なぜ使う？
データ/AI製品に対する導入事例のための分析ソリューションを設計します。
いつ使う？
データ/AI製品に関する導入事例のアイデアやコンセプトがあり、分析ソリューションを設計する必要があるとき。このプロセスは、製品の開発に必要な技術的、組織的、および人員の要件を導き出す助けとなります。
どうやって使う？
I. 準備
1. キャンバスのヘッダーを埋める:
a) ラベル 注目点 をキャンバスヘッダーに記入し、データ/AIプロダクトまたは導入事例のアイデアの名前を白い付箋に書きます。応用分析およびAI活用事例キャンバスから注目点の付箋をコピーすることができます。また、ビジネスモデル/ケースや分析およびAIの成熟度、優先順位マトリックスのキャンバスから導入事例（アイデア）を選ぶこともできます。
b) フッター: 付箋の色に応じた凡例を追加します：
緑色の付箋: 「既存の要素」
黄色の付箋: 「計画中の要素」
赤色の付箋: 「不足している要素」
白色の付箋: 「質問/仮定/洞察/決定/タスク」
II. データ/AI 製品設計
データフローと分析手順をスケッチするために、赤、黄色、緑の付箋をそれぞれ不足、計画中、既存の要素として各ボックスに追加します。新しいデータ製品の場合、ほとんどの要素が欠けていることに注意してください。
② キャンバスの右側端から始めます（簡単なスタートのために参考資料を参照してください）。
a) データバリュー：情報の価値はビジネスの業績指標（例：重要業績評価指標、KPI）に基づいて評価されるべきです。このボックスに対応する付箋を配置してください。また、情報の品質に関するノート—たとえば、モデルの性能指標や持続可能で説明可能、責任ある信頼性のあるAIを示すモデル機能、データ品質指標についても記載してください。
b) データプロダクト：データ/AIプロダクトの意図する出力を付箋を使って詳細に示し、特にプロダクトが答えようとしている具体的な質問を含む、望ましい情報に焦点を当ててください。情報がデータから直接計算されるのではなく、たとえば機械学習を用いて予測/推定される場合、ユーザーは情報の取得方法を示す説明を期待しています（「説明可能なAI」参照）。
③データ分析: 必要な情報を得るための様々な分析アプローチを考え、この枠の中でデータ準備、分析、視覚化のステップを赤、黄色、緑の付箋を使って概略を描きます。これらの付箋（すべてのボックス）の間を水平矢印でつなぎ、データや情報の流れを示します。
さまざまなアルゴリズムや手法の利点と限界を評価し、情報の質とモデルの特徴（たとえば、説明可能性：「ホワイトボックス」モデルと「ブラックボックス」モデルの違い）に合致するか確認します。最も有望な解決策を選定してください。
④データセット: 分析パイプラインへの入力として、必要かつ有益なデータセットを特定し、アイデアを出します（必要な情報を引き出すために）。
データセットボックスに各データセットごとに付箋を配置し、データ分析ボックスの初期のデータ準備および分析のステップとリンクさせます。
参照
A: 分析 & AI 導入事例キャンバスのソリューションボックスから、ユーザーが欲しい情報を定義しているすべての青い付箋をコピーし、データ製品ボックスに移します。情報の可用性に応じて、色を赤、黄色、緑に変更し、必要に応じて情報をより明確に指定します。例えば、メトリックを明確な名前で表し、単位、時間の解像度、粒度などを定義します。
B: データ価値ボックスに該当する付箋を探すには、Analytics & AI Use Caseキャンバスの利点および目標 & 結果ボックスを参照してください。データや情報の価値は、ユーザーが特定の目標や結果を達成するためにどの程度貢献しているかによって測定されます。
C: データの利用可能性が不明な場合は、データランドスケープキャンバスを使用してデータの状況を調査してください。Data Setsボックスのすべての付箋をSort inボックスにコピーし、Data Landscapeキャンバス上に配置します。これらのデータセットの情報源を特定し、追加のデータセットを考案し、それらをデータランドスケープの象限内に配置してください。それらの利用可能性を評価し、Data LandscapeとData Monetizationキャンバス上で、それに応じて付箋の色を更新します。緑 → データ資産、赤 → データギャップ、黄色 → データ（課題あり）。
III. 各種要件の設計
次に、データ/AI製品の設計から技術的、組織的、そして人的な要件を導き出します：
既存の技術的、組織的、人的リソースまたは能力に対しては、緑色の付箋を追加します。
あなたの技術基盤、組織構造、または人員構成におけるギャップには、赤色の付箋を追加します。
既に計画中、進行中、または問題を抱えている技術的、組織的、人的な変更やイニシアティブに対しては、黄色の付箋を追加します。
⑤ テクノロジー: プロジェクトに必要な技術基盤を評価することから始めます。キャンバスの左側から始めて、対応するボックスの下からデータセットからデータ価値に向かって体系的に進んでください。データのライフサイクルの各ステージ（アクセス、クレンジング、統合、保存、分析、可視化）において、どのツール、プラットフォーム、システムが必要かを考慮してください。
Technology ボックスでは、上部の Data Sets、Data Analytics、Data Products & Data Value ボックスの下に、データライフサイクルの各段階に対応する (複数の) 付箋を配置します。それぞれの付箋には、そのステージでのプロセスに必要な技術的な製品やカテゴリーの名称をラベル付けします。これらの付箋を、それぞれの段階の下に直接配置し、明確な整列を維持してください。
各段階の技術スタックを視覚的に描写するには、これらの付箋を積み重ねるか、あるいは矩形の図形を使って縦に配置し、技術の層を表します。例えば、PythonモジュールはPythonプログラミング言語の上に配置され、その下がクラウドコンピューティングプラットフォームになります。データの流れや、各技術コンポーネントがデータ処理全体とどのように統合されるかを示すために、これらの積み重ねた付箋を水平の矢印でつないでください。
⑥ 組織: 各技術コンポーネントに対して、それを実装し運用する責任を持つチーム、部署、部門、子会社/姉妹会社、または外部提供者を特定します。組織ボックスには、これらの組織単位を表す付箋を配置します。これらの付箋は、対応する技術コンポーネントの下または近くに配置し、依存関係を明確にします。これらの付箋を水平な矢印でつなぎ、要件の伝達などのコミュニケーションの流れを示します。
⑦ People: 最後に、データ/AIプロダクトおよびその技術基盤を導入・運用するために必要な主要な人員を特定します。People ボックスに付箋を配置し、対応する組織単位の下に置きます。それぞれの付箋に個人の役割、機能、役職、またはスキルをラベル付けし、必要に応じてフルタイム換算（FTE）の人数を括弧内に含めます。矢印を使用して、これらの人員の間の報告ラインやコラボレーションおよびコミュニケーションの接続を図示します。
ヒント: Conway's Law（「システムの構造は、それを設計する人々のコミュニケーションパターンによって決定される」）に従って、システムを導入する前に再組織化を考慮するべきです。理解を深めるために、縦の点線を追加してキャンバス上で図示することができます。
データセットや分析と技術要素の間の依存関係
技術要素に関する組織ユニットの責任
人々をそれぞれの組織ユニットに結びつける関連性
参考文献
D: あなたの分析・AIロードマップを完成させるために、技術、組織、人材の能力を用いて分析とAIの成熟度キャンバス（青いボックス）を更新します。
E: データプロダクトの実施や運用により、ビジネスモデルに根本的な変更が必要な場合、ビジネスモデルキャンバスも更新してください。
どこでさらに情報を得られますか？
Datentreiber は、この Miroverse テンプレートだけでなく、以下も提供しています。
ご興味がある方や質問・フィードバックがある場合は、こちらまでご連絡ください: info@datentreiber.de。
著作権:Datentreiber GmbHにより、全ての権利が保護されています。
