0 14 14 ガーナガーナ大学統計学科 7 3 10 インドカルカッタ大学統計学科 7 2 9 韓国仁荷大学統計学科 7 7 韓国江陵原州大学情報統計学科 7 7 デンマークウルム大学Institute of Stochasric 2 2 2 6 クウェートクウェート大学数学統計学物理学科統計学コース 2 4 6 イラン Yazd大学統計学科：Faculty　6名 6 6 日本慶應義塾大学数理科学科統計学コース 3 1 1 5 トルコヤサル大学統計学科 1 1 1 1 4 不思議の国のビッグデータ時代 Q1:世界にあって，日本にない職種 →統計家 Q2:世界の大学にあって日本にない学科 _{→統計学科} ビッグデータへの対応 ○米国産業界；情報産業の高度情報コンサルテーションサービスへの転身サービス科学の提唱 IBMによるSPSSの買収：予測型ビジネス米国ビッグデータイニシアティブ数理統計の延長線上としての機械学習，マイニングの基礎理論，応用の強化 ○日本の対応情報2次産業がビッグデータ主導大規模情報転送，圧縮推進できる統計家の産業界不在 1990年代までは日本のモノづくり産業は_KAIZENで統計最先端活用で世界から注目米国はSCANSレポート(1990)で自律的に問題解決可能な能力を労働者に提供すべく，学校教育の大改革 5

(6)

自称古典統計家

(Statistician)専門不定

統計家とは？：米国の場合（労働省統計）

• http://www.bls.gov/ooh/Math/Statisticians.htm：統計家を政府がカウントしている • 統計家のするコト • 統計的方法を用いてデータを収集・分析し，ビジネス，エンジニアリング，科学分野など実世界の問題のソリューション提供を支援する • 連邦政府17％，金融保険，12％，教育関係11％，地方政府9％，健康（製薬）・社会支援：8％ • 統計家となるには？ • 統計か，数学の修士学位が通常必要，最近のジョブ増加に伴い，学部レベルの職も増加：多くの大学に設置されている統計学科や生物統計学科の修了生，修士博士修了生は，手法開発やコンサルタントとして自立 • 統計家：修士48％，学士28％，博士：24％ • 生物（医学）統計家：修士52％，博士：45％，学士：3％ • 統計学科修了生でも，統計家ではなく，アナリスト（金融アナリスト）やデータサイエンティストと呼ばれる職種につくものもいる． • 年収中央値は，２０１２年５月現在$75,560（連邦政府のPayが＄97,520) • 全米中央値は$34,750 • 求人状況：2012年現在全米で27600名雇用中，今後10年で27％増加と予測，通常の職種よりきわめて高い成長率（コンピュータが18％，全米平均11％） ₆

(7)

データ（統計）科学の

古典的定義と

古典的統計科学の生誕

科学の文法：ビジネスは科学たりえる（科学の適用範囲は無限）

個人的にはデータ（

Something given）という言葉は嫌いなのですが、

今はしょうがないですね。

7

(8)

統計科学の目指したコト：

統計家の横断性の源泉

• To discover methods of

condensing information

concerning large groups of

allied facts into brief and

compendious expressions

suitable for discussion

• 関連する多くの事実集団に関する情報を議論に適した簡潔な表現に要約する方法の開発

• Francis Galton (1883)

• Inquiries into Human

Faculty and its Development

http://www.mugu.com/galton/

(9)

漱石

1903年の「Karl Pearson：科学の文法」講義

帝大文学部「文学評論」

• その道の人（K.P.）

は（統計）科学をこう解釈する。

• 科学はいかにしてということすなわちHowということを研究するもので、なにゆえということすなわちWhyということの質問には応じかねるというのである。 • たとえばここに花が落ちて実を結ぶという現象があるとすると、科学はこの問題に対して、いかなるプロセスで花が落ちてまたいかなるプロセスで実を結ぶかという手続きを一々記述してゆく。しかしなにゆえに花が落ちて実を結ぶかという問題は棄てて顧みないのである。（中略）

• さてこのいかにしてすなわちHowということを解釈すると、俗にいう

原因結果という答えが出てくる。

• 太郎が犬を打ったとする • Why?「何故打ったのか」→動機の問題「悪戯をするから」 • Hoｗ?「どうして打ったのか」→打つまでの事件の経過が問題 • これは、寺田寅彦(1946)「物理学序説」の絶筆部分 9

(10)

因果モデル記述への挑戦

「分解

(Analysis)」の時代性

• しかしまえに述べたようなわけだからこの原因結果とはある現象の前には必ずある現象があり、またある現象の後には必ずある現象が従うという意味で、甲が乙をしかならしめたなどという意味ではないのは無論である。

• それでこの原因結果を探るには分解をする。

• 一つの現象をとって『いかにして』ということを究めるには、それが複雑な現象であればあるほど『いかにして』ということを知りにくい。 • 知ったと思うても分解を経た上でないと常に間違う。だから人間はその場合とその時代に応じてでき得るかぎりの分解を企てる。 10

(11)

K.P.(漱石)の統計科学観

「総合

(Synthesis)と分類(Classification)」

• 分解をしてある微細なことについて『いかにして』ということが分かると、つぎにはこの零細なる事実をたくさん集めて比較してみる。

• そこで総合ということが始まる。

• 総合とは同じような事実をたくさん集めて『いかにして』という点においてみな一致していることを見ることである。 • で総合ができれば、これから一つの法則ができるわけである。

• それから総合をしてみて『いかにして』という点においていろいろな

場合が一致しなければ分類ということができる。

• まずざっとこんなふうで科学はできる。

• K.P.：科学の適用範囲を制限するのは迷妄

• 科学は対象ではなく、そのプロセスで特徴づけられる

• 何でも科学の対象たり得る：

ビジネスは科学たり得る

• 筑波大大学院ビジネス科学研究科 11

(12)

データ科学は

どのように（

How)

ビジネスに貢献するのか？

手法群としてとらえず手法連携としてとらえること

(13)

統計的方法の役割：

日常管理

(Control)とKaizen(Improvement)

データを収集・分析し、実社会のソリューション提供を支援

Plan どう解くか何を計るか Data 現場の情報：ミクロ社会の統計：マクロ Analysis 要因の分析原因と結果 Conclusion 問題を解く方針 Problem 解くべき価値ある問題の発見 Check あるべき姿と実際とのずれ What, Who, When, Where, How Action ＝ソリューション提供 Plan 目標人・設備・予算・情報の提供 Do Planの着実な実施日本のQCストーリー 改善のサイクル PPDACサイクル 英米の初中等統計教育統計家 Demingの PDCAサイクル 質的調査計画量的調査計画実験計画因果モデリング：検証的解析回帰分析・時系列解析機械学習多目的最適化＋実装効果確認の解析効果検証:GAP (残差)分析。探索的解析 13 検査＆統計的意思決定統計的プロセス管理

(14)

14

ビジネス・データ技術とビジネス・データ科学

• 機械学習・マイニングなど統計的予測技術は勿論必要かつ有用

• 適用範囲を正しく知ること

• 順問題（原因からの結果予測） • 逆問題で原因系トレーニングデータの分布が、原因系予測利用領域の分布と一致する場合

• 経営理論を核としたビジネス現象のモデル化能力

• むしろ、モデル化能力を根幹にした経営理論の革新も必要か？

• 技術ニーズに即した分析の誤謬

• 例：売上ではなく，売上利益の予測？

• 目的変数は？ • 技術的接近ならば予測したい変数が目的変数 • 科学的接近：理想機能（システム）を選択するためのAnalysis

• ビジネス価値との整合化

：合理的意思決定能力＝

Scientific Risk Take

• 不確実性の下でリスクを適切にとれない人のために

(15)

15

ビジネスデータ・マネジメント技法の

適材適所

手法が高度か否かは経済的価値に重篤な影響を与える確率は低い

• 日常管理技法＋価値の抽出技法

：期待と実際が外れたらチャンスと思う

• 管理図、検査⇒合格が目的ではない、

Out of Controlが出たらチャンスと思う

• 残差分析的マイニング

• 質的研究：自分とは違う意見が出たらチャンスと思う

• 事実の抽出技法：検証効率の最適化

• 調査計画法・実験計画法（タグチメソッドなど）

• 法則の選択と抽出技法

• 質的システム選択

• データ分析による因果的連立方程式のモデリング

• 意思決定技法

• シミュレーションと予測技法

• 決定理論と多目的最適化技法

(16)

16

価値の発見：宝物探しは、外れもの探しから

シューハートのプロセス管理：

• 従業員数、固定資産、流動資産、負債、売上高の_{5変量を用いて、重心ベクトルから} のマハラノビス距離を計算 • > zaimu96[zaimu96.sMah>25,1]

• [1] Chugai Mining ORIX INTERIOR • [3] MIYAKOSHI FANUC • [5] ITOCHU Marubeni • [7] SUMITOMO TOKYO SANGYO

• [9] Sumitomo Realty & Development HOKKAIDO SHINKO • [11] East Japan Railway SEA-COM

• [13] Fuji Kisen Nihonbashi Warehouse • [15] Tokyo Electric Power Chubu Electric Power • [17] Kansai Electric Power Chugoku Electric Power • [19] Tohoku Electric Power Shikoku Electric Power • [21] Kyushu Electric Power Hokkaido Electric Power

(17)

17

予測と実際が外れたら学習の機会

(18)

18

価値の発見からモデリングへ

御用とお急ぎの場合の順問題ならば統計技術：利益を目的変数

赤字企業は負のデータ：電気電子機器業界

• log10(利益＋5000)

=0.72

+0.33対数人件費

+0.55対数資産

-0.09対数負債

R

2

_＝

_0.88

しかし残差に非線形性

(19)

19

統計科学的接近：予測対象を２本の方程式で表現

モデリング（法則）重視：かなり人間的行為

第一段階：売上高ー売り上げ利益

• 対数原価＝

0.27＋

+0.26対数人件費

+0.26対数資産

+0.46対数負債

• Ｒ

２

＝

0.93 • 原価の世界の

対数線形性に

問題は少ない

(20)

20

第

2段階：売り上げ／原価

• 対数（売上／原価）＝

0.18対数資産

-0.18対数負債

• Ｒ

２

＝

0.27 • 法則性としては弱いが

非線形性などは顕著では

ない．

(21)

21

解釈への統合

• 売上利益＝原価×利益率

＝

10

0.27

人件費

0.26

資産

0.26

負債

0.46

×｛（資産／負債）

0.18

-1｝

• 非線形性が出るのが当然

• 利益は人間が作り出している目標

• ビジネスの法則（モデリング）による記述の対象ではない

• ブラック・ボックス接近で仮説は成長するか？

• 現象に対する合理的想像こそ人間の成すべきこと

(22)

予測と解釈

：単一方程式予測から連立方程式解釈へ

有向グラフィカルモデル⇔

Balanced Scorecard:統計モデルがビジネスモデルへ

Yule（Pearson)の偏相関（下記変数全て対数）

1+

利

益率

原価人件

費

資産負債

1 -0.12 0.10 0.14 -0.05

-0.66 1

0.90 0.94 0.94

0.39 0.52 1

0.89 0.87

0.67 0.61 -0.07 1

0.93 -0.21 0.24 0.06 0.45 1

22 カネモノヒト原価利益率

(23)

モデリングから意思決定へ

ビッグデータによって予測精度が画期的に向上することはない

• 行動の不確かさ予測と意思決定にベイズ的意思決定理論は有効か？ • 帰納的データアプローチ（Forecasting）か？⇔統計で未来予測はできない（１００年前の議論の再来） • 設計学的シナリオアプローチ（Back-casting）か？⇔大東亜戦争勝利のシナリオ • 行動を統計的に予測することに意味があるのか？ • データから予測できるのか，その予測精度は？ • 予測式は作れる：Signal+NoiseのSignal成分の推定が点予測、Noise成分が区間予測幅 • Noiseが大きい、将来シナリオに大きく依存⇒予測精度（決定係数）は低い • シナリオは自然のあるいは人為的介入であり統計的予測対象ではない • 予期せぬ事象で大きく変わる • 不確実な行動やシナリオに対処することにデータ科学としての役割があるのか？ • Noiseが大きくとも意義はある • その対処にはどのようなデータをとるのか？ • モデリングの結果を基にNoiseを意図的に振らせた感度分析から意思決定方策を評価 • これらがビジネスになるのか？ • 合理的予測に基づく意思決定の経済価値評価の徹底が必要 23

(24)

実践知の共有

情報・システム研究機構データ中心科学リサーチコモンズ事業＋日本規格協会との共同事業：_VCP-NET 自信はありませんが、これから話すことに共感があれば気軽にご参画ください以下のスライドは、林利治氏（元日立製作所）、黒河英俊氏（アルプス電気）、吉澤正孝氏（元富士ゼロックス）ら_{VCP-NET研究会のメンバーが作成したものを抜粋しています。}

(25)

統計科学と囲碁：筋と形、定石、布石

実践の場と名局鑑賞も必要：連携の知

• これが手筋（局地戦に用いる手法群）だ

• 視覚化、集約化、分類（混合）、母数の変量化、回転、無作為化、最小化、

順位化、条件付推論、リサンプリング、

• 定石（局地戦モデル）：典型的なモデル、統計技法

• 適用範囲の管理

• 布石（全局的戦略）

• データ解析戦略

• データマネジメント戦略

• 問題認識戦略：科学の文法

• 問題解決戦略

(26)

26

疑問

現状認識 ・進歩，変革，再生の為の知識とスローガンの氾濫・多様な手法や技法に関する知識の蓄積が進行・９０年代まで盛んであった智恵の開示は「知財の壁」で終焉

問題（価値のあるコト）

の発見･解決への寄与は

如何？

知識の効果的活用のための知恵を蓄積・共有・自律的発展 _{意欲のある技術者・研究者・行政のネットワークを形成}

提案

技術･製品の価値を高めるための手法や技法適用のプロセスについての智恵を一定の形式で集積するネットワーク内の自由な意見交換により「知恵の基盤ベース｣として進化させる手法の知見を蓄積し単に品質追求するだけではなく、価値創生のプロセスにおける明示的な知識を提供する

価値創生ﾌﾟﾛｾｽ実践知開発ﾈｯﾄﾜｰｸ活動とは

価値創生プロセス実践知開発ネットワーク活動〔出展〕「価値創生プロセス実践知開発ネットワークキックオフシンポジウム主旨・活動の経過」／椿広計（2013）・・・図解（黒河英俊）

(27)

VCP-Netの役割と期待する成果

活動ドメインと期待する成果

27 企業・事業のビジョン・ミッションの実現開発戦略策定プロセス目的：どのような市場をターゲットにし_,どのように価値を創造し，収益を上げるかデザイン（ビジネスモデルのデザイン）開発実行プロセス目的：無駄なく品質の良いモノをスピーディーに商品とサービスを開発するプロセスを有効に機能させ，ビジネスを成功させるためのマネジメント

活動ドメイン：

プロセスに関係する手法のデータベースの構築

手法連携の利用による課題や問題の解決法の提供

プロセス及びアウトプットの質向上のための最適ツール活用法

の確立とその提供

ツール活用のための能力の明確化とその向上

期待する成果：

これらをセミナー、シンポジウム、研究会、企業指導、書籍等で展開。

(28)

VCP-NETの活動アーキテクチャー

（フレームワーク）

価値創生プロセスを強化、実践する知識・知恵を蓄え、共有し、自律的に発展させることを以って、現場が抱える様々な問題が、効率的に解決され、活力ある日本の再生を可能ならしめること

Mission

価値創生プロセス実践知開発ネットワーク（VCP-NET)活動（情報システム化/知識ベース化）市場グローバル化多様性価値感の変化課題・日本的モノづくり成功事例の減速化・モノからコトへ価値創造変革の必要性・知識、知恵の集約に壁価値創生プロセス実践知開発ネットワーク活動の実践思想・構造

Environment

System

Architectural

description

産事業経営者/事業改革リーダ手法/知識活用イノベ－ター学手法/知識開発に意欲ある研究者データサイエンティスト官イノベーション事業インキュベータ価値創生プロセス実践知開発ネットワーク活動のアーキテクチャ記述

Stakeholders

Architecture

2014/06/20 2nd VCP-NET 議論の前提や視点の共通理解のために、本活動をひとつの情報システム（Ｓｏｆｔｗａｒｅ Intensive System）と見做し、ANSI/IEEE-Std-1471-2000（アーキテクチャー標準記述方式）に準拠して記述すると、

(29)

VCP-NETのアーキテクチャー記述(2)

（

Stakeholder/Concern具体項目例）

Stakeholder Concern Subconcern

手法/知識開発に意欲ある研究者実践知知識循環の自律化実践知が集まるしくみ風化、陳腐化しないように手法/知識開発に意欲ある研究者新たな手法領域の発見上手くいっていないが、適当な手法がないところは？新・手法開発の可能性手法/知識開発に意欲ある研究者有効な手法連携の知恵蓄積知らないために有効に使えていないところ新たな手法連携の知恵獲得改革リーダ/イノベ－ター革新ベスプラ事例の活用成功事例での標準的な手順を知りたい手順遂行に必要な、手法・方法論を知りたい NET開発/運営者 VCPNETプロジェクトの進め方プロジェクトの体制、構成各WGの位置づけ、役割 2014/06/20 2nd VCP-NET

(30)

ＶＣＰ-ｎｅｔ活動の全体像

・手法ＢＯＫ

・視点ＢＯＫ

手法

_/視点

連携モジュール

開発・設計力

評価（モデル）

（JEITA/DPAM研究会のモデルを使用、２５の設計プロセス）

開発力強化

ソリューション

（ガイドライン）

WG3・・・ WG1 WG2 使用目的基本要素応用要素限界場面部分的に記述を開始手法の追加

・価値創生プロセス

（Value Chain Process ）

の実践

・新しい実戦事例の

発掘と共有

等

連携法の追加

SNS

代表的Value Chain Processへの適用事例

(31)

31

様々な手法を、体系化することにより、

手法BOK（WG1）の活動目的

１．各手法の本質的な

効能・限界を明らかに

する。

２．

新たな手法の連携

により、手法の効能が

より高まる場面を、明らかにする。

３．業務を確実に行なうため、あるいは手法の

効果を高めるために、

開発が望まれる手法

の機能・領域

を、明らかにする。

そして、企業の価値創生プロセスに貢献する

〔出展〕「手法の分析と体系化および価値創生のための課題（ＷＧ１報告）」／黒河英俊／ＶＣＰネットキックオフシンポジウム（2013）

(32)

収集された手法と対応

全体で約３００点の開発・設計プロセス工学技術手法を

収集。

これらのうち委員が良く知っている３８の手法をベースに、

・各手法を何をどうする（目的語

X動詞）で分類整理し、

・各手法を（目的語

X動詞）マトリックスにマッピング。

これにより、

・各種法の特徴の明確化をはかる。

・支援する手法の検索インデックスとする。

・未発掘手法領域を明らかにする。

32

(33)

33 誰がやっても同じ結果の出る部分

WG1:黒河（アルプス電気）、大藤（玉川大）クラスター分析実施

手法の基本機能（目的語×動詞）マトリクス表

動詞×目的語の組合せ＝手法の使用目的（ニーズ）

【ユーザーが困った時に、支援する手法を引き出せる】

動詞

名詞

(34)

IPOでの記述：手法のOを次の手法のIに

手法の一般構造（アーキテクチャー）と

BOK

＊

_化

(＊BOK（Body Of Knowledge) ) 34 パースペクティブ

_手法

プロセス入力データ空間 Quality Efficiency 機能結果と解釈ノウハウ効果的入力データ選定のための視点_{/ガイドライン} 効率的なプロセス遂行のための視点/ガイドラインパースペクティブ非機能視点

各手法に対して上記を含む情報を手法

BOKとしてDB化

３８手法の機能について記載済み

(35)

35

ＢＯＫ

＊

_{の作成（３８手法）：}

IPO

(36)

WG2：代表的Value Chain Processへの適用ミッション

各プロセスに落とし込まれた手法間の連携及び

プロセスをつなぐための連携について，

・具体的な問題をベースにまず課題を明らかにし，

・企業の問題や課題に関する要求に応える一連の手法を選択し，

・それらを有機的な連携に関するガイドラインを作成する。

36 プロセス手法 A 手法 B 手法 D 手法D 手法 C

１．プロセスの中で手法を効果的・効率的に運用する

２．プロセスの改善・改革手法の連携

(37)

WG２のもう一つのミッション

企業の開発プロセス改善に有効な手法抽出

 開発・設計プロセス改善を行うためには手法の活用も有効である  「開発プロセス」と「ＤＰＡＭ２５の設計現場力」の関係づけを行うことで，開発・設計プロセス改善に必要な手法を抽出することができる 37 市場・顧客理解力手法・・・・・・流用設計力新製品創出力技術動向理解・判断力コストダウン設計力目標原価達成力部門間協業力サプライヤ協業力計画立案・遵守力技術課題対応力未然防止・再発防止力設計作業工数削減力試作・実験費用削減力製造作業工数削減力サプライヤ選定力ユニット・部品の共通化／標準化力・・・プロセスサービサビリテ_ィ設計力安全設計力ユーザビリテ_ィ設計力環境共存力製造要件対応力設計意図伝達力フロントローデ_ィング力商品企画製品企画基本設計量産設計生産企画生産設計生産・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・現場力　（能力要素）・・・・・・仕様設定力仕様具現化力

VCP-Net

プロセスと手法の対応

DPAM

＊２５の設計現場力「開発プロセス」と「設計現場力」の関係付け

＊_{DPAM：Design Process Assessment and improvement Model}

(38)

国際標準化での

Initiative

日本発の

Value Chain Cycle標準（ISO TC69 SC8）への展開

設計科学の文法(Tsubaki, Nishina, Yamada eds. 2008)構築を目指して

39

ISO/TC69/SC8

Statistical and related methods along the value chain cycle

Value Selection System Selection System Optimization System Implementation Value Injection Customers and Societies SC8/WG1 Collection of VOC or VOS by Survey

SC8/WG2: Selection of engineering models or systems to attain the VOC or VOS SC8/WG3: System design and optimization SC4 and SC5 activities Quality Parameters of Systems Good Design Good Products VOC

The next process is an important customer VCP-NETで体系的に登録される良い知恵は、Japanese Waysではあるかもしれないが、国際標準（規格ではなくガイドライン）にしてしまっては？ SC8立ち上げ時 2010年₆月説明資料

(39)

おわりに：科学はビジネス足りえるか？

集う場としての

SNS：成功の自信はない！

• 産業競争力向上のための学会横断的活動

• 横幹連合（横断型基幹科学技術研究団体連合）への期待

• データ科学のみではなく、全産学活動集約に意義

• 集う、集める、共有する、選択する、進化する

• １９９０年代までの日本科学技術連盟などの役割復活

• 手法の利用者視点の機能的理解と価値創生での役割明確化

• モジュール化、パッケージ化（連携の標準化）

• 手法の産業活動プロセスにおける

利用者視点の機能理解

• 開発者視点の原理の理解ではない！