「外付け」のITを「自分ごと」のDXにする方法

Slide 1

Slide 1 text

「外付け」のITを「自分ごと」のDXにする方法ビジネススクール生のための実践的データ分析一橋大学大学院経済学研究科原泰史 yasushi.hara@r.hit-u.ac.jp

Slide 2

Slide 2 text

今日の内容 • 20:00-21:10 • データサイエンスなアプローチのご紹介 • テレワークとDX • 21:10-21:20 • 休憩 • 21:20-22:00 • ディスカッション

Slide 3

Slide 3 text

今日話したいこと • 今日「DX」(デジタルトランスフォーメーション) って言ってることは、5年前にIoT(Internet of Things)、10年前にクラウド (Cloud Computing)化、15年前に仮想化 (Virtualization) 、20年前にIT化って言っていたのと何が違うのか？ • 海外でいうデジタリゼーション (Digitalization) と何が違うのか？

Slide 4

Slide 4 text

Google Trend で比べてみる

Slide 5

Slide 5 text

METIのDX に関するポンチ絵を観てみる https://www.meti.go.jp/policy/it_policy/dx/dx.html

Slide 6

Slide 6 text

No content

Slide 7

Slide 7 text

自己紹介(CV) • 1998-2004 • TOYOTA NATIONAL COLLEGE OF TECHNOLOGY • 2000 • Exchange Student in Malaysia • 2002-2009 • CLARAONLINE, INC. • ICT Hosting Company, nowadays called Cloud system supplier • 2009-2015 • Institute of Innovation Research, HITOTSUBASHI UNIVERSITY • 2015-2017 • Science for RE-Designing Science, Technology and Innovation Policy Center, National Graduate Institute for Policy Studies (GRIPS) / NISTEP / Hitotsubashi UNIVERSITY/MANAGEMENT INNOVATION CENTER • 2018-2019 • EHESS Paris – CEAFJP/Michelin Research Fellow • OECD Expert Advisory Group: Digital Science and Innovation Policy and Governance (DSIP) and STI Policy Monitoring and Analysis (REITER) project • 2019- • TDB Center for Advanced Empirical Research on Enterprise and Economy, Faculty of Economics, Hitotsubashi University

Slide 8

Slide 8 text

自己紹介(cont.) 「工藤の嫁 (入山 2017)」 • https://www.waseda.jp/fco m/wbs/other/5693

Slide 9

Slide 9 text

最初に 2005年と2015 年の話

Slide 10

Slide 10 text

ITスタートアップで働いていたころの話

Slide 11

Slide 11 text

“IT スタートアップ” とは言っても… • 働き出したころ(2002年) は従業員7名 • 辞めるころ (2009年) でも従業員70名 • “レンタルサーバ”と呼ばれていた時代で、クラウドコンピューティングがまだまだ普及する前 (AWS の黎明期) • 仮想化 (virtualization) という、サーバのハードウェアレイヤーとOSレイヤーをカーネルレベルで独立させる技術が一般化しつつ会った時代 (VMware や Parallels Container など) • Web で注文を掛けて、FAXで受注するような時代 • 購買システムと受注システムと会計システムがバラバラだった時代

Slide 12

Slide 12 text

VPS(バーチャルプライベートサーバ) • サーバサービスは当時価格競争に突入しており、3000円弱の新サービス(Demi)を投入することに • ところが、最低価格のプロダクト (Demi)ではなく、中価格帯(Solo) が最も売れるようになる • でも、なぜ一番安いモデルが売れないのか説明できない • 「相対価格」で説明して、なんとなく上司が納得する(腹落ちする) • Demi をベースにすると, 1.67 -> 2.34 -> 3.35 • その後最安価モデルは廃止 https://web.archive.org/web/20050208123052/http://clara.jp/service/vps/

Slide 13

Slide 13 text

No content

Slide 14

Slide 14 text

エビデンスに基づく科学技術イノベーション政策と「ポンチ絵」 • いままでのキャリアで、ベンチャー(スタートアップ)とアカデミアをやったことに気づき、数年だけならばと、政策大学大学院大学の文部科学省の科学技術イノベーション政策のセンター (SciREX センター) で働くことに • どうやら、研究内容やどういうジャーナルに載ったかとか、それがどういうインパクトファクター(IF)だったかよりも、政策立案のプロセス内で使われるポンチ絵の一部になっていることが重要らしい。 • ポンチ絵の要件 • 数十秒で読んで理解できること • しかも、内容が過不足なく明記されていること • 色がいっぱい使われていること • 何よりも予算が取れること

Slide 15

Slide 15 text

「ポンチ絵」 http://ryota-saeki-lifelog.hatenablog.com/entry/2016/09/02/105402

Slide 16

Slide 16 text

自分もこんな感じのポンチ絵をつくる mext.go.jp/b_menu/shingi/chousa/gijyutu/025/shiryo/__icsFiles/afieldfile/2016/02/24/1366973_11.pdf

Slide 17

Slide 17 text

ここまでのまとめ • (個人的には、)ITスタートアップも中央官庁も「データ分析」に対するアティチュードはそんなに違いはなかった • 「直感でわからないことや、うまくいかなくなったことを分析したい」ことへの高いニーズはあるし、それぞれにデータもある • しかし、部署ごとにデータがバラバラになっており、繋がっていない • 解析を行うための方法論や理論もあまりない • 誘導系でも構造系でも、統計的な分析モデルを構築するというよりは、棒グラフや線グラフで経過を見るだけで必要十分だった(意思決定プロセスの上位過程にまわるタイミングで、説明が出来るレベルに留めることが肝要)

Slide 18

Slide 18 text

2018 Paris

Slide 19

Slide 19 text

2019年春、パリから日本に戻ってきたら、流行っていたもの • タピオカミルクティー • データサイエンス Credit: CC0 References: https://enterprisezine.jp/bizgene/detail/4739

Slide 20

Slide 20 text

No content

Slide 21

Slide 21 text

どうやら、この国では「データを使う」ことが流行っているらしい • 一橋大学経済学部で「経済学のための実践的データ分析」という講義をはじめたところ、思っていたよりも沢山の学生が • 実家の近くにある企業で開催された早稲田ビジネススクール入山章栄先生の講演に工藤さんと一緒に参加したところ、最終的に愛知県豊田市でデータサイエンス講演・講習を担当することに • これは９月に開催予定 • 経済学・(実証的な)経営学の学生・研究者向けに Python 3.x を用いたデータ分析技法に特化した本を出版することに • 年末に出版予定

Slide 22

Slide 22 text

なぜ、データが必要なのだろう？

Slide 23

Slide 23 text

たとえば; 経営といえばひとものかね情報

Slide 24

Slide 24 text

経営を分析する (オールドスクールな方法) ひとものかね情報話を聞きにいくか、文献を調査することでなぜその企業/製品がうまくいったのか、要因を経営理論に照らし合わせて解析する(定性的調査)

Slide 25

Slide 25 text

経営を分析する (最近みんなが好きな手法) ひとものかね情報データベースを入手するか、サーベイデータを作成し、それらのデータセットを接合し合うことで、なぜその企業/製品がうまくいったのか、要因を経営理論に照らし合わせて解析する(定量的調査)

Slide 26

Slide 26 text

Q. データを使えばビジネスはわかるか？もしくは、政策評価はできるか？ • ちょっと昔に言われたこと • 「データはあくまで数をみているだけ。経営者の心の機微や組織体制の細やかな変容や経営者の意思決定の変化を、細かくデータで追うことは出来ない。」 • ここ数年、実際の世の中で起きたこと • テキスト解析手法の進化 • 因果推論の推定手法の開発と普及 • 機械学習のあっという間の普及 • データベースの普及と重要性が認識されるようになった • データ解析に係る導入コストの低下 • as 統計ソフトを買わなくても良くなった • A. 2020年8月段階の(個人的な)答え • データがあれば、かなり色々なことがわかる。データ分析の技法は取得したほうが良い。 • データで説明しきれない特殊性や特筆性については、まだ定性分析に出来ることはある

Slide 27

Slide 27 text

では、データを使った分析に必要なものデータ、もしくはデータベース分析手法分析を行うためのツール

Slide 28

Slide 28 text

企業活動に関連するデータベース研究開発調達生産販売マーケティング科学技術基本調査(総務省) 企業活動基本調査 (経済産業省) 経済センサス (総務省) 政府系データベース商用データベース帝国データバンク特許データベース論文データベース (WoS, Scopus, Lends) INITIAL (Entrepedia) POSデータ (ex. インテージ) SNS (Twitter, Facebook, TikTok) 商用と政府系のデータベースを組み合わせれば、企業行動をデータで「辿る」ことは可能になる

Slide 29

Slide 29 text

帝国データバンクデータベース (Commercial) • 一橋CAREE センターで利用可能なデータセット • パネルデータ化が可能. • アーカイブデータも利用可能(政策フォーラム午前中の岡室先生の発表) • ご関心のある先生方は、是非ともお問い合わせください企業信用調査報告書に関するデータ取引データ，出資データ，銀行取引データ企業財務データベースに関するデータ決算書データ企業概要ファイルに関するデータ取引データ，企業情報データ，銀行取引データその他企業に関するデータ合併データ，倒産データ

Slide 30

Slide 30 text

企業活動に関連するデータベース(extended) 研究開発調達生産販売マーケティング研究開発に関わる作業ログ /ノート/機器の稼働状況調達や部品の調達に関するログ/メール/電話のやり取り販売価格決定に関わる意思決定に関わるエビデンス企業内のログ商用データベース帝国データバンク特許データベース論文データベース (WoS, Scopus, Lends) INITIAL (Entrepedia) POSデータ (ex. インテージ) SNS (Twitter, Facebook, TikTok) さらに、企業内に介在するログを組み合わせることで、企業の意思決定をエビデンスベースに基づき実行することが可能になる

Slide 31

Slide 31 text

データを「データベース化」する • 不定形データをデータ化する • JSON やXML をCSV にして、人間が読めるようにする • もしくはその逆 • データをデータベース化する • Machine Readable • SQL, NoSQL etc… • データを管理し保持する (データマネジメント) • 大昔; 紙 • 昔; Excel • 一昔前; スタンドアロンのサーバ • ちょっと昔; パブリッククラウド (AWS, Microsoft Azure, GCP etc…) • 現代; サーバーレス/DataLake

Slide 32

Slide 32 text

Data Lake • “データレイクは、規模にかかわらず、すべての構造化データと非構造化データを保存できる一元化されたリポジトリです。データをそのままの形で保存できるため、データを構造化しておく必要がありません。また、ダッシュボードや可視化、ビッグデータ処理、リアルタイム分析、機械学習など、さまざまなタイプの分析を実行し、的確な意思決定に役立てることができます。” https://aws.amazon.com/jp/big-data/datalakes-and-analytics/what-is-a-data-lake/

Slide 33

Slide 33 text

データベースの種類 • RDB(OLTP; Online Transaction Processing) • DocDB • グラフDB • Hadoop • RDB(DWH) Hadoop (HDFS+MapReduce) • Apache Hadoop • CloudEra • MapR • Hortonworks RDB(DWH) • Oracle Exadata • Teradata • Netezza • RedShift KVS/DocDB KVS • Cassandra • Redis DocDB • MongoDB • CouchBase RDB(OLTP) • Oracle • SQL Server • MySQL • PostgreSQL GraphDB • Neo4j • Datadog • OrientDB 引用: RDB技術者のためのNoSQLガイドスケールアウトできるスケールアウトできないスループット重視オペレーション用途

Slide 34

Slide 34 text

構造データと半構造データデータの分類説明データの例非リレーショナルデータ非構造データバイナリやテキスト形式など, データの構造化が行われていない半構造データ (ex. XML/JSON) 構造はあるがスキーマがない。頻繁に構造が変わる。リレーショナルデータ構造化データ (ex. RDBMS) スキーマがあり, 構造が変わらない。電子メールテキスト・音声データシステムログオフィス文章経理・財務・人事商品・在庫営業・ CRM 決済・残高センサリング情報口コミ SNS 健康・医療データ統計データ行政データ他社保有データ引用: RDB技術者のためのNoSQLガイド

Slide 35

Slide 35 text

リレーショナルDBの具体例 PATSTATのデータ構造 http://documents.epo.org/projects/babylon/eponet.nsf/0/95da6bccf12e54a1c1257 aa1002e2d1d/$FILE/patstat_data%20elements_v1.1.pdf 5/14/2015 35

Slide 36

Slide 36 text

PATSTAT のデータ構造 5/14/2015 36

Slide 37

Slide 37 text

PATSTAT のモデル図 5/14/2015 37 • テーブルとテーブルをつなぎ合わせるIDがあり • IDを介して複数のテーブルの関係性 (リレーショナル) が構築されている • これらのテーブルをつなぎ合わせることで、複雑なデータの解析を行うことができる

Slide 38

Slide 38 text

グラフDBのデータ構造 :ラベルノード属性 {キー: バリュー, キー:バリュー} :ラベルノード属性 {キー: バリュー, キー:バリュー} :タイプ属性 {キー: バリュー, キー:バリュー} 関係性ラベル; 同じ種類のノードを識別するためのドメインの定義ノード; RDB におけるレコードに相当。複数の属性を{キー:バリュー}で保持出来る関係性; ノードとノードの間に存在, ノード間のつながりを表現する. 属性; RDB におけるカラム.

Slide 39

Slide 39 text

Ex2.) Singapore COVID-19 Dashboard • https://co.vid1 9.sg/singapore/ dashboard • Total Cases • Active Cases • Deceased • Discharged などが掲載されている

Slide 40

Slide 40 text

No content

Slide 41

Slide 41 text

Data Lake(cont.) 特徴データウェアハウスデータレイクデータトランザクションシステム、業務データベース、基幹業務アプリケーションからのリレーショナルデータ IoT デバイス、ウェブサイト、モバイルアプリケーション、ソーシャルメディア、企業アプリケーションからの非リレーショナルデータとリレーショナルデータスキーマ DW の実装前に設計 (スキーマオンライト) 分析時に書き込み (スキーマオンリード) 料金/パフォーマンス高コストのストレージを使用、クエリ結果の取得は最速低コストのストレージを使用してクエリ結果をより速く取得データ品質高度にキュレートされたデータで、事実の情報源として機能任意のデータで、キュレートできるかどうかは不明 (raw データ) ユーザービジネスアナリスト (キュレートされたデータを使用する) データサイエンティスト、データ開発者、ビジネスアナリスト分析バッチレポート、BI、可視化機械学習、予測分析、データ検出、プロファイリング https://aws.amazon.com/jp/big-data/datalakes-and-analytics/what-is-a-data-lake/

Slide 42

Slide 42 text

分析手法 • Step1; グラフにする • 「まずは散布図を書いてみる」 • Step2; 統計的処理を行う (平均値, 中央値, 最大値, 最小値 etc..) • このあたりから、内生性や見せかけの回帰との戦いがはじまる • Step3; 回帰分析など, 入力と出力間の関係性を見る • 重回帰分析 • スパース推定 • 決定木分析, SVM (教師あり/教師なしの機械学習) • Step4; 因果効果を識別する • 因果関係と相関関係を識別する(次のページ)

Slide 43

Slide 43 text

因果識別の手法(1) 実験対象 Treated Group Control Group y x Cut-off Point • ランダム化比較試験 (RCT) • 対象者と非対象者を無作為抽出して比較実験 • 回帰不連続(RD) デザイン – 回帰直線シフト 43 実験対象 Treated Group Control Group • 傾向スコアマッチング（PSM）： – 各政策対象企業と同じ「政策対象傾向」を持つ企業を対照群から抽出引用:岡室博之 (2019) 産業クラスターと地方創生：地域イノベーション政策の展開と分析方法, 一橋大学公開講座

Slide 44

Slide 44 text

因果識別の手法(2) • 差の差の分析（DID） • 処置群と対照群の比較と政策前後比較の二重差 y t Control Group Treated Group t+u t-s ▲t • パネル固定効果分析 • パネルデータを用いて、各企業の固有の属性の影響を除去 y x t+i t • 操作変数法（IV）： – 内生変数を外生変数（操作変数）に置き換える2段階推定 Z X Y U β α 引用:岡室博之 (2019) 産業クラスターと地方創生：地域イノベーション政策の展開と分析方法, 一橋大学公開講座

Slide 45

Slide 45 text

分析ツール • オープンソース • R • Python • Julia • 有償ツール • Stata • SAS • SPSS Source: http://lindeloev.net/spss-is-dying/ 有償の分析ソフトから, OSS への流れが

Slide 46

Slide 46 text

Data Analytics Job Market The number of data science jobs for the more popular software (those with 250 jobs or more, 2/2017). Jobs trends for R (blue & lower) and Python (orange & upper). http://r4stats.com/articles/popularity/

Slide 47

Slide 47 text

データサイエンスをタピオカミルクティーにしない方法 1. データを公開する. Linked Open Data を活用する. 2. データの知的財産権を明確化する. 3. 神エクセルをなくす. (as DX の推進) 4. オープンソースソフトウェアを使う, あるいは教育する. 2020年初頭の最適解はR もしくは Python (3.x系). 5. AI という言葉に踊らされない. 使い倒す.

Slide 48

Slide 48 text

いくつかの事例

Slide 49

Slide 49 text

Twitter の口コミ解析(wordcloud) • 早稲田大学 • 慶應大学

Slide 50

Slide 50 text

テキスト分析: SMAP会見 • 共起ネットワーク

Slide 51

Slide 51 text

No content

Slide 52

Slide 52 text

No content

Slide 53

Slide 53 text

傾向スコアマッチング • 同じ「対象傾向」を持つリストを対照群から抽出し、比較を行う Treated Group Control Group 実験対象

Slide 54

Slide 54 text

傾向スコアマッチング • 利用するデータを指定する • FIFA19 の、Lasso や回帰分析に用いたものと同じデータを利用する

Slide 55

Slide 55 text

傾向スコアマッチング • 作成した equation_df3 から foot と reputation を取り出す • 重回帰分析で行ったように、 null 値を除去する • 傾向スコアを求めるために, 被説明変数をfoot, 説明変数をその他のパラメータにして, ロジットモデルを回す

Slide 56

Slide 56 text

傾向スコアマッチング • 傾向スコアの出力結果 (ps) を確認する • データが完備的に揃っている、 18,206選手についてスコアが計算出来ている

Slide 57

Slide 57 text

傾向スコアマッチング • Result.predict の値をps に放り込む • Foot と Reputation と傾向スコアの値を table に放り込み、ラベルをつける

Slide 58

Slide 58 text

傾向スコアマッチング • 等差数列をnp.arange で作り、0.01 ごとの値でマッチングさせる • 利き足グループ間での値を比較する

Slide 59

Slide 59 text

傾向スコアマッチング(cont.) • 同じセッティングで、今度は wage で比較してみる

Slide 60

Slide 60 text

傾向スコアマッチング(cont.) • 結果は違う感じに

Slide 61

Slide 61 text

傾向スコアマッチング • 左足と右足グループを比較すると、 • レピュテーションは -1.3パーセント左足グループのほうが低く • 給料は 4.0% 左足グループのほうが高い • 左足のフットボールプレイヤーは希少性が高いので、同じような能力を持ってても高いサラリーになりやすい？

Slide 62

Slide 62 text

Word2vec モデルに基づく Similarity Words の抽出 (from Wikipedia の経営学者リスト) イノベーションマーケティング論技術経営コーポレート・ガバナンス医療 0.92人的資源 0.92MOT 0.98 神戸大学大学院経営学研究科 0.93 静岡 0.91評価 0.92開発 0.92第一人者 0.92 地域 0.91ほか 0.91システム 0.92人 0.91 経営情報学部 0.9勲 0.91知識 0.91組織論 0.91 県立大学 0.88技術 0.9マネジメント 0.9および 0.9 センター 0.88流通 0.9監事 0.88消費者 0.89 研究科 0.87分析 0.9課題 0.85にて 0.89 経営情報 0.87委員会 0.9Certified 0.85問題 0.88 研究所 0.84課題 0.9客員研究員 0.84受章 0.88 所長 0.83人 0.89技術 0.82期 0.87 長 0.82監事 0.89関係 0.82現代 0.87 准教授 0.81および 0.89プロジェクト 0.82勲 0.87 国際企業 0.8多摩大学 0.89 マーケティング論 0.81アドバイザー 0.87 経済 0.8地域経済 0.88領域 0.81及び 0.87 研究員 0.79サービス 0.88ホスピタリティ 0.8社会学 0.86

Slide 63

Slide 63 text

決定木分析

Slide 64

Slide 64 text

(いくつかの)ギャップ • 願望投影型政策 (森田 2015) とEBPM • データが、推進したい施策に基づき構築される可能性 • ナラティブなストーリーとデータ解析 • 統計的な素養を政策立案者や企業戦略の決定者すべてが有しているわけではない。データに基づく解析結果を広く共有するためには、ストーリーに落とし込むことが必要 • データのオープン化と、ITセキュリティ対策 • RESAS や Notebook や Linked Open Data を利用しようとしても, 自治体や中央政府、企業のITセキュリティ上制限が掛けられており(ex. 自治体のネットワーク分離), 業務用PC などでこれらのツールを利用することが出来ない。

Slide 65

Slide 65 text

Source: OECD (2017[3]), Core Skills for Public Sector Innovation, https://www.oecd.org/media/oecdorg/satellite sites/opsi/contents/files/OECD_OPSI-core_skills_for_public_sector_innovation-201704.pdf OECD が定義するデジタルスキル

Slide 66

Slide 66 text

Conclusion • データサイエンスと呼ばれているものは、プログラミングスキルと数学とエンジニアリングスキルと因果関係を特定するためのスキルが混ざりあったもの • 政府のみなさんへ • とりあえずデータを、Machine-Readable な形で公開してください • PDF でも Excel でもなくて、JSON やRDF 形式だとかなりベター • 企業のみなさんへ • 組織内のデータと、外部データを組み合わせることで新たな知見を得られる可能性が • 経済学や（実証的な規範に基づく）経営学は思ったよりも「役に立つ」と思います

Slide 67

Slide 67 text

今日の話題提供その2; DX化とテレワーク/在宅勤務

Slide 68

Slide 68 text

2020年4月にやってたこと 1. 一橋大の講義開始が5月になり時間が出来る 2. プロスピで坂本と吉田を育てきったので若干暇になる 3. テレビを観ていると安倍ちゃんが緊急事態宣言って言ってる 4. どうやら、世の中はテレワークや在宅勤務をしないといけなくなったらしい 5. せっかくなので、組織学会の研究チームで企業にサーベイしてデータを集めることに 6. あとは、パチンコホールが凄い社会の敵になってたので Web スクレイピングしてデータを集めることに • https://speakerdeck.com/yasushihara/4-ver-dot • 経済学者のチームで論文に仕立てているところであります

Slide 69

Slide 69 text

組織調査 https://www.os2020.info/

Slide 70

Slide 70 text

主な結果

Slide 71

Slide 71 text

調査の概要国内の経営・経済学者有志18名（代表：原泰史・一橋大学）と、 HR総研（運営・ProFuture株式会社）が共同で実施調査日程 2020年4月17日-24日回答数 314社 Working Paper(s) http://pubs.iir.hit-u.ac.jp/admin/ja/pdfs/show/2390 http://pubs.iir.hit-u.ac.jp/admin/ja/pdfs/show/2391 http://pubs.iir.hit-u.ac.jp/admin/ja/pdfs/show/2393

Slide 72

Slide 72 text

a.) 3分の2の企業で、事業に負の影響 b.) 多くの企業が影響は中長期化すると予測中小企業ほど影響が大きい

Slide 73

Slide 73 text

宿泊・飲食・娯楽・製造などで影響が大きい

Slide 74

Slide 74 text

c.) (日本企業の)多くは雇用を守ろうとしている[※. 2020/4時点]、働き方として、テレワークが急速に実装されつつある https://jp.techcrunch.com/ 2020/05/19/2020-05-18- more-uber-layoffs/

Slide 75

Slide 75 text

Q13. 在宅勤務/テレワークの導入に関する具体的な状況についてお伺いします。当てはまるものをすべてお選びください。 0 50 100 150 200 250 300 350 すべての正社員について在宅勤務/テレワークの実施を許可している一部の正社員について在宅勤務/テレワークの実施を許可している在宅勤務/テレワークの導入に当たって必要な機器・ソフトウェアの購入に際し金銭的な補助を行っている在宅勤務/テレワークの導入に当たっては、IT システム部門等による導入支援を実施している在宅勤務/テレワークの導入に際して雇用契約条件の見直しを行ったその他はいいいえ

Slide 76

Slide 76 text

社内でコミュニケーション、情報共有、ファイル共有などを円滑化するための「情報活用ツール」についてお聞きします。貴社の主要事業では、新型コロナウイルス感染症による在宅勤務/テレワークにあたり、次のような情報活用ツールを利用していますか。利用の有無をお答えください。 • 「情報活用ツール」とは、Slack、 Microsoft Teams、サイボウズなどの社内のコミュニケーションを円滑化させるためのツール、また Zoom や WebEX などのオンライン会議ツールなどを指します。 0 10 20 30 40 50 60 70 80 使用していない使用するのは月に数日以下週に数日使用するほぼ毎日使用するが、一日一回確認する程度毎日使用するが一日数回程度毎日頻繁に使用しており、朝会やオンラインランチなどに参加し、社員同士で近況報告を共有している

Slide 77

Slide 77 text

貴社の「ICTシステム」についてお聞きします。 (労務管理・経理などの)社内のICT システムについて、以下のうち当てはまるものをお選びください。 0 20 40 60 80 100 120 独自システムを構築・運用している SaaS (Software as a Service) 形式のシステムを調達・運用しているオープンソースソフトウェア(OSS) を活用したシステムを構築・運用しているその他わからない

Slide 78

Slide 78 text

d).従業員間のコミュニケーションと、メンタルケアに課題コミュニケーションに係る課題は大都市圏ほど多い

Slide 79

Slide 79 text

テレワーク導入の測定の仕方テレワークの導入：・在宅勤務/テレワークの導入時期について、「2019年12月以前から」「2020年1月」「2020年2月」「2020年3月」「2020年4月(ただし(政府による緊急事態宣言)以前」「2020年4月(ただし(政府による緊急事態宣言)以降」「導入していない」の7つの選択肢を提示し、各企業の実情に当てはまるものを選択

Slide 80

Slide 80 text

テレワーク導入時期のエリア差・全体で見ると，コロナ禍以前の2019年の段階で全体の3割程度の企業が在宅勤務やテレワークを導入していたが，早期導入企業の中では、他のカテゴリに比べて東京に本社を置く企業の割合が高い。・ 3月から緊急事態宣言（4月7日）までの間に29.10％、それ以降に22.60％が導入。全体では未導入企業は 12.00％しかないが、7都府県以外では、26.80％が未導入。・逆に、東京に本社を置く企業では、94.00％の企業が在宅勤務もしくはテレワークを導入。

Slide 81

Slide 81 text

・東京では、全ての正社員の在宅勤務/テレワークを許可している企業の方が、許可していない企業よりも多い。・全体に比べて、7都府県以外の道府県では、実施許可がない企業の割合が顕著に高い(76.80％) 。・「在宅勤務/テレワークの導入に際して雇用契約条件の見直しを行った」について有意差。・東京本社の企業はコロナ禍に最も見舞われているにもかかわらず、雇用が最も安定。テレワーク導入状況のエリア差

Slide 82

Slide 82 text

テレワーク導入時期の企業規模差・在宅勤務/テレワークの導入に関して、企業の体力が影響している可能性がある。・1,000名以上の大企業79社のうち、58.20％にあたる46社が2019年12月以前から在宅勤務/テレワークを導入他の2カテゴリに比して、かなり大きな割合である。・コロナ禍後の導入のピークが、101～1,000名と1,000名以上では2020年3月であるのに対し、100名以下の企業は緊急事態宣言以降(32.30％)。・101～1,000名と1,000名以上の企業はそれぞれ導入率が9割を超えているが、100名以下の企業では、 23.70％が未導入。 2019年 12月以前 2020年1月 2020年2月 2020年3月緊急事態宣言以前緊急事態宣言以降未導入合計度数 18 0 3 14 6 30 22 93 行の％ 19.40% 0.00% 3.20% 15.10% 6.50% 32.30% 23.70% 100% 度数 26 0 7 33 17 27 10 120 行の％ 21.70% 0.00% 5.80% 27.50% 14.20% 22.50% 8.30% 100% 度数 46 1 5 10 5 9 3 79 行の％ 58.20% 1.30% 6.30% 12.70% 6.30% 11.40% 3.80% 100% 度数 90 1 15 57 28 66 35 292 行の％ 30.80% 0.30% 5.10% 19.50% 9.60% 22.60% 12.00% 100% p=.00 (χ2=65.95) 100名以下 101～ 1,000名 1,000名以上合計

Slide 83

Slide 83 text

・「一部の正社員について在宅勤務/テレワークの実施を許可している」について100名以下の企業の3分の2の64.50％で許可なし。・人員が少なく分業体制を取りにくい中小企業では一部の正社員に許可する線引きが難しいか。・逆に「在宅勤務/テレワークの導入について当たっては、IT システム部門等による導入支援を実施している」について，1,000名以上の大企業の 41.80%(33社)で導入に際する支援体制が充実。テレワーク導入状況の企業規模差

Slide 84

Slide 84 text

テレワーク導入の業種差・「全ての正社員に在宅勤務/テレワークを導入」状況について，産業による差が確認できる。・全正社員に導入済の企業が多いのは「情報通信」。サービス業を中心に、「学術研究、専門・技術サービス」「宿泊・飲食サービス、娯楽」「教育・学習支援」「複合サービス、その他サービス」においても5割以上が全社員に導入。「製造」「金融・保険、不動産」「卸売・小売」「電気・ガス・水道、運輸・郵便」「医療・福祉」では5～6割が「一部の正社員に在宅勤務/テレワーク導入済」と回答。・「在宅勤務導入金銭的補助」の実施有無についても業種の差あり。「情報通信」「学術研究、専門・技術サービス」においては3割以上が実施。

Slide 85

Slide 85 text

・テレワークを含めた種々の企業対応の間にも相関がある。・テレワーク導入が早い企業では，リーダーの発信度合いも高く，専門組織の設置も進んでいる。企業対応の相関関係

Slide 86

Slide 86 text

サーベイ調査からわかること (preliminary results) • テレワークの導入度は産業や企業規模により異なる • 中小企業ではテレワーク導入にハードルが存在？ • 企業内コミュニケーションのIT化や、企業システムの内製化はテレワークの導入度合いと直接的にはリンクしていなさそう

Slide 87

Slide 87 text

ここまでのまとめ • (大学や大学教員がそうであるように、) IT っていうのは外部のそれっぽいSIer にぶん投げて中間マージンが持っていかれたとしても、決して自社で抱え込むもんじゃないっぽい。少なくともこの20年間は。 • もしかして: 20年前にIT, 10年前にクラウド, 5年前にIoT っていってた人たちが今日DX 化って言い出している、のかも。 • 同じ「DX 」というタームでも、機械学習系のソリューションを売りたい人たちと、SIer と、データサイエンス系と、METI で微妙に言っていることが違う感じ。 • See (土肥・根来 2019) https://www.waseda.jp/prj-riim/wp- content/uploads/2019/04/2019_RIIM-WP-60_Appendix_2019-04-16.pdf • 少なくとも日本企業に対するサーベイでは、まだまだITは外部から「持ってくる」もののように見える

Slide 88

Slide 88 text

今日僕が「壁打ち」したいこと • ひとつめ • みんなでディスカッション • ふたつめ • 一橋ビジネスレビューの特集『働き方改革(仮)』の原稿案 • みっつめ • 組織学会『緊急調査』の項目案

Slide 89

Slide 89 text

ディスカッション • 問1; 自社のテレワーク/在宅勤務の実施状況 • 問2; ウイズコロナ (池上JJ先生風にいうとレバレッジコロナ)下で、DXへの対応は組織レベル/個人レベルでどのくらい進んだか。困難を感じている点があるとすればなにか？

Slide 90

Slide 90 text

ディスカッションのやり方 • ブレイクアウトルームを設定します • たぶん3グループくらい • 10-15分くらい相互に話す時間を用意します • 先程上げた、ふたつのポイントについて議論して頂けると助かります。 • 誰か、代表して話すひとを決めてください • 最後に、グループごとに発表してもらうことにしたいと思います (引用: COVID-19セミナーシリーズの入山先生方式)

Slide 91

Slide 91 text

ディスカッション (10-15分)

Slide 92

Slide 92 text

ひとつめ • 一橋ビジネスレビュー(https://str.toyokeizai.net/magazine/hitotsubashi/)という学術雑誌の「働き方改革」特集に寄稿することに。12月締切、来年3月に発刊予定。 • タイトル; 「『デジタル』に成りきれない企業のかたち、働き方のかたち -新型コロナウイルス感染症に関連する緊急組織調査より」 • Skeleton; 新型コロナウイルス感染症 (COVID-19) は企業経営にも多大なる影響をもたらした。感染拡大の抑止を目的とした在宅勤務およびテレワークの導入は企業内あるいは企業間での協業の形に多大なる影響を与え続けている。 • 本稿では、こうした企業における働き方の変化について、組織学会の有志チームが2020 年4月に実施した「緊急組織調査」および、2020年9月に実施した「組織調査2020」に基づき、日本企業がテレワークを導入するにあたり、どのような課題に直面してきたかをサーベイ調査に基づき明らかにする。また、デジタルトランスフォーメーション (DX) とも呼称される、企業のデジタル化がこうしたテレワークの導入や業務プロセスの変化に果たした役割を観察するため、帝国データバンクが提供する企業ビッグデータを活用する。

Slide 93

Slide 93 text

ひとつめ(続き) • ききたいこと; • どういう内容が掲載されていると参考になるでしょうか？

Slide 94

Slide 94 text

ふたつめ • 組織学会所属メンバーによる「組織調査2020」を、2020年9月に実施予定です。 • 以下のアドレスから設問のテストをして頂けると助かります。 ●マクロ調査 https://questant.jp/q/soshiki_macro_202008 ●ミクロ調査 https://questant.jp/q/soshiki_micro_202008

Slide 95

Slide 95 text

最後に宣伝 • 今後出る本や論文 [※. 確定済み] の予定 • 2020/10 『感染症時代の経営学』(Book Chapter) • 2020/12 『Python によるデータ分析入門』 • 2021/03 『一橋ビジネスレビュー』の「働き方改革」特集 • 講義資料 • https://speakerdeck.com/yasushihara

Slide 96

Slide 96 text

THANKS yasushi.hara@r.hit-u.ac.jp