SlideShare ist ein Scribd-Unternehmen logo
1 von 33
Downloaden Sie, um offline zu lesen
機械学習を活用した
自転車シェアリングの需要予測
及び価格変動モデルのご提案
趙 惟恒
1. 自転車シェアリングビジネスの現状に対する理解
2. 需要変動の影響要因分析
3. 機械学習による需要予測モデルの構築
4. 需要予測に基づく価格変動モデルの提案
1. 自転車シェアリングビジネスの現状に対する理解
2. 需要変動の影響要因分析
3. 機械学習による需要予測モデルの構築
4. 需要予測に基づく価格変動モデルの提案
貴社(Ford Motor)はベイエリアで自転車のシェア
リングのビジネスを展開している
City Stations
Mountain View 7
Palo Alto 5
Redwood City 7
San Francisco 35
San Jose 16
ステーション数(2015年8月時点)
2014年10月頃をピークに需要は頭打ち傾向
1ヶ月ごとの利用数推移[回]
需要が頭打ちになる要因:
そもそも需要数は場所などによってオーダーが大きく異る
集計期間:2013/8~2015/8の3年間
例えば、San Francisco, San Joseなどのダウンタウンでは利用数5万回を
超えているところもあるが、Palo Altoのような学生街は2千回前後。
ほかにも、時間帯、月、位置、
天気など様々な影響要因が考
えられる
需要が頭打ちになる要因:
しかし、ステーションのdock数は各都市20前後で平準
化されており、需要に合わせた数を配置できていない
集計期間:2013/8~2015/8の3年間
需要が頭打ちになる要因:
価格プランも膠着的、需要に合わせた柔軟な設定
が出来ていない
現状の価格設定(非会員)
一回:3ドル(30min上限)
一日:9.95ドル(24時間;30min制限)
一年:149ドル(年間;45min制限)
利用数の頭打ち傾向を改善するには、需要を正確に把握し、
利用ニーズの取りこぼし/無駄を解消する必要がある
需要数は月、日、場所など様々
な要因によって変動する
ステーションdocks数、
価格設定は膠着的
受給のアンマッチが発生し、お客さんの利用ニーズ
を取りこぼし/無駄を引き起こしている
近い未来の利用数を正確に予測し、
需要に合わせた柔軟な価格、docks数設定が必要
機械学習による需要予測モデルのご提案
1. 自転車シェアリングビジネスの現状に対する理解
2. 需要変動の影響要因分析
3. 機械学習による需要予測モデルの構築
4. 需要予測に基づく価格変動モデルの提案
需要変動の影響要因:
そもそも、平日/休日によって需要が大きく異なる
平日の需要は休日の2-3倍前後
集計期間:2013/8~2015/8の3年間
Weekday: Mon/Tue/Wen/Thu/Fri
Weekend: Sat/Sun一日ごとの利用数推移[回]
需要変動の影響要因:
曜日の影響は都市によってもことなる。ダウンタウン
は休日の利用が激減するが学生街は減らない
集計期間:2013/8~2015/8の3年間
需要変動の影響要因:
時間帯によっても大きく変動する、平日の朝・夜ラッ
シュ時は利用数が高く、昼と夜は利用が少ない
集計期間:2013/8~2015/8の3年間
需要変動の影響要因:
全体として夏季、特に7月の利用数が高く、
冬季、特に12月の利用が少ない
集計期間:2013/8~2015/8の3年間
需要変動の影響要因:
雨、霧、雷など気象イベントがない日(No_RainForg)
の利用が多い
集計期間:2013/8~2015/8の3年間
需要変動の影響要因:
気温による影響も若干ある模様
気温が高いほど利用数が若干増える傾向にある
休日平日
集計期間:
2013/8~2015/8の3
年間
需要変動の影響要因:
参考:風の強さとはあまり関係がない模様
このように、天気と利用数も関連があると思われる
休日平日
集計期間:
2013/8~2015/8の3
年間
1. 自転車シェアリングビジネスの現状に対する理解
2. 需要変動の影響要因分析
3. 機械学習による需要予測モデルの構築
4. 需要予測に基づく価格変動モデルの提案
需要予測モデルのご提案:
ステーション位置/月/日付/時間帯/天気などを説明変数と
し、ステーションの時間帯別利用数の予測するモデルを機
械学習で構築
入力 出力
ステーション位置
(LAT, LONG)
年月日
(2013/2014/2015)
平日/休日
(Weekday/Weekend)
時間帯
(ラッシュアワーなど)
気温、湿度など
天気データ
ステーション別、
時間帯別利用数
ステーション位置、年月日、平日
休日フラグ、時間帯フラグ、各種
天気データを入力データにセット
出力データには、
ステーション別時
間帯別需要数を
セット
入力と出力を元に、複数モデルによる機械学習
を実施し、予測精度が最も高いモデルを選択
x1
x2
x3
xn
xn-1
….
y
利用数予測
入力データ
日々の時間帯別利用数を予測するモデルを作成
1
23
4
…
重回帰
Rige回帰
Lasso回帰
Random Forest
決定木
Gradient Boosting
Ada Boosting
機械学習モデル
説明変数 要因/単位 取得先
ステーション緯度(LAT) 度 Stationデータより取得
ステーション経度(LONG) 度 Stationデータより取得
年 2013/2014/2015 Tripデータ
月 1/2/3/4/5/6/7/8/9/10/11/12 Tripデータ
日 1-31日 Tripデータ
曜日 Weekday(月曜日 ~ 金曜日)
Weekend(土曜日、日曜日)
Tripデータより条件分岐で作成、
変数ダミー化
時間帯 Moring Rush (6-10時)
Noon(11-15時)
Evening Rush(16-20時)
Night(21-翌日5時)
Tripデータより
条件分岐で作成
変数はダミー化
天気イベント No_RainFog(イベントなし)/Rain/Fog-Rain/
Rain-Thunderstorm
Weatherデータ*
平均気温 F Weatherデータ*
平均湿度 % Weatherデータ*
平均風速 mph Weatherデータ*
平均気圧 inches Weatherデータ*
雲量 0/1/2/3/4/5/6/7/8 Weatherデータ*
可視度 Miles Weatherデータ*
降水量 Inches Weatherデータ*
各種前提条件:
説明変数・被説明変数一覧
2013年8月~2015年8月までのデータを結合、集計
被説明変数 要因/単位 取得先
利用数 (Trips) 回 Tripsデータより、説明変数で
groupbyして集計
*weatherデータは欠損値が存在す
るため、時系列であることを考慮
し、直前のデータで補間
各種前提条件:
選択モデル、学習・検証データ、精度検証条件
• 選択モデル
• 重回帰
• Rige回帰
• Lasso回帰
• 決定木
• 学習データ
• 2013年-2015年データのうち、ランダムに抽出された8割前後の
データ・セット
• 検証データ
• 2013年-2015年データのうち、ランダムに抽出された2割前後の
データ・セット
• 精度検証条件
• 5回のクロスバリデーションによって検証
• Random Forest
• Gradient Boosting
• Ada Boosting
モデルの選択:
クロスバリデーションの結果、Random Forestの精度
が一番高かったため、予測モデルに使用
検証モデル Mean R2
Negative Mean Squad
Error
重回帰 0.24 -40.02
Rige回帰 0.24 -40.02
Lasso回帰 0.00 -52.65
決定木 0.68 -16.68
Random Forest 0.85 -8.22
Gradient Boosting 0.60 -21.05
Ada Boosting 0.40 -31.53
ハイパーパラメータチューニング:
Random Forestモデルについて、以下のパラメータ条件で
グリッドサーチによるパラメータチューニングを実施
tuned_parameters_rdfr = {
"max_depth": [2,3, None],
"n_estimators":[100, 200, 300],
"max_features": [1, 3, 5],
"min_samples_split": [2, 3, 10],
"min_samples_leaf": [1, 3, 10],
"bootstrap": [True, False],
}
各5回ずつのクロスバリデーションの結果、
最も精度の良い条件を抽出
max_depth=None, max_features=5, max_leaf_nodes=None, min_impurity_decrease=0.0,
min_impurity_split=None, min_samples_leaf=1, min_samples_split=10,
min_weight_fraction_leaf=0.0, n_estimators=300
予測結果の確認:
一日ごとの予測結果は、実際の需要をうまく追従できて
いて、実用域に達している
一日ごとの予測利用数と実利用数[回] (総数集計)
予測結果の確認:
参考:100セットだけ取り出した場合の結果
一日ごとの予測利用数と実利用数[回] (総数集計)
予測結果の確認:
時間帯ごとの予測結果も実需要を比較的うまく追従でき
ていて、実用域に達していると思われる
時間帯ごとの予測利用数と実利用数 [回] (San Francisco市, 平日)
時間帯ごとの予測利用数と実利用数 [回] (San Francisco市, 平日)
予測結果の確認:
参考:100セットだけ取り出した場合の結果
予測結果の確認:
参考:変数の重要度が高いのは、位置(ステーションを
区別)、朝/夜ラッシュ、平日/休日、気温など
変数ごとの重要度(ランダムフォレスト)
1. 自転車シェアリングビジネスの現状に対する理解
2. 需要変動の影響要因分析
3. 機械学習による需要予測モデルの構築
4. 需要予測に基づく価格変動モデルの提案
変動価格モデルのご提案:
現在の膠着的な価格体系を改め、機械学習で予測された需
要数をもとにその日、その時間帯、そのステーションの価
格を柔軟に変動させる
需要数
価格
価格
需要数
変動する需要に対して価格が一定値であり、
需要が多い・少ないときの売上の取りこぼ
しが発生する
現在 新価格モデル
機械学習で予測された需要のもと、ステー
ション、日付、天気、時間帯の違いに応じ、
価格を上下させることで、需給にあった価格
体系にする
価格変動率%(t) = (1/価格弾性値)×需要変動率%(t)モデル
(例): 価格変動率:設定価格/現在の一定価格
需要変動率:予測需要数/平均需要数
価値の提供方法:
変動価格モデルをスマホアプリに組み込み、お客様に最適
価格をアプリ内決済によってリアルタイムで提供
その時の価格を予測
入力データDock位置
日付/曜日
天気など
1 アプリから必要な
変数データを取得
2 機械学習によってその条件
下での需要数を弾き出す
3 予測された需要数を価格変
動モデルに当てはめ、その
時の最適価格を計算
4 最適価格をアプリで即提案
アプリ内決済による支払い
を実施
現在の価格
需要予測に基づいた価格変動率の計算例
時間帯ごとの価格変動率例 (San Francisco市, 平日)
価格弾性値:10
と仮定した場合
APPENDIX
• 時間があったら(PCスペックが足りていたら)やってみたかったこと
• ステーションごとの稼働率の予測
• PCスペック不足により、status.csvの集計、処理に時間がかかりすぎてしまい、時間が足
りず(MYSQL, SQLiteで扱っても同じ)。
• SVM、ニューラルネットワークなどのモデルの適用
• Fitメソッドの呼び出しに10分かかるため、クロスバリデーション、ハイパーパラメータ
チューニングをする時間が足りず。
• 複数モデルのハイパーパラメータチューニング
• PCスペック不足により時間が足りず。
• 価格変動モデルの精緻化
• 思いつく範囲の線形モデルで立ててみたが、実際にはより実情を反映したモデルがあると
思われる。

Weitere ähnliche Inhalte

Was ist angesagt?

ORB-SLAMの手法解説
ORB-SLAMの手法解説ORB-SLAMの手法解説
ORB-SLAMの手法解説Masaya Kaneko
 
目で見る過学習と正則化
目で見る過学習と正則化目で見る過学習と正則化
目で見る過学習と正則化y-uti
 
[DL輪読会]Ensemble Distribution Distillation
[DL輪読会]Ensemble Distribution Distillation[DL輪読会]Ensemble Distribution Distillation
[DL輪読会]Ensemble Distribution DistillationDeep Learning JP
 
食べログのフロントエンドリプレース戦略
食べログのフロントエンドリプレース戦略食べログのフロントエンドリプレース戦略
食べログのフロントエンドリプレース戦略Tsuji Yuko
 
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料Takuya Minagawa
 
Robot frontier lesson2
Robot frontier lesson2Robot frontier lesson2
Robot frontier lesson2Ryuichi Ueda
 
【de:code 2020】 Power Platform いまさら聞けないモデル駆動型アプリケーション
【de:code 2020】 Power Platform いまさら聞けないモデル駆動型アプリケーション【de:code 2020】 Power Platform いまさら聞けないモデル駆動型アプリケーション
【de:code 2020】 Power Platform いまさら聞けないモデル駆動型アプリケーション日本マイクロソフト株式会社
 
TensorFlowで逆強化学習
TensorFlowで逆強化学習TensorFlowで逆強化学習
TensorFlowで逆強化学習Mitsuhisa Ohta
 
大規模な組合せ最適化問題に対する発見的解法
大規模な組合せ最適化問題に対する発見的解法大規模な組合せ最適化問題に対する発見的解法
大規模な組合せ最適化問題に対する発見的解法Shunji Umetani
 
Deep Learningで似た画像を見つける技術 | OHS勉強会#5
Deep Learningで似た画像を見つける技術 | OHS勉強会#5Deep Learningで似た画像を見つける技術 | OHS勉強会#5
Deep Learningで似た画像を見つける技術 | OHS勉強会#5Toshinori Hanya
 
情報検索の基礎 #9適合フィードバックとクエリ拡張
情報検索の基礎 #9適合フィードバックとクエリ拡張情報検索の基礎 #9適合フィードバックとクエリ拡張
情報検索の基礎 #9適合フィードバックとクエリ拡張nishioka1
 
NIPS2013読み会: Distributed Representations of Words and Phrases and their Compo...
NIPS2013読み会: Distributed Representations of Words and Phrases and their Compo...NIPS2013読み会: Distributed Representations of Words and Phrases and their Compo...
NIPS2013読み会: Distributed Representations of Words and Phrases and their Compo...Yuya Unno
 
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...NTT DATA Technology & Innovation
 
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?hoxo_m
 
確率ロボティクス第四回
確率ロボティクス第四回確率ロボティクス第四回
確率ロボティクス第四回Ryuichi Ueda
 
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜SSII
 
MS COCO Dataset Introduction
MS COCO Dataset IntroductionMS COCO Dataset Introduction
MS COCO Dataset IntroductionShinagawa Seitaro
 
機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018Takahiro Kubo
 
機械学習とコンピュータビジョン入門
機械学習とコンピュータビジョン入門機械学習とコンピュータビジョン入門
機械学習とコンピュータビジョン入門Kinki University
 
ChatGPT、 何が「できる」「みえる」ようになってきたのか!
ChatGPT、 何が「できる」「みえる」ようになってきたのか!ChatGPT、 何が「できる」「みえる」ようになってきたのか!
ChatGPT、 何が「できる」「みえる」ようになってきたのか!Jingun Jung
 

Was ist angesagt? (20)

ORB-SLAMの手法解説
ORB-SLAMの手法解説ORB-SLAMの手法解説
ORB-SLAMの手法解説
 
目で見る過学習と正則化
目で見る過学習と正則化目で見る過学習と正則化
目で見る過学習と正則化
 
[DL輪読会]Ensemble Distribution Distillation
[DL輪読会]Ensemble Distribution Distillation[DL輪読会]Ensemble Distribution Distillation
[DL輪読会]Ensemble Distribution Distillation
 
食べログのフロントエンドリプレース戦略
食べログのフロントエンドリプレース戦略食べログのフロントエンドリプレース戦略
食べログのフロントエンドリプレース戦略
 
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
 
Robot frontier lesson2
Robot frontier lesson2Robot frontier lesson2
Robot frontier lesson2
 
【de:code 2020】 Power Platform いまさら聞けないモデル駆動型アプリケーション
【de:code 2020】 Power Platform いまさら聞けないモデル駆動型アプリケーション【de:code 2020】 Power Platform いまさら聞けないモデル駆動型アプリケーション
【de:code 2020】 Power Platform いまさら聞けないモデル駆動型アプリケーション
 
TensorFlowで逆強化学習
TensorFlowで逆強化学習TensorFlowで逆強化学習
TensorFlowで逆強化学習
 
大規模な組合せ最適化問題に対する発見的解法
大規模な組合せ最適化問題に対する発見的解法大規模な組合せ最適化問題に対する発見的解法
大規模な組合せ最適化問題に対する発見的解法
 
Deep Learningで似た画像を見つける技術 | OHS勉強会#5
Deep Learningで似た画像を見つける技術 | OHS勉強会#5Deep Learningで似た画像を見つける技術 | OHS勉強会#5
Deep Learningで似た画像を見つける技術 | OHS勉強会#5
 
情報検索の基礎 #9適合フィードバックとクエリ拡張
情報検索の基礎 #9適合フィードバックとクエリ拡張情報検索の基礎 #9適合フィードバックとクエリ拡張
情報検索の基礎 #9適合フィードバックとクエリ拡張
 
NIPS2013読み会: Distributed Representations of Words and Phrases and their Compo...
NIPS2013読み会: Distributed Representations of Words and Phrases and their Compo...NIPS2013読み会: Distributed Representations of Words and Phrases and their Compo...
NIPS2013読み会: Distributed Representations of Words and Phrases and their Compo...
 
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
 
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
 
確率ロボティクス第四回
確率ロボティクス第四回確率ロボティクス第四回
確率ロボティクス第四回
 
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
 
MS COCO Dataset Introduction
MS COCO Dataset IntroductionMS COCO Dataset Introduction
MS COCO Dataset Introduction
 
機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018
 
機械学習とコンピュータビジョン入門
機械学習とコンピュータビジョン入門機械学習とコンピュータビジョン入門
機械学習とコンピュータビジョン入門
 
ChatGPT、 何が「できる」「みえる」ようになってきたのか!
ChatGPT、 何が「できる」「みえる」ようになってきたのか!ChatGPT、 何が「できる」「みえる」ようになってきたのか!
ChatGPT、 何が「できる」「みえる」ようになってきたのか!
 

Ähnlich wie 機械学習を活用した需要予測の提案

サイクルモード2016講演資料161104_配布資料
サイクルモード2016講演資料161104_配布資料サイクルモード2016講演資料161104_配布資料
サイクルモード2016講演資料161104_配布資料Takanori Aoki
 
【サンプル】競合サイト調査の報告資料
【サンプル】競合サイト調査の報告資料【サンプル】競合サイト調査の報告資料
【サンプル】競合サイト調査の報告資料Chiaki Matsumoto
 
20141107 図書館総合展 ユニバーサルナレッジ_講演資料
20141107 図書館総合展 ユニバーサルナレッジ_講演資料20141107 図書館総合展 ユニバーサルナレッジ_講演資料
20141107 図書館総合展 ユニバーサルナレッジ_講演資料Toshikazu Inoue
 
【追加課題提出】株式会社絆コンサルティング様向け 自販機の新規設置アイデアご提案
【追加課題提出】株式会社絆コンサルティング様向け 自販機の新規設置アイデアご提案【追加課題提出】株式会社絆コンサルティング様向け 自販機の新規設置アイデアご提案
【追加課題提出】株式会社絆コンサルティング様向け 自販機の新規設置アイデアご提案cotonas_en
 
宣伝会議サミット2014
宣伝会議サミット2014 宣伝会議サミット2014
宣伝会議サミット2014 Vizury Japan
 
Sbw2014day1広がるクラウドマーケティングの世界 2014/7/15
Sbw2014day1広がるクラウドマーケティングの世界 2014/7/15Sbw2014day1広がるクラウドマーケティングの世界 2014/7/15
Sbw2014day1広がるクラウドマーケティングの世界 2014/7/15cloudmarketing
 
CV数を2倍に改善した不動産サイト事例SEOセミナーレポート(外部公開用)
CV数を2倍に改善した不動産サイト事例SEOセミナーレポート(外部公開用)CV数を2倍に改善した不動産サイト事例SEOセミナーレポート(外部公開用)
CV数を2倍に改善した不動産サイト事例SEOセミナーレポート(外部公開用)ナイル株式会社
 
カーシェアリング世界の未来
カーシェアリング世界の未来カーシェアリング世界の未来
カーシェアリング世界の未来Hiroshi Takahashi
 
経営者必見!中小企業の会社ホームページで営業につなげる3つの戦略
経営者必見!中小企業の会社ホームページで営業につなげる3つの戦略経営者必見!中小企業の会社ホームページで営業につなげる3つの戦略
経営者必見!中小企業の会社ホームページで営業につなげる3つの戦略株式会社クロト
 
SEO業者事業仕分け論
SEO業者事業仕分け論SEO業者事業仕分け論
SEO業者事業仕分け論Takahiro Ogoshi
 
AIを支える人間マイクロワーカーの真実
AIを支える人間マイクロワーカーの真実AIを支える人間マイクロワーカーの真実
AIを支える人間マイクロワーカーの真実Hiroshi Takahashi
 
採用ターゲットをファンにする採用サイト制作
採用ターゲットをファンにする採用サイト制作採用ターゲットをファンにする採用サイト制作
採用ターゲットをファンにする採用サイト制作Cheena Nedate
 
LiBRA 10.2021 / DXとこれからのビジネス
LiBRA 10.2021 / DXとこれからのビジネスLiBRA 10.2021 / DXとこれからのビジネス
LiBRA 10.2021 / DXとこれからのビジネスMasanori Saito
 
20070608 e-Trend WorkShop
20070608 e-Trend WorkShop20070608 e-Trend WorkShop
20070608 e-Trend WorkShoptkawai
 

Ähnlich wie 機械学習を活用した需要予測の提案 (15)

サイクルモード2016講演資料161104_配布資料
サイクルモード2016講演資料161104_配布資料サイクルモード2016講演資料161104_配布資料
サイクルモード2016講演資料161104_配布資料
 
【サンプル】競合サイト調査の報告資料
【サンプル】競合サイト調査の報告資料【サンプル】競合サイト調査の報告資料
【サンプル】競合サイト調査の報告資料
 
20141107 図書館総合展 ユニバーサルナレッジ_講演資料
20141107 図書館総合展 ユニバーサルナレッジ_講演資料20141107 図書館総合展 ユニバーサルナレッジ_講演資料
20141107 図書館総合展 ユニバーサルナレッジ_講演資料
 
【追加課題提出】株式会社絆コンサルティング様向け 自販機の新規設置アイデアご提案
【追加課題提出】株式会社絆コンサルティング様向け 自販機の新規設置アイデアご提案【追加課題提出】株式会社絆コンサルティング様向け 自販機の新規設置アイデアご提案
【追加課題提出】株式会社絆コンサルティング様向け 自販機の新規設置アイデアご提案
 
宣伝会議サミット2014
宣伝会議サミット2014 宣伝会議サミット2014
宣伝会議サミット2014
 
Power bi勉強会#05
Power bi勉強会#05Power bi勉強会#05
Power bi勉強会#05
 
Sbw2014day1広がるクラウドマーケティングの世界 2014/7/15
Sbw2014day1広がるクラウドマーケティングの世界 2014/7/15Sbw2014day1広がるクラウドマーケティングの世界 2014/7/15
Sbw2014day1広がるクラウドマーケティングの世界 2014/7/15
 
CV数を2倍に改善した不動産サイト事例SEOセミナーレポート(外部公開用)
CV数を2倍に改善した不動産サイト事例SEOセミナーレポート(外部公開用)CV数を2倍に改善した不動産サイト事例SEOセミナーレポート(外部公開用)
CV数を2倍に改善した不動産サイト事例SEOセミナーレポート(外部公開用)
 
カーシェアリング世界の未来
カーシェアリング世界の未来カーシェアリング世界の未来
カーシェアリング世界の未来
 
経営者必見!中小企業の会社ホームページで営業につなげる3つの戦略
経営者必見!中小企業の会社ホームページで営業につなげる3つの戦略経営者必見!中小企業の会社ホームページで営業につなげる3つの戦略
経営者必見!中小企業の会社ホームページで営業につなげる3つの戦略
 
SEO業者事業仕分け論
SEO業者事業仕分け論SEO業者事業仕分け論
SEO業者事業仕分け論
 
AIを支える人間マイクロワーカーの真実
AIを支える人間マイクロワーカーの真実AIを支える人間マイクロワーカーの真実
AIを支える人間マイクロワーカーの真実
 
採用ターゲットをファンにする採用サイト制作
採用ターゲットをファンにする採用サイト制作採用ターゲットをファンにする採用サイト制作
採用ターゲットをファンにする採用サイト制作
 
LiBRA 10.2021 / DXとこれからのビジネス
LiBRA 10.2021 / DXとこれからのビジネスLiBRA 10.2021 / DXとこれからのビジネス
LiBRA 10.2021 / DXとこれからのビジネス
 
20070608 e-Trend WorkShop
20070608 e-Trend WorkShop20070608 e-Trend WorkShop
20070608 e-Trend WorkShop
 

機械学習を活用した需要予測の提案