論文「Project portfolio selection and prioritization through supervised machine learning in continuous improvement projects（継続的改善プロジェクトにおける教師あり機械学習を用いたプロジェクトポートフォリオの選択と優先順位付け）」から学ぶ
継続的改善プロジェクト（CIP）の投資対効果を最大化するためには、機械学習を活用したデータ駆動型のポートフォリオ選択モデルの導入が極めて有効です。しかし、その予測モデルの真価を現実のビジネスで発揮させるためには、分析の土台となる「客観的かつ網羅的なデータ収集システム」を現場に深く定着させることが不可欠となります。
定常業務のシステムによる自動トラッキングにとどまらず、突発的・非定型な特殊業務の暗黙知を言語化し、現場の心理的負担を和らげるチェンジマネジメントと運用ルールを組み合わせる。このアプローチによって初めて、AIの予測精度を持続的に向上させる自律的なエコシステムが組織内に完成します。
理由
本議論の出発点となった研究論文では、過去のプロジェクト実績と13個の重要成功要因（CSF）を学習させることで、企業の加重平均資本コスト（WACC）を下回る低リターン案件を高精度に足切りできることが実証されました。多層パーセプトロン（MLP）アルゴリズムが最も高い分類精度を示した一方で、少数の主観的な言語評価データに依存している点や、データ不均衡により極めて高収益な案件の予測が困難であるという実務上の限界も浮き彫りになりました。
これらの論理的飛躍やデータ不足の課題を根本から解決するには、担当者の記憶に頼るアンケート評価から脱却し、日々の業務システムから客観的な事実データ（ファクト）を直接吸い上げる仕組みへ移行せざるを得ません。
さらに、現場の事業活動の大部分を占める「名もなき突発業務」を計測対象から外せばデータに空白が生まれ、AIの予測は現実と乖離してしまいます。現場の「管理・監視されることへの反発（現状維持バイアス）」を丁寧に解きほぐしつつ、未知のタスクを論理的に捕捉する体制を築くことが、データ形骸化を防ぐ唯一の要衝となるからです。
事業の継続的最適化のための教師有り機械学習の活用手法
ここまでの検討で導き出された、実践的なデータ収集と運用のアプローチは、以下の3層構造に整理されます。
【第1層】予測アルゴリズムの適用と限定的運用
まずは論文の知見を活かし、WACC 8.7%を基準とした不採算案件のスクリーニング機能としてAIを導入します。初期は28件程度の過去データからスモールスタートを切り、SHAPやLIMEといったAIの思考プロセスを可視化する解釈支援ツールを併用することで、現場や経営陣に対する意思決定の透明性を確保します。
【第2層】定常業務の自動収集基盤の構築
日報などの手入力を段階的に廃止し、AsanaやJiraといったプロジェクト管理ツールと社内経費・勤怠システムをAPIで連携させます。さらに、PCのバックグラウンドで稼働する自動工数仕分けツール（Qaseeなど）を導入し、リアルタイムダッシュボードに客観的な稼働時間やコストデータを自動集約させます。
【第3層】非定型・特殊業務の捕捉と現場主導のルール化
ここが最も難易度が高く、かつ重要な人的アプローチです。
- 暗黙知の言語化: 現場のキーパーソンを巻き込み、MiroやLucidchartなどの視覚的ツールを用いたワークショップを開催します。熟練者の頭の中にある判断基準を「IF-THEN」のデシジョンツリーとしてフロー図に書き出し、Zapierなどのノーコードツールを用いてシステム上の準定型業務として実装します。
- 公式バッファの設定と厳格な運用: 予測不能な事態を吸収するため、工数管理システム内に公式の「バッファ項目」を設けます。定常タスクは余裕を含まない「正味時間」で記録させ、突発対応のみをバッファに計上させます。「バッファは怠慢を隠す場ではなく、チーム全体の共有財産である」という共通認識のもと、使用理由の透明性を確保するルールを徹底し、単なるゴミ箱項目になることを防ぎます。
行動施策案
以上の多角的な議論を統合し、データ駆動型プロジェクト管理の実務導入を成功に導くためのロードマップを提示します。
-
1. キーマンの巻き込みと業務の可視化（フェーズ１）
現場で影響力のあるリーダーをプロジェクト推進側に引き入れ、チェンジマネジメントを始動する。「見えない残業の削減と業務負荷の適正化」という現場側の明確なメリットを提示した上で、視覚的ツールを用いたワークショップを開き、突発業務のIF-THENルール化とバッファ項目の定義を完了させる。 -
2. 自動計測ツールのパイロット導入とルール検証（フェーズ２）
API連携やバックグラウンド計測が可能な最新管理ツールを、先導的な一部のチームに試験導入する。定型タスクの正味時間計測と、バッファ項目の適切な利用（利用後の理由共有など）がルール通りに機能するかを月次の振り返り会議で検証し、実態に合わせてガイドラインを修正する。 -
3. 客観データに基づくMLモデルの再構築と全社展開（フェーズ３）
パイロット運用で蓄積された「客観的なファクトデータ」と「言語化された特殊業務データ」を、初期の主観的なアンケートデータと入れ替える形で機械学習モデル（MLPなど）に再学習させる。予測精度が格段に向上したことを確認したのち、全社的なポートフォリオ選択の公式な意思決定フローへと組み込む。
この一連のプロセスを通じて、組織は過去の経験を正確なデータとして蓄積し、より確実で戦略的な継続的改善のサイクルを回し続けることが可能となります。