20181117_データ分析プロジェクトの流れを理解する_PDCAとKPIツリー
•
1 like•1,401 views
https://ishikettei.connpass.com/event/106516/
Recommended
More Related Content
Similar to 20181117_データ分析プロジェクトの流れを理解する_PDCAとKPIツリー
Similar to 20181117_データ分析プロジェクトの流れを理解する_PDCAとKPIツリー (20)
More from Nobuaki Oshiro
More from Nobuaki Oshiro (20)
20181117_データ分析プロジェクトの流れを理解する_PDCAとKPIツリー
- 1. データ分析プロジェクトの流れ を理解する ~ PDCAサイクルとKPIツリー ~ 2018/11/17 NOB DATA株式会社 大城信晃
- 2. • 自己紹介と会社紹介 • はじめに • 分析PJにおける全体の理解の重要性 • 全体を俯瞰する上で便利なツール２つ • PDCAサイクル • KPIツリー • まとめ アジェンダ
- 3. 自己紹介 • NOB DATA株式会社 代表取締役 • 大城 信晃 • データサイエンティスト • Twitter : doradora09 • 沖縄 -> 東京(7年) -> 福岡(2年) • ヤフー -> DATUM STUDIO -> LINE Fukuoka -> NOB DATA(株) 設立 • 分析コミュニティ運営 • Tokyo.R, fukuoka.R • 意思決定のためのデータ分析勉強会 • PyData.Fukuoka https://nobdata.co.jp/
- 4. ご参考 : 今月の勉強会告知 11/22(木) 17:00 at 博多 11/28(水) 13:00 at 福岡大学図書館多目的ホール https://connpass.com/event/107415/https://nobdata.connpass.com/event/109776/
- 5. ちょっと宣伝 NOB DATAの事業内容 :データ活用コンサル データ 分析基盤 / ツール データサイエンティスト / AIエンジニア 企業のPR力 / 結果の解釈 / データ戦略 月額98,000から始めるクラウド型分析基盤 DataWork Webクローラ開発、データフュージョン 受託分析 / データ活用セミナー / シニア・データサイエンティストによる”分析よろず 相談” データ戦略コンサルティング / データの解釈支援 / 新規データ活用ビジネス立案支援(アイディア) 5 専 門 領 域 エ ン ジ ニ ア リ ン グ
- 6. 弊社の強み : 分析者ネットワーク • 東京のノウハウを福岡へ • 分析のプロのネットワーク 100名体制目指して活動中 6
- 9. 閑話休題、本題へ
- 10. • 自己紹介と会社紹介 • はじめに • 分析PJにおける全体の理解の重要性 • 全体を俯瞰する上で便利なツール２つ • PDCAサイクル • KPIツリー • まとめ アジェンダ
- 11. はじめに : 分析PJにおける全体の理解の重要性 • データ分析というと機械学習のイメージが強いが、実はそれだけ ではない • 品質改善、サービス改善においても、データ分析PJに共通するプ ロセスを理解しておくと色々な落とし穴を避けることができる 課題抽出 データ 収集 基礎分析 仮説構築 分析・ 機械学習 施策提案 効果検証 ここは 一つの要素に過ぎない
- 12. データ分析PJのよくある落とし穴① 社長からAIやっての丸投げの罠 • AIやって！という上からの号令だけ • 何を目的とするか不明のためPJが全然進まない 課題抽出 データ 収集 基礎分析 仮説構築 分析・ 機械学習 施策提案 効果検証 課題設定やゴール設定、データ収集から入る必要がある
- 13. データ分析PJのよくある落とし穴② 効果測定が出来ない罠 • 施策を実施したがデータを取っていないため効果測定が出来ないケース • 結局もう一度テストする手戻りが発生 • または「なんとなく良かった」という感覚論で費用対効果が測れない 課題抽出 データ 収集 基礎分析 仮説構築 分析・ 機械学習 施策提案 効果検証 効果検証を加味したロギングやA/Bテスト設計が必要
- 14. データ分析PJのよくある落とし穴③ 意思決定者がデータドリブンじゃない • 意思決定が勘と経験と度胸で決まる文化の場合は要注意 • 良い分析結果が出ても判断材料として活用されなければ意味 がない(コストだけかかる) 課題抽出 データ 収集 基礎分析 仮説構築 分析・ 機械学習 施策提案 効果検証 意思決定のカルチャーの問題は分析業界的にも最後の難関
- 15. 全体のプロセスを最初に把握することで 先々の罠に対して先手を打てる • 目的が不明 • 効果検証ができない • 意思決定者がデータを 信用しない いくつもの罠 対策 • 後述のツール２つでPJ全 体を俯瞰 • 施策前にログを仕込む • データの可視化PJから始 める、など
- 16. • 自己紹介と会社紹介 • はじめに • 分析PJにおける全体の理解の重要性 • 全体を俯瞰する上で便利なツール２つ • PDCAサイクル • KPIツリー • まとめ アジェンダ
- 18. PDCAサイクル • Plan -> Do -> Check -> Actionで1サイクル • 分析PJではここをどんどん 回すことが大事 • テスト的に小さく回してう まくいったら大きく仕掛け る 課題抽出 データ 収集 基礎分析 仮説構築 分析・ 機械学習 施策提案 効果検証 Plan Do Check/Action
- 19. Plan(計画フェーズ) : 分析PJの目的は何？ 課題抽出 データ 収集 基礎分析 仮説構築 分析・ 機械学習 施策提案 効果検証 Plan Do Check/Action 大分類 特徴 具体例 1. 生産性向上 効率を上げ無駄を減らす ・業務自動化、RPM ・予測モデル、レコメンドなど 2. 意思決定支援 データを人間が解釈しやすい 情報へ ・KPIツリー構築、KPIモニタリング ・探索的データ分析、ユーザー理解 3. 新規事業 No1を先んじて取るための データ活用 ・ウーバーのマッチングシステム ・ルンバのデータ収集 ・医療系ベンチャーの活躍 4. 研究テーマ 数十年後の未来に向けた投資 ・ディープラーニング、強化学習など ・写真から写っているものを認識する 技術
- 20. 保育施設入所選考の自動化 仮に職員の時給を2000円とした場合、 600時間削減なので1回の選考あたり 120万円の人件費削減 (生産性向上) 生産性向上の例 600時間のタスク がほぼ０時間へ 20
- 21. 業務自動化による生産性向上の場合 (１サイクル目) 課題抽出 データ 収集 基礎分析 仮説構築 分析・ 機械学習 施策提案 効果検証 Plan Do Check/Action 課題抽出 : 人力での保育園の割り当てに時間がかかっている ↓ データ収集・基礎分析 : 実際にかかっている業務の時間を計測し、 のべ600時間かかっていることがわかった ↓ 仮説構築 : 各自の頭の中の割り当てルールベースのロジックと、 機械による最適な割り当ての２種類アプローチで効率化できそう
- 22. 業務自動化による生産性向上の場合 (１サイクル目) 課題抽出 データ 収集 基礎分析 仮説構築 分析・ 機械学習 施策提案 効果検証 Plan Do Check/Action 分析・機械学習 : プロトタイプを開発。ルールベースのものはヒ ヤリングを実施 ↓ 施策提案 : プロトタイプの効果測定をまず提案。 ↓ 効果検証 : 人力での分類との誤差による定量評価、および訂正的 な評価を実施 ↓ 評価の結果、精度のさらなる向上が必要 ↓ 2サイクル目へ
- 23. 業務自動化による生産性向上の場合 (２サイクル目) 課題抽出 データ 収集 基礎分析 仮説構築 分析・ 機械学習 施策提案 効果検証 Plan Do Check/Action 課題抽出 : 分類モデルの精度が低いため、精度改善 ↓ データ収集・基礎分析 : 誤差の大きなデータについて確認 ↓ 仮説構築 : 分類に必要な変数が足りないのではないか。 またルールベースと機械学習を組み合わせることで精度を上げら れるのではないか
- 24. 業務自動化による生産性向上の場合 (２サイクル目) 課題抽出 データ 収集 基礎分析 仮説構築 分析・ 機械学習 施策提案 効果検証 Plan Do Check/Action 分析・機械学習 : 精度改善のための試行錯誤を実施 ↓ 施策提案 : 効果検証を実施 ↓ 効果検証 : 定量的にも定性的にも十分な結果が出たので、本番運 用を実施 ↓ 以降、本番運用の結果に対するPDCAサイクルが回る (3サイクル目、以下省略)
- 25. PDCAサイクルをぐるぐると回すことで 徐々に精度を上げていく • 十分安定してきたらそこで完了、あとは定期的なチェック 投下コスト (時間、リソー ス) 精度 1サイクル 2サイクル 3サイクル ・・・ 70% 80% 85%
- 26. • 自己紹介と会社紹介 • はじめに • 分析PJにおける全体の理解の重要性 • 全体を俯瞰する上で便利なツール２つ • PDCAサイクル • KPIツリー • まとめ アジェンダ
- 27. KPIツリーとは • KGIをゴールに置き、それを構成 する要素を分解していくツリー • 全体を俯瞰する上で重要 • どの数値を改善すればどの程度イン パクトがあるのかを把握できる
- 30. 事業部の目標値などをKPIツリーとして整理 収益 (KGI) ユーザー数 顧客単価 コスト 収益 = 売上 – コスト ＝ (ユーザー数 x 顧客単価) – コスト
- 32. 事業部の目標値などをKPIツリーとして整理 収益 (KGI) ユーザー数 顧客単価 既存顧客 新規顧客 休眠顧客 コスト 広告経由 紹介経由 自然増 新規顧客 = 広告経由 + 紹介経由 + 自然増
- 38. 改善ポイントがどこにあるかを見つけやすい 収益 (KGI) 9000万円 => 1.82億円 ユーザー数 10万人 => 12万人 顧客単価 1000円 => 1600円 既存顧客 7万人 新規顧客 2万人 => 4万人 休眠顧客 1万人 その他比較軸 顧客属性 季節要因 前年・先月・先週の 実績 顧客の財布事情 ・・・ コスト 1000万 広告経由 5000人 紹介経由 1万人 => 3万人 自然増 5000人収益２倍に 向けた青写真
- 40. • 自己紹介と会社紹介 • はじめに • 分析PJにおける全体の理解の重要性 • 全体を俯瞰する上で便利なツール２つ • PDCAサイクル • KPIツリー • まとめ アジェンダ
- 41. まとめ PDCAサイクル KPIツリー 課題抽出 データ 収集 基礎分析 仮説構築 分析・ 機械学習 施策提案 効果検証 Plan Do Check/Action ・分析PJでは機械学習以外にも 考えることはたくさんある ・PDCAサイクル、KPIツリーは 全体を俯瞰する上で便利 ・データ活用PJで起こる様々な 罠に対して先手を打っていきま しょう！
- 42. ご静聴ありがとうございました！
- 43. 質疑応答