More Related Content Similar to 【セミナー資料】ソーシャル×ビッグデータ×Biで切り開くこれからの企業のあり方 Similar to 【セミナー資料】ソーシャル×ビッグデータ×Biで切り開くこれからの企業のあり方 (20) 【セミナー資料】ソーシャル×ビッグデータ×Biで切り開くこれからの企業のあり方1. ソーシャル × ビッグデータ × BI
で切り開くこれからの企業のあり方
ビックデータセッション
株式会社ウフル
Big Data
Social analyst
Consultant
前野好太郎 森田陽介
1
6. 参加
• Social Listening • Active Support
• Social Media • Facebook Page • Engagement
Monitoring Twitter • Social CRM
• content
• Social Community
コミュニケーショ
傾聴
ン
実施施策、抽出した声やデータを素早く社内共有
する。
6
14. 「投稿」から「メッセージへの返信」「顧客プロファイルの把握」まで、Facebook/Twitterでおこなわれる、すべての動作
は ”ソーシャルクライアント” で実現可能。
■発信機能 ■管理機能 ■承認機能
Facebook、Twitter双 登録している全アカ ソーシャルメディア
方において複数アカ ウントの一覧表示と、 への発信時に、責任
ウントへの同時投稿 返信内容の管理がで 者の承認を得ること
ができる。 きる。 ができる。
■URLの自動短縮 ■定型文 ■投稿予約機能
投稿にURLをつけて投 定型文を作成、登録 時間を指定して、
稿する際、自動で短 することで効率的な ソーシャルメディア
縮し投稿することが 運用が可能である。 への情報発信ができ
できる。 る。
■画像の投稿 ■返信、RT ■Facebook分析
Facebook、Twitterと Twitterへの返信やRT、 Facebook Insight
もに画像を添付し投 Facebookへのコメン を表示し、Facebook
稿をすることができ トの送信などが可能 発信した投稿への反
る。 である。 応を確認できる。
14
16. Salesforceとの連携で実現したこと “ソーシャルCRM”
■ソーシャルメディアで経由の問い合わせへの対応、管理
クレーム、その他問い合わせに対する対応履歴を一元管理することが可能。
■ソーシャルメディア上で、見込み顧客の発見し管理
社員
新規見込み顧客の発掘と履歴の可視化、管理が可能。
ドキュメント
■早急な社内報告、共有によるリアルタイムな対応を実現
社内コラボレーションプラットフォーム”Chatter”を活用し。
情報をスピーディに共有、ディスカッションすることが可能。
業務用アプリケー
ション
情報
16
19. 私がご案内いたします
• 元 日本マイクロソフト株式会社
クロスインダストリー・ソリューション・営業本部
ソリューション・スペシャリスト
前野好太郎
– Microsoft BI 全国セミナー担当
– Microsoft パートナー向け公式セミナー(MSTEP)担当
– Microsoft 公式サイト SQL Server 自習書執筆
• http://technet.microsoft.com/ja-jp/sqlserver/gg639011.aspx
– DELL 社 コラム執筆
– 翔泳社 DBマガジン連載 約3年
• 2005~2008年
– 翔泳社 DB マガジン(2010/8)寄稿
• Powerpivot 2010(Microsoft)
– 翔泳社 Access、SQL 関連書籍書籍執筆
– Office 365(Microsoft Cloud Solution) 商談
Closing 多数
• Over Budget 155%(FY12)
– On demand Training Service(2012.12. 提供予定)
19
21. ビッグデータの定義
取り扱いが難しい大きさのデータの集まり
• Excel 2003 65536行まで
• Excel 2010 1,048,576行まで
• Access 2GB まで
構造化データと非構造化データの集まり
• データベースのカラムでは通常正規化データしか扱うことがで
きない
• 画像、映像、テキストの羅列など非正規化データの容量が増加
分析やレボーティングが難しい
• Excel や Access など、Client Application では扱うことが難しい
• Server 製品では可能だが、導入費用が高額で非常に敷居が高い
21
22. 身近にあるビッグデータ
フロッピーディスク1枚のデータ容量
2HD の フロッピーディスク = 1.44メガバイト
(MB)
1.44メガバイト(MB) = 1.44 ×(1024)×(1024)
=1,509,949 byte (半角文字)=754,974全角文字
新聞1ページ = 10,000 文字
新聞75ページ分の情報量
22
23. ハードディスク
ハードディスク1台(15,000円程度)のデータ容
量
3テラバイト(TB) = 3,072MB
= 3,298,534,883,328 (半角文字)
= 1,649,267,441,664 (全角文字)
既に
新聞1ページ = 10,000 文字
Big Data
新聞 164,926,744ページ分の情報量
<参考>
1MB=1024KB=1,048,576byte
1GB=1024MB=1,073,741,824byte
1TB=1024GB=1,099,511,627,776byte
23
24. データ拡大のペース
• 米市場調査会社のIDCは、2012年における世界のデータ
量は2.7Z(ゼタ)バイト(※訳注)に拡大し、今後その
量は約2年ごとに倍増すると予想している。
・ハイビジョン放送 1TB=100
時間
・1Zバイト = 10億Tバイト 2016年
=1兆時間の録画 • 10.8Z(ゼタ)バイト
・1日8時間の視聴で12,5億日 2014年
= 34,246,575年かかる
• 5.4Z(ゼタ)バ
イト
2012年
• 2.7Z(ゼタ)バイト ※訳注:1ゼタバイトは10の21乗バイトで、
10億Tバイトおよび1兆Gバイトに相当。
24
26. データの質の変化
非構造化デー 現在直面
構造化データ している
タ
データ
• POS データ • 音声、画像、映像、テキ • 非構造化データを集積す
• 集計、抽出、加工が容易 ストの羅列 る仕組みが必要
なデータ • 集計、抽出、加工が難し • 集計、抽出、加工するた
いデータ めの一次処理が必要
• データの接合、分解が必
要
26
27. 活用してこそデータベース
• 「そのデータは別システムで管理しているので、取り立てて私たちが扱う必要性は無いんで
す。。。」
• 「そのデータは情シスが管理していて、私たちは分析をすることができない」
とある訪問先
で、、、 • 「そのデータは導入した BI システムで社員が見れるのですが、使い方がわからないんです」
• 専門家のためのデータ
• 現場があずかり知れぬデータ
活用されてい • 定型レポートだけが出力されるデータ
ないデータ
• 活用されていないのであればデータベースがある意味は無い
• ため込むだけであれば、そもそも蓄積する意味もない
これらもビッ • 正しく PDCA を回すことができない
グデータ
27
28. 本セミナーのビッグデータの扱
い
今までの方法では扱えない
データ
データの扱い方がわ これまで自由
からなかったデータ ビッグ に扱えなかっ
データ た
データベースサイズは関係 データ
ない
28
30. PCの処理速度の変遷
2008年11月: イ
ンテル® Core™ iX
2005年5月: イン プロセッサー
テル® Pentium® D
•クアッドコアまたは
プロセッサー デュアルコアの実行
1989年: Intel486™ コアを搭載
•デュアルコア技術を採
マイクロプロ 用したデスクトップ •4004 マイクロプロ
セッサー PC 向けプロセッサー セッサの40万倍以上
•次世代の 64 ビット・
•32 ビット・プロセッ
1978年: 8086- サー
コンピューティングを
8088 マイクロ サポート
•4004 マイクロプロ
プロセッサー セッサーの 50 倍
•NEC PC-9801 シリー
ズの初代モデルに
安価に高性能なPCが手に入り、
1971年: 4004
マイクロプ
採用
しかもモバイル環境で高度な
ロセッサー 処理が可能
•世界初のマイク
ロプロセッサー
出展:インテルミュージアム マイクロプロセッサーの歴史(抜
粋)
http://www.intel.com/jp/intel/museum/hof/index.htm
30
31. データウェアハウスの功罪
さまざまなデータソース
TEXT ファイル
や csv ファイル
多次元 ソーシャルメ クラウド上の
基幹システムの情報 データベース ディアの情報 Access や
サービス Excel
あらゆるデータを一元化 EAI Tool <メリット>
社内の情報が一元管理できる
データ ウェアハウス ので分析者のデータ収集の手
分散したシステムやファイル内のデータ 間が省ける
をデータ ウェアハウスに一元的に統合
<デメリット>
ちっょとした分析にも IT ベ
ンダーや情シスの協力が必要
データ分析や集計 データマート
OLAP キューブ
Reporting Services
一部の社員や専門家だけ
のTool になってしまう
31
32. Excel の発展
さまざまなデータソース
データ
フィード
TEXT ファイル
や csv ファイル
多次元 ソーシャルメ クラウド上の
基幹システムの情報 データベース ディアの情報 Access や
サービス Excel
オンメモリで処理
デスクトップ上のメモリに展開。
64ビットの Excel を利用すれば
大量のメモリも有効に利用する
ことが可能。
Excel の限界を超えるデータも
処理可能
1,048,576 行を超えるデータも
取り込も可能。
32
35. SQL Server 2012 の扱えるデータ
量
• 524,272 TB(テラバイト)
• 標準的な データウェアハウス
– 10GB~100GB 程度
• ソフトウエア的には事実上無制限
35
36. Big Data × Cloud 時代の到来
×
Amazon RDS
・マイクロ DB インスタンス:
613 MB メモリ、最大2 ECU、64ビットプラットフォーム
・スモール DB インスタンス: 1.7 GB メモリ、
1 ECU(1 ECU × 1 仮想コア)、64ビットプラットフォーム
・ラージ DB インスタンス: 7.5 GB メモリ、
4 ECU(2 ECU × 2 仮想コア)、64ビットプラットフォーム
2012/12/11 現在
36
37. ・ハイメモリエクストララージ DB インスタンス:
17.1 GB メモリ、6.5 ECU(3.25 ECU × 2 仮想コア)、
64ビットプラットフォーム
・ハイメモリダブルエクストララージ DB インスタンス:
34 GB メモリ、13 ECU(3.25 ECU × 4 仮想コア)、
64ビットプラットフォーム
・ハイメモリクアドラプルエクストララージ DB インスタン
ス:
68 GB メモリ、26 ECU(3.25 ECU × 8 仮想コア)、
64ビットプラットフォーム
※DB インスタンスクラスごとに、ストレージ容量を1 TB までの範囲で選択できます。1 ECU
は、1.0-1.2 GHz 2007 Opteron または 2007 Xeon プロセッサと同等の CPU 能力を提供します。
37
40. 導入事例:ソネットエンタテインメント様
• インターネット広告事業における
大容量のログ解析の迅速化が課題
• AWS
“Amazon Elastic MapReduce
AWS 50
”
ソネットエンタテインメント シニアリサーチフェロー 竹内 彰一氏
42. 導入事例:アンデルセン サービス様
• 全国500店近い直営/FC店舗、
10工場を中心としたホールセ
ール事業を展開.
• 原価計算システムの再構築に
際し、処理時間の短縮のため
Hadoopの利用を検討
•
EC2 1
“Amazon VPC
。”
SI
43. 導入事例:クックパッド様
秋 x カレーで
好まれる組合せ
•シメジ 流通、食品会社などに
• ナス..
EMR 有料で提供
利用者の食材組合せ クラウド上の 「意味」のあるマーケティング
嗜好のログ Hadoopで解析 データを抽出
45. Desert Research and Training Studies (D-RATS)
All-Terrain Hex-Limbed Extra-Terrestrial Explorer
(ATHLETE) robot
衛星からのデータ処理の合理化、効率化を推進
数十万の画像イメージをEC2で解析
巨大かつ様々な形式のデータ(3.2 giga-pixel image)をEC2
Cluter Computeインスタンスにて処理
30ノードのクラスタにて2時間以内で完了
Mars Science Laboratory
200,000 Cassini imagesを従来15日かかっていた処理を数時間
で完了
数PBのデータをS3に格納
45
48. SQL Server Analysis Services
• 相互に補完する 2 つの分析機能を提供するサービス
– OLAP (オンライン分析処理) 機能
• 顧客データや販売データなどの大量の履歴データを蓄積したデータベースで数値
データを対象として、多次元的な解析により、問題点や解決策を発見する
– データマイニング機能
• 大量のデータから意味のある相関関係、パターン、ルールなどを導き出し分類や
将来の予測などを行う
大量の明細データを DWH 大量の明細データから
前もって定義された データ間を関連付ける
集計カテゴリに従って OLAP 関係、ルール、数式などを
集計したデータに Cube 導き出し、その結果から
着目して分析 予測を引き出す
Data Mining Model
OLAP データマイニン
グ
48
49. 多次元データベースによる OLAP 分
析
Excel で取り出せる
• キューブと呼ばれるデータ格納形式
– RDBMS のテーブルに相当
• 集計データを予め事前に集計・格納
– 夜間バッチで集計を作成し、独自のストアに格納
• 直感的で高パフォーマンスな分析環境
– OLAP 分析用に最適化されたストア
関東
1Q 実績 予算 達成率
80 実績 予算 達成率
商品A 6月 5月 120 実績67 予算 達成率
4月 5月 商品A
商品B 100 80 4月 120 実績67 予算 達成率
商品A85 80 118 120
地域 6月 商品C商品B商品B45 100 100
50 100商品A85 118 67
111 85 120118
83
時間 商品A
商品D商品C商品C商品B45 75 111 85
150 50
商品D 150
200 50 75 45
商品C
111
200 60 75 45
88
133
商品D 150 200 75
商品D 210 200 105
商品 商品B
近畿
実績 1Q 実績 予算 達成率
商品C
予算 80 実績 予算 達成率
商品A 6月 5月 120 実績67 予算 達成率
達成率 関東 商品A
商品B 100 80 4月 120 実績67 予算 達成率
商品A85 80 118 120 67
商品C商品B商品B45 100 80 118 120
50 100商品A85111 85 118
67
中部
商品D商品C商品C商品B45 100
150 50
200 50 75 45111 85
111
118
商品D 150 商品C 200 50 75 45 111
商品D 150
キューブ 近畿
商品D
200
150
75
200 75
49
50. データマイニングの基礎知識
• SQL Server Analysis Services のアルゴリズム
– 分類アルゴリズム
• データセット内の他の属性に基づいて、1 つまたは複数の離散変
数を予測します。
• 分類アルゴリズムの例としては、Microsoft デシジョン ツリー ア
ルゴリズムがあります。
– 回帰アルゴリズム
• データセット内の他の属性に基づいて、利益や損失などの 1 つま
たは複数の連続変数を予測します。
• 回帰アルゴリズムの例としては、Microsoft タイム シリーズ アル
ゴリズムがあります。
– 分割アルゴリズム
• データを類似したプロパティを持つアイテムのグループまたはク
ラスタに分割します。
• 分割アルゴリズムの例としては、Microsoft クラスタリング アル
ゴリズムがあります。
50
51. – アソシエーション アルゴリズム
• データセット内の異なる属性間の相関関係を検出します。
• この種類のアルゴリズムの最も一般的な使用例は、マー
ケット バスケット分析で使用するアソシエーション ルール
の作成です。
• アソシエーション アルゴリズムの例としては、Microsoft ア
ソシエーション アルゴリズムがあります。
– シーケンス分析アルゴリズム
• Web パス フローなど、データ内の頻度の高いシーケンスまたはエピ
ソードを要約します。
• シーケンス分析アルゴリズムの例としては、Microsoft シー
ケンス クラスタ アルゴリズムがあります。
51
52. データマイニングクライアント
ツール
• Data Mining Add-ins for Office system
• Excel 2007、2010 から SQL Server のデータマイニング機能を利用可
能
• SQL Server 上のデータ、Excel上のデータのどちらでも利用可能
• 簡易な操作で、ビジュアルな結果を取得
分析の設定
データ
分析結果
52
53. DEMO
DATA MINING ADD-INS
年月 トップス(袖ショ )
ート トップス(袖ロング) ボトムス アウター アクセサリ
200501 245828 1576333 1353781 855907 264518
200502 293109 1632711 1142728 809869 166993
200503 887527 1753824 1315207 690656 209116
200504 1752204 1386066 1304645 588973 249150
200505 2556375 1020322 1126471 382585 187981
200506 2613197 699121 857481 217256 283197
200507 2573559 728590 764554 181874 193354
200508 2193593 772989 907072 404935 134484
200509 1613564 1208526 1010762 713359 158974
200510 1166509 1568710 1172635 954721 201632
200511 589457 1894010 1350435 1213736 215712
200512 556740 2293837 1425284 1688788 362350
200601 576530 2715234 1613589 1392110 261752
200602 545654 2657917 1540813 1208354 192556
200603 1085167 2261681 1454812 1144507 206995
200604 2148189 1994429 1403937 1010284 223443
200605 2851576 1514887 1144928 728954 203316
200606 2937199 1128848 910305 432809 292757
200607 2811939 1014488 825342 336249 208995
200608 2668021 1355654 939864 748644 186601
200609 2134519 1925569 1031995 1318859 182667
200610 1448325 2368601 1257534 1765090 179637
200611 667554 2516337 1453255 2243957 266790
200612 630502 3047537 1533802 3122234 433908
200701 652914 3607395 1736445 2573735 319260
878462 3852382 2435996 2124113 257538
53
59. uhuru Cloud Services
Direct Connect
閉域サービス
Internet NTT Flets
Or
各種専用線
閉域網 【提供可能サービス】
・uhuru Gate (Single Sing On Service)
・Microsoft Solution
・移行サービス(AD、Groupware、
DB)
・ADFS 構築
61. Data democratization
高性能なPCの普及 ビッグデータを
高性能な Server 環境の 誰もが気軽に扱
Cloud での提供 える時代の到来
• 高速なCPU
• 大容量で高速なメモリ
• 大容量で高速なの HDD 専門家やITに詳しい者だ
• 小型PCの普及 けが扱うものから現場の
誰もが扱える時代に
• 社内サーバー不要
• 利用した分のみの課金
61
63. Marketing × Big Data
• PDCA を高速に回すためには ad hoc なレ
ポートが容易に生成できることが重要
P P P
P
DA
P
DA
P
D
AA P
DA
P
DA
P
D
AA P
DA
P
DA
C C C D C C C D C C
ad hoc なレポート ad hoc なレポート
C 定量・定性的レポー
ト
C 定量・定性的レポー
ト
C
63
64. 短期間に質の高い分析を
する必要がある
パター
ン
1
最初の パター
ン
Promotion 分析 ターゲティング 2
Product パター
ン
3
リターゲティングの重要性 パターン別
Product Out 思想の破棄 Promotion
マーケットインの徹底
64
65. データの収集
Promotion
変換 原価データ 変換
データ
商談データ 変換
変換
生産データ
販売データ ビッグデータ
変換 (データウェアハウス)
変換
Web log
Twitter 変換 データ
Facebook 変換
見込客データ 変換
65
66. 事例
ソーシャルメディアデータ分析
外れ値
A ccount 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 総計 単純な定量、定性分析では溢れてし
harum aki ngu 9 1 1 15 8 6 40 まう なデータ
よう を抽出するこ がで
と
chassu_bot 1 2 2 2 2 1 1 1 1 2 2 2 1 2 1 1 2 2 3 1 32
excel 1125 22 22 きる。
YochiG oodl
i uck 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 21
M r3SU N 1 1 2 1 1 2 1 1 1 1 1 2 1 1 1 1 1 1 21 – 寿司食べたくなってきた #そうだみんなでかっぱずしいこう
m i i nkanbot
nam ri 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 20
– かっぱ寿司のかっぱの名前がカーく 知り 私のカッ
んと 、 パ好きの原点となっ
Em iyaShi rou_bot 2 1 2 2 2 1 2 1 2 1 1 1 18 たぬいぐるみと同名なのでちょ 落ち込んで
っと
kppzsh 3 2 1 1 1 1 2 1 1 4 17 – かっぱ寿司なう!テレビ観て来たくなって来ちゃった(*・∀-)☆
nom akunbot 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 16
kozi aren_bot
m 3 2 2 1 1 1 1 1 1 1 1 1 16 – 【世界のく 寿司の悩み】
らり あのさ あれなんだよ。
、 注文したらレーンの上を
流れてくる特急のやつ?あれさ かっぱが特許なんだよね。 ん
、 う
k_kappa_bot 1 2 1 2 1 1 1 1 1 1 1 2 1 16
ysdhzm bot 1 1 1 2 1 1 2 1 1 1 1 2 15 – いまかっぱ寿司にいます。機械で注文したのが新幹線で届く システムは、近
代テクノロジーの集大成だと言えるでし う と わけで、
ょ 。 いう では一方みなさ
PI PU PI
PO 15 15 んは河童をどこで見たか、ぜひ教えていただけたら幸いです。
kappappa9cum be 1 1 2 1 1 2 3 1 1 1 1 15 – 注文し た寿司がHOT7000(※スーパーはく )で届いたら面白いw RT
と
Satofum i _Yuki 9 2 3 14 @kitaryouhakuto: かっぱ寿司倉吉店なう→RT ×11件
kaichan_yuki 2 11 13 – そりゃあ、 たら戻るわなぁ
おし …笑っ かっぱ寿司で注文して品物とる前にオッ
ケーおしたら、寿司帰っていったw w
w w
ssk11812 1 11 12
M i aKuw agata_
yam 1 1 1 1 1 1 1 1 1 2 1 12 – 「 パ寿司の女優さ かー。
カッ ん」 やっぱ知らない人には見た目で女優さ んだと
思われるんだな、きっかって。 かし 「 パ寿司」 ゃなく かっぱ寿司」
し 、 カッ じ て「 。
ym _oor 1 1 1 1 1 1 1 1 2 1 11 こまかいけど。
hi i da
tom shi 1 2 1 2 3 1 1 11
– 回転寿司に行きたい! 回転寿司に行きたい! 行く なら回転寿司が好きな
kanda_1123 2 4 1 1 3 11 女の子と 行きたい。 たと えば、かっぱ寿司のCMの女の子みたいな子
http://t.co/7834Msg8
– かっぱの生ハム寿司食いたい
– @abikyo_kan61 スシローはわり 正統なお寿司で,
と かっぱは変わり種多し
– RT @tkr6kattuntty: かっぱ寿司なう なんだが、 さ
「 ば巻き」の写真がかっぱっ
てこ で弟が笑ってて、
と 右下の赤字の二行目を音読し てママと私も腹捩れる
–
かと 思った。http://t.co/L05m1NR6
週末はかっぱでサラダ寿司をたらふく食おう 思う
と
66
68. 構造化されていないソーシャルメディア上の声(データ)
超熟って何でこんなにおいしいのかなぁ。
ほのかに甘いんだよね。そのまま、食パン @cheekandlip あ~♪一緒ですね、ライ麦に 食パンはいつも「超熟」を買ってたけど「ふんわり」
オンリーでも十分美味しい。 凝る前は本仕込です*^^* トーストす を買ってみたら意外とおいしかったから気を良くして
ると香ばしいパン好きなんです♪ 松下由樹がCMやってる「本仕込み」を買ってみたらま
ずかったです。
(2012/2/27 21:08:00 pindaros)
(2011/12/27 8:26:00 usya_yaruo)
(2012/2/7 7:56:00 he_mu)
山崎の芳醇は、ふんわりしててふつうにおいし
「食パンとか嫌い。」って言ってる人に言いた
い食パンでした。パン屋さんの食パンにはやは
い。あなたは食パンの何を知ってるんです
り务りますけど、スーパーで買えるものとして
か?食パン各々、芳醇のもっちり感とか超熟
はふんわり感やしっとり感があっておいしいと の素材の味とか
思いました。トースターで焼いても中はふんわ
りしていておいしいです。
(2011/12/13 23:57:00 _yamadachan_)
(2012/5/25 10:07:00 riko_sugita)
超熟のパンはさっくりふんわりまさに凶
器
超熟から浮気してヤマザキの「ふんわり」とい
う真っ白な食パンを買ってみたのだけれど、こ (2012/6/2 23:30:00 kdi_patoraito)
れちょっと失敗だった。柔らかすぎてパン一枚
を手で袋から取り出すだけで身がぐちゃぐちゃ んー、食パンはやっぱり超熟が一番すきだな。久し
になるし、焼いたものを口に運んだときにけっ ぶりに本仕込買ったけど、ぱさぱさしてる感がある。
こう生臭い残念な香りがする。 それがパンなんだろうけど、超熟のごはん的もっち
あと、神戸屋が出してる「もちふわ」っ り感がすき。
(2012/4/16 21:03:00 michiro_mitch) て食パンが何もつけなくてもマーガリン
の香りがしておいしいので食パンクラス (2011/11/12 7:38:00 ohagi_sun)
タにずずいとおすすめしたいです。もっ
ちりふんわり食感。
しっとり柔らかすぎるんだよなー。サクッ 超熟のパンって焼いて何もつけずに食べた
(2012/4/3 20:38:00 ntm39)
としたのの方が好きなんだけど。芳醇も苦 ら凄い甘いことを知ってビックリ
手だから、ヤマザキの食パンが合わないの
かな~。 (2011/12/27 8:26:00 usya_yaruo)
(2012/2/10 7:42:00 neco2)
68
71. データ分析の 5W 1H
• 誰が主体のデータなのか?
• 何を分析するのか?
• いつ分析するのか?
• どこのデータなのか?
• どんな目的で分析するのか?
• どうやって分析するのか?
• どのくらいのコスト(費用、期間)で分析するの
か?
ビッグデータ コンサルティン
グの必要性 71
72. ビックデータ × BI 導入のステッ
プ
実行可能なところから着手する
必要システム
データ活用
•現状調査 の選定 •DWH 構築
•ペインの確認 •追加システムの導入
•必要システムの選定 •各種トレーニング
•要件の Priority 付け •システムインテグレー
•各種システム概要設計 ション •定着化支援
•5W 1Hの確定
•スケジューリング
•社内システム調査
•ROI のForecast
利用機会の システム設計、
洗い出し 構築
イノベーションの継続のためにはこ
れを繰り返すことが肝要
72
73. ビッグデータ ソリューション
導入のポイント
• プロジェクト メンバーを構成する
– まずは地道にヒアリングを行う
– ヒアリングをしながら協力者を募る
– ITを前面に押し出さない
– できるだけ多くの部署のメンバーを
招集する
– 各メンバーのゴールを明確化する
– 成功事例を学ぶ
• ロードマップを作成する
– フェイズ分けをする
• できるところから着手する
• 各フェイズのゴールを明確にする
– 理想形の Goal は必ずステークホルダー全員で合意する
73
74. • ディスカッションを十分に行う
– 必要な情報を集める
– ブレインストーミングを実施する
– ディスカッションが十分に行われない状態
でのシステム導入は避ける
• 優先順位を決める
– ゴールの分類を行う
– 多くのメンバーが利益を享受できるエリアから着手する
– 全体を見据えた上でなるべく小さく始める
– 難易度の低いものを上位に据える
– 重要度の高いものを上位に据える
– スケーラビリティーを確保する
• 確実に成功する
– フェイズごとのゴールを必ず達成する
– 達成できなかった場合には次のフェイズに入る前に要因を分析
する
74
75. ビッグデータ コンサルティング
People Technology
・各種トレーニング ・分析に最適な Tool の選定
…Pivot Table 活用 ・データウェアハウス上流コンサルティング
…Data mining 利用 ・業務システム改善支援
・分析サポート
…各種 Reporting Service
・定着化支援 ・情報共有基盤の選定
・ユーザーコミュニティーの生成 ・インフルエンサーサポート基盤の選
・業務効率改善支援 定
Culture Information
sharing
75
79. 私がご案内いたします
• 元 日本マイクロソフト株式会社
クロスインダストリー・ソリューション・営業本部
ソリューション・スペシャリスト
前野好太郎
– Microsoft BI 全国セミナー担当
– Microsoft パートナー向け公式セミナー(MSTEP)担当
– Microsoft 公式サイト SQL Server 自習書執筆
• http://technet.microsoft.com/ja-jp/sqlserver/gg639011.aspx
– DELL 社 コラム執筆
– 翔泳社 DBマガジン連載 約3年
• 2005~2008年
– 翔泳社 DB マガジン(2010/8)寄稿
• Powerpivot 2010(Microsoft)
– 翔泳社 Access、SQL 関連書籍書籍執筆
– Office 365(Microsoft Cloud Solution) 商談
Closing 多数
• Over Budget 155%(FY12)
– On demand Training Service(2012.12. 提供予定)
79
80. FPT コーポレーションとの協業 ×
• FPT コーポレーション
– 設立 1988年
– 会社形態 上場企業(2006年12月に VNSE に上場)
– 売上 12億 US$ (2011年度)
– 従業員数 13,000名(2011年度)
• uhuru との関係
– Salesforce 関連の開発を既に
オフシォアで進めている
– 技術者の交流
(毎月 ベトナムに uhuru の人材を派遣)
– uhuru Team の存在
(Strategic Unit No.15…Manager は日本語堪能)
80
81. ありがとうございました。
お問合せ等ございましたら下記までよろしくお願いいたし
ます。
お問合せは
Big Data Consultant Social analyst
株式会社ウフル http://uhuru.co.jp/ 株式会社ウフル 前野好太郎 森田陽介
〒105-0001 東京都港区虎ノ門4-1-8 虎ノ門4丁目MTビル6F
メールによるお申込み・お問い合わせは お電話によるお問い合わせは
本資料で提供している情報および内容は将来予告なしに内容が変更される可能性があります。
本資料のいかなる部分および一切の権利は株式会社ウフルに属しております。
電子的または機械的な方法を問わず、いかなる目的であれ複製、または転載することを禁じます。
contact@uhuru.jp 03-6895-1520