製品ライフサイクルの短命化による多品種少量生産の現在において、あらゆる製造業にとって自動化は競争力の源泉となります。第一次産業革命での蒸気機関の活用に端を発する自動化プロセスは、ローコストオペレーションで品質の高い良い製品をつくる要となってきました。インダストリー4.0の時代に入り、多種多様なデータを取得・蓄積しはじめているがこれらデータを活かし切れていない製造業の現場において、AIの活用が直面するビジネス課題の解決策となります。
概要
AI活用による製造業の生産性向上
製造業でのAI活用事例
【改善・改革領域の概要 】
化合物の物性予測：MI（マテリアルインフォマティクス）の領域では、素材の開発・改善や新しい化合物の発見などにとって重要性をましています。dotDataは構造化されたデータを対象に実験サンプルデータをインプットとすることで物性値の予測が可能です。
【 dotDataが業務部門にもたらす価値 】
数万通りの組み合わせパターン（配合条件）を探索し、物性に影響を与える特徴量をランキング形式で短時間に出力します。
「原材料Aの量が多く、かつ材料Bがあるレンジの量である場合、物性Kに大きく影響する」といったインサイトを見つけることができます。
【 ビジネス効果 】
新素材や化合物開発の短期化
物性の解析業務の効率化・生産性向上
【改善・改革領域の概要 】
製造品質の向上：製品のライフサイクル短命化、高機能化・微細化、仕様の多様化だけでなく、製造装置から取得可能なデータの広がりにより、歩留まり解析作業の負荷が増大してきています。dotDataは製造品質の悪化要因を素早く探索し、製造品質を向上します。
【 dotDataが業務部門にもたらす価値 】
dotDataは、多様なデータを一度に歩留まり解析にかけることができます。
時間粒度が異なる時系列センサーデータも同時に分析可能です。
「ある工程における、設備の電力量のばらつきが多く、製造物の表面温度が高いと不良品になりやすい」等といった、製造品質に影響をあたえる複合的な製造条件を見出すことが可能です。
【 ビジネス効果 】
歩留りや製造品質の改善
品質解析時間の効率化・生産性向上
【改善・改革領域の概要 】
需要予測精度の向上と継続改善：これまでの需要予測は過去の出荷実績をベースにした時系列モデルで構築されているケースが多く、マーケットの変化に追従できずに予測精度が悪くなっている状況にある企業が増えてきてます。dotDataを活用することで、時間の経過とともに変化するデータに沿ってプロセスも自動化することができ、高精度な予測モデルを短期間で構築できます。
【 dotDataが業務部門にもたらす価値 】
予測モデルの構築および予測精度悪化時のモデル再学習を、自動で、そして短期間で行うことができます。
計画策定業務担当者が、肌感覚で持っている予測に効きそうなデータも容易にdotDataに取り込んで、人間の経験とAIの発見する特徴を組み合わせて入力し、予測モデルの精度と信頼性を高めることができます。
予測モデルの作成が自動化されることで、多数の製品・商品の需要予測モデルをきめ細かい粒度で作成することが可能になります。
【 ビジネス効果 】
需要予測精度の維持・向上
欠品時間の削減と、過剰在庫の抑制
緊急出荷費用の削減（高コスト輸送モード）
【改善・改革領域の概要 】
営業力の強化：契約情報や営業活動履歴、法人属性といったデータから、成約率とその要因を発見し示すことで、営業担当者が質の高い見込み顧客へ効率的にアプローチし、また、顧客ごとの成約率や要因を可視化することで、営業理解を深め、営業力を強化することができます。
【 dotDataが業務部門にもたらす価値 】
「直近2か月以内に訪問し、ある商材をX個以上契約しているお客様は、別のある商材を平均よりも1.5倍買いやすい」といった成約の要因を示すことで、営業担当者が納得感を持ってターゲット顧客にアプローチすることができます。
営業担当者にダッシュボードを通じて情報（成約率や要因等）を分かりやすく届けることができ、BI & AIによる効果（データ活用の民主化）を企業全体で享受することができます。
営業活動履歴のデータを分析対象とすることで、どのような活動（特徴）が成約に至ったのかを知ることができます。活動量が多い顧客が成約するのは自明であるといったケースでは、当該データを除外することで新たにアプローチすべき顧客を把握することができます。
【 ビジネス効果 】
営業力の強化
成約率向上と解約率の向上
【 改善・改革領域の概要 】
市場設置機器の故障予知：市場に出荷された製品のオペレーションデータやセンサーデータ等の履歴データを活用することで、故障発生の予測モデルを構築することができます。高額なメンテナンス費用や顧客の不満が発生する前に、故障につながるリスクが高い機器を特定し、軽微な修理や改良を行うことで、メンテナンスコストの削減や顧客満足度の向上に寄与します。
【 dotDataが業務部門にもたらす価値 】
「最近の1か月間に特定の運転モードで10時間以上稼働させると故障発生率が高い」といった故障に影響を与える要因が特定できるようになります。これにより、メンテナンス要員が顧客に対してなぜ事前にメンテナンスが必要であるか説明も可能となります。
dotDataを活用することで、機器の仕様ごとに取得できる稼働ログが異なるケースでも、予測モデルを明細データから自動的に作成し、機器仕様に応じた予測モデルを短期間で構築できます。
【 ビジネス効果 】
メンテナンスコスト削減
設備・機器のダウンタイム削減による顧客満足度向上
【改善・改革領域の概要 】
売上着地見込みの予測：企業における売上予算は、対前年度比で数％UPという数値がおかれているケースが多いです。期中に売上の着地見込みを予測し、期初に立てた予算との乖離（かいり）が大きい業績管理セグメントを特定することで、予算達成に向けたアクションを実行できます。
【 dotDataが業務部門にもたらす価値 】
経営管理として策定する予算編成の際に、参照されなかった現場に近いデータも含めて売上の着地見込みを予測することで、より具体的なアクションにつながります。
売上実現の先行情報であるテキスト情報を含む営業活動情報全体を考慮した予測が可能になります。
【 ビジネス効果 】
業績管理プロセスの改善
予算未達リスクの早期発見
ニーズに応じた二つのdotData
お客様の環境とスキルに応じた二つの異なるdotDataが利用できます。二つの製品の間で開発した機械学習モデルをやりとりし、ビジネスアナリスト・BIユーザーとデータサイエンティストの連携を強化することができます。
全ての企業、全ての人の手にAIを
dotDataは、独自の自動化技術によって企業のAIを加速し、民主化し、業務を革新し、全ての企業・全ての人がAIを活用できる世界を創出します。dotDataのAutoML 2.0は、AI開発の破壊的なスピードとスケールによって、AIによるビジネスの変革に無限の可能性をもたらします。
BI & データアナリスト
データ前処理や特徴量設計に関する深い知識やスキルが必要な従来のAutoMLとは異なり、dotDataはデータサイエンスプロセス全体を自動化します。BIアナリストとデータアナリストは、 dotDataを利用して、短期間でAI / 機械学習活用の取り組みを開始することができます。
データサイエンティスト
データサイエンティストは、80%の時間を複雑なデータ処理や特徴量仮説の設計に費やしています。特徴量自動設計で機械学習モデル開発を強化し、プロセス全体の自動化によって価値創出にかかる時間（Time-to-Value）を10倍高速化することができます。