Weitere ähnliche Inhalte
Ähnlich wie [Modern Cloud Day Tokyo 2019] 【ビジネスをさらに加速させる!!】Oracle Cloud を活用したデータドリブン ユースケースのご紹介(機械学習と予実管理) (20)
Mehr von オラクルエンジニア通信 (20)
Kürzlich hochgeladen (11)
[Modern Cloud Day Tokyo 2019] 【ビジネスをさらに加速させる!!】Oracle Cloud を活用したデータドリブン ユースケースのご紹介(機械学習と予実管理)
- 1. Copyright © 2019, Oracle and/or its affiliates. All rights reserved. |Copyright © 2019, Oracle and/or its affiliates. All rights reserved. | 1
【ビジネスをさらに加速させる!!】
Oracle Cloud を活用した
データドリブン ユースケースのご紹介
(機械学習と予実管理)
イデア・コンサルティング株式会社
クラウド営業部 営業技術グループ グループ長 矢原 荘悟 氏
株式会社システムエグゼ
BI ソリューション本部 ミドルセールス 安田 正秋 氏
日本オラクル株式会社
クラウド事業戦略統括 ビジネス推進本部 井上 聖吾
- 2. Copyright © 2019, Oracle and/or its affiliates. All rights reserved. |
以下の事項は、弊社の一般的な製品の方向性に関する概要を説明する
ものです。また、情報提供を唯一の目的とするものであり、いかなる
契約にも組み込むことはできません。以下の事項は、マテリアルや
コード、機能を提供することをコミットメント(確約)するものでは
ないため、購買決定を行う際の判断材料になさらないで下さい。オラ
クル製品に関して記載されている機能の開発、リリースおよび時期に
ついては、弊社の裁量により決定されます。
2
OracleとJavaは、Oracle Corporation 及びその子会社、関連会社の米国及びその他の国における登録商標です。
文中の社名、商品名等は各社の商標または登録商標である場合があります。
- 3. Copyright © 2019, Oracle and/or its affiliates. All rights reserved. | 3
データ活用(データドリブン)
今、企業に求められるデータ活用による変革の波
これまでハードウェアは資産として扱われていたが、
データは同じように資産として考えられていなかった。
今、ハードウェア(環境)はリアルタイムに購入する
サービス(クラウド)となり、永続的に扱われる資産
は「データ」であり、イノベーションの源泉である。
– Erik Brynjolfsson, Director, MIT Initiative on the Digital Economy
出展)http://www.oracle.com/us/technologies/big-data/rise-of-data-capital-wp-2956272.pdf
- 4. Copyright © 2019, Oracle and/or its affiliates. All rights reserved. | 4
データドリブンなビジネスに向けたロードマップ
ビジネス
価値
① アナログ的なプ
ロセスやデータ
のデジタル化
デジタル化 自動化
③ 業務への組み込み
② データ資産への
理解と将来予測
① デジタル化(データの資産化)
デジタル化はスタート地点。構造化・非
構造化を問わず、アナログ的なプロセス
をデジタル化し、データ資産として蓄積
していくことが重要
② データ資産への理解と将来予測
蓄積されたデータから多くのインサイト
(気付き)を獲得。そのことにより今を
理解し将来を予測。もちろん、過去のト
レーサビリティも広義の理解と言える
③ 業務への組み込み
獲得した気付きと予測から、プロセスを
効率化。さらに自動化へと発展させ、省
力化と効率化を実現。顧客向けの価値提
供に注力します。データを活用し続ける
ためには、その自動化をメンテナンスし
ていくことも重要
- 5. Copyright © 2019, Oracle and/or its affiliates. All rights reserved. | 5
データドリブンを 簡単 気楽 身近に!!
Oracle Autonomous
Data Warehouse Cloud
Oracle Analytics Cloud
• 世界初の自律型データベース
• Self-Driving(自己稼働)
• Self-Securing(自己保護)
• Self-Repairing(自己修復)
• Exadata テクノロジーを最大限活用した
高性能データウェアハウス
• 業務担当者によるセルフサービス BI
– ユーザー フレンドリーな直感的な操作性
– データの準備・加工(データ・フロー機能)
– 機械学習(Python 連携可能)
• ビジネス状況を直感的に把握するエンター
プライズ BI
– 定形ダッシュボード(パーソナライズ可能)
– 定型レポーティング(帳票出力 & 配信機能)
– Office 連携 & モバイル対応
- 6. Copyright © 2019, Oracle and/or its affiliates. All rights reserved. | 6
ご講演者
データドリブン ユースケース
機械学習
イデア・コンサルティング株式会社
クラウド営業部 営業技術グループ
グループ長 矢原 荘悟 氏
データドリブン ユースケース
予実管理
株式会社システムエグゼ
BI ソリューション本部
ミドルセールス 安田 正秋 氏
- 7. © Copyright iDEA Consulting Inc. 2019
2019年08月06日
イデア・コンサルティング株式会社
矢原 荘悟
【ビジネスをさらに加速させる!!】
Oracle Cloud を活用したデータドリブン ユースケースのご紹介
(機械学習)
Modern Cloud Day Tokyo
【B-4】
- 9. © Copyright iDEA Consulting Inc. 2019
1-1. 弊社のご紹介
◆ 商号 イデア・コンサルティング株式会社sulting Inc,)
◆ 設立 2010年6月1日 (旧:ダイヤモンド富士ソフト株式会社)
◆ 本社所在地 東京都千代田区神田松永町19 秋葉原ビルディング6F
◆ 社員数 約140名
◆ 資本系列 富士ソフト株式会社
◆ 事業内容 ERPの導入コンサル~開発・保守、受託開発
データ分析の高度化をご支援
◆ 取扱プロダクト Oracle E-Business Suite (ERP)
JD Edwards Enterprise One (ERP)
Oracle ERP Cloud
Oracle Data Integrator (ODI)
OracleBIEE、Oracle Analytics Cloud、DVD
DBCS、ADW、APEX、SOA Cloud
Oracle Hyperion Planning、Essbase
Oracle PBCS、Oracle CX Cloud
PBCS
EBS
<会社沿革>
1999年 4月 ダイヤモンドコンピューターサービス㈱(三菱総研DCS㈱)
と富士ソフトABC㈱(現 富士ソフト㈱)との合弁により
「ダイヤモンド富士ソフト㈱」設立
2010年 6月 Oracleソリューション部を独立
イデア・コンサルティング株式会社を設立
2018年 7月 Oracle Award 2018 を受賞いたしました!!
9
JDE
BI
URL: http://www.ideacns.co.jp
【お問い合わせ先】
mail: idea_eigyou@ideacns.co.jp
- 10. © Copyright iDEA Consulting Inc. 2019
1-1. 弊社のご紹介 ~データ分析サービスメニュー~
10
『上流設計、開発、保守、基盤系』 と幅広いサービスメニュー
分類 サービスメニュー
導入
要件定義
保守 保守サービス
研修 研修サービス
内容
DWH概念設計、データ収集I/F設計、機械学習シナリオ検討
改善要望対応、アプリケーション保守、ライセンス保守
BIEE研修、OAC研修、DVD研修、APEX研修
コンサルティング
要求分析 要求分析、RFP・基本計画作成、製品選定、PDCA・分析提案
BIEEバージョンアップ BIEE 10g⇒12c、 BIEE 11g⇒12c
基盤更改
(OracleBI)
経営管理支援 現状分析、KPI定義、事業計画支援、マーケティング支援
設計・開発 DWH設計・開発、BI設計・開発、機械学習モデル開発
クラウド移行 BIEE ⇒ OAC、 Essbase ⇒ OAC、 BICS ⇒ OAC
- 12. © Copyright iDEA Consulting Inc. 2019
2-1. アジェンダ概要
アジェンダの概要は以下の通りです。
12
<ビジネスユーザの視点>
・マーケティング業務のデータ分析のユースケース
・データドリブン:データに基づいたPDCA活動
・BIを使ったデータの可視化と機械学習を併用(デモあり)
⇒ 【Oracle Analytics Cloud + Oracle Machine Learning】
・ 機械学習による予測アルゴリズム
⇒ 【分類(ディシジョン・ツリー)】
<データサイエンティストの視点>
- 13. © Copyright iDEA Consulting Inc. 2019
2-2. マーケティング業務とデータ分析
マーケティング業務においてデータ分析は重要な構成要素となっています。
13
1.市場分析 2.戦略立案 3.施策立案
デ
ー
タ
分
析
例
赤字:データマイニング系
・市場把握
・ニーズ調査
・アンケート
・ターゲット顧客
・ポジショニング
・サービス/商品企画
・体制、役割分担
・スケジュール
・アクション立案
・プロモーション企画
・データ活用方法検討
・アクション実行
・広告、宣伝
・WEBサイト構築
・キャンペーン
・イベント、セミナー
・施策評価
・KPI測定
・アンケート
・アンケート分析 ・ABC分析
・クラスタ分析
・デシル分析
★RFM分析
・優良顧客抽出
・アソシエーション分析
・販売予測
★マップマーケティング
・PV
・来場者数
・アンケート結果
★キャンペーン効果
・クリック率
・顧客満足度
・クレーム数
・販売分析
4.施策実行 5.分析・改善
<マーケティング業務のステップ>
★:本日ご紹介
主
な
タ
ス
ク
「顧客に支持され続けるための施策実施、売れる仕組みを作る」マーケティングとは?
どのような顧客層にどのような製品・サービスを届けるかを立案
マーケティング戦略に基づいた具体的な活動の立案
- 14. © Copyright iDEA Consulting Inc. 2019
2-3. ADW/OACの構成イメージ
ADW/OACの構成イメージは、以下の通りです。
14
ADW OAC EE
OML
Notebook
DV
BI
DWH
Oracle Cloud
セルフサービスBI
利用者
定型レポート
利用者
DVD
Dashboard
Desktop
Developer Client Tool
(Administration Tool)
機械学習
利用者
ADW
機械学習
OAC
OAA
ADW : Autonomous Data Warehouse Cloud
OML : Oracle Machine Learning
OAA : Oracle Advanced Analytics
OAC EE: Oracle Analytics Cloud Enterprise Edition
DVD : Data Visualization Desktop
BI : Business Intelligence (エンタープライズBI)
DV : Data Visualization (セルフサービスBI)
今回使用
- 16. © Copyright iDEA Consulting Inc. 2019
3-1. OML Notebook 概要
Oracle Machine Learning についてご紹介します。
16
高度なSQLユーザー向けに設計されたノートブック・スタイルのアプリ
ケーションを提供し、洗練されたアナリティクスとデータ・モデルに基づい
てレポートを開発、文書化、共有、自動化するインタラクティブなデー
タ・アナリティクスを提供します
① WebベースのSQLツール、ブラウザからすぐに実行可能
② 共有されたノートブックやテンプレート、権限、スケジューラなどへの簡単アクセス
③ SQLやPL/SQLのスクリプト言語をサポート
④ Oracle Advanced Analyticsの機械学習アルゴリズムがデータベース内に含まれており、ADWCで機械学習メソドロジーを
ビルド、評価、デプロイ可能
Oracle Machine Learning (OML) とは?
Oracle Machine Learning (OML)でできる事
インタラクティブに機械学習を実行するインターフェース
オラクルはApache Zeppelinを組み込んでいる
Workspace -> Project -> Notebook の順で作成
OML Notebook とは?
- 17. © Copyright iDEA Consulting Inc. 2019
3-2. OML Notebook 操作イメージ
Oracle Machine Learning Notebook の操作イメージを紹介します。
17
ホーム画面
PL/SQL,SQLを実行
実行結果も含めノートブックとして保存
- 18. © Copyright iDEA Consulting Inc. 2019
3-3. OML Notebook テンプレート
Oracle Machine Learning Notebook のテンプレートを紹介します。
18
異常検知 相関ルール 特徴の抽出 分類
クラスタリング 最初のノートブック 回帰 統計ファンクション
- 19. © Copyright iDEA Consulting Inc. 2019
3-4. OML のマーケティング業務での活用例
Oracle Machine Learning をマーケティング業務に活用する例をご紹介します。
19
No 大分類 分類 要望 アルゴリズム マイニング機能 アルゴリズム名 テンプレート
1 教師あり 分類 DMを送付してそのキャンペーンに反応頂
ける確率を予測したい
ロジスティック回帰分析 CLASSIFICATION ALGO_GENERALIZED_LINEAR_
MODEL
2 分類 同上(樹形図) 決定木分析 同上 ALGO_DECISION_TREE 分類
3 分類,回帰 既存顧客の分類結果を学習し、新規
顧客の分類を行う
サポート・ベクター・マシン CLASSIFICATION ALGO_SUPPORT_VECTOR_MAC
HINES
4 回帰 気温など1つの条件の変動から売上額
を予測したい
線形回帰分析 (SQL) REGR_R2等, CORR
5 分類,回帰 キャンペーン効果があったかどうかを調べた
い
一般化線形モデル REGRESSION ALGO_GENERALIZED_LINEAR_
MODEL
回帰
6 時系列 売上予測を行いたい 時系列分析 TIME_SERIES ALGO_EXPONENTIAL_SMOOTH
ING (指数平滑法)
7 教師なし 相関ルール 同時に購入されやすい商品を知りたい アソシエーション分析 ASSOCIATION ALGO_APRIORI_ASSOCIATION
_RULES (Apriori)
相関ルール
8 異常検出 顧客の基準から大きく外れる購買行動
を発見する
One class SVM CLASSIFICATION ALGO_SUPPORT_VECTOR_MAC
HINES
異常検知
9 クラスタリング 顧客をグループ分けしたい クラスタリング CLUSTERING ALGO_KMEANS (k-Means) クラスタリング
10 その他 予測 販売額に影響を与える顧客属性を知り
たい
予測分析 (PA) DBMS_PREDICTIVE_ANALYTICS.EXPLAIN 特徴の抽出
11 予測 販売額に影響を与える顧客属性を使っ
てプロファイルを作成する
予測分析 (PA) DBMS_PREDICTIVE_ANALYTICS.PROFILE
12 検定 男性と女性の販売額を比較し、有意な
差が出ているかを判断
T検定 (SQL) STATS_T_TEST_INDEP 等 統計ファンク
ション
記号 (SQL):分析SQL関数、 (PA):予測分析、 未記入:DBMS_DATA_MINING.CREATE_MODEL[モデル作成]
参照:https://docs.oracle.com/cd/E96517_01/dmapi/data-mining-basics.html#GUID-208DD1B9-4B6E-4D51-A1C2-C58356DECE4E
- 20. © Copyright iDEA Consulting Inc. 2019
3-5. OML Notebook 参考になるサイト
Oracle Machine Learning Notebook について参考となるサイトをご紹介します。
20
No 分類 タイトル URL
1 プレゼンテーション OMLノートブック紹介資料 https://www.oracle.com/technetwork/jp/database/options/advanced-
analytics/oraclemachinelearning4otn2-4479753-ja.pdf
2 Oracle Cloud
公式ブログ
OML Notebookの使い方 https://community.oracle.com/groups/oracle-cloud-japan-blog/blog/2018/08/29/autonomous-
data-warehouse-cloud-oracle-machine-learning-
notebook%E3%81%AE%E4%BD%BF%E3%81%84%E6%96%B9?sr=search&searchId=646db6d3
-1987-4e77-9030-d82254e95ad1&searchIndex=7
3 チュートリアル OMLチュートリアル https://docs.oracle.com/cd/E60665_01/tutorials_ja.htm#OML
4 マニュアル OMLの概要 https://docs.oracle.com/cd/E83857_01/paas/autonomous-data-warehouse-
cloud/business_analyst.html
5 マニュアル OMLの使い方 https://docs.oracle.com/cd/E83857_01/paas/autonomous-data-warehouse-cloud/user/create-
dashboards.html#GUID-56831078-BBF0-4418-81BB-D03D221B17E9
赤字:お薦めサイト
- 22. © Copyright iDEA Consulting Inc. 2019
4-1. マーケティング 分析シナリオ
分析シナリオの概要は以下の通りです。
22
100均SHOPのキャンペーン企画担当
(ポイントカードで顧客情報も保有)
・ 主要な顧客層は、30~40歳台だが、実は10~20歳台の頃にどの100均SHOPがファンかが決まる
・ 10~20歳台向けにSNSと連動した『100均アイテム活用アイデア投稿キャンペーン』を行うことでファンを10%増やすことができる
① 試験用の店舗で本キャンペーンを実施。データを収集する。
② 上記の結果をもとに全店舗を対象に実施するが、キャンペーンに反応して頂けそうな顧客を予測し、その顧客のみメールを送る。
【仮説】
【キャンペーン実施企画】
- 23. © Copyright iDEA Consulting Inc. 2019
4-2. 機械学習 (1/5) ~分類モデル(概要)~
分類モデルの概要は以下の通りです。
23
分類モデル
キャンペーンの反応有無(1 or 0)のように、どのクラスに属するかを
予測するためのモデル。既知の結果を学習し、予測モデルを生成す
るため、教師あり学習と呼ばれる。ディシジョン・ツリー、Naive
Bayes、一般化線形モデル、ランダム・フォレスト、サポート・ベクター・
マシンのアルゴリズムを選択可能。
ディシジョン・ツリー(決定木) アルゴリズム
人間が理解可能なルールの形で予測情報を抽出できる。
即ち、if-then-else式で表現できるようなルールを生成する。
業種 活用例
小売業 キャンペーンへの反応有無を予測
製造業 故障発生時の原因を予測
金融業 顧客の支払能力を示す3つの分類への所属を予測
(分類モデルの活用例)
- 24. © Copyright iDEA Consulting Inc. 2019
4-2. 機械学習 (2/5) ~分類モデル(準備)~
モデル作成時の設定テーブルは以下の通りです。
24
n1_build_settings モデル作成時の設定テーブル
アルゴリズムにディシジョン・ツリーを指定
- 25. © Copyright iDEA Consulting Inc. 2019
4-2. 機械学習 (3/5) ~分類モデル(モデル作成)~
モデル作成時の流れは以下の通りです。
25
予測結果
(N1_APPLY_RESULT)
モデル作成
モデルをテスト用データに適用
DBMS_DATA_MINING.CREATE_MODEL
('N1_CLASS_MODEL01',
'CLASSIFICATION',
'N1_TRAIN_DATA',
'CUST_ID',
'AFFINITY_CARD',
'n1_build_settings');
DBMS_DATA_MINING.APPLY
('N1_CLASS_MODEL01',
'N1_TEST_DATA',
'CUST_ID',
'N1_APPLY_RESULT');
モデル:データから発見した法則
適用:モデルを新しいデータに適用し予測すること
学習用データ
(N1_TRAIN_DATA)
テスト用データ
(N1_TEST_DATA) モデル名
マイニング機能の名前
ケースIDのカラム名
パラメータ格納表
入力データのテーブル/ビュー名
ターゲットのカラム名
モデル名
入力データのテーブル/ビュー名
ケースIDのカラム名
適用結果保存先テーブル
モデル
N1_CLASS_MODEL01
CUST_ID AFFINITY_CARD
0011 1
0012 0
0013 1
0014 0
CUST_ID 予測値
0011 1
0012 0
0013 1
0014 1
CUST_ID AFFINITY_CARD
0001 1
0002 1
0003 0
0004 0
- 26. © Copyright iDEA Consulting Inc. 2019
4-2. 機械学習 (4/5) ~分類モデル(モデル作成)~
モデルのルール確認方法は以下の通りです。
26
SET PAGESIZE 1000
SET LINESIZE 1000
SET TRIMSPOOL ON
SET HEADING OFF
SET long 2000000000
column dt_details format a320
spool C:¥Temp¥dt_rule.xml
SELECT
DBMS_DATA_MINING.GET_MODEL_DETAILS_XML('N1_CLASS_MODEL01')
AS DT_DETAILS
FROM dual;
spool off
<ディシジョンツリーのルールをXML表示>
<SQL*Plus コマンド>
XML出力
IF HOUSEHOLD_SIZE in (“3“, 4-5“) THEN
- 27. © Copyright iDEA Consulting Inc. 2019
4-2. 機械学習 (5/5) ~分類モデル(モデル作成)~
モデルの情報を確認するスクリプトを紹介します。
27
%sql
SELECT model_name, mining_function, algorithm ,algorithm_type, creation_date
FROM user_mining_models
WHERE model_name = ‘N1_CLASS_MODEL01';
【モデルの存在を確認】 USER_MINING_MODELS
で存在するモデルが確認できます
WHERE model_name
で、モデル名を指定します
%sql
SELECT * FROM user_mining_model_views
WHERE model_name = 'N1_CLASS_MODEL01';
【モデルビューを確認】 USER_MINING_MODEL_VIEWS
でモデル・ビューの説明を確認できます
WHERE model_name
で、モデル名を指定します
DM$VP<モデル名>
- 29. © Copyright iDEA Consulting Inc. 2019
5-1. 分析① (1/3) ~RFM分析~
RFM分析を使って顧客のセグメンテーションを行います。
29
RFM分析 :顧客の購買行動・購買履歴から優良顧客などのセグメンテーションなどを行う顧客分析手法
R (Recency) 最終購入日 最近いつ買ったのか?
F (Frequency) 購入頻度 購買の頻度は?
M (Monetary) 累積購入金額 今までの購買実績は?
R F M
最終購入日からの
経過日数
購入頻度
(直近2年)
累積購入金額
(直近2年)
ランク1 1ヶ月以内 12回以上 50,000円以上
ランク2 3ヶ月以内 9回以上 20,000円以上
ランク3 6ヶ月以内 6回以上 10,000円以上
ランク4 1年以内 3回以上 1,000円以上
ランク5 1年以上 3回未満 1,000円未満
- 30. © Copyright iDEA Consulting Inc. 2019
5-1. 分析① (2/3) ~RFM分析~
RFM分析による顧客セグメンテーション手法の例です。
30
R(最終購入日)とF(購入頻度)の2つに着目し、以下の様に顧客をセグメンテーションする
事としました。
スキップ
- 31. © Copyright iDEA Consulting Inc. 2019
5-1. 分析① (3/3) ~RFM分析~
RFM分析による顧客セグメンテーション結果です。
31
- 32. © Copyright iDEA Consulting Inc. 2019
5-2. 分析② (1/4) ~マップマーケティング~
キャンペーンの試験実施店舗を決めるため店舗配置、人口分布を確認します。
32
【試験実施店舗の検討】 マップマーケティング ・・・ 以下の既存店舗データをDVDに取り込む
- 33. © Copyright iDEA Consulting Inc. 2019
5-2. 分析② (2/4) ~マップマーケティング~
DVDで既存店舗の配置を確認可能です。
33
【試験実施店舗の検討】 マップマーケティング ・・・ 以下の様に地図上で検討できる
以下を参照 (上記はAuto-Cluster Map Plugin を使用)
https://community.oracle.com/groups/oracle-cloud-japan-blog/blog/2017/01/05/oracle-data-visualization%E3%81%A7%E5%A4%96%E9%83%A8%E5%9C%B0%E5%9B%B3%E9%80%A3%E6%90%BA
- 34. © Copyright iDEA Consulting Inc. 2019
5-2. 分析② (3/4) ~マップマーケティング~
DVDで人口分布の分析も可能です。
34
【出店地の検討】 マップマーケティング ・・・ 2020年の人口分布
国立社会保障・人口問題研究所報告の『日本の地域別将来推計人口』
http://www.ipss.go.jp/pp-shicyoson/j/shicyoson18/3kekka/Municipalities.asp
出典:国立社会保障・人口問題研究所ホームページ
(http://www.ipss.go.jp/)
以下を参照
https://community.oracle.com/groups/oracle-cloud-japan-
blog/blog/2018/11/01/%E6%97%A5%E6%9C%AC%E3%83%9E%E3%83%83%E3
%83%97%E3%81%8Coracle-analytics-
library%E3%81%AB%E5%85%AC%E9%96%8B
【人口分布データ】
【DVDの日本地図データ利用方法】
Oracle Analytics Library
https://www.oracle.com/solutions/business-analytics/data-visualization/geo-
layers.html
※JSON利用の制約:DVDで1つの地域が複数行の場合、最初の行のみしか使用
できない様なので、不要な行を削除すると良い
東京都23区の場合、江東区、品川区、大田区、港区が該当する
- 35. © Copyright iDEA Consulting Inc. 2019
5-2. 分析② (4/4) ~マップマーケティング~
DVDで人口分布の分析を行っている画面です。
35
【試験実施店舗の検討】 マップマーケティング ・・・ 以下の様に地図上で人口分布を確認できる
- 36. © Copyright iDEA Consulting Inc. 2019
5-3. 分析③ (1/3) ~予測結果 ~
キャンペーン反応の予測結果確認のイメージとなります。
36
反応有(1)と予測される顧客
- 37. © Copyright iDEA Consulting Inc. 2019
5-3. 分析③ (2/3) ~キャンペーン効果~
キャンペーン効果確認のイメージとなります。
37
34%増を達成できました!!
- 38. © Copyright iDEA Consulting Inc. 2019
5-3. 分析③ (3/3) ~キャンペーン効果~
キャンペーン効果確認のイメージとなります。
38
2736人 増
717人 増
- 40. © Copyright iDEA Consulting Inc. 2019
6-1. 本日お伝えしたかったこと ~ポイント~
本日お伝えしたかったポイントは、以下の通りです。
40
マーケティング業務と
データ分析
・・・ マーケティング業務の中でデータを活用するときのケーススタディと
なれば、嬉しい !!
RFM分析 ・・・ RFM分析で顧客セグメンテーションを実施するケースを紹介した
い。
(Oracle Data Visualization Desktop)
マップマーケティング ・・・ 地図を使って試験店舗を検討するケースを紹介したい。
(Oracle Data Visualization Desktop)
分類 ・・・ 分類モデルの使用により、顧客の反応を予測し、効果的なキャン
ペーンを実施できるケースを紹介したい。
(Oracle Autonomous Data Warehouse Cloud – OML Notebook)
- 41. © Copyright iDEA Consulting Inc. 2019
6-2. マーケティング業務とAutonomous DB
以下の通り、マーケティング業務とAutonomous DBの相性は良いと感じています。
41
機械学習
✓ マーケティング業務で必要なアルゴリズムが整備されている
✓ テンプレートが準備されている
✓ SQL, PL/SQL が理解できる人は入りやすい
簡単にスケールアップ
✓ 簡単に立ち上げ
✓ DB稼働中にCPU数、StorageのUp/Downが可能
✓ 機械学習モデル作成前にCPU数をUpすると便利 スケジュール実行も可 *1
大量データ
✓ 大量データの検索が高速
✓ 大量データのロードも高速
✓ 圧縮機能によりStorageも節約可能
*1 右記のblog参考:https://blogs.oracle.com/datawarehousing/managing-autonomous-data-warehouse-using-oci-curl
- 42. © Copyright iDEA Consulting Inc. 2019
<Insert Picture Here>
本書に含まれる情報は、貴社内部でのご検討、評価の目的のために提供されるものです。
貴社内でのご使用、複製、開示は、この目的のために必要な範囲でのみお願いいたします。
貴社との間で正式な契約が成立した場合には、当該契約に従い本書をお取り扱いいただきます。
なお、貴社にて既に取得されている情報については、これらの制限は及びません。
42
- 46. システムエグゼ(会社概要)
社 名:株式会社システムエグゼ
設 立:1998年2月(第22期)
資 本 金:4億7,500万円
代 表 者:大場 康次
社 員 数:581名(2019年4月見込)
平 均 年 齢:33.9歳
関 連 会 社:株式会社エグゼソリューションズ
SYSTEMEXE VIETNAM COMPANY LIMITED
(システムエグゼベトナム)
SystemEXE(Thailand)Co., Ltd
(システムエグゼタイランド)
SystemEXE Myanmar Company Limited
(システムエグゼミャンマー)
ホームページ:http://www.system-exe.co.jp/
拠 点 一 覧:
■本社 〒104-0028
東京都中央区八重洲2-7-2
八重洲三井ビルディング 5階
TEL: 03-5299-5351 FAX: 03-5299-5354
■京橋オフィス 〒104-0032
東京都中央区八丁堀4-3-3 Daiwa京橋ビル 8階
■府中オフィス 〒183-0056
東京都府中市寿町1-1-3 三ツ木寿町ビル 6階
■千葉オフィス 〒260-0045
千葉市中央区弁天1-5-1 オーパスビルディング9階
■名古屋オフィス 〒460-0003
愛知県名古屋市中区錦2-20-8 東栄ビル 7階
■関西オフィス 〒530-0005
大阪府大阪市北区中之島3-3-3
中之島三井ビルディング 20階 2006号室
■長野オフィス 〒390-0811
長野県松本市中央2-1-27
松本本町第一生命ビルディング 7階
■株式会社
エグゼソリューションズ
〒104-0028
東京都中央区八重洲2-7-2
八重洲三井ビルディング 5階
■システムエグゼベトナム(ホーチミン市)
■システムエグゼタイランド(ノンタブリー県)
■システムエグゼミャンマー(ヤンゴン市)
- 47. システムエグゼ(会社概要)
1998年 2月 株式会社システムエグゼ設立
(資本金1,000万円)
2004年 3月 資本金 5,000万円に増資
2005年 4月 府中オフィス開設
2005年 7月 千葉オフィス開設
2005年 12月 資本金 8,800万円に増資
2006年 4月 名古屋オフィス開設
2006年 6月 プライバシーマーク認証取得
2006年 12月 資本金 1億円に増資
2007年 4月 株式会社エグゼソリューションズを設立
ISO/IEC27001:2005認証取得
(府中オフィス)
2008年 1月 エコステージ1の認証取得
2008年 8月 資本金 1億9,000万円に増資
2010年 10月 ベトナム ホーチミン市に子会社:
システムエグゼベトナムを設立
2010年 12月 資本金 2億3,000万円に増資
2011年 1月 ISO9001:2008認証取得
(千葉オフィス)
2012年 6月 資本金 4億7,500万円に増資
2013年 7月 関西オフィス開設
2013年 10月 本社と都内の拠点を現住所に統合移転
2013年 11月 長野オフィス開設
2014年 1月 タイ チョンブリ県シラチャ市に子会社:
システムエグゼタイランドを設立
2014年 8月 千葉県市原市姉崎に姉崎オフィスを開設
2016年 1月 代表者変更
代表取締役社長 酒井博文、会長 佐藤勝康
2016年 12月 大阪市北区中之島に関西オフィスを移転
名古屋市中区錦に名古屋オフィスを移転
ミャンマーに現地法人 SystemEXE(Myanmar)Co., Ltd.設立
2017年 4月 東京都中央区八丁堀に京橋オフィスを開設
2019年 3月 代表者変更
代表取締役社長 大場康次
沿 革: 過去10年間の売上・収益・社員数推移:
過去3年間の収支:
2016年(19期) 2017年(20期) 2018年(21期)
売上高(億円) 68.23 71.41 77.21
経常利益(億円) 4.90 4.05 5.07
社員数(名) 470 506 539
0名
50名
100名
150名
200名
250名
300名
350名
400名
450名
500名
550名
600名
0
1
2
3
4
5
6
7
8
売上(単位:10億円)
経常利益(単位:億円)
社員数(単位:名)
- 67. 同一科目の登録
■そこで、摘要を任意に登録し、その情報で別々にレコードを保管しました。
売上高
10,000 5,000 3,000
合計
18,000
内訳○○ 内訳○○ 内訳○○
■これを実現するため、ユーザ→ADW→Essbaseの順でデータを保管しました。
クライアント ADW Essbase
内訳 金額
AA収入 10,000
BB収入 5,000
CC収入 3,000
内訳 金額
AA収入 10,000
BB収入 5,000
CC収入 3,000
収入計 18,000
自由なルールでコメントを保管することが可能に
Essbase側には集約することでマスタの煩雑化を回避
- 73. Copyright © 2019, Oracle and/or its affiliates. All rights reserved. | 73
Oracle Digitalは、オラクル製品の導入をご検討いただく際の総合窓口。
電話とインターネットによるダイレクトなコミュニケーションで、どんなお問い合わせにもすばやく対応します。
もちろん、無償。どんなことでも、ご相談ください。