2016/10/07 CEATEC JAPANでの、木本の講演資料になります

1. (C) Recruit Technologies Co.,Ltd. All rights reserved.
■
DataRobot活用状況
@リクルートテクノロジーズ

2. (C) Recruit Technologies Co.,Ltd. All rights reserved.
■プレゼンター紹介
1
◆プロフィール
氏名: 木本 貴光 (きもと たかみつ)
所属: リクルートテクノロジーズ ビックデータ本部
◆経歴・経験
- 2015年よりリクルートテクノロジーズに参画
- 大学院では数理ファイナンスを専攻
- 得意分野は点列作り (擬似乱数・準乱数)
- 専任担当して、DataRobotを使ったコンサルティングやソリューション開発を担う
◆現在業務
DataRobotの専任担当として、リクルート内でのDataRobotの活用推進やアナリティ
クスを用いたコンサルティング、独自のソリューション(予測自動化)の開発を担当

3. (C) Recruit Technologies Co.,Ltd. All rights reserved.
■オンプレ VS クラウドサービス
2
セキュリティ
システム連携
コスト
アカウント管理
データマネジメント
運用体制
オンプレミス クラウドサービス
セキュリティ管理が不要
容易
スケールメリット
リードタイム:1–5営業日
容易
要構築
セキュリティ管理が必要
困難
N/A
リードタイム:3–10営業日
困難
不要

4. (C) Recruit Technologies Co.,Ltd. All rights reserved.
■DataRobot活用推進
3
認定パートナー
新規ユーザ
の獲得
既存ユーザ
の継続利用
DataRobot
社内推進
セミナー開催
社内セールス活動
PoC (データあり)
PoC (データなし)
トレーニング提供
運用・保守
機能改善
予測自動化の仕組み構築
社内推進活動

5. (C) Recruit Technologies Co.,Ltd. All rights reserved.
■リクルート社内活用状況
4
0.0
5.0
10.0
15.0
20.0
25.0
30.0
35.0
40.0
45.0
50.0
0
0
0
0
0
0
0
0
0
0
0
3月31日 4月9日 4月16日 4月23日 4月30日 5月7日 5月14日 5月21日 5月28日 6月5日 6月12日 6月19日 6月26日 7月3日 7月10日 7月17日 7月24日 7月31日 8月7日
2016年 –プロジェクト数とモデル数の累積（実数は割愛）
(単位:千個)
(単位:個)
プロジェクト数の累積
モデル数の累積
-モデル数-
プロジェクト内作成されるオブジェクトで、分析
テーマに対するアプローチの数
-プロジェクト数-
分析のテーマごとに作成されるオブジェクトの数

6. (C) Recruit Technologies Co.,Ltd. All rights reserved.
■事例:営業活動のエンハンス
5
テーマ クライアントのニーズキャッチ リクエスト
クライアントの出稿意欲(ニーズ)の高まりを合
理的に予測し、営業がアプローチ出来るような
仕組みの構築にチャレンジしたい
実施内容
クライアントの属性情報、実績（自社/競
合）、外部要因情報などから出稿率(ニーズ)を
予測するモデルを構築して営業が活用できる仕
組みを構築した
効果 アポイントメントの獲得率や出稿率が向上した
クライアント
属性情報
クライアント
実績情報(自社)
クライアント
実績情報(競合他社)
外部データ
クライアントごとの出稿確率
インプット アウトプット
クライアント 出稿率
1. XXXXX 75%
2. XXXXX 73%
3. XXXXX 67%
4. XXXXX 59%
5. XXXXX 42%

7. (C) Recruit Technologies Co.,Ltd. All rights reserved.
■事例:カスタマーレコメンド
6
テーマ カスタマーレコメンド リクエスト
カスタマーにとって潜在的に相性の良い商品の
レコメンドを行うことで、CV率を高めたい
実施内容
カスタマー情報と商品情報の数値/非構造デー
タからカスタマーと潜在的に相性の良い商品を
レコメンドする仕組みを構築した
効果 カスタマーのCV率が向上した
商品情報DB
(数値/非構造データ)
商品候補リスト
インプット アウトプット
商品候補リスト
1. 商品 A
2. 商品 B
3. 商品 C
4. 商品 D
5. 商品 E
カスタマーDB
(数値/非構造データ)

8. (C) Recruit Technologies Co.,Ltd. All rights reserved.
■事例:カスタマーの離脱防止
7
テーマ カスタマーの離脱防止 リクエスト
自社サービスの利用カスタマーが離脱し、他
サービスへ流出するのを予防したい
実施内容
自社サービスとネットリサーチデータを併用し
ていして、自社サービスからの離脱可能性のあ
るカスタマーを特定する仕組みを構築した
効果
自社サービスから離脱する可能性のあるカスタ
マーに対して、予防策を講じることが可能と
なった
インターネット
リサーチデータ
離脱確率の高いカスタマーリスト
インプット アウトプット
離脱カスタマー
1. カスタマー A
2. カスタマー B
3. カスタマー C
4. カスタマー D
5. カスタマー E
自社サービス
利用者データ

9. (C) Recruit Technologies Co.,Ltd. All rights reserved.
■予測自動化の仕組み
8
ビジネス課題
の設定
データの抽出
分析モデル
の構築
分析モデル
の検証
分析モデル
の評価
分析モデル
の改善検討分析モデル
の修正
最適な分析
モデルの選定
分析モデルの
導入・利用
ビジネス課題
の設定
データの抽出
分析モデルの
導入・利用
DataRobot
ビジネス課題
の設定
データ
の抽出
DataRobotによる
予測の自動化
分析モデルの
導入・利用
従来のアナリティクス
DataRobot
予測自動化

10. (C) Recruit Technologies Co.,Ltd. All rights reserved.
■予測自動化のメリット
9
予測モデル構築の自動化
メリット1
鮮度の高い分析モデル
メリット2
フィージビリティスタディの高速化
メリット3
予測モデルによる成果の見える化
 バッチによる予測モデルの最新化
 容易な予測モデルのシステムへの連携