ERP・アナリティクス・人工知能・開発と運用 ITソリューション塾【関西】 2015年9月2日 ERP ERPとは ERPシステム 登場の歴史的背景 メインフレーム時代 部分最適 業務 業務 業務 複製システム・分散システム時代 部分最適 業務 業務 新規 業務 SYS SYS SYS SYS SUB SYS ERP時代 全体最適 業務 業務 新規 業務 新規 業務 新規 業務 新規 業務 SYS SUB SYS SYS SUB SYS 業務 新規 業務 新規 業務 業務 機能 業務 機能 から 全体最適 へ 現場の業務をそのままシステム化 元の書類の流れに合わせたシステム 部分最適なシステム構築 様々な部門が様々なシステムを導入 重複業務（顧客マスター登録など） 別々のDB（顧客データなど） システム間でデータの互換性が無い 業務のシステム化 部門 SYS 部門 SYS 部門 SYS 業務システムの適用領域拡大 新規 業務 新規 業務 新規 業務 部分最適 業務 業務 機能 業務 機能 新規 業務 業務 機能 業務 機能 ERP 統合マスター データベース 業務 機能 業務 機能 新規 業務 業務 機能 業務 機能 業務 機能 業務 機能 業務システムの統合化 個別業務システムとERPシステムの違い 個別業務システム ERPシステム 販売 販売 生産 生産 物流 物流 統合データベース 購買 会計 人事 購買 会計 人事 ERPシステムとは 個別業務システム ERPシステム 購買 生産 販売 会計 購買 生産 販売 会計 業務システ ム 個別 システム 個別 システム 個別 システム 個別 システム 購買 生産 販売 会計 データベー ス 個別DB 個別DB 個別DB 個別DB プロセス 業務個別に プロセス・データの整合性を確保 特 ERPシステム 経営 全社統合DB 会社全体として業務間の プロセス・データの整合性を保証 徴 処理にタイムラグが発生 二重入力によりマスターの分散 個別設計・構築 データやプロセスの不整合 個別維持管理による運用負担 プロセス全体の可視性なし リアルタイム処理 マスターの統合 全体最適化された設計・構築 データやプロセスの整合性を保証 プロセス全体の可視性を確保 「ERP」と「ERPシステム」と「ERPパッケージ」 ERP Enterprise Recourse Planning 企業経営の基本となる資源要素（ヒト・モノ・カネ・情報）を 適切に分配し有効活用する計画を重視する経営手法 ERP システム ERP経営を実現するための 情報システム 業務分析や業務プ ロセスの標準化 (BPR)に手間やコ ストがかかり、実 現が困難 あるべき姿のひな 形を使って、経営 や業務の全体最適 化を加速 ERP パッケージ ERP経営を支える理想的な業務プロセスをパッケージ化した情報システム ERPシステムの全体像 ERPシステムのもたらす価値 ERPパッケージ利用のメリット 1. 効率的義用務運営 2. リアルタイム経営 3. 内部統制 1. ベストプラクティスの活用 2. 法律・制度変更への迅速な対応 3. 構築に関わる期間とコストの削減 経営 可視化・分析・計画 アプリケーション 営業・販売 営業・販売 アプリケーション 倉庫・物流 アナリティクス 統合データ 可視化 アプリケーション 倉庫・物流 経理・財務 経理・財務 アプリケーション 調達・管理 アプリケーション 生産・製造 人事・給与 アプリケーション アプリケーション 調達・管理 ERPシステム 倉庫・物流 調達・管理 オンプレミス型からクラウド型へのシフト http://www.strategyand.pwc.com/media/file/Beyond-ERP.pdf 継続してオンプレミスでERPを導入する ニーズは20％にとどまっており、クラウ ドで利用できるのを前提とした利用で、 オンプレミスと連携できる環境を求めて いる比率が64%となっています。 Pwcのデータに調査によると、オンプレ ミスERPは2016年までに30％減少減少し、 クラウド型のERPが追い抜く状況となっ ている。 http://www.epicor.com/company/whats-next.aspx 9 OSS ERP http://it.impressbm.co.jp/articles/-/11256?page=3 10 ERPのグローバル展開と ２層ERP（Two-tier ERP） ERPの理想と現実 理 国内外のグループ企業の全拠点に同一ERPシステムを導入し、データ フォーマットを統一、業務やデータの連係を円滑に行う。その結果、業 務処理を効率化でき、経営状況をリアルタイムで把握できるようにする。 想 Global Single Instance / One Global Standard 拠点毎に個別最適なパッケージを導入 親会社のシステムをひな形とする 親会社のマスターに合うようにデータを変換する 2層ERP 2 Tier ERP 本社と同一の大規模ERPシステムの全拠点導入は大きなリスクを伴う 現 実 本社と異なる事業、地元企業との合弁、商習慣の違いにより、業務フローやデータ構成が本社と異なる。 同一のシステムを導入すると、現場の業務内容とERPシステムの機能とのギャップを人手による運用で埋め なくてはならず、逆に業務負担が増えてしてしまう。 海外の拠点は、小規模な組織で運用されていることもあり、本社と同様の大規模なERPシステムでは、コス トに見合わず、その維持管理に、十分な人材を割くこともできない。 政治情勢や経済状況の変化が予測できず、事業を直ちに統廃合しなければならないことも考えられる。 2層ERP(2-Tier ERP)の考え方 ERPの目指す理想型 子会社 子会社 子会社 子会社 本 社 子会社 2層ERPの考え方 子会社 子会社 子会社 子会社 本 社 子会社 子会社 子会社 子会社 子会社 子会社 子会社 同一経営プロセス/同一アプリケーシュン 同一勘定科目・管理基準 複数企業体が、同一企業体のごときオペレーション 個別経営プロセス/個別アプリケーション 本社勘定科目・管理基準に準拠 複数企業体の個別オペレーション／データ組替連携 Two-tier ERP (2層ERP)の構成 親会 社 ERP 子会社 子会社 子会社 Business byDesign 子会社 子会社 2層ERPの仕組み 販売 生産 物流 1st Tier 統合データベース (Core ERP) 大企業向けパッケージ 購買 会計 人事 データ変換のためのインターフェイス 販売 2nd Tier 中小向けパッケージ クラウドERPなども活用 1st Tierとのインターフェイス 販売 販売 生産 生産 物流 統合データベース 生産 統合データベース 物流 購買 会計 購買 会計 統合データベース 購買 会計 物流 人事 人事 人事 アナリティクスとビジネス・インテリジェンス ビジネス・インテリジェンスの目的 顧客属性 購買履歴 天気予報 他店での 売れゆき 商品特性 収支データ 集計・分析・予測 運動会当日の天気予報が 晴の時は、鮭おにぎりが 売れる傾向が高い 紙おむつを買う男性は、 缶ビールを一緒に買うこ とが多い 世帯収入が、1000万円 を超える場合、投資信託 Aの契約確率が高い 可視化 鮭おにぎりの仕入れを増 やす 紙おむつの売り場にビー ルのクーポン券を置く 世帯収入1000万円超の 顧客に投資信託Aを告知 する 判断・行動・実施 17 ビジネス・インテリジェンスの適用例 現在の在庫状況は？ 在庫管理システムへの問い合わせで解決 1ヶ月後の在庫状況は？ 受注管理、生産管理システムなどの データと突き合わせ 年間の在庫量推移は？ 販売計画、生産計画などの データと突き合わせ BI：Business Intelligence 複数の業務システムにまたがるデータを付き合わせ 検索・分析し、レポーティングする 在庫量を最小化するための 製造パターンは？ 過去のデータからの販売傾向などを 加味した分析 BA：Business Analytics 様々なデータを駆使し仮説検証、予測モデル、 シミュレーションにより検討 18 ビジネス・インテリジェンスとビジネス・アナリティクス 過去 現在 未来 BI：過去の可視化 BA：未来の可視化 Business Intelligence Business Analytics 集計 ＋ 統計解析 モデリング ＋ シミュレーション 原因や理由を見つける 最適な計画を作る 製品不良の傾向を明らかにし、その原因を特定。 業績の推移から、業績を左右する要員とその影 響度合いを明確化。 事業投資と経営指標に及ぼす影響を推測。 人材とスキルの関係、業績への貢献度合いを 明示。 お客様の購入商品からアップセル可能な商品 のレコメンド。 事業における最適な予算や人材の配分。 目的地へ物資を運ぶ上での最適な輸送ルート。 季節ごとに集客を最大化できるホテルの客室 料金設定。 売上を最大化するための顧客モデルと対象顧 客の発見。 来店客を増やすための広告宣伝の組合せ。 19 アナリティクスの適用例: ダッシュボード、スコアリング、ゲージ 複雑な情報を速やかに伝達するために、さまざまな企業システムのデータを、ゲージ チャート、地図、グラフなどのグラフィカルな要素を使用した視覚性に富んだ形式に して、さまざまなビジネス状況をまとめて表示したもの アナリティクスの目的 膨大なデータに内在する相互の関係や構造を分析・整理し わかりやすく表現して、事実に基づく意思決定を支援すること 経験や勘ではなく､事実に基づいて、ビジネス上の判断をできるようにすること 営業戦略 売り上げの増大 マーケティング戦略 企業価値の向上 製造の効率化 コスト削減 製品開発 競争力強化 カスタマー・サポート 顧客満足の向上 企業経営の最適化 事業活動の最適化 EPM Enterprise Performance Management 「何かが起こってから変わる企業」から「何かが起こる前に変わる企業」へ アナリティクスの目的 業務システムの膨大なデータに内在する相互の関係や構造を分析・整理し わかりやすく表現して、意思決定を支援すること 経験や勘ではなく､事実に基づいて、ビジネス上の判断をできるようにする 経 人 営 月別・年別売上げ推移 利益率の変遷 取引先ランキング など 営 給与情報の検索 スキルや人事考課の分析 残業時間の分析 など マーケティング 業 顧客別取引傾向の分析 顧客別購買履歴の管理 出荷や生産状況の管理 事 など 苦情分析 市場分析 製品別売上げ傾向分析 など 「何かが起こってから変わる企業」から「何かが起こる前に変わる企業」へ アナリティクスの目的 業務システムの膨大なデータに内在する相互の関係や構造を分析・整理し わかりやすく表現して、意思決定を支援すること 経験や勘ではなく､事実に基づいて、ビジネス上の判断をできるようにする 金融・保険 不正取引の発見 優良顧客の絞り込み 与信・取引リスク評価など 通信・放送 製造 品質・歩留まりの向上 原材料トレーサビリティ向上 需要予測 など 視聴率の分析 広告効果の評価 回線トラフィックの把握 小売・流通 など メディア アクセス・クリックの向上 コンテンツ効果の評価 流入・流出傾向の把握 など ロイヤリティの把握 購買行動の把握 プロモーション効果分析など 公共・公益 気象・地震の傾向把握・予測 エネルギー・消費動向の把握 犯人追跡・証拠発見 など 「何かが起こってから変わる企業」から「何かが起こる前に変わる企業」へ 「情報」と「ビジネス・インテリジェンス・プロセス」 情 報 業務 アプリケーション Data Information 業務システムやネット から生成される素材 Intelligence 必要性や信頼性に 基づき取捨選択し、 内容を分析して、 解釈や価値判断を追加 構造や体系を与え整理 ソーシャル メディア 業務DB ETL DWH BI BA 人工知能 Decision 判断 決定 アナリティクスとビジネス・インテリジェンス アナリティクス1.0 BI(Business Intelligence) 業務システム DWH Data Warehouse データに基づく 社内業務に関連した 意志決定の支援 RDB+列指向DB アナリティクス2.0 ソーシャル Webサイト 業務システム アナリティクス3.0 ソーシャル Webサイト 業務システム IoT/センサー DWH DWH Big Data Big Data 意志決定方法の改善と リアルタイム化 価値の高い製品やサービス の提供 人工知能 NoSQL+Hadoop 説明的アナリティクス リポーティング、OLAP分析、データマイニング 予測的アナリティクス 予測モデルとプランニング 指示的アナリティクス 大規模テストと最適化 Harvard Business Review 2014.5月号「アナリティクス3.0」を参考に独自作成 25 ビジネス・インテリジェンスの適用とツール 経営層の目的 ソーシャル・メディア Webサイト 業務システム IoT/センサー 全社の戦略に沿った部門別 の計画立案 経営戦略や経営計画の立案 事業部門への指示と実行 月次などで行う経営会議での モニタリングと問題点の分析 の指示 問題点の分析と問題点を修正 するための意思決定と指示 現場部門の目的 部門での業務実行 日々のモニタリング ビックデータ 問題点の分析と上位部門へ の報告や修正 DWH 非構造化データ 構造化データ アナリティクス BI Analysis Business Intelligence レポーティング OLAP分析 データマイニング プランニング 問題の兆候を発見する 問題の要因を検証する 対処のヒントを得る 計画の根拠を得る 集計、推移、比較、内訳、順 位、関係、シグナル表示 多次元データベース、スライ シング、ドリルダウン＆ドリ ルアップ、ドリルスルー クロス分析、相関分析、回帰 分析 モデリング、シミュレーショ ン Webリポート（リポートを Webページなどで多数のユー ザーに公開） ダッシュボード（複数のリ ポートを単一の画面で表示） 大量の分析元データの処理 最新の分析元データの共有 大量の分析元データの処理 より高度なマイニングアルゴ リズムの利用 多くの部署から収集された計 画データの統合 BI：Business Intelligence BA：Business Analytics 26 アナリティクスとビジネス・インテリジェンス 判断・意志決定 行動・実行 データ収集・評価 Business Intelligence ビジネス判断を行う上で役立つ情報 可視化 分析 業務データ 分 析 ソーシャル インターネット Analytics アナリティクス CRM SCM ERP TwitterやFacebookなどの ソーシャルメディアやWebサイト アナリティクス・プロセス ソーシャル・メディア Webサイト アナリティクス プロセス 行動 業務システム データ収集 データ蓄積 IoT/センサー DWH 集計・分析 検証・評価 Business Intelligence 洞察 予測・最適 化 Business Analysis 計画 28 アナリティクスのプロセス 業務 アプリケーション SCM CRM ETLシステムから書き出されたデータ を保管するデータベース。アナリ ティクスでの利用を前提として、企 業内のデータを網羅的に一括して検 索・分析できるよう、フォーマット や項目を揃え、蓄積する。 BIアプリケーション 人工知能 BI データ 収集 生産管理 DB ERP ETL DWH データ 抽出 業務DB 業務DB 効率的な業務処理 解析目的に 適合した データ、手 法、モデル の選択 Business Intelligence BA 解析結果の 解釈や解釈 に基づく指 示・アドバ イス Business analysis 企業の基幹系システムなどに蓄積さ れたデータを抽出（extract）しDWH で利用しやすい形に加工 （transform）し、対象となるデータ ベースに書き出す（load）。 データサイエンティスト 適切・迅速な意志決定 ETL (Extract, Transformation and Load) ERP CRM 不要なデータの削除 分析では不要なデータや異常なデータについて削除する。 値の変換 Null値の変換や、データ型の変換（日付→文字列など）を行なう。 クレンジング システム間でコードの意味が違う場合にそれを統一するなど、データの意味をそろ える。また、データ内に不整合があった場合にそれをエラーとしたり、一定のロジックで変換したりする。 SCM 統合・集計 複数のシステムから抽出した別のデータを1つのデータとして統合する。また、たとえ ば業務システムでは日単位のデータを月単位に集計するなどの集計処理を行なう。 SFA POS 製造管理システム Extract Transformation Load DWH 販売管理システム 会計システム DBのレプリケーションが主目的 リアルタイム性はあまり考えられていない EAIやESBを使えばリアルタイムのデータ連係も可能 ただし、他システムへの負荷を考える必要有り データウェアハウス DWH Data Warehouse 基幹システムとデータウェアハウス（DWH）の違い 基幹システム トランザクションを高速処理することが目的 頻繁に更新、長期保存は前提にせず リレーショナル・データベースが一般的 データウェアハウス 高速な検索や集計処理することが目的 追加のみ、更新は行われない 列指向型データベースが広く利用 データウェアハウスの要件 項目別 基幹システムは「機能別」に設計されており、データには「目的」がある。DWHで は、これを項目（サブジェクト）毎に再構成する 統合化 様々なシステムからのデータを一つに統合するために、データフォーマットの変換や 抽象化などを行う 非更新 データの修正があった場合でも、古いデータを削除したり、上書きしたりせずに、追 記し、履歴を完全に残す 時系列 データを上書きせずに追記していくことによって、過去のある時点でのデータを参照 できるようにする データサイエンティスト ビッグデータ 非構造化 テキスト 動画 半構造化 音声 XML JSON 構造化 文書 プログラミング・IT スキル 統計知識・解析 スキル 経営や業務上の課題 顕在的・潜在的な問題 判断のつかない事態や選択肢 GPS センサー 関係データベース NoSQLデータベース 統計分析 業務デー タ デ ー タ サ イ エ ン テ ィ ス ト 人工知能 コンサルティング スキル 課題解決の手段 問題の原因 最適化の方法や数値モデル IBM Watson Analytics 今期予算が達成できなかったのはなぜか？ 自社の売り上げの主な促進要因は何か？ 締結できる可能性が最も高い契約はどれか？ どうすれば自社サービスの解約率を下げられるか？ 最も利益の高い製品の組合せはどうすれば良いか？ Excelデータをインプットすると 何を調べて欲しいかの選択肢を提示 データ分析作業をなくす 質問内容・意味の分析 状況分析 最適解の選択 33 人工知能 スマートマシン 自律的に行動し、知能と自己学習機能を備え、 状況に応じて自らが判断して適応し、 これまで人間にしかできないと思われていた作業を実行する電子機械 Movers (動く者) Sages (賢者) Doers (行動する者) 自律運転車 音声アシスタント 人型介護ロボット 無人輸送ヘリ 質疑応答システム 工場作業ロボット 35 スマートマシンの3類型 スマートマシン（Smart Machine） Movers （動く者） Sages （賢者） Doers （行動する者） 自律運転車 音声アシスタント 工場作業ロボット 無人輸送ヘリ 医療診断支援 災害救助ロボット 無人攻撃機 論文試験採点 人型介護ロボット 自律的に行動し、知能と自己学習機能を備え、 状況に応じて自らが判断して適応し、 これまで人間にしかできないと思われていた作業を実行する電子機械 コレ一枚でわかるスマートマシン スマートマシン（Smart Machine） 自律化 自分で学習し、独自にルールを生成し、 状況を自ら把握して、最適な選択や判断を行う 自律走行車 自動化 無人ヘリコプター 決められたやり方を その通り確実にこなす 音声アシスタント 専門家アドバイザー ロボット クラウド ビッグデータ 人工知能 スマートマシンが実現しようとしていること 人間にしかできなかったこと 人間にはできなかったこと 作業の効率化 能力の拡張 置 換 支 援 助 言 強 化 運転手 工場作業者 兵士 音声認識 文脈理解 検索代行 知識蓄積 関係付け・解釈 選択・判断 観察・監視 介助・補助 能力強化・補完 38 マン・マシン・インターフェイスとしてのスマートマシン クラウド ネ ッ ト で 注 文 人がピックアップ 人が配送 工場内ロボット 自律走行車 人工知能 ビッグデータ 39 事例 Googleの自動運転車 2015年中に公道走行実験 41 実用化の段階に入った人工知能 IBM Watson 質問応答システム 質問者の質問を理解 (自然言語解析) し、 過去の膨大なデータから回答を探し出し て提示する。音声認識と組み合わせるこ とも。 Apple Siri Google Now パーソナル アシスタンス ユーザーが音声で入力した内容を解析 (音 声認識＋自然言語解析) し、最も適切な回 答を選び出して提示する。 Google Translator Bing Translator Skype Translator Mac/Windows/スマホ の音声入力 YouTubeの字幕 翻訳 音声認識 過去の翻訳データを統計処理して適切な 翻訳を行う。Skype Tlanslatorは音声認 識と組み合わせたリアルタイム通訳。 音声認識によりテキスト化 42 実用化の段階に入った人工知能 43 実用化の段階に入った人工知能 世界中のソーシャルメディアやGitHub、Google Code、Stack Overflowなどのエンジニ アが利用するサービス、さらには個人ブログまで約80もの一般公開されているWebサ イトの情報を大量に収集し、それらの情報を解析し、「エンジニアレベルの可視化、ポ イント化、レベル化、ランキング化」を行っています。さらにこうして構築された膨大な データベースを標準化することによって、人事向けにスカウト機能を有料で提供して います。 また2014年末にはGild Spotlightという「就業者が転職したくなるタイミングを予測」す る、つまり「Passive Candidate（消極的な、潜在的な求職者）」から「Positive Candidate （積極的な求職者）」へ変化するタイミングを独自アルゴリズムによって予測するサー ビスも開始しました。 http://www.social-recruiting.jp/archives/13937 44 人工知能と機械学習 人工知能の進化と適用領域の広がり アルゴリズム 進化 高度な専門的アドバイス 効率化・省力化 膨大な文献や診断記録から病名や治療法を提示 株式市場やSNSから投資判断 規制や産業動向からM&A戦略を提案 遺伝子や疾患データから新薬候補物質を探索 論文の採点や校正 ハードウェア 性能向上 人工知能 Artificial Intelligence 自動運転自動車やドローン 工作機械やロボット、搬送機械などの生産設備 コールセンターや受付での接客・応対 ニュース記事の執筆やテクニカルライティング プログラミングやシステム運用 ビッグデータ 蓄積 利便性と安心安全 ウイルスと振る舞いからワクチンを自動生成 自動翻訳・通訳 自然言語での検索や商品紹介・問合わせ対応 気象やゲノム、マクロ経済の解析 自然言語での対話型のデータ分析 新たな適用領域へ ネットワーク 低コスト・高速化 46 人工知能とは 人工知能（AI : Artificial Intelligence） 知的活動を再現 知能を使ってすることを機械 にさせようとす取り組み （弱いAI） 脳の活動を再現 知能そのものをもつ機械を 作る取り組み 学習 推論 情報から将来 使えそうな知 識を見つける こと 与えられた知 識をもとに新し い結論を得る こと （強いAI） 47 人工知能とは 人工知能（AI : Artificial Intelligence） 知的活動を再現 （弱いAI） ルールベース エキスパート・システム 統計的アプローチ ベイズ統計 機械学習 脳の活動を再現 （強いAI） 相互接続型 ニューラル ネットワーク 階層型 ディープラーニング 48 人間と同じように学習するコンピュータ 人 手 一 部 人 手 経験の蓄積 学習 アルゴリズム ビッグデータ ルール設定 統計解析 ルールを 自動生成 推論 ディープラーニング 完 全 自 動 アルゴリズム ビッグデータ ルールを 自動生成 49 機械学習の仕組み 学習 推論 大量の学習データ 未知のデータ 特徴抽出 特徴抽出 推論モデル生成 推論モデル適用 推論モデル保存 推論結果 （推論エンジン） 「コレはネコです」 50 学習モデル 機械学習 教師あり学習 入力と正解例の関係を示した データを学習データとして入 力し、その関係を再現するよ うに特徴を抽出、モデルを生 成する。 分類 教師なし学習 なんの説明もない学習データ を入力し、抽出した特徴のパ ターンから類似したグループ を見つけ出し、それぞれのモ デルを生成する。 クラスタリング 強化学習 回帰 次元圧縮 推論結果に対して評価（報 酬）を与えることで、どのよ うな結果を出して欲しいかを 示し、その結果をもうまく再 現できるモデルを生成する。 ＝イヌ イヌに固有の特徴パターンを見 つけ出し、推論ルールやモデル を生成。 特徴パターンの違いを見つけ出 し、推論ルールや固有のモデル を生成。 得点が高ければ＋評価 得点が低ければ − 評価 得点が高くなるように推論ルー ルやモデルを生成。 51 教師あり学習と教師なし学習 これは 教 師 あ り 学 習 “dog” です これは “cat” です これは “bird” 学習 未知の画像 推論 dog :15% cat : 95% bird : 2% 教 師 な し 学 習 学習 未知の画像 推論 概念 概念 概念 です ディープラーニングの適用事例 53 参考 人工知能やロボットを紹介する 動画 IBMの提案するコグニティブ・コンピューティング ↑クリックするリンクが開きます。 http://www.ibm.com/smarterplanet/jp/ja/ibmwatson/cognitive-computing-movies/ 55 Amazonの物流ロボット ↑クリックすると動画が再生されます。 https://vimeo.com/113374910 Amazonのドローン ↑クリックすると動画が再生されます。 http://www.amazon.com/b?node=8037720011 開発と運用 早期の仕様確定がムダを減らすというのは迷信 要 求 の 信 憑 性 変化への即応と高い品質を両立する 「アジャイル開発」 への期待と関心が高まっている！ 要求変化の スピードが 加速 全ての要件をあらかじめ決めなくてはならない 「ウォーターフォール開発」 では、この変化への対応が難しくなってきた！ 経過時間 早期の仕様確定がムダを減らすというのは迷信 ほとんど／決して使われていない： 常に／しばしば使われている： 64% 20% Standish Group Study Reported at XP2002 by Jim Johnson, Chairman 60 アジャイル開発とは ＱＡの体制、手法を強化すれば品質が上がるのか？ 1000行当たりのバグの発生率を管理する意味？ （統計的品質管理） そもそもバグとは品質の問題？ （不良作業） 優秀なプロジェクト管理者を配置すれば上手く行くのか？ コンテンジェンシーを見込めば、リスクが軽減するのか？ PMBoKに沿ってプロジェクトを推進すれば上手く行くのか？ 品質は結果ではなく 過程（プロセス） 管理者の役割は 開発者の障害を 取り除くこと 納期と品質はトレードオフ だから品質を優先し 納期優先で開発機能数 を絞り込む 全部作らない代わりに使う機能だけをバグフリー・予算内で・納期通り作る開発の考え方 アジャイル開発 ウォーターフォール開発とアジャイル開発（１） ウォーターフォール開発 アジャイル開発 反復（イテレーション）1 要件 リリース 反復 2 設計 リリース 反復 3 コーディング リリース 単体テスト 反復 4 最初に要件をあらかじめ 全て決めてから開発 結合テスト リリース ビジネス上の重要度で要件 の優先順位を決め、これに 従って必要機能を順次開発 リリース ウォーターフォール開発とアジャイル開発（２） 「MVP（Minimum Viable Product：仮説を検証することができる最低限のプ ロダクト）」かつ、ビジネス価値の高い機能・プロセスを優先して開発する。 ◎ 〇 △ Ｘ 反復 １ ビジネス価値 ◎ 反復 ２ ビジネス価値 〇 反復 ３ ビジネス価値 △ 反復 ４ ビジネス価値 Ｘ ウォーターフォール開発とアジャイル開発（３） 要求仕様 前提条件 コストと納期を 守ること 納期 機能と品質を実 現すること 実現仕様 ゴールは何か？ アジャイル ウオーターフォール リ ス ク 要件 設計 コーディング 単体テスト 納期 バリュー ドリブン型 プラン ドリブン型 リソース リソース リ ス ク 結合テスト 反復1 反復2 反復3 反復4 原理的に 不良が起きない 納期が守られる 時間 時間 DevOpsとコンテナ管理ソフトウエア 反復1 要求 設計 開発 反復2 要求 設計 開発 反復3 要求 設計 開発 開発と運用の同期化ができなければ、 ビジネス・スピードに追従できない 移行 稼働 運用 DevOps（Development + Operation） 企画 要求 設計 開発 移行 稼働 運用 E O L ALM (Application Lifecycle Management) SDPM：Services Delivery Process Management＝ Continuous Deliveries 企画からEOL迄、一貫したプロセスの見える化と管理 ITサービスを提供する関連情報の一元化（共有化） Build, Test, Deployの手順化＆自働化の検討 一個流し DevOpsとコンテナ管理ソフトウエア 仮想化環境 アプリケーション 開発・実行環境 ミドルウェア コンテナ そのまま本番で動かしたい（動作を保証）。 仮想マシンでは、サイズが大きすぎる。 開発から本番以降への時間を短くしたい。 仮想化システム サーバー （ハードウェア） 開発・実行環境 ミドルウェア コンテナ管理 オペレーティング システム 仮想マシン アプリケーション オペレーティング システム Build,Ship and Run Any App,Anywhaer ミドルウェアとアプリケーションを塊で作りその下に 基盤を設けることで、何処でも動く状態を確保する。 サーバー （ハードウェア） Hub 同一のプラットフォームでなくても動作保証される 第三者が作ったコンテナ（アプリケーションと実行環境） を共有することで、開発のスピードアップを実現する。 66 ネットコマース株式会社 180-0004 東京都武蔵野市吉祥寺本町2-4-17 エスト・グランデール・カーロ 1201 http://www.netcommerce.co.jp/ 67
© Copyright 2024 ExpyDoc
