40+
支援プロジェクト
4.8
平均満足度スコア（5点満点）
92%
目標KPI達成率
4+
年間の実績
クライアントの声
プロジェクトを経験したクライアントより
原田 真一
物流会社 データ部門リーダー / 東京
需要予測モデルの構築を依頼しました。こちらの既存システムに合わせた設計をしてくれて、 社内のデータエンジニアが引き継げる状態で納品してもらったのが本当に助かりました。 説明も丁寧で、技術的な背景がない上司への説明資料まで作ってくれました。
2025年1月
木村 友香
医療機器メーカー DX推進室 / 大阪
社内チームのAIリテラシー向上プログラムを3ヶ月間お願いしました。 メンバーのスキル差が大きかったのですが、それぞれのレベルに合った内容で進めてもらえた点が良かったです。 月次の評価レポートで変化が数字で見えるのも良かったです。
2025年1月
鈴木 直樹
食品製造業 情報システム部長 / 名古屋
設備の予防保全モデル開発を依頼しました。まず自社データの状態を正直に評価してもらい、 何が使えて何が足りないかを明確にしてから進めた点が信頼できました。 ダッシュボードも現場が実際に使いやすい形に仕上がっています。
2024年12月
青山 恵子
EC事業会社 データアナリスト / 福岡
顧客離反予測のデータ整備から始めて、そのままモデル構築まで一貫して対応してもらいました。 「なぜその特徴量を選んだのか」を毎回説明してもらえたので、 自分たちでも次のプロジェクトに応用できそうな感覚があります。
2024年12月
田中 修平
製薬会社 研究データ部門 / 東京
社内に機械学習の知見がまったくない状態から相談を始めました。 何ができて何ができないかの整理から丁寧に付き合ってもらえたので、 過度な期待を持たずにプロジェクトを進められました。データ整備の成果物は今でも活用しています。
2024年12月
三浦 美香
小売業 経営企画室マネージャー / 札幌
週次の進捗レポートがしっかりしていて、プロジェクトがブラックボックスにならなかったのが良かったです。 課題が出た際も早めに連絡をもらえて、スコープ変更の判断も一緒に考えてもらいました。 オンラインでも問題なく進められます。
2024年12月
成功事例
プロジェクト詳細事例
課題
配送センターで週次需要予測を手作業で行っていたため、予測精度が低く在庫過多・欠品が繰り返し発生。予測担当者の退職リスクも抱えていた。
支援内容
5年分の出荷データを整備し、曜日・季節・イベント要因を特徴量に組み込んだ週次需要予測モデルを構築。BIツールと連携したダッシュボードを実装。
成果
予測誤差が従来比で約38%改善。欠品発生件数が3ヶ月で22%減少。予測作業の工数が週あたり8時間から1.5時間に短縮された。
"数字が変わるのを見て、チームの姿勢が変わりました。AIは難しいものではなく、実務に使えるものだと実感しています。"
— 原田 真一 / 物流会社 データ部門
課題
外部のデータ分析ベンダーへの依存が強く、社内でデータを扱える人材が不足。分析結果を受け取るだけで、自社での検証や応用ができない状態だった。
支援内容
アナリスト3名・エンジニア2名・マネージャー2名に対して役割別カリキュラムを設計。4ヶ月間の週次セッションと、自社の顧客データを使ったキャップストーンPJを実施。
成果
プログラム終了後、外部ベンダーへの委託費を年間で約30%削減。アナリストチームが自律的に分析フローを構築できるようになり、採用すべきスキルプロファイルも明確になった。
"研修が終わった後もチームが自走している。それが一番の成果だと思っています。"
— 木村 友香 / 医療機器メーカー DX推進室
課題
製品検査画像が10年分蓄積されていたが、フォーマット・命名規則・ラベルが部門ごとにバラバラで、機械学習には使えない状態だった。
支援内容
データ監査から始め、アノテーション基準を策定。社内担当者とのワークショップでラベリング品質を統一し、モデル学習に使える形式へのパイプラインを構築・文書化した。
成果
6週間でモデル学習可能な画像データセット（約18,000枚）が完成。品質基準ドキュメントが整備され、今後の新規データ追加も社内で運用できる体制になった。
"データの状態を正直に評価してもらえたことで、現実的なプロジェクト計画が立てられました。"
— 鈴木 直樹 / 食品製造業 情報システム部長
信頼性の指標
数字で見るTomoshibiの実績
4.8
クライアント満足度
40+
完了プロジェクト数
92%
KPI達成率
68%
リピート・追加依頼率