自社開発か購入か — 最適なPdMソリューションの選び方

予知保全への投資を決断された方が、次に直面するのは「自社開発か購入か」という問いです。

どちらの選択肢も機能します。正しい答えはチームの構成、スケジュール、最適化の目的によって異なります。

自社開発の道

必要なもの： データエンジニア2〜3名とMLエンジニア1名のチーム、MVPまでに6〜12ヶ月、そして継続的なメンテナンスの工数。

自社開発が勝る場面

モデルの完全な制御。 自社設備の故障モードに合わせて学習させられます。
統合の柔軟性。 2008年製のカスタムSCADAにも、正確なコネクターを自作できます。
資産単位の課金がない。 非常に大規模（10,000資産以上）では限界コストはインフラのみです。

自社開発が苦しくなる場面

価値実現までの時間。 パイプラインを構築している間も設備は故障します。
80%問題。 データエンジニアリングが工数の80%を消費します。作っているのはモデルではなく、分散リアルタイムデータプラットフォームです。
継続的なメンテナンス。 モデルはドリフトします。Kafkaのアップグレードも必要です。これは恒久的な人員負担です。
MLのコールドスタート問題。 事前学習済みベースラインがなければ、モデルはゼロから始まります。

購入の道

必要なもの： ベンダー評価（2〜4週間）、パイロット展開（1〜2週間）、本番ロールアウト（2〜4週間）。

購入が勝る場面

即時の価値実現。 事前学習済みモデルが初日から異常を検知します。
運用上の成熟度。 ベンダーはエッジ収集・特徴量エンジニアリング・モデル配信・アラート重複排除をすでに解決しています。
業界横断的な学習。 複数顧客で学習したモデルが知識を転移します。
予測可能なコスト。 資産単位の課金により、開始前にコストがわかります。

購入が苦しくなる場面

ベンダー依存。 予測が第三者に依存します。
カスタマイズの制限。 プラットフォームが対応していない特定のモデルアーキテクチャが必要になることがあります。
データがネットワーク外に出る。 （ただしエッジ・ハイブリッドアーキテクチャでこの問題に対応できます。）

3年間の総所有コスト（TCO）

「大規模になれば自社開発の方が安い」という議論はよく聞かれますが、実際の数字で裏付けられることはほとんどありません。以下は3つの規模でのTCO比較の例示です — ここで重要なのはコスト構造であり、正確なユーロ額ではありません（実際のSaaS料金は現行の料金プランをご覧ください）：

| コスト項目 | 自社開発（100資産） | 購入（100資産） | 自社開発（500資産） | 購入（500資産） | 自社開発（2,000資産） | 購入（2,000資産） | |---|---|---|---|---|---|---| | 1年目：開発費 | €350,000 | €0 | €350,000 | €0 | €450,000 | €0 | | 1年目：インフラ費 | €40,000 | 含む | €80,000 | 含む | €180,000 | 含む | | 1年目：ライセンス/SaaS | €0 | €60,000 | €0 | €180,000 | €0 | €480,000 | | 2年目：保守/開発費 | €180,000 | €0 | €220,000 | €0 | €280,000 | €0 | | 2年目：インフラ費 | €40,000 | 含む | €80,000 | 含む | €180,000 | 含む | | 2年目：ライセンス/SaaS | €0 | €60,000 | €0 | €180,000 | €0 | €480,000 | | 3年目：保守/開発費 | €180,000 | €0 | €220,000 | €0 | €280,000 | €0 | | 3年目：インフラ費 | €40,000 | 含む | €80,000 | 含む | €180,000 | 含む | | 3年目：ライセンス/SaaS | €0 | €60,000 | €0 | €180,000 | €0 | €480,000 | | 3年合計 | €830,000 | €180,000 | €1,030,000 | €540,000 | €1,550,000 | €1,440,000 |

主な前提条件： 自社開発コストには、開発フェーズにデータエンジニア2名（各€90K/年）+ MLエンジニア1名（€100K/年）、継続的保守フェーズに1.5名相当を含みます。購入は規模に応じて逓減する代表的な資産単位SaaS料金でモデル化しています — 実際の料金は現行の料金プランでご確認ください。インフラ費はクラウドコンピュート・ストレージ・Kafka・データベースを含みます。これらの数値はコスト構造の例示であり、見積もりではありません。

構造的な結論は正確な料金に関わらず成立します：自社開発は大きな固定費（開発費＋常駐MLデータチーム）を先行投資しますが、購入はゼロの構築リスクで予測可能なサブスクリプションです。年間コストで自社開発が安くなる交差点は、通常**大規模なフリート（約1,500〜2,000以上の資産）**のみであり、それもすでにチームを保有している場合に限ります。それ以下の規模では購入が総コストで通常安く、どの規模でも価値実現の速さ（数週間対数ヶ月）で勝ります。実際の節約額は交渉済みの料金次第です — 現行の料金プランで数値を確認してください。

統合の問題

多くの自社開発対購入の分析が見落とすのが次の数字です：既存システムとの統合がプロジェクト総時間の60〜70%を消費します — PdMプラットフォームを自社開発するか購入するかに関わらず。

CMMS統合

予知保全システムは作業指示の作成・保守履歴の確認・資産レコードの更新が必要です。主要なCMMSプラットフォームはそれぞれ独自の統合上の課題を持ちます：

SAP PM： RFC/BAPIインターフェースはよく文書化されていますが複雑です。API経由で保守通知（IW21相当）を作成するには、SAP固有のデータ構造（機能上の場所、設備番号、損害コード）へのマッピングが必要です。信頼できる双方向統合のために4〜6週間を見込んでください。
IBM Maximo： REST APIはモダンでよく設計されていますが、資産モデルとMaximoの階層間のフィールドマッピングに時間がかかります。Maximoのワークフローエンジンにより、作業指示が既存の承認チェーンを尊重する必要があります。
Infor EAM / Hexagon： APIの品質はバージョンによって大きく異なります。古いインストールではカスタムミドルウェアが必要になる場合があります。

ヒストリアン統合

多くの工場ではヒストリアンに長年の貴重なセンサーデータが蓄積されています：

OSIsoft PI（AVEVA PI）： PI Web APIは高機能ですが、慎重な認証設定（KerberosまたはBasic Auth）が必要です。大規模なML学習用の履歴データ抽出（数百万件の読み取り）には、PIサーバーに過負荷をかけないようバッチリクエストとレート制限が必要です。2〜3週間を見込んでください。
Honeywell PHD： 古いAPIで、オンプレミスの統合サーバーが必要なことが多いです。データ抽出はPIより低速です。
GE Proficy Historian： OPC-HDAインターフェースで、一般的にシンプルですがプル型データアクセスに限定されます。

ERP統合

スペアパーツの調達とコスト追跡のためにERPとの接続が必要です：

RUL予測に基づく自動購買依頼申請のためのSAP MM統合
保守ROI追跡のためのコストセンターマッピング
工場階層の同期

含意： PdMエンジンを自社開発するか購入するかに関わらず、統合に相当な時間と専門知識を確保してください。事前構築済みCMMSコネクターと文書化されたヒストリアン統合パターンを持つプラットフォームは、ゼロから構築する場合と比較して3〜6ヶ月を節約できます。

意思決定フレームワーク

| 要因 | 自社開発寄り | 購入寄り | |--------|-----------|----------| | データエンジニアリングチームの有無 | あり、3名以上 | なし、または3名未満 | | 最初の価値実現までの期間 | 6ヶ月以上でも可 | 数週間で結果が必要 | | 資産タイプ | 1〜2種類、十分な把握あり | 多数、多様な設備 | | MLインフラ | Kubernetes、MLflowなど | ゼロから始める | | 規模 | 10,000以上の資産 | 50〜5,000資産 | | 予算モデル | CapEx（一度の構築） | OpEx（予測可能な月次） |

スコアリング意思決定マトリクス

より体系的な評価のために、各要因を自社の状況で1〜5点でスコアリングしてください：

| 要因 | ウェイト | スコア1（購入寄り） | スコア5（自社開発寄り） | |---|---|---|---| | 価値実現までの時間 | 25% | 3ヶ月以内に結果が必要 | 12ヶ月以上でも許容 | | カスタマイズのニーズ | 20% | 標準的な設備タイプ | 固有のプロセス・設備 | | チームの能力 | 20% | MLデータエンジニアリングチームなし | 経験豊富なML＋データチームあり | | データの機密性 | 15% | クラウド可、標準DPA | エアギャップ環境、機密データ | | 規模（資産数） | 10% | 500資産未満 | 5,000資産超 | | 予算構造 | 10% | OpEx志向（月次） | CapEx志向（一括） |

実例 — 中規模化学工場（300資産）：

価値実現までの時間：2（取締役会は今四半期に結果を求めている）× 25% = 0.50
カスタマイズ：3（一部独自リアクターあり）× 20% = 0.60
チームの能力：2（データアナリスト1名、ML未経験）× 20% = 0.40
データの機密性：3（標準クラウド可、EU域内居住必須）× 15% = 0.45
規模：2（300資産）× 10% = 0.20
予算：2（OpEx志向）× 10% = 0.20
合計：2.35 → 強い購入シグナル

2.5未満は購入方向。3.5超は自社開発方向。2.5〜3.5の間はハイブリッドゾーンです。

ハイブリッドオプション

多くのチームは購入から始め、その周りに構築していきます。特にスコアが2.5〜3.5の範囲では、これが現実的な選択です。段階的なタイムラインを示します：

1〜3ヶ月目：展開と検証。 最も重要な資産での即時異常検知のためにプラットフォームを展開します。このフェーズを経営層への価値証明、社内のデータリテラシー向上、ベースライン指標（現在の故障率・ダウンタイムコスト・スペアパーツ支出）の確立に活用します。これは「早期成果」フェーズです — 一度にすべてを解決しようとしないでください。

3〜6ヶ月目：統合と拡張。 プラットフォームAPIを使って予測をカスタムダッシュボードや既存のCMMS/ERPワークフローに統合します。専門的な分析のための学習データをエクスポートします。プラットフォームのモデルと並行して作業することで社内の専門知識を構築し始めます — 何を検知し、何を見逃し、なぜかを理解してください。

6〜12ヶ月目：カスタマイズと最適化。 プラットフォームがうまく対応できない設備（独自プロセス、特殊な故障モード）向けに専門的なモデルを学習します。レガシーシステムとのカスタム統合を構築します。この時点で6ヶ月以上のラベル付きデータ（チームが確認または修正した予測）を保有しており、これは学習の宝です。

2年目以降：独立性の評価。 12ヶ月以上のラベル付きデータ・学習済みモデル・社内MLケイパビリティを持って、十分な情報に基づく判断ができます：プラットフォームを継続する（自社運用の運用負担が今では明確なため）、セルフホスト型ソリューションに移行する、またはプラットフォームが標準設備を担当しチームが専門的なものを担当するハイブリッドを維持する。

プラットフォームに求めるべき要件

PdMベンダーを評価する際、以下の能力が本番環境グレードのプラットフォームとデモを区別します：

説明可能性 — 特徴量寄与度（ツリーモデルにはSHAP、深層モデルにはIntegrated Gradients）、センサー単位の寄与度。ベンダーが予測を説明できなければ、あなたも説明できません。特徴量寄与度を示す実際のアラートを見せてもらってください — マーケティングスライドではなく。
マルチモデル — 異常検知・RUL推定・故障分類。異常検知しかできないプラットフォームは問題の30%しか解決していません。「何かがおかしい」から「何がおかしくていつ故障するか」に至るには3つすべてが必要です。
コールドスタート対応 — 「6ヶ月分のデータが溜まるまで待ってください」ではなく、初日から機能する事前学習済みベースライン。モデルがどのベンチマークデータセットで学習され、箱から出してすぐどの精度を達成するかを確認してください。
テナント分離 — 暗号化によるデータ分離。行レベルセキュリティ対アプリケーションレベルフィルタリングを具体的に確認してください。ベンダーが「アプリケーションレベル」と言えば、1つのバグがあなたのデータを他の顧客に公開する可能性があります。
エッジサポート — 低レイテンシー推論・データ主権・オフライン能力。施設の接続が断続的だったり、厳格なデータ居住要件があったりする場合、エッジ推論はオプションではありません。
APIファーストアーキテクチャ — APIで自動化できなければ、すぐに使い勝手が悪くなります。作業指示の作成・モデルステータス・アラート管理・データエクスポートがすべてプログラムで利用可能か確認してください。
透明な料金体系 — 基本情報に「営業に問い合わせ」が不要なこと。署名前にモデル化できる資産単位の料金設定。隠れたコスト（データストレージ超過・APIコール制限・プレミアムサポート層）が事前に見えていること。

Prevlyは最大10台の機械に対して無料パイロットを提供しています。こちらから始めてください — 1週間以内に実際の設備の予測をご確認いただけます。