Tableau data science_20201209

1. 株式会社GRI
データで新たな事業を開発していくカンパニー。
自動機械学習する際のTableauの大きな役割について
2020/12/09
古幡征史
Tableau Data Science 勉強会

2. ©GRI Inc.CONFIDENTIAL
ナビゲータ
2
◼古幡征史(PhD)
◼株式会社GRI 取締役
◼経歴
• 筑波大学 第三学群社会工学
• 筑波大学大学院 経営・政策科学研究科修了(MS)
• University of Western Sydney, PhD in Computer Science（コンピューターサイエンス博士号）
• Universite Toulouse 1 Capitole, Doctorat en Informatique（コンピューターサイエンス博士号）
• 丸文株式会社/KPMGコンサルティング/北陸先端科学技術大学院大学/University of Southern California/ドワンゴ
◼分野
• データ分析＆シミュレーション
• データ分析基盤構築
• AI開発
• BI構築
• マーケティング、サプライチェーン、物流管理、配送管理、営業、経営、人事管理、財務管理、オークション、制度設計
• 東京ガス、読売新聞、ソニーネットワークコミュニケーションズ、ドワンゴ、アミューズ、ジブラルタ生命保険、野村総
研、東京証券取引所、スパークス、米国運輸省、米国海軍研究所、NASAを含む50社以上

3. ©GRI Inc.CONFIDENTIAL
ある米国の電話会社の悩み（サブスクリプション・ビジネス）
会員数の増加には新規契約数の増加と会員契約の継続を狙うのが鉄則
会員契約の継続 ＝ 個人の事情＋提供するサービス・施策
サービス・部署ごとなどの限られた視点で
顧客を見てしまいがち
利用者の総合的な把握、個々の会員状況への対応が困難
結局、重点をどこに置くべきか？ 通話料金
契約代理店
通話時間
世帯属性
オプション
契約
契約期間
CS
問い合わせ

4. ©GRI Inc.CONFIDENTIAL
BIでの初期分析の限界
4
◼ 解約を説明する一つの特徴量との
関係を簡単に表示できる
（クロスなども簡単にできる）
◼ 顧客は一つの特徴量だけで説明で
きるほど単純ではなく、たくさん
の特徴量で表現したくなる
（BIでは厳しい）
https://public.tableau.com/profile/griinc6648#!/vizhome/_20200310/sheet0

5. ©GRI Inc.CONFIDENTIAL
機械学習（ML: Machine Learning）のアプローチ
5
ある一定期間後に継続／解約しているユーザ 継続状態以外のデータのみで、見分ける法則を
機械に学習させる（法則が分かると便利）
機械学習の問い： 継続と解約するユーザの見分け方を学習してください
解約判定 継続判定

6. ©GRI Inc.CONFIDENTIAL
機械学習（ML: Machine Learning）のアプローチ
6
機械学習の問い： 一枚表の特徴量を使ってターゲット（継続と解約するユーザ）の見分け方を学習してください
会員ID 会員状態 会員月数 居住地域 年齢 支払方法
1 継続 20 東京 32 クレジットカード
2 解約 4 埼玉 29 コンビニ
3 継続 15 千葉 63 自動引き落とし
4 継続 32 大阪 42 クレジットカード
5 解約 19 北海道 58 コンビニ
6 継続 20 鹿児島 23 自動引き落とし
一枚表
特徴量ターゲット
解約判定 継続判定
※大量の組み合わせから自動判定
例）100の特徴量を含む含まないの組み合わせだけで、1267650600228229401496703205376通り

7. ©GRI Inc.CONFIDENTIAL
自動機械学習ForecastFlowで得られるメリット
• ユーザーの行動を総合的に解釈できる
• ユーザーごとに最適な施策を出し分ける指標が得られる
情報の統合・予測モデルの構築（AutoMLの利用）
会員契約の継続／解約の要因を総合的に解釈
会員ごとの継続確率を算出する
個々の会員に対して最適な施策を出し分ける

8. ©GRI Inc.CONFIDENTIAL
ForecastFlow（自動機械学習の例）
8

9. ©GRI Inc.CONFIDENTIAL
自動機械学習でうれしいこと
9
• 一枚表さえあれば、自動で顧客の見分け方を学習
• どのように見分けたかが分かる
• つまり予期の仕方が分かり、事前的な施策に
活かせる
• 学習した結果を使って、新しいデータを使い、
ユーザごとに予測スコアを得られる
• 予測スコアを用いて効果的な施策選定可能
• より厳密な効果測定に使える
• What-if分析で、仮にこうなったら、どのよう
なことが起こるかシミュレーションできる
https://public.tableau.com/profile/griinc6648#!/vizhome/MachineLearningInterpretation_JA/Interpretation

10. ©GRI Inc.CONFIDENTIAL
特徴量エンジニアリング
◼とりあえず、一枚表を作成して、ForecastFlow等で結果を見る
◼施策立案レベルの結果まで出ないことが多いので、一枚表を書き換える
–モデル分割： 一つのモデルで表現すべきでない切り分け方を考える（効果的な範囲で）
–特徴量の修正： グルーピングや特徴量同士の掛け算を考える
10
Tableauの画面へ

11. ©GRI Inc.CONFIDENTIAL
ForecastFlow活用の２つのフェーズ
11
• 訓練フェーズ（処方的アナリティクス）
• 過去実績を用いて予測モデルを構築
• 戦略的なサービス設計に役立てる
• 推論フェーズ（予期的推論）
• 最新のデータからIDごとに予測スコアを作成
• 戦術的な施策実施に役立てる

12. ©GRI Inc.CONFIDENTIAL
ForecastFlowの２つのフェーズ
12
問題設定
特徴量エンジニアリング
（データセット準備）
訓練
（予測モデル構築）
解釈と優先順位
機械学習で解くべき問題
を定義
問題に沿った一枚表を作成 データセットから予測する
法則を自動的に学習を行い、
予測モデルを構築
学習した法則を人が解釈
できるようにし、解釈に
基づき優先順位の決定
新しいデータセット
（未知なターゲット）
推論
（予測スコア）
予測スコアに基づいた
施策実施
効果検証
ターゲットなしの一枚表を
作成（予測したいデータ）
構築済みの予測モデルへ新
しいデータセットを投入し、
IDごとに予測スコアを算出
予測スコアに応じて、顧客の
選定、及び施策の出し分け
訓練フェーズ
施策の出し分けの効果検証を
実施
推論フェーズ

13. ©GRI Inc.
自動機械学習の応用例
13
◼ サブスクリプション・ビジネス
• 解約防止施策
• Life-Time Value の予測
◼ 優良顧客の育成
• 優良顧客の態度変容予測
• 新規顧客の定着パターン
◼ リード・ナーチャリング
• リード顧客をコンバージョ
ンへ導く施策選定
◼ 工場での検品／IoT
• 印刷工場での入稿画像の検版
• 飼育牛の発情検知、分娩検知
◼ 売上予測／数値予測
• 店舗ごとの売上予測
• 視聴率予測
◼ レコメンド
• 商品の購買予測確率からレコメンド
$

14. ©GRI Inc.CONFIDENTIAL
ForecastFlowトライアル・アカウントの配布
14
◼訓練する際、最大1,000行になります
◼トライアル・アカウントの詳細ページ
• https://forecastflow.jp/free/
◼申し込みメールを下記へ
• forecastflow@gri.jp
• ForecastFlow無料アカウント申請フォーム
-お名前：
-所属名：
-部署名：
-ForecastFlowで利用するメールアドレス：

15. ©GRI Inc.CONFIDENTIAL
すいすい会の紹介
15
◼データサイエンスの領域に関して知見を共有しあい、みんなで実践的な
理解度を高めたい
◼自分の知見などを自由に発言してください
（呼び水のテーマ紹介をします）
◼しばらくの期間は、自動機械学習を中心にお話をさせてください
◼資料： GRIホームページ: https://gri.jp/news/12924
◼Slack ForecastFlowチャンネル:
https://join.slack.com/t/forecastflowusers/shared_invite/enQtNTgyMjcxOTg0NzcxLTBkOWEzYWMwNDJmNTkyMDQzYmIxYWU0YWI4ZmU3ZDU0ZTMxNDUwODAxMWFmYmU1YjJiZGI0
MjRhYWYyYTNlZTQ
◼YouTube: GRIチャネル: https://www.youtube.com/channel/UCDVGqf-dgczYHMfPzpQ0jNQ

16. ©GRI Inc.CONFIDENTIAL
過去のすいすい会の動画（YouTube）
16
◼ 第１回「ビジネスでAIを活用するための問題設定」
• https://www.youtube.com/watch?v=ppkgYD69NDU
◼ 第２回「アンケートと機械学習」
• https://www.youtube.com/watch?v=-s1PcLQUBNI
• https://www.youtube.com/watch?v=ylVT3OyayEk
• https://www.youtube.com/watch?v=sFVabtfNvIk
◼ 第３回「分類問題の精度評価手法と不均衡データ」
• https://www.youtube.com/watch?v=q6WJDTOgotA
◼ 第４回「自動機械学習での特徴量の作り方」
• https://www.youtube.com/watch?v=Ms52EnCRk8g
◼ 第６回「予測スコアを用いた効果的な施策実施」
• https://youtu.be/8Sm8ex6taE8
◼ 第７回「時系列のセンサーデータを扱ったPredictive Modelでの予測について」
• https://youtu.be/P09VdyyVtHs