【2026年8月最新】クラスタリングとは？分類との違い・手法・ビジネス活用事例・Claude Codeによる実践まで解説
aikanri-admin
「顧客を分析したいが、どうグループ分けすればいいか分からない」「似たようなデータをまとめたいが、正解が分からない」——そんな課題に対して、機械学習の「クラスタリング」は有効なアプローチです。
クラスタリング（クラスタ分析）は、「データ間の類似度に基づいて自動的にグループ分けする」教師なし学習の手法です。「正解」を事前に教えることなく、データの特徴からグループ（クラスタ）を自動的に発見します。顧客セグメンテーション・推薦システム・異常検知など、現代のAIビジネス活用の中核をなす技術です。
この記事では、クラスタリングの定義・分類との違い・主要な手法（k-means法・階層的クラスタリング等）・ビジネス活用事例・Claude Codeを使った実践的な活用方法まで、エンジニアでない経営者・管理職にも理解できる言葉で解説します。
代表菅澤
AI鬼管理山崎
01 WHAT IS CLUSTERING クラスタリングとは？「分類」との決定的な違い 「正解なしで」データをグループ分けする教師なし学習
クラスタリングとは、「データ間の類似度（距離）に基づいて、似ているデータを自動的にグループ（クラスタ）にまとめる手法」です。教師なし学習の代表的な手法の一つで、データに正解ラベルがなくてもデータ自体の特徴からグループを発見します。
📚 用語解説
クラスタリング（Clustering）：データ間の類似度・距離に基づいて、似たデータを自動的にグループ（クラスタ）に分類する機械学習の手法。「教師なし学習」の一種で、正解ラベル（教師データ）なしにデータ自体の構造・パターンを発見する。用途は顧客セグメンテーション・異常検知・推薦システム・画像分類・文書分類など多岐にわたる。代表的なアルゴリズムはk-means法・階層的クラスタリング・DBSCAN・GMM（ガウス混合モデル）等。
1-1. クラスタリングと「分類」の違い
「クラスタリング」と「分類」は似て非なるものです。最大の違いは「正解（教師データ）があるかどうか」です。
| 比較軸 | クラスタリング | 分類（Classification） |
|---|---|---|
| 学習の種類 | 教師なし学習（正解なし） | 教師あり学習（正解あり） |
| グループの決め方 | データが自動でグループを形成 | 人間が事前にグループを定義 |
| 正解ラベル | 不要 | 必要（大量のラベル付きデータが必要） |
| 分かること | 「どんなグループがあるか」を発見 | 「これはどのグループか」を予測 |
| 活用シーン | 顧客セグメント発見・探索的分析 | スパムフィルタ・画像認識・品質検査 |
| 代表的な手法 | k-means法・階層的クラスタリング | 決定木・SVM・ニューラルネットワーク |
AI鬼管理山崎
📚 用語解説
教師なし学習（Unsupervised Learning）：正解ラベル（教師データ）なしに、データ自体の構造・パターン・グループを自動的に発見する機械学習の手法。代表的な手法はクラスタリング（グループ分け）・次元削減（データの圧縮・可視化）・異常検知（通常パターンから逸脱したデータの発見）。正解を用意しなくていい反面、「何が発見されるか事前に分からない」「評価が難しい」という特徴がある。
1-2. クラスタリングの基本概念
クラスタリングを理解するために重要な概念を整理します。
| 概念 | 内容 |
|---|---|
| クラスタ（Cluster） | クラスタリングによって作られる「グループ」。クラスタ内のデータは互いに似ており、異なるクラスタのデータとは似ていない |
| 距離（Distance） | データ間の「似ている度合い」を数値化したもの。ユークリッド距離・コサイン類似度等が使われる |
| 重心（Centroid） | クラスタの中心点。k-means法ではこの重心を基準にグループ分けを行う |
| ハードクラスタリング | 各データが1つのクラスタにのみ属する方式（k-means法等） |
| ソフトクラスタリング | 各データが複数のクラスタに確率的に属する方式（GMM等） |
02 CLUSTERING METHODS クラスタリングの手法：階層的・非階層的・k-means法 用途と計算コストで使い分ける主要アルゴリズム
| 手法 | 特徴 | 向いている場合 |
|---|---|---|
| k-means法（k平均法） | kクラスタ数を指定→重心で反復最適化。高速で大規模データに対応 | クラスタ数の目安がある・大量データ・球形のクラスタ |
| 階層的クラスタリング（凝集型） | 似たデータを順番に合体させ樹形図（デンドログラム）を作成 | 小規模データ・クラスタ数が不明・可視化したい |
| DBSCAN | 密度ベースでクラスタを形成。外れ値・ノイズを自動検出 | 不規則形状のクラスタ・異常検知・ノイズが多いデータ |
| GMM（ガウス混合モデル） | 確率分布でクラスタを表現。各データのクラスタ帰属確率を計算（ソフトクラスタリング） | 確率的な帰属を扱いたい・楕円形クラスタ |
2-1. k-means法（k平均法）：最も広く使われる非階層クラスタリング
k-means法は、クラスタリングで最もよく使われる手法です。「k」はクラスタの数（事前に指定する）、「means」は平均（各クラスタの重心を使う）を意味します。
例: k=3（3グループ）
初期値設定
距離計算
平均値の更新
収束まで反復
k-means法の最大の課題は「クラスタ数kを事前に決める必要がある」点です。適切なkを決めるために「エルボー法（Within-Cluster Sum of Squaresの変化率が急激に小さくなるkを選ぶ）」や「シルエット分析（クラスタの凝集度を評価）」などの手法が使われます。
📚 用語解説
k-means法（k平均法）：「k個のクラスタに、平均（means）を使ってデータを分類する」非階層クラスタリングの代表的なアルゴリズム。①k個の重心をランダム初期化②各データを最も近い重心のクラスタに割り当て③各クラスタの重心を再計算④変化がなくなるまで②③を繰り返す——という手順で動作する。計算量が比較的少なく大規模データに対応できるが、「kを事前に指定する必要がある」「外れ値に弱い」「球形のクラスタに向いている」という制約がある。
2-2. 階層的クラスタリング：樹形図で視覚的に把握できる
階層的クラスタリング（凝集型）は、最も似ているデータ同士を順番に合体させていき、最終的に1つのクラスタになるまで続ける手法です。この過程を樹形図（デンドログラム）で視覚化できるため、「クラスタ数をいくつにするか」を後から決められるのが特徴です。
| 計算手法 | 特徴 |
|---|---|
| ウォード法 | 平方和が最小になるようにクラスタを合体。球形クラスタに向いており、最も一般的 |
| 群平均法 | 2クラスタ間の全データペアの平均距離を使う。外れ値の影響を受けにくい |
| 最短距離法（単連結法） | 2クラスタ間で最も近いデータ同士の距離を使う。鎖状につながる傾向あり |
| 最長距離法（完全連結法） | 2クラスタ間で最も遠いデータ同士の距離を使う。コンパクトなクラスタを形成 |
03 BUSINESS APPLICATIONS クラスタリングのビジネス活用事例：顧客セグメントから異常検知まで あらゆる業種のデータ分析に応用できる
| 活用場面 | 内容 | どの手法が向くか |
|---|---|---|
| 顧客セグメンテーション | 購買履歴・属性・行動データで顧客をグループ分けし、グループ別にマーケティング | k-means法・GMM |
| 推薦システム | 似た行動をする顧客をクラスタ化し、同じクラスタ内の顧客が買った商品を推薦 | 協調フィルタリング+クラスタリング |
| 異常検知 | 通常のクラスタに属さないデータ（外れ値）を異常として検出 | DBSCAN・LOF |
| 文書・テキスト分類 | 同じトピックの文書・ニュース・レビューを自動グループ化 | k-means（TF-IDF特徴量） |
| 画像グループ分け | 外見が似た画像を自動分類（商品・顔・医療画像等） | k-means（深層特徴量） |
| 在庫・SCM最適化 | 類似した需要パターンの商品をグループ化して在庫計画を立案 | k-means・階層型 |
| 遺伝子・バイオ研究 | 遺伝子発現パターンが類似する遺伝子をグループ化 | 階層型・GMM |
3-1. 顧客セグメンテーション：最も代表的なビジネス活用
クラスタリングの最も典型的なビジネス活用が「顧客セグメンテーション」です。顧客の購買頻度・平均購入金額・最終購入日（RFM分析）・年齢・性別・行動ログなどのデータをクラスタリングすることで、「高頻度購買の優良顧客」「価格感度が高い顧客」「離脱リスクが高い顧客」のような自然なグループを発見できます。
発見されたグループごとに異なる施策を打つことで、「全顧客に同じDMを送る」より大幅に効果を高めることができます。
購買履歴・属性・
行動ログ
k-means法で
4〜6クラスタ
「どんな顧客が
集まっているか」
メール・オファー・
価格設定
クラスタ別CVR・
LTVを追跡
代表菅澤
3-2. 異常検知への応用
クラスタリングは「異常なデータを見つける」異常検知にも広く使われます。「通常のクラスタに属さないデータ（孤立点・外れ値）を異常として検出する」という発想です。クレジットカードの不正利用・工場設備の異常・サイバー攻撃の検知などに応用されています。
特にDBSCAN（密度ベースクラスタリング）は、密度が低い領域のデータ（他のデータから孤立したデータ）を自動的に「外れ値（異常）」として識別できるため、異常検知に向いています。
04 PROS AND CONS クラスタリングのメリット・デメリットと使い分けのポイント 万能ではない——特性を理解して使う
| メリット | デメリット | |
|---|---|---|
| 概要 | ラベルなしで隠れたパターンを発見できる | クラスタ数の設定が難しい |
| データ要件 | 正解ラベル不要（収集コストゼロ） | 大規模データで計算量が増大 |
| 発見性 | 事前仮説なしで新しい発見ができる | 発見されたクラスタの「意味付け」は人間が行う必要がある |
| 汎用性 | 画像・テキスト・数値データ等に広く使える | 評価指標が主観的（どんなクラスタが「良いか」は文脈による） |
k-means法でクラスタ数を決める際は「エルボー法（k=1から増やして、WCSS
機械学習のクラスタリングは「データを基準に自動グループ分け」しますが、そのグループが「ビジネス上どんな意味を持つか」の解釈は人間が行う必要があります。クラスタリングは「答えを出す」ツールではなく「仮説を生成する」ツールです。発見されたグループを専門家がレビューし、意味付けする工程が不可欠です。
📚 用語解説
シルエット係数（Silhouette Coefficient）：クラスタリングの品質を評価する指標。-1〜1の値を取り、1に近いほど「クラスタ内のデータが密集し、クラスタ間がよく分離している」良いクラスタリングを示す。k-means法で適切なクラスタ数kを選ぶ際に、複数のkでシルエット係数を計算して最も高いkを選ぶ方法（シルエット分析）がよく使われる。0に近い場合はクラスタの境界が曖昧、負の値の場合はデータが誤ったクラスタに割り当てられている可能性がある。
05 BUILD IT YOURSELF? 自社でクラスタリング分析を内製化する現実的なコスト 「Pythonでモデルを組む」の裏にある見えにくいハードル
ここまで読んで「自社の顧客データでもクラスタリングをやってみたい」と思った方は多いはずです。ただし、いざ「自社で内製化する」となると、想像以上に高いハードルが立ちはだかります。ここからは、そのハードルの正体と、現実的な突破口を整理していきます。
5-1. 自社でMLモデルを構築する場合に必要なもの
k-means法や階層的クラスタリングを自社の業務に組み込むには、一般的に以下のようなプロセスと専門知識が必要になります。
これらを一通り揃えるには、未経験からでも数ヶ月単位の学習期間が必要になるのが実情です。「明日から顧客データを分析したい」という経営者・管理職のスピード感とは、大きくズレが生じます。
環境構築〜
基礎文法習得
pandas・
scikit-learn
欠損値・外れ値
スケーリング
k-means等の
実行・検証
可視化・
ビジネス翻訳
「担当者が独学でPythonを勉強し始めたが、他の業務と兼務のため数ヶ月放置される」「作ったコードが属人化し、担当者が異動・退職すると誰も触れなくなる」——これらは中小企業のデータ分析内製化で頻発する失敗パターンです。ツール選定より先に「誰が継続してメンテナンスするか」を決めておくことが重要です。
AI鬼管理山崎
5-2. Claude Codeという第三の選択肢
この「内製化のハードルが高い」問題に対して、実は近年になって現実的な第三の選択肢が生まれています。それがClaude Codeです。Claude Codeは自然言語での指示だけでPythonコードの生成・実行・結果の解釈までを一気通貫でこなすAIエージェントで、「Pythonを書けない人がPythonの分析結果を得る」ことを可能にします。
📚 用語解説
Claude Code：Anthropicが提供するAIエージェント型の開発支援ツール。チャットで指示するだけで、ファイルの読み込み・Pythonコードの生成と実行・グラフの作成・結果の日本語での要約までを自律的に行う。プログラミング未経験者でも、Excelや顧客リストのデータを渡して「似たグループに分けて」と話しかけるだけで、機械学習を使った分析結果を得られる。
つまり、「Pythonを学ぶ」というステップそのものを飛ばして、分析結果だけを得るという発想の転換です。次の章から、具体的にどう使うのかを見ていきます。
06 CLAUDE CODE PRACTICE 【実践】Claude Codeを使ったクラスタリング分析の活用法 エンジニアなしでクラスタリングを業務に組み込む
Claude Codeを使うと、データ分析の専門知識がなくても自然言語でクラスタリング分析を依頼できます。
| やりたいこと | Claude Codeへの指示例 |
|---|---|
| 顧客CSVをクラスタリングする | 「customers.csvの購買頻度・平均金額・最終購入日でk-means法を使って4クラスタに分類して、各クラスタの特徴を日本語で説明してください」 |
| 最適なクラスタ数を探す | 「エルボー法とシルエット分析を使って、k=2〜10の範囲で最適なクラスタ数を探し、グラフで可視化してください」 |
| 異常検知を行う | 「DBSCANで外れ値を検出し、通常データと外れ値をリストアップしてください」 |
| クラスタの意味付け | 「各クラスタの統計量（平均・中央値）を表にまとめて、ビジネス的な解釈を提案してください」 |
AI鬼管理山崎
代表菅澤
6-1. 「精度」より「着手の速さ」が中小企業には効く
もちろん、専門のデータサイエンティストが精密にチューニングしたモデルと比べれば、Claude Codeが自動生成する分析の精度は劣る場面もあり得ます。しかし、多くの中小企業にとって本当に重要なのは「学術的な精度の高さ」ではなく、「今週中に顧客データを一度でも分析してみて、次の施策に活かせるかどうか」という着手の速さです。
自社でモデルを構築するのに数ヶ月かかるくらいなら、Claude Codeで今日中に一次分析を終わらせ、来週から施策に反映する方が、事業のスピード感には合っています。精度は運用しながら磨いていけばよく、最初から完璧を目指す必要はありません。
07 HIRE OR AI データサイエンティスト採用 vs Claude Code、どちらを選ぶべきか 「人を採用する」以外の選択肢が生まれた時代
「本格的にデータ分析をやるなら、やはりデータサイエンティストを採用すべきでは」と考える経営者も多いはずです。ここでは、採用という選択肢とClaude Codeという選択肢を、コスト・スピード・継続性の3軸で比較してみます。
| 比較軸 | データサイエンティスト採用 | Claude Codeで代替 |
|---|---|---|
| 採用・導入コスト | 年収600万円〜1,000万円超が目安（採用エージェント費用も別途） | 月額数千円〜3万円程度のプラン契約で即日利用可能 |
| 立ち上がりまでの期間 | 採用活動に数ヶ月、業務理解にさらに数ヶ月 | アカウント発行から数十分〜数時間で分析着手可能 |
| 対応範囲 | 高度な統計・独自モデル構築等、専門領域に強い | k-means法・階層的クラスタリング等、一般的な分析手法は網羅 |
| 継続性 | 退職・異動でノウハウが属人化しやすい | 担当者が変わってもAIへの依頼方法さえ引き継げば継続可能 |
| 小規模データへの適性 | 専門人材を1名分の業務量で使い切れないケースがある | 分析量に応じて柔軟に依頼でき、稼働率を気にしなくて良い |
7-1. 採用とClaude Codeは「対立」ではなく「順序」の話
誤解してほしくないのは、「データサイエンティストの採用が不要」という結論ではない、という点です。事業規模が大きくなり、データ分析が経営の中核を担うようになれば、専門人材の採用は必須になります。
重要なのは「順序」です。いきなり高額な専門人材を採用する前に、まずClaude Codeで「自社のどのデータをどう分析すれば意思決定に役立つか」を安価に検証し、手応えが掴めてから本格的な採用・内製化投資を判断する——という段階的なアプローチが、多くの中小企業にとって現実的です。
「Claude Codeでの分析依頼が週に何十件も発生し、担当者の対応が追いつかなくなってきた」「独自のアルゴリズム開発や高度な統計モデリングが必要になってきた」——このあたりが、専任のデータサイエンティスト採用を具体的に検討し始める目安です。
代表菅澤
08 GENAI CASE STUDY 【独自データ】GENAI社内のクラスタリング分析×Claude Code実運用 Max 20xプラン契約会社が、データ分析にどう向き合っているか
ここでは、弊社（株式会社GENAI）が実際にClaude Codeを社内のデータ分析業務にどう組み込んでいるかを、数値ベースで公開します。
| 項目 | 内容 |
|---|---|
| 契約プラン | Claude Max 20x（月額$200・約3万円） |
| 導入範囲 | 経営・営業・広告・開発・経理・秘書業務・個人業務まで全社 |
| 分析での主な用途 | 営業・広告データの傾向分類、顧客属性の粗い切り分け等の探索的分析 |
| 使い方の特徴 | データサイエンティストを別途採用せず、既存メンバーがClaude Codeに依頼する形で運用 |
弊社では専任のデータサイエンティストを置かず、営業・広告・経理といった各領域の担当者が、必要なタイミングでClaude Codeに「このデータを似たグループに分けて」「傾向を整理して」と依頼する形で分析業務を回しています。以下は、全社的なClaude Code活用による業務削減時間の概算（肌感ベース）です。
| 業務領域 | 主な用途 | 概算削減時間の目安 |
|---|---|---|
| 営業 | 顧客データの傾向整理・提案資料の自動生成 | 週20時間 → 週2時間 |
| 広告運用 | 週次レポート・配信データの分類・分析 | 週10時間 → 週1時間 |
| ブログ記事 | SEO記事の執筆・リライト | 1本8時間 → 1本1時間 |
| 経理 | 請求書チェック・経費仕訳 | 月40時間 → 月5時間 |
| 秘書業務 | 日報生成・スケジュール調整 | 日2時間 → 日15分 |
| 個人業務 | メール下書き・雑務タスク整理 | 日1時間 → 日10分 |
上記は弊社の肌感ベースの概算数値であり、業種・業態・データの状態によって変動します。「完全自動化」ではなく、あくまでAIが下準備を担い、最終的な意味付け・意思決定は人間が行う運用です。参考情報としてご覧ください。
担当者が
Claude Codeに
データを渡す
クラスタリング等の
分析を依頼
出力結果を
担当者がレビュー
施策・意思決定に
反映
AI鬼管理山崎
09 PREPARATION クラスタリングを活用するための準備と注意点 データの前処理と評価指標の選択が成否を分ける
📚 用語解説
次元の呪い（Curse of Dimensionality）：変数（特徴量）の数が増えると、データ空間が指数関数的に広がり、「全てのデータが遠い存在」になってしまう現象。変数が多すぎると距離の計算が意味を持たなくなり、クラスタリングの精度が低下する。対策として「主成分分析（PCA）などで次元削減してからクラスタリングする」「クラスタリングの目的に関係する変数だけを選ぶ（特徴量選択）」などが使われる。
10 CONCLUSION まとめ ── クラスタリングを正しく理解してビジネス活用する 「正解なしでパターンを発見する」教師なし学習の代表手法
この記事では、クラスタリングの定義・分類との違い・手法・ビジネス活用・内製化の現実的コスト・Claude Codeによる実践・GENAI社内の実運用データ・注意点まで解説しました。
クラスタリングを「データを分析したい」という段階から使い始めると、予想外の発見が得られることがあります。「こんな顧客グループがあったのか」「この商品はこんな人たちに使われていたのか」という発見が、次の施策のアイデアにつながります。Claude Codeを使えば、データがあれば今日からクラスタリング分析を始めることができます。
代表菅澤
AI鬼管理山崎
データ分析・Claude Code活用をAI鬼管理が支援します
「顧客データを分析してセグメントを作りたい」「クラスタリングを使った異常検知を導入したい」——弊社GENAIでは、データ分析の設計からClaude Codeを使った実装まで一貫してサポートします。「データはあるがどう使えばいいか分からない」という段階からご相談ください。
NEXT STEP
この記事の内容を、あなたのビジネスで
実践してみませんか？
よくある質問
Q. クラスタリングとは何ですか？
A. データ間の類似度（距離）に基づいて、似たデータを自動的にグループ（クラスタ）に分類する機械学習の手法です。正解ラベルなしでデータの構造・パターンを発見する「教師なし学習」の代表的な手法です。顧客セグメンテーション・異常検知・推薦システムなどに活用されます。
Q. クラスタリングと分類の違いは何ですか？
A. 最大の違いは「正解（教師データ）があるかどうか」です。分類は事前に定義したカテゴリへの振り分け（教師あり学習）で、「犬か猫か」のように正解が決まっています。クラスタリングは正解なしでデータ自体からグループを発見する（教師なし学習）で、どんなグループが現れるか事前には分かりません。
Q. k-means法とは何ですか？
A. クラスタリングの代表的なアルゴリズムです。①クラスタ数kを指定②k個の重心をランダム初期化③各データを最近傍の重心のクラスタに割り当て④各クラスタの重心を再計算⑤割り当てが変わらなくなるまで③④を繰り返す——という手順で動作します。計算量が少なく大規模データに対応できますが、kを事前に指定する必要があります。
Q. クラスタリングはどんなビジネスに活用できますか？
A. 多くのビジネスで活用できます。主な用途は①顧客セグメンテーション（顧客をグループ分けして施策を最適化）②推薦システム（似た行動の顧客グループから商品推薦）③異常検知（クレジットカード不正・設備異常の検出）④テキスト分類（ニュース・レビューの自動グループ化）⑤在庫最適化（需要パターンが似た商品のグループ管理）などです。
Q. クラスタ数はどうやって決めますか？
A. k-means法でクラスタ数を決める方法として「エルボー法」と「シルエット分析」がよく使われます。エルボー法はkを増やしながらWCSS（クラスタ内分散）を計算し、変化が急に小さくなる「肘」の点を選びます。シルエット分析はシルエット係数（-1〜1）が最も高くなるkを選びます。両方の結果を参考にしながら、ビジネス的な解釈のしやすさも加味して判断します。
Q. Claude Codeでクラスタリングはできますか？
A. はい、Claude Codeに「このCSVデータをk-means法で4グループに分類して、各グループの特徴を日本語で説明して」のように日本語で指示するだけで、クラスタリングの実装から結果の解釈まで行えます。PythonやRの知識がなくてもデータさえあれば活用できます。
Q. クラスタリングの注意点は何ですか？
A. 主な注意点は①変数のスケールを揃える（標準化）②欠損値・外れ値を事前処理③使う変数は目的に関係するものに絞る④複数の手法・パラメータを試す⑤発見されたクラスタの意味付けはドメイン専門家が行う——の5つです。特に「クラスタリングは仮説を生成するツール」という認識が重要で、発見されたグループの意味付けを怠ると施策に活かせません。
Q. 自社でクラスタリング分析を内製化するには何が必要ですか？
A. Python（pandas・scikit-learn等）でのコーディングスキル、統計・機械学習の基礎知識、データ前処理の実務経験、可視化環境の構築、継続的なメンテナンス体制が必要です。未経験から一通り揃えるには数ヶ月単位の学習期間がかかるのが実情で、担当者の異動・退職で属人化しやすいという課題もあります。
Q. データサイエンティストを採用すべきか、Claude Codeで代替すべきか迷っています
A. 対立する選択肢ではなく「順序」の問題として捉えるのがおすすめです。データサイエンティストの採用は年収600万円〜1,000万円超が目安で、立ち上がりにも数ヶ月かかります。まずClaude Codeで安価かつスピーディーに分析を試し、事業規模が拡大してデータ分析が経営の中核になった段階で、本格的な専門人材の採用を検討するという段階的なアプローチが現実的です。
Claude Codeで業務自動化を90日で叩き込む
経営者向けの伴走型パーソナルトレーニング
AI鬼管理／AIBPO by AI鬼管理へのお問い合わせ
この記事を読んで気になった方へ。
専門スタッフが、御社に最適な
業務自動化・業務代行プランを無料でご提案します。
- AI業務自動化サービス「AI鬼管理」を運営 — Claude Code を活用し、経営者の業務を「AIエージェントに任せる仕組み」へ転換するパーソナルトレーニングを 伴走構築 で提供。日報・採用・問い合わせ対応・経費精算・議事録・データ集計・営業リスト等の定型業務を、AIに代行させる体制を経営者と一緒に作り込む
- Claude Code 実装ノウハウを 経営者・法人クライアント に直接指導。生成AIを「便利ツール」ではなく 「業務を任せる存在」 として運用する手法を体系化
- 「やらせ切る管理」メソッドの開発者。シンゲキ株式会社（2021年設立・鬼管理専門塾運営）にて累計3,000名以上の学習者を志望校合格に導いた管理メソッドを、AI × 経営者支援 に転用
- 著書『3カ月で志望大学に合格できる鬼管理』(幻冬舎)、『親の過干渉こそ、最強の大学受験対策である。』(講談社)
- メディア出演: REAL VALUE / カンニング竹山のイチバン研究所 / ええじゃないかBiz 他
- 明治大学政治経済学部卒
