成長するためのpdcaを、ビッグデータで加速させる - hitachi … · 2019-06-18 ·...

© Hitachi, Ltd. 2014. All rights reserved.

株式会社日立製作所情報・通信システム社 ITプラットフォーム事業本部開発統括本部ソフトウェア開発本部ビッグデータソリューション部主任技師石川太一

2014/08/19

成長するためのＰＤＣＡを、ビッグデータで加速させる

～ビッグデータで個客の心を掴む、先進プロジェクト事例～


Contents

1

１．収益を生むためのビッグデータとは何か？

２．収益を生む、ビッグデータ活用事例

３．収益を生むために「日立のビッグデータ利活用支援サービス」




１-１「ビッグデータ」とは何か？

皆さんは、何派でしょうか？定義しないで会話すると、話しが噛み合わない・・・。

明確な定義はなく、話し手が定義する必要がある。

派閥１

データ量が大きい派

既存の概念を超えるとにかく大きなデータ

派閥２

データの種類派

マスタデータ＋トランザクションデータ

チャネル・インタラクションデータ

ソーシャルデータ

マクロ経済・公的データ

派閥３

データの特徴派

容量が大きい

種類が複雑（非構造データ含む）

すごいスピード、頻度で発生

派閥４

全体の概念派

小規模ではできない

大規模で価値創出

大量データを蓄積・処理・分析し

価値を出す

出典：「会社を強くするビッグデータ活用入門」網野知博 (著) 日本能率協会マネジメントセンター

3


１-２ビッグデータを目的化してはいけない

4 儲けのメカニズム、キードライバーとは何か？


ビッグデータで何かやれ

儲け話のメカニズムを再整理するとキードライバーはここにある。これをビッグデータを活用して強化する方法がないか考えてくれ！

ビッグデータの活用は手段であり目的ではありません。では目的は、何になりますか？


１-３自社の成長に大きな影響を与える指標の違い

同じ業態の企業でも、成長の鍵(キードライバー)が異なります。貴社の事業において、キードライバーは何でしょうか？

他社のビッグデータ先行事例は気になるけど、自社に当てはまるかどうかは、その儲けのメカニズム次第。

儲け話のメカニズム

現状のキードライバー

ビッグデータによる競争力強化

アマゾンＴＶショッピング

大量の品揃えと大量の顧客をマッチングさせ

顧客経験の機会を増大

協調フィルタリングによる顧客への適切な

リコメンデーション

ＭＤ（目利きによる

仕入れ）

商品Ｃ

商品Ｂ

商品Ａ

一見客

ＴＶで

訴求

一期一会刈り取り

顧客

○ＭＤ力、ＴＶ訴求力、刈り取り力×顧客と商品のマッチング

協調フィルタリングによるリコメンデーションは

活用としては不適切な領域


アマゾンの成功モデルがそのまま当てはまらない

ＭＤ： Merchandising

5


１-４キードライバーを強化するためのステップとは？

6 では、どんなデータを活用しますか？

先ずはキードライバーを把握し、それを強化するためにデータを活用できないか？を考える。

競争力強化の領域を把握する

強み/ 差別化把握

儲け話のメカニズム把握

現状のキードライバー把握

ビッグデータによる強化方法を検討する

ビッグデータ活用の展開の順番論を検討する



１-５どんなデータを活用すべきか？

7 これらのデータを、いつ、何の目的で活用しますか？

社内データ

属性

マスタデータ（会員情報、性別、年代、住所）

テキスト記述（顧客の

趣味嗜好など）

行動

トランザクションデータ（購買履歴、利用チャネル）

コールセンターログ・問い合わせメール・営業日報

社外データ

経済データ・政府/自治体データ・定量アンケート

ソーシャルメディア・定性アンケート

定型データ

非定型データ

貴社のキードライバーを強化するためには、どのデータが必要ですか？



１-６いつ、何の目的で活用すべきか？

8

キードライバーを強化するために、年度、四半期、月次、週次、日次でデータを活用する！

事業構造把握

Ｐlan

Do

See

大きな PDS

サイクル

小さなPD（CA）サイクル

ビッグなデータに基づく事業構造分析

個別施策

個別施策

ビッグなデータに基づく事業計画

ビッグなデータに基づく結果検証

個別施策

打ち手検討のためのビッグなデータ分析

四半期/半期/年次

ビッグなデータを活用したタイムリーなモニタリング

Plan

Do

Check

Act

週次/月次

ビッグなデータに基づく個別の施策計画

状況把握

成長するためのＰＤＣＡプロセスを、ビッグデータで加速する！



成長するためのＰＤＣＡを、ビッグデータで加速させる～ビッグデータで個客の心を掴む、先進プロジェクト事例～

9





スクリーンをご覧ください。

投影のみ

２-１流通業における競争環境の変化

10

実店舗の売上が圧倒的に大きい。一方で、ネット市場が拡大する傾向にあり、店舗のショールーム化が始まっている。



投影のみ

２-２顧客の購買行動の変化

11

スマートフォン等、モバイル端末の普及は、店舗とネットの垣根を無くし、消費者は相互のメリットを使い分けることが当たり前になりつつある。


２-３離反を防止し、自社チャネルに引き込むには？

•女性、30代、OL、一人暮らし

同じプロファイルでも価値観は全く違う・・・。

手軽さは大事。でも、手間かかっても、高くても、美味しくなきゃ駄目！

顧客カードの購買履歴を基にした購買行動セグメンテーション（RFMやデシル）、静的な顧客プロファイリングでは、購買パターンやお店の使い方はわかっても、顧客の“気持ち“は理解できない。

とにかく忙しい！手軽で、利便性が一番！

値段も手頃さ優先。

多様化、高度化し続けるお客様の嗜好を捕捉する。静的なお客様のプロファイル理解ではなく、本質的な価値観を理解する。価値観 → お客様が行動する際の“判断基準”（理由、背景）

EX．）商品を選ぶ“選択基準”、サービスを心地良いと感じる“基準”

12

•今のまま、購買履歴をいくら集めても、お客様の本当の姿はわからない

ＲＦＭ： Recency/Frequency/Monetary



投影のみ

２-４ライフスタイルセグメント手法

13



投影のみ

２-５購買データ分析によるセグメンテーション

14


2. 個別評価

全体の価値観クラスター出現率算出

顧客別価値感クラスター出現率評価

顧客別価値感クラスター付与

全会員の

購買実績集計顧客別価値感クラスター出現率算出

1. 全体評価

２-６顧客価値観によるクラスタリングイメージ

品質重視 (安心安全) エコノミー品質重視（高品質) 調理時間短縮

有機野菜サラダ有機野菜ジュース有機大豆納豆 etc.

チョコパン４＋１個お得用ロースハムスライス（徳用１００ｇ）・・・etc.

カット野菜酢豚シチュー・・・etc.

品質重視(味にこだわり)

生ビール黒ビール缶コーヒー etc.

健康志向

健康的な烏龍茶健康的な緑茶Ｂ

会員コード総点数エコノミー理時間短縮品質重視クラスターＡ 1,400 7.9% 2.7% 0.5% エコノミーＢ 2,893 1.0% 5.5% 4.5% 品質重視Ｃ 1,538 1.5% 12.0% 1.8% 調理時間短縮Ｄ 1,060 1.0% 1.0% 6.0% 品質重視

ＡさんＢさんＣさんＤさん

総点数エコノミー調理時間短縮品質重視 1,200,000,０00 2.00% 4.00% 1.0%

平均の200%以上

平均の100%～200%

平均の100%以下

全体の購買実績をＤＮＡ要素から価値感クラスターに集計し、全体の金額、点数、バスケット数の出現率を算出し、確認します。 (単純平均、標準偏差等での評価をします)

算出した出現率から閾値を決定します。個別の顧客ごとに、閾値、付与条件を考慮し、

価値感クラスターを付与します。

十数億明細の購買データにより、クラスタリングを実施。

15


顧客のクラスタ及び商品ＤＮＡの体系は、取組目的に基づくクラスター設定からスタートし、下記の一連のプロセスで運用する。

２-７顧客クラスタリングの業務プロセスと運用リスク

STEP 1 STEP 2 STEP 4 STEP 3

値段味賞味期限容量健康・美容

調理法ブランド調理時間

短縮品質重視エコノミー

健康志向美容志向

価値観クラスター

価値感クラスタ商品区分

08 09 11 17 18 ブランド値段調理法賞味期限容量

A 調理時間短縮 - - ・すぐ食べられる・簡単調理

・日持ちする・小分け

B 品質重視・国産・高品質・銘柄もの・ご当地商品・安心・安全・味にこだわり

・贅沢・高価格・最高級品

- - -

C エコノミー - ・お買い得・低価格

- - ・大容量・ファミリーパック

商品DNA区分価値観クラスター

品質重視利便性エコノミー

価値観クラスター商品DNA区分商品DNA要素

商品アイテム毎商品DNA

個客別価値感クラスター

価値観クラスター付与 ①購買実績を基に、顧客

毎に、価値感クラスターを付与し、セグメント化

商品DNAの付与 ①マーカー商品（価値観クラ

スターを象徴する代表商品）を中心に、商品DNAを手動で付与

商品DNA体系の定義 ①価値感クラスターと商品

を関連付ける商品DNAを定義

価値観クラスター定義 ①把握したい顧客の趣味・

嗜好を、価値感クラスターとして定義、設定。

16

業務的ボトルネックのリスク


２-８データ量が膨大になると、現実的な時間で回らない

17

大容量データの迅速な処理：多次元になる商品DNAをタイムリー、迅速に処理マスター運用の効率化：同一価値観に関連する商品のカテゴライズの（半）自動化商品マスター管理との一元化：管理部門との連携、重複作業の排除

大量のID-POSを最新の商品DNAで分析、集計出来るインフラ構成？

対応すべき課題

ビッグデータ技術を活用し、継続的業務として運用可能な、

現実的オペレーションの設計、運用。

対象データは大容量。データ処理運用は？

ただでさえ商品マスター管理の負荷が大きく、新たに商品DNAの管理まで手が回らない

毎週、大量の新商品が出るのに、手作業で商品DNAを振る？



投影のみ

２-９ビッグデータ利活用基盤の活用で、プロセスを改善

18

大容量のID-POSデータを迅速に処理するために、ＨｉｔａｃｈｉＡｄｖａｎｃｅｄＤａｔａＢｉｎｄｅｒをコアにしたシステム環境を適用し、日立流通分析テンプレート、ＢＩツール（ＤＴＳ) による分析を実施。


２-１０個客の心を理解するためのオムニチャネルデータ

19

データ種類の多様化

つぶやき、コメント、情報発信

問合せ、会話内容

クレーム

単品販売情報

利用チャネル

Access Log サイト訪問履歴商品参照履歴

単品販売情報

顧客情報 •会員種別 •年代、性別 •居住エリア •ロイヤリティ •家族、収入など

時系列 •年 •期 •四半期 •月 •週 •日 •曜日 •時間帯

階層 •会社 •店 •ライン •クラス •棚 •単品

単品販売情報（POS売上明細）

× × × × ×

お客様の実態を正確に理解するために必要な情報は、加速度的に増加する。

ビジネスの変化

データ量の増加

品揃え改善対面サービス強化

One to One マーケティング

Omni Channel Retailing

顧客接点強化

分析対象(収集、蓄積)データの増加とともに、分析視点の多様化も加速データ収集～蓄積～分析～活用へ向け、ビッグデータ情報基盤による、高速処理の活用領域

潜在的ニーズの先取り

店舗販売ＣＲＭＥＣ,

ネットスーパーコンタクトセンタ

活用ＳＮＳ活用

既存データによるビジネスの高度化新たなデータの活用

売り逃し情報 etc.

ビジネスの変化に伴い、データの「量」「種類」は加速的に増加。これらのデータの収集・活用がビジネス発展のキーとなる。

ＳＮＳ： Social Networking Service ＣＲＭ： Customer Relationship Management

ＥＣ： Electronic Commerce



20





３-１経営/マーケティング企画部門、情シス部門の悩み

21

事務所

工場

店舗

現実世界で日々発生する様々なデータを、戦略的に活用し経営改革、マーケティング企画、業務改善を促進したい。

企画

経営

業務

日立のＩＴ基盤、ソリューション、サービスをご活用ください！

現実世界データ利活用

儲けのメカニズムは？

成長するためのキードライバーは？

ＫＰＩを見える化するためのＩＴ要件は？

ＩＴ要件を満たす最適な基盤は？

ＩＴ基盤を素早く構築するには？


３-２データアナリティクス・マイスターサービス

22

調達

ＤＢ

製造

ＤＢ

販売

ＤＢ

事務所

工場

店舗

トランザクション



社内に散在する様々なデータを戦略的に活用し、業務改善、マーケティング企画、経営改革に利活用したい。

社内システム

企画

業務

日立のデータアナリティクス・マイスターサービスをご活用ください。経営、マーケティング、業務課題の分析から、ビジョンの構築、求められるＩＴシステムの要件定義を支援します。

データ利活用

経営

http://www.hitachi.co.jp/products/it/bigdata/approach/service.html 日立マイスター検索

有償


３-３ＢＩコンシェルジェサービス

23

調達

ＤＢ

製造

ＤＢ

販売

ＤＢ

事務所

工場

店舗




操作性の優れたＢＩシステムを、素早く構築したい。

企画

経営

業務

日立のＢＩコンシェルジェサービスをご活用ください。業務要件に応じた最適なＢＩツールの選定から、経営ダッシュボード、集計レポーティング画面の企画、要件定義、構築を支援します。

ＢＩ

ＢＩ

ＢＩ

報告マート

集計マート

分析マート

ダッシュボード

自由分析

定型分析

http://www.hitachi-solutions.co.jp/bi_concierge_service/ 日立 BIコンシェル検索

有償


３-４データウェアハウス構築ソリューション

24

調達

ＤＢ

製造

ＤＢ

販売

ＤＢ

事務所

工場

店舗




拡張性と保守性の高いＤＷＨシステムを、素早く構築したい。

企画

経営

業務

ＤＷＨシステム企画サービスをご活用ください。分析およびレポーティング要件に応じて最適なＤＷＨ基盤の選定と企画、要件定義を支援します。

ＢＩ

ＢＩ

ＢＩ

報告マート

集計マート

分析マート


自由分析

定型分析

蓄積

ＤＷＨ

ＥＴＬ

Ｆｉｌｅ

http://www.hitachi.co.jp/Prod/comp/soft1/solution/search_s/dwh/index.html 日立ミドルウェアソリューション検索

有償

高速データアクセス基盤 Hitachi Advanced Data Binder プラットフォーム *1

*1: 内閣府の最先端研究開発支援プログラム「超巨大データベース時代に向けた最高速データベースエンジンの開発と当該エンジンを核とする戦略的社会サービスの実証・評価」（中心研究者：東大喜連川教授）の成果を利用。

ＥＴＬ： Extract/Transform/Load


３-５かんたんＨａｄｏｏｐソリューション

25

調達

ＤＢ

製造

ＤＢ

販売

ＤＢ

事務所

工場

店舗




消費者の行動履歴やＷｅｂのアクセスログ、センサーデータなどの、ビッグデータを業務や経営に役立てたい。

企画

経営

業務

ＢＩ

ＢＩ

ＢＩ

報告マート

集計マート

分析マート


自由分析

定型分析

蓄積

ＤＷＨ

ＥＴＬ

Ｆｉｌｅ

消費者収集

Ｆｉｌｅ

行動履歴

かんたんＨａｄｏｏｐソリューションをご活用ください。分析およびレポーティング要件に応じて、Ｈａｄｏｏｐを活用したデータ利活用基盤の企画、要件定義、構築を支援します。

http://www.hitachi.co.jp/Prod/comp/OSD/pc/bd/products/solution/index.html 日立かんたんhadoop 検索

有償

並列分散処理

ＨＡ８０００-ｂｄ/ＢＤ１０

蓄積

Ｆｉｌｅ


３-６日立のＩＴソリューション、サービスをご活用ください

現実世界

消費者報告書センサー

ＳＮＳ

情報系

事務所

工場

店舗

調達

製造

販売

：ＤＢ

ＤＢ

ＤＢ

ＤＢトランザクション情報

履歴情報

ＤＷＨＥＴＬ

経営/業務

マーケティング

収集集計蓄積ＤＢＤＢ

履歴ＤＢ事実データと、トレーサビリティの確保

素早くフィードバックします

バッチ時間を短縮します

非構造データを素早く集計します

効率よく蓄積できます

マートレスでデータを活用

できます

大量データを一次処理できます

加工・収集分析・活用

高速データアクセス基盤

ストリームデータ処理基盤

インメモリデータグリッドかんたんＨａｄｏｏｐ時系列データ処理基盤

可用性を高めます

DataStage

Hitachi Advanced Data Binder プラットフォーム *

*: 内閣府の最先端研究開発支援プログラム「超巨大データベース時代に向けた最高速データベースエンジンの開発と当該エンジンを核とする戦略的社会サービスの実証・評価」（中心研究者：東大喜連川教授）の成果を利用。

ノンストップＤＢ

経営指標の改善検討から、データ利活用システムの開発、運用、保守をトータルに支援いたします。

基幹バッチ

グリッドバッチ

当社製品の例

基幹系

データアナリティクス・マイスターサービス

ＢＩコンシェルジェサービス

26


END

27


株式会社日立製作所情報・通信システム社 ITプラットフォーム事業本部開発統括本部ソフトウェア開発本部ビッグデータソリューション部主任技師石川太一


付録１データアナリティクス・マイスターサービス

28

実用化検証活用シナリオ策定システム導入ビジョン構築

① Ｅｘアプローチ（*1）

② ビジネス・ダイナミクス（*2）

③ 数理分析（*3）

④ ビッグデータ利活用プラットフォーム

データ・アナリティクス・マイスター

イノベイティブ・アナリティクス

*1：お客さまの経験価値を最適化する観点で、現在の業務から将来像を創出協創によって、改善のための具体的なプロセス構築が可能。

*2：事業構造をモデル化するMIT(Massachusetts Institute of Technology) 提唱の手法。日立は豊富な実績と、業種・業界毎の独自テンプレートを保有。

*3：日立の豊富な分析技術・事例を体系的に整理した“分析テンプレート”（目的指向・手法指向・データ指向）で、あらゆる種類のデータの分析に対応。

データ活用のビジョン

生まれる価値の明確化

実現性の目途ビジネス価値


ＢＩコンシェルジェを活用し、お客さまがシステムを開発した例

5 要件確認・定義 (BIコンシェルジェ)

製品選定

評価環境構築

環境構築

お客様に技術トランスファー

半年程度の技術支援

１．現状業務ヒアリング：現状BIシステムを活用されているエンドユーザにヒアリングし、課題を明確にします。

2 3 製品評価・選定

4 使える

BIシステム 9 数帳票

作成

6

２．製品選定：ヒアリング結果をもとに業務に最適なBIツールの候補を選定します。

３．評価環境構築：お客様要件に従った製品評価を行うための環境を構築し、帳票や運用を体感いただきます。４．製品評価・選定：お客様要件を元にした製品の比較結果を提示。お客様に最終的な製品選択をして頂きます。

５．環境構築：選択されたBI製品の環境を構築します。

６．数帳票作成：作成対象の帳票の内、数帳票選んでOJTを行いながら帳票作成します。

８．技術トランスファー： BIツールによる帳票作成ノウハウ及び運用ノウハウをお客様に教育します。

９．技術支援：お客様からの技術的なお問合せにオンサイト又は、電話/メール等で対応します。

7 お客さまによるシステム開発

8

７．開発：お客様側でシステムを開発(又はSierがシステムを開発)します。

エンドユーザ操作教育

10

１０．エンドユーザ操作教育：エンドユーザに操作教育を行います。

現状業務ヒアリング

1

付録２「ＢＩコンシェルジェ」の活用ステップ事例

ＤＷＨ構築ソリューションでは、ステップ７を当社が請負います。

29


他社所有名称に対する表示

32

• 製品の内容・仕様は、改良のために予告なしに変更する場合があります。 • データスタジオ＠WEBは、株式会社DTSの日本における登録商標です。 • DataStage、MetaBroker、MetaStageおよびQualityStageは，IBM Corporationの商標です。 • Hadoopは、Apache Software Foundationの商標です。 • 本資料に記載の会社名、製品名は、それぞれの会社の商標もしくは登録商標です。

成長するためのpdcaを、ビッグデータで加速させる - hitachi … · 2019-06-18 ·...

Documents