NEXT GENERATION LABORATORY

次の時代の
仕事のやり方を、
小さく試して、
形にする。

nexion-lab は、そのための「研究所」です。AI・データ・クラウドの課題を、まず小さく試して、確かめてから広げていきます。

約20年
toB・toC の経験
39件
公開できる支援実績
4つ
自社で作るプロダクト
AIDATACLOUDCRMnexionlab

01 / NAME

名前の由来

nexion-lab は「Next Generation Laboratory(次世代の研究所)」を縮めた名前です。

lab

Nex

Next

次の

ion

generation

世代

lab

Laboratory

研究所

研究所が次の世代のものを生み出す。その考えを、そのまま名前にしました。自分たちで作るサービスにも「タグ守」「応対守」のように、同じ考えで名前を付けています。

02 / HISTORY

これまでの歩み

システムエンジニアとして始め、企画・事業・経営・管理まで、約20年、toB・toC の両方を一気通貫で担当してきました。技術だけ、事業だけでは解けない課題を、両方の側から見られることが強みです。

  1. STEP 01

    システムエンジニア〜プロデューサー(ゲーム・メディア)

    受託開発から、フィーチャーフォン・スマートフォンのゲームやメディアの立ち上げまで。要件定義、基本設計、技術検証、PM・PMO を担当しました。

  2. STEP 02

    執行役員(アプリ・ゲーム開発)

    企画提案と予算の獲得、マーケティング戦略の立案まで。4タイトルをリリースし、100名規模のマネジメントも経験しました。

  3. STEP 03

    事業責任者

    共同出資のもとで、事業開発から M&A による売却まで。シリーズAまでの資金調達も担当しました。

  4. STEP 04

    CX責任者(動画配信事業)

    行動経済学を生かした施策と、分析の繰り返しで、サブスク基盤を拡大。計測の穴の診断や、KPI の運用も担当しました。

  5. STEP 05

    DX推進責任者・次長(大手企業グループ)

    グループ横断のDX戦略を策定して社長承認を得て、導入・実装まで。最大80名を統括しました。

  6. STEP 06

    顧問CTO

    技術戦略の立案と、技術部門の統括。マルチアカウントのクラウド管理、AI駆動開発の標準化、週次の改善会議の運営を進めました。

  7. STEP 07

    現在:技術顧問・AIアーキテクト

    生成AI、CRM、データ基盤、クラウドの案件に、複数社と並行して参画しています。あわせて、その経験から生まれたプロダクトの開発を進めています。

03 / WAY OF WORKING

研究所のやり方

作って終わりにせず、確かめて、わかったことを次に生かす。この繰り返しが、いちばん確実だと考えています。

01

小さく作って、確かめてから広げる

大きく作って外すより、小さく出して反応を見る。研究所という名前のとおり、まず試して、わかったことを次に生かします。

02

言えないことは、言わない

できないことをできると言いません。どこまで確かめたか、何が未確認かを、そのまま書きます。

03

預かるものは、最小限にする

お客様のデータは、必要なものだけを扱います。手元で完結できるものは、手元で完結させます。

1小さく試す2確かめる3わかったことを残す4広げる繰り返すLAB CYCLE

04 / STRENGTHS

得意なこと

技術と事業の両方から、課題を見ます。

生成AI・エージェントCRM・MAデータ基盤・BIクラウド・IaCセキュリティDX・技術顧問nexion-lab

01

現場の目線で、技術を決める

大手企業グループでDX推進と顧問CTOを務め、80名規模の組織も見てきました。技術の良し悪しではなく、その会社が続けられるかどうかで選びます。

02

AI を、業務で使える形にする

ChatGPT や Claude を、試して終わりにせず、毎日の仕事に組み込むところまで。自分たちの開発も AI と一緒に進めています。

03

クラウドの費用と安全を整える

AWS・GCP の構成とコストの見直し、セキュリティの確認まで、手元で動く形に落とします。

04

データを、見て終わりにしない

GA4・BigQuery の計測設計から、数字が止まったときに気づける仕組みまで。見る人が迷わない形にします。

くわしい経歴と専門分野は 運営者情報 に載せています。

05 / CASES

支援事例

生成AI、CRM、データ基盤、クラウドの支援事例を、成果の数字つきで載せています。

人事労務SaaS

100%

読み取り精度(改善前 約84%)

120%

想定を超える負荷でもエラー0

年末調整の繁忙期でも止まらない、AIの読み取り

立場:設計・実装・運用(性能見積から担当)

読み取りの精度を、ほぼ完全なところまで引き上げました。繁忙期の想定を上回る負荷でも、止まらず、エラーも出ませんでした。

マッチング事業

約3倍

承諾率(6.9%→21.2%)

約1/9

打診の数(39.8→4.5件)

「数打ち」の営業を、当たる相手だけに絞る

立場:データ分析〜実装〜運用(単独)

打診の数を約1/9に減らしながら、承諾される確率は約3倍に。少ない手間で、より多く決まる形に変えました。

デジタルコンテンツ配信

36%減

消費量(実測)

約72%

上位30クエリに集中していた

データ基盤のコストを、1/3近く減らす

立場:技術主導

費用の約72%が、上位30のクエリに集中していることを突き止めました。ダッシュボードごとに費用を割り当て、実測で消費を36%減らしました。

支援事例をすべて見る(39件)

07 / FLOW

ご相談から運用までの進め方

いきなり大きく作りません。小さな試作で確かめてから、本番に進みます。

  1. STEP 1

    相談

    お困りごとを聞く

  2. STEP 2

    整理

    課題と範囲を決める

  3. STEP 3

    試作

    小さく作って確かめる

  4. STEP 4

    本番

    安全に公開する

  5. STEP 5

    運用

    改善を続ける

まずは、ご相談ください

IT・AI・データのことで迷っていることがあれば、初回の相談は無料です。

お問い合わせフォームへ