先行事例から学ぶ IoT / ビッグデータの始め方

1© Cloudera, Inc. All rights reserved.
先⾏事例から学ぶ
IoT / ビッグデータの始め⽅
製造業担当瀧久寛之（ﾀｷﾋｻﾋﾛﾕｷ）

⾃⼰紹介
u 瀧久寛之（ﾀｷﾋｻﾋﾛﾕｷ）
u 製造業全般及び⼤⼿Webサービス事業者顧客の⼀部を担当する営業

IoT / Bigdata
何のためのデータ活⽤か？

よく頂くご相談
ü AIを使って、「よしなに」やってくれる仕組みがほしい
ü IoTに取り組むよう指⽰があったので、何か良いのない？
ü 社内にデータはあるので、コレを活⽤して何かしたい
ü とりあえず良くわからないから、「ビッグデータセット」あります？

質問返しで恐縮ですが。。。
データ活⽤のビジネス的な価値・ゴールは何ですか？
【AI/IoT/ビッグデータ/データ活⽤】⾃体が⽬的化していませんか？

散⾒される上⼿くいかない例
nそもそも動向調査に終始していつまでも始まらない
Ø他社と抱える課題や状況は同じですか？
Ø「ROI」が、やらない理由になっていませんか？
n何となく始めたのは良いけれど、上⼿くいかないのですぐ⽌めた
Ø簡単に⽬覚ましい成果を得られるケースは多くありません
Ø⽌めた結果失われるもの（⼈的資源・知識・技術）もあります
n社内に分析の知識・経験がある⼈材が少ないので、外部に依頼してみた
Ø⼤企業で多いケースですが、上⼿く⾏かないケースも多いそうです
Øデータの持つ意味合いを理解できる業務知識が重要

データをビジネスに活⽤する流れ

我々が⽇々お伝えしているメッセージ
n まず、データを使って解決したい問題を⼀緒に考えてみませんか？
Ø「実現したいこと、解決したい課題」を洗い出す
n その問題解決に、活⽤できるデータは持っていませんか？
Ø 解決したい問題と、持っている＆使えるデータの照らし合わせ
n ひとまず⼿を動かしてみませんか？
Ø やってみないと腑に落ちないことが沢⼭あります
n ⼩さな成功体験を積み重ねることの重要性
Ø 世の中で宣伝される華々しい事例の裏側

データ活⽤のトレンド・実態について

＜AI＞という素敵な響き
現在AIと呼ばれているものは、
機械学習やそれにつらなるもの
が⼤半で、⼀般にイメージされる
ものとは⼤きく異る
全て「よしなに」やってくれる
素敵なAI（⼈⼯知能）はまだない
話す⼈によって⼤きく期待値が変わります
（明確な定義もない）
まずは現実に向き合いましょう

機械学習って具体的には？
＜機械学習の出来ること＞
⾮常にざっくりとした分類では
• 分類/認識
（⽂字・⾳声・画像など）
• 数値の予測
※勿論組み合わせたものも多い
既存のテクノロジーとの⼤きな違いは、
上記のような取り組みを休むこと無く、
精度を上げながら回し続けられること。
※アルゴリズムの変更が不要という意味ではない

データサイエンティストという存在
http://drewconway.com/zia/2013/3/26/the-data-science-venn-diagram
＜2010年に発表された有名な図＞
•ITスキル
•深い（業務）知識
•統計数学的な知識
この3つを兼ね備えたのが
【データサイエンティスト】と
呼ばれる⼈材である、と定義されて
います。

社内にデータサイエンティストはいますか？
⼀⼈の英雄を求めるのではなく、様々な部署の様々な⼈が
役割を分担しつつ、連携しながら取り組むチームプレーが必要

この状況は⽇本特有のもの？

誰がデータを分析・活⽤するの？
あなた（のいる会社）です

分析する⼈がデータの意味について
正しく理解できていなければ、結果は全く役に⽴たない

データ活⽤にチームプレーが必要な理由
n ビジネス部⾨の⼈が居ない場合…
Ø そもそもの問題設定を間違えてしまう
Ø 解決の⽷⼝に繋がりやすい普段の取り組み・経験・問題意識を活⽤できない
Ø 取り組みに⾃体に理解を得られず、反発を受ける・反感を買う
n ITスキルのある⼈が居ない場合…
Ø システム化・実装のハードル
Ø 最適な道具の選択を誤る可能性
n 統計数学的な知識がある⼈が居ない場合…
Ø 意味や背景を理解しないまま、適当に道具を組み合わせると、
それらしい結果が出て、信憑性を判断できない・誤った分析で判断・実⾏する
※全てを⾃前（インハウス）で賄うことは難しいケースがありますが、
最も⽋かしてはならないのは、ビジネス部⾨のコミットです。

アメリカで感じた「話すことは⼀緒だな」、という話
ビジネス上の課題に始まり、データ
を活⽤して得た知⾒を基に、実⾏に
移すサイクルを回すことの重要性
実は、このサイクルを回す上で、
最も時間を要するのはデータへの
アクセス・加⼯プロセスであること

ストレージ？マート？レイク？
そのデータは、誰が何のために保存するのでしょう？
u ストレージ：データ（ファイル・データベース）の保管場所
u データマート：予め分析⽬的・要件に則して設計されている
u データレイク：データをそのまま蓄積し、分析するときに必要な形式に変換
データマートデータレイク
主なデータ形式構造化データ構造化データ・⾮構造化データ
データ保存の⼿法 RDBMS NoSQL
データの構造先に定義する後から必要な形式を定める

データ活⽤スタイルの変化
これまで = データを処理へ送る最近のトレンド = 処理をデータに送る
データ
データのある場所で試
⾏錯誤しながら、最適
な分析、モデルの作成
を⾏う
利⽤するデータは、分
析によってマチマチ
処理
データ
処理
処理
処理
処理
処理
データ
データ
データ
予め定められた処理
フローにデータを流
し込む
主に構造化データ
⼀部の主要のみ
定型レポーティング

解決したい問題は多種多様
既存のデータ
SNS・テキストデータ
センサー／ログデータ
情報システム部
工場・研究部門
マーケティング部

データレイク・分析基盤を持つ意味
Ø データ活⽤の準備を整える
ü 欲しいデータの場所を探す時間を省略する、無いデータを明らかにする
ü データの『オーナー』を煩わせない、活⽤⽂化の阻害要因を無くす
ü 同僚の過去の労⼒・成果を上⼿く活⽤して、その発展に注⼒できる
ü ⼤量のデータが必要になる機械学習への下準備

我々の提供する価値について

Clouderaの提供する機能と役割の概要図

ビッグデータプラットフォームとしての進化
ビッグデータ・機会学習プラットフォームとして、様々な⽤途に対応
そして、全てをCloudで簡単に利⽤できる世界へ（順次展開中）

Clouderaで作るデータプラットフォーム
IoT
データ分析
⼤規模
バッチ処理
データ
サイエンス
カスタマー360
DWHオフロード
機械学習
プラットフォームCloudera
Enterprise
クラスタ管理
Cloudera Manager
クラウド管理
Cloudera Director
セキュリティと
データ管理
Cloudera
Navigator
Data Science Workbench
Spark MLlib
Spark
Hive
Impala
Navigator Optimizer
Kudu
HBase
Kafka
Spark Streaming
サイバー
セキュリティ
メインフレーム
オフロード

弊社顧客のデータ活⽤事例について

様々な業界でのデータ活⽤事例及びテーマ
Finance Government Telecom Manufacturing Energy Healthcare
不正検知科学研究
ブロードキャスト
モニタリング
サプライチェーンの
最適化
天然資源の最適化製薬の開発
アンチ-
マネーロンダリング
タックス
コンプライアンス
解約防⽌故障予測地震データの処理ゲノム解析
リスクマネジメント
トラフィックの
最適化
宣伝広告の最適化
RFIDデータの
収集
スマートメーターの
分析
臨床品質
コスト分析
共通するテーマ
感情分析
Webアプリケーションの最適化
ソーシャルCRM / ネットワーク分析
ロイヤリティ / プロモーション分析
ERP
価格の最適化
マーケティング施策の最適化
内部リスクのアセスメント
収益保証
ブランド管理
物流の最適化
ITインフラの分析
法的ディスカバリー
企業内での検索
機器の監視

Cloudera データの⼊⼒・下処理・活⽤サイクル

3種類の機器設備保守アプローチ
修理型メンテナンス
• 損傷⼜は故障が発⽣してか
ら保守作業を実⾏する
• 対処型対応
予防型メンテナンス
• 状態に関係なく⼀連の保守
作業を実⾏する
• ルール型対応
予測型メンテナンス
• 継続的な監視による、異常
を検知した場合の保守作業
の実施
• 予測型対応
Business Value
REACTIVE PROACTIVE
多くの組織で現状⾏われて
いるのは、この組み合わせ

予測型メンテナンスの基礎
Predictive Preventative
• センサーは絶え間なく、温
度・圧⼒・振動などの主要な
項⽬を監視し続ける
• 機械学習を活⽤することで、
異常や、故障につながる⼀連
のデータを検出する
• 初期障害の兆候が検出された
ら、即時対応する
• そうすることで、修理に伴う
時間やコストを抑える

世界中の顧客から定期的な診断データを受領し、
分析を⾏うことで、約15％の障害発⽣を未然に防⽌
PaaSサービス（Altus）では、同様の仕組みから更に前
進し、失敗したJobの致命的な原因や、パフォーマンス
のボトルネックを明⽰する機能を実装し、顧客の早期問
題解決を実現する仕組みを実装
顧客から⾃動的に送信される診断データを⾃社分析基盤
へ蓄積し、過去の重⼤障害と同じログを⾒つけた場合に
は、⾃動的に対応策を記載した通知を顧客へ送付する
（Proactive Support）ことで、障害発⽣を未然に防⽌

⼤型機器（タービン）の予兆保全
:
• ノイズレベル情報を収集、保存、
分析してタービンの異常を検知
ソリューション:
• タービンからの⾳響データ/オーディ
オをリアルタイムに収集しCloudera
プラットフォーム上で分析を実施
• タービンの健全性診断ソリューショ
ンと組み合わせて、健全性の監視と
障害の予知を実施
産業IoT – 予兆保全

リアルタイムでの産業機械を予知保全
チャレンジ:
• 数千台にも及ぶ様々な製造機器やシス
テムからのデータを収集し分析する必
要がある
• Azure上のClouderaを利⽤したiTrakア
プリケーションで、個々の製造システ
ムのパフォーマンスをリアルタイムに
監視
• 予知保全 - 問題が発⽣する前に、問題
の兆候を特定し修正
産業IoT – 予兆保全

データ量の増加に伴うシステム再構築
チャレンジ:
顧客／データ量の増加（⽉間30TB）に
伴うシステム再構築
• 世界中のデータを収集・蓄積・処理を
統合した、IoT分析プラットフォーム
をクラウド上（Azure)に作成
• データ管理の統合、機械学習モデルの
作成
• 既存技術と⽐較して、⼤幅なコストの
削減を実現
産業IoT – IoT分析のコスト最適化

データ量の増加に伴うシステム再構築
チャレンジ:
研究や製品開発に直結した、ユーザーの
インタラクション情報の分析
• コンテンツの共有が新規購買を促進す
るサイクルになっていることから、
コンテンツのアップロードを促進する
機能及び使⽤パターンを分析して、新
製品の開発に活⽤
• 製品ログ、SNS/Webログなど、
データを分析することで、顧客が
⾃社製品をどのように使⽤しているか
を理解する
産業IoT – 研究・製品開発への活⽤

⾼度なトラッキングシステムの実現
チャレンジ:
プロセス横断型システムによる、早期の
不良品特定を実現
• サプライヤー、製造現場、コールセン
ター、修理窓⼝からのデータを集約
• ほぼリアルタイムで問題点を特定する
ことが可能となり、顧客体験を改善
• シーメンスの顧客は年15-25百万ドル
のサポートコストを節約
統合データ分析 – 不良品特定の⾼速化

まとめ

まとめ
u まず、データを使って解決したい課題を明確にしましょう
u 関係者を巻き込んで、活⽤サイクルを回せる体制を作りましょう
u 蓄積されている＆活⽤できるデータと、課題を整理しましょう
u 実験と⼩さな成功体験を積み重ねましょう
Clouderaはそんなお客様（パートナー様）の
取り組みを全⼒でバックアップします

Thank you
ご清聴ありがとうございました
htakihisa@cloudera.com

Data-driven journey
BUSINESS VALUEUSECASETYPES
SIMPLE
VISIBILITY
SELF-SERVICE
BUSINESS
TRANSFORMATION
COMPLEX
STRATEGICTACTICAL

5 keys to success
1) Build a data-driven culture
2) Develop the right team and skills
3) Be agile/lean in development
4) Leverage DevOps for production
5) Right-size data governance

先行事例から学ぶ IoT / ビッグデータの始め方

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Was ist angesagt?

Was ist angesagt? (20)

Andere mochten auch

Andere mochten auch (6)

Ähnlich wie 先行事例から学ぶ IoT / ビッグデータの始め方

Ähnlich wie 先行事例から学ぶ IoT / ビッグデータの始め方 (20)

Mehr von Cloudera Japan

Mehr von Cloudera Japan (13)

Kürzlich hochgeladen

Kürzlich hochgeladen (10)

先行事例から学ぶ IoT / ビッグデータの始め方