SlideShare a Scribd company logo
1 of 41
Download to read offline
データ分析グループの組織編制とその課題
マーケティングにおけるKPI設計の失敗例
ABテストの活用と、機械学習の導入
Cloudera World Tokyo 2016
2016/11/08
中山ところてん
Emotion Intelligence株式会社
お前誰よ
 @tokoroten
 http://twitter.com/tokoroten
 Emotion Intelligence株式会社
 http://emin.co.jp/
 http://www.zenclerk.com/
 高機能雑用
 現職:ECデータ分析、新規開発、営業
 昔:半導体計測器屋、ゲームディレクター、セキュリティ
目次
 データ分析グループの組織編制とその課題
 データ分析グループの仕事の範囲
 データ分析グループの組成失敗例
 データ分析グループを正しく運用するには
 マーケティングにおけるKPI設計の失敗
 デジタルマーケティングにおけるKPI偏重の問題
 ABテストによるリフト計測
 ABテストから機械学習へのシームレスな移行
 ABテストの向こう側へ、マーケティングオートメーション
 マーケティングオートメーションの悲哀
 機械学習の投入と、その限界
 アップリフトモデリング
目次
 データ分析グループの組織編制とその課題
 データ分析グループの仕事の範囲
 データ分析グループの組成失敗例
 データ分析グループを正しく運用するには
 マーケティングにおけるKPI設計の失敗
 デジタルマーケティングにおけるKPI偏重の問題
 ABテストによるリフト計測
 ABテストから機械学習へのシームレスな移行
 ABテストの向こう側へ、マーケティングオートメーション
 マーケティングオートメーションの悲哀
 機械学習の投入と、その限界
 アップリフトモデリング
データ分析の流れ
 データ分析グループは、アプリ運用で生まれたログデータ
を解析、改善活動を行っていくことでビジネスに生かす
 必然的にカバー範囲は、研究からアプリ運用
研究 開発
システム
運用
アプリ
運用
営業活動
ログ
データ
データ分析グループ
データ分析に必要な人材
データサイエンティスト協会 データサイエンティストのスキルセット
http://www.datascientist.or.jp/news/2014/pdf/1210.pdf
データ分析グループはチーム戦
 研究開発から運用までを一気通貫で行う
 チーム内に「ビジネス」「サイエンス」「エンジニアリング」
の能力を全部持つ必要がある
 一人で全部をカバーする必要はない、複数人でカバー
 データ分析チームが失敗する条件
 チーム内の能力の欠如(Biz、Sci、Eng)
 チームに与えられた業務範囲が限定的
 業務範囲についての、経営者・開発ラインからの無理解
データ分析グループの組成失敗例①
 大企業はプロセスごとに会社が切れている
 会社の壁を超えてログデータを手に入れることが困難
 しかし、会社からは「データ分析しろ」という命令が…
 仕方ないので、他社と「共同研究」という形でお茶を濁す…
研究 開発
システム
運用
アプリ
運用
営業活動
研究所 事業会社 孫会社 孫会社 代理店
ログ
データ
データが無いのに
分析しろって言われても…
データ分析グループの組成失敗例②
 データサイエンティスト=高学歴、研究者 で採用
 雇ったら、研究的な仕事しかしたがらない
 難しい問題を、難しく解きたがる
 研究における価値と、ビジネスにおける価値の混同
 ビジネスは「難しい問題を、簡単に解く」ことに価値がある
 売り上げに繋がらない
研究 開発
システム
運用
アプリ
運用
営業活動
ログ
データ
データ分析
グループ
やったー
面白いデータだ!!
あいつら、現場に何も還元し
ないで、好きなことばっかり
やりやがって……
データ分析グループの組成失敗例③
 現場を改善するためにアナリストを雇う
 研究系とアナリスト系で、データ分析グループが空中分解
グループが二つに割れる
 双方が「あいつらは仕事をしていない」と言い合って対立
 現場の改善と、研究で、サービスのコアの開発に入ってい
かないので、サービスが進歩しない
 グループ内での業務範囲の共有の失敗が原因
研究 開発
システム
運用
アプリ
運用
営業活動
データ分析
グループ①
データ分析
グループ②
好きなことばっかり
やりやがって……
好きなことばっかり
やりやがって……
データ分析グループの組成失敗例④
 データ分析グループは、スキルセット的に広範囲をカバー
 エンジニアと営業の間に落ちた問題を拾うことが増える
 SQL叩いてExcelで集計するだけの簡単なお仕事
 同僚から感謝されるため、ついやってしまうが、
本質的な価値を生む仕事ができない
研究 開発
システム
運用
アプリ
運用
営業活動
エンジニア、DevOps
データ分析
グループ
営業
グループ
バグ見つけてくれて
助かるわー お客さんからの依頼で、
データ出力してくれ
データ分析グループの組成失敗例⑤
 データ分析グループが本来の領分で仕事をしようとすると、エン
ジニアの領分と重複
 言語や品質の面でエンジニアと対立
 いくら分析をしても、本番に導入することができない
 ともすると、企画の領分とも衝突、企画にデータ分析に対する理
解が無いと頓挫する
研究 開発
システム
運用
アプリ
運用
営業活動
データ分析グループ
エンジニア、DevOps
PythonやRはメンテできないから無理
データ分析のコードは品質が悪い
データ分析グループの組成失敗例⑥
 データ分析インフラに対する投資をしないで、人だけ雇う
 データ分析以外のところに多大な工数がかかる状態
 データレイク(データ蓄積基盤+データ処理基盤)の不在
 Hadoopやredshift等のインフラに適切に投資する必要
研究 開発
システム
運用
アプリ
運用
営業活動
データ分析グループ
ログ
データ
え、本番サーバにログインして、
ログファイル拾ってくるんですか…
うわ、手元のPCだと、
処理に50時間かかる……
データ分析グループの組成失敗例⑦
 インフラ投資をしてデータだけ貯める
 データ分析=ビッグデータ=データ蓄積の箱 という勘違い
 数年前は「面白いデータがある会社にデータ分析者が集まる」という
時代だったので、これは正解だった
 いまはデータ+データ分析基盤の両方が無いと人が集まらない
 データ分析者がいないため、ログ設計がグチャグチャ
 あとから分析者が入っても使いものにならないケースが多い
研究 開発
システム
運用
アプリ
運用
営業活動
よくわからんけど、お偉方がログをサーバに
貯めろっていうから仕方なく入れるか
何が問題なのか?
 データ分析グループは近年できた新しい組織形態
 その運用方法を知っている人が少ない
 データ分析者当人も知らないことが多い
 だから、研究者とアナリストで空中分解
 気付くと、SQL叩いてExcelで集計する仕事になってしまう
 データ分析グループとは何か?
 研究からアプリ運用までを一気通貫でPDCA
 他の職種の領域と重複する
 膨大なデータを取り扱うためのシステム投資が必要
データ分析グループを正しく運用するには
 エグゼクティブのサポートが必要
 カバー範囲の明確化
 会社として、データ分析グループのカバー範囲を明確にし、周知する
 データ分析者自身にも、この範囲を意識させる
 チームとして、カバー範囲を満たせるように人材を集める
 システム面のサポート
 データへの自由なアクセス、データの一元化
 ログ収集インフラ、データ分析インフラの構築
 データ分析者の書いたコードが、サービスに影響を与えないようにアーキテク
チャを設計
 会社として十分なお膳立てがなければ、ワークしない
 データ分析は空軍みたいなモノ。パイロットだけでは機能しない
 航空機だけでも機能しない、地上設備も必須
目次
 データ分析グループの組織編制とその課題
 データ分析グループの仕事の範囲
 データ分析グループの組成失敗例
 データ分析グループを正しく運用するには
 マーケティングにおけるKPI設計の失敗
 デジタルマーケティングにおけるKPI偏重の問題
 ABテストによるリフト計測
 ABテストから機械学習へのシームレスな移行
 ABテストの向こう側へ、マーケティングオートメーション
 マーケティングオートメーションの悲哀
 機械学習の投入と、その限界
 アップリフトモデリング
計測できないものは改善出来ない
 デジタルマーケティングはKPIだらけ
 CPA、CTR、CVR、ROAS、……
 KPIを基準とした改善
 より反応率の高いクリエイティブを
 より反応率の高いセグメントを
 より……
 KPIを重視した改善を行うあまり、失敗するケースが多い
 KPIの本質を考えないで、数値だけによる改善が行われている
改善の過程で忘れられているモノ①
 限界効用逓減の法則
 投入したコストに対して、得られる効用は次第に減って
行く
 10万円投入したときの1,000人獲得できても、
1000万円投入したときには10,000人だったり… …
効用
コスト
なぜABテストをするのか?
 費用対効果が高いクリエイティブを探し、
より良いものに対して大規模出稿するため
 費用対効果がリニアな世界のデータを元に、
大規模投資を行おうとして爆死する
 費用対効果がリニアで点線の世界であるという勘違い
効用
コスト
改善の過程で忘れられているモノ②
 KPIの改善は売上の改善に結びついているのか?
 デジタルマーケティングは施策が複雑なので、
KPIがいつの間にか売上とリンクしなくなっている
 ECでの例
 純広告で広く流したら、反応率がものすごく悪かった
 カート落ちしたユーザにリタゲ広告打ったら反応率がとても良
かった
 現実の小売店に置き換えて考えてみる
 折り込みチラシを出したら、反応率が悪かった
 レジに並んでいる人に広告を渡したら、反応率が良かった
KPIを重視した結果
デジマケの現場で何が起こっているのか
 過剰な単純化
 CPAやROASというKPIは、施策やセグメントが異なって
も、共通で評価できる
 複雑な商材も、CPAやROASをベースに比較可能
 自分が理解不可能なものもKPIベースで判断可能に
 KPIをベースに意思決定、業績評価を行えばよい
 分かりやすさ重視
 施策が複雑すぎるので、直接計測可能なものだけ信頼
 計算によって間接的に算出される数値は信頼できない
よくある話
書籍:ヤバい予測学 334p
http://scientificmarketer.com/2007/02/response_16.html
何を間違えているのか?
施策無し 施策あり
ココは計測可能
計測できない
ことが多い
成果
評価すべき場所
計測可能な数値だけを見て判断
差を計測する
 施策を行わなかった場合を考える必要
 施策を行う、行わないのABテストを行えばよい
 ABテストにより、「増分」を計測可能になり、真の売上貢献が分かる
 駄目な例
 レジ前にいる人にチラシを渡したら、95%の反応率でした!!
 ABテストを活用した例
 ある店舗では、レジに一度並んだ人は、95%が買いものをしました
 別の店舗では、レジに並んでいる人にチラシを渡したら、95%の人が買い
ました
 したがってレジに並んでいる人に広告を渡しても効果がありません
 最近はブランドリフト広告という形で、広告の増分が計測可能に
ブランドリフト広告
 一部の顧客に広告を「見せない」ことで差を計測
https://www.ja.advertisercommunity.com/t5/%E6%97%A7%E3%83%96%E3%83%AD%E3%82%B0%E8%A8%98%E4%BA%8B/Google-%E5%BA%83%E5%91%8A-
%E3%83%96%E3%83%A9%E3%83%B3%E3%83%89%E5%8A%B9%E6%9E%9C%E6%B8%AC%E5%AE%9A-%E6%B4%BB%E7%94%A8%E4%BA%8B%E4%BE%8B/ba-p/12384
http://web-tan.forum.impressrd.jp/e/2016/02/23/22150
変わるKPI
 施策の有り無しのABテストにより、
KPIは「現在の値」から「増分(リフト)」へ
 ABテストにより進歩するマーケティング
 ABテストの結果を活用することで、パーソナライゼーションや、
マーケティングオートメーションが可能に
 機械学習への活用にも繋がってくる
 機械学習を導入したいのであれば、まずABテストから
 機械学習の一足飛びの導入は困難
 機械学習が入った際に改善できる業務フローを作る
目次
 データ分析グループの組織編制とその課題
 データ分析グループの仕事の範囲
 データ分析グループの組成失敗例
 データ分析グループを正しく運用するには
 マーケティングにおけるKPI設計の失敗
 デジタルマーケティングにおけるKPI偏重の問題
 ABテストによるリフト計測
 ABテストから機械学習へのシームレスな移行
 ABテストの向こう側へ、マーケティングオートメーション
 マーケティングオートメーションの悲哀
 機械学習の投入と、その限界
 アップリフトモデリング
ABテスト
 ただのクリエイティブのABテスト
 A:B=60CV:50CV
 クリエイティブAを選ぶと、60CVが取れる
クリエイティブA クリエイティブB
60CV 50CV
クロス集計・パーソナライゼーション
 ABテストの結果をセグメント情報とクロス集計
 男性に画像A:男性に画像B=40CV:20CV
 女性に画像B:女性に画像B=20CV:30CV
 ターゲティング配信を実施すれば、ABテストより結果が向上
 男性にA、女性にBを見せれば、合計70CV
 この一連のプロセスがMA(マーケティングオートメーション)の流れ
セグメント クリエイティブA クリエイティブB
男性 40CV 20CV
女性 20CV 30CV
全体 60CV 50CV
マーケティングオートメーションの悲哀
 セグメントを増やしてパソナライゼーションを進めると成果がどん
どん上がっていく
 軸となる変数を増やすと組み合わせ爆発が発生する
 2変数で4セグメント、3変数で8セグメント、10変数で1024セグメント
 サンプル数が少なくなり統計的優位性が確認できなくなる
 CV改善幅が少しずつ小さくなっていき、管理コストが増大していく
 これによりMA運用の現場は疲弊している
 機械学習による自動化が求められている
セグメント 画像A 画像B
男性 40CV 20CV
女性 20CV 30CV
全体 60CV 50CV
セグメント 画像A 画像B
男性-30歳未満 30CV 5CV
男性-30歳以上 10CV 15CV
女性-30歳未満 10CV 25CV
女性-30歳以上 10CV 5CV
全体 60CV 50CV
合計70CV
合計80CV
機械学習の投入
 クリエイティブのABテストから、学習データを生成
 説明変数:年齢、性別、職業、配偶者…、クリエイティブ
 目的変数:CVしたか否か
 機械学習を行い、ユーザがどちらのクリエイティブより反応しそうかを予測
 予測されたCVRが最も高いクリエイティブを表示する
 アドテクなどではロジスティック回帰などを利用して、このような問題を解いている
画像Aだと予測CVRは3%
画像Bだと予測CVRは5%
画像Bを出しとこ
30代男性、未婚、サイト訪問
回数は4回、未購入….
機械学習によるターゲティング
クリエイティブA クリエイティブB
予測値
このユーザは
画像Aだと予測CVRは3%
画像Bだと予測CVRは5%
画像Bを出しとこ
単純な機械学習の限界
クリエイティブA クリエイティブB
予測値 え?
予測値=真の値+予測誤差
単純な機械学習の限界
 MAを機械学習で置き換えるのは有効
 大量の変数による手動のセグメンテーションを、機械学習に代替
 従来人間がやっていたことを、そのまま自動化させられる
 複数の機械学習の予測値から良いものを選ぶのは実は危険
 予測値A=真の値A+誤差A
 予測値B=真の値B+誤差B
 サンプル数が少ないと誤差項が大きくなる
 真の値AとBの差が小さいと、意思決定が誤差項に引きずられる
 アドテクでは何故うまくいくのか?
 広告の表示回数が多く、誤差Aと誤差Bが小さい値になる
 男性にはスポーツ用品、女性には化粧品といった形で、
真の値が大きく異なる広告が存在する
 広告なので、多少は興味を外した人に出しても許される
アップリフトモデリングへ
 単純な予測から、差を予測するモデルへ
クリエイティブA クリエイティブB
予測値 このユーザは画像Aと画像Bでは、
画像Bのほうが良く反応しそうだゾ
アップリフトモデリングとは?
 疫学から生まれた統計手法
 対照実験と機械学習を組み合わせた手法
 その後、ダイレクトメールや、クーポン配布などに発展
 差を学習するために教師データが特殊
 説明変数:患者の年齢、性別、症状、住環境…
 介入行動:薬を投与するか否か
 目的変数:患者の生存
 何が分かるのか?
 ある薬がどのような患者に効くのか
 この患者には薬を投与するべきか否か
詳しい説明は「ヤバい予測学」の316pからを参照
クーポン配布への応用
 クーポンの問題
 買う気マンマンの人にクーポンを配布すると損失
 買う気の全くない人にクーポンを配布するとブランド毀損
クーポン配布への応用
 クーポンを貰ったら購買に転じるユーザか否かを予測したい
 アップリフトモデリングの教師データ
 説明変数:ユーザの年齢、性別、訪問回数、見ているページ、etc…
 介入変数:クーポンを渡すかどうか
 目的変数:CVしたかどうか
 ユーザを四象限に分類、赤枠のセグメントに送らないことが重要
ZenClerkは、アップリフトモデリングに
より、できるだけクーポンを配布しない
サービス
まとめ
 デジタルマーケティングは魑魅魍魎
 KPIによる単純化により、本質を見失っていることが多い
 ABテストにより「増分」を計測する必要がある
 ABテストからアップリフトモデリングまでの流れ
 ABテストにより、よりよいクリエイティブを選択
 クロス集計を行い、セグメントごとの反応率を調べる
 セグメントごとに別のクリエイティブを出し、反応率を高める
 マーケティングオートメーションによりセグメントを増やし、より
反応率を高める
 機械学習を導入し、MAのオペレーションコストを削減する
 アップリフトモデリングを導入し、より精度を高める

More Related Content

What's hot

BERTに関して
BERTに関してBERTに関して
BERTに関してSaitama Uni
 
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
【論文調査】XAI技術の効能を ユーザ実験で評価する研究【論文調査】XAI技術の効能を ユーザ実験で評価する研究
【論文調査】XAI技術の効能を ユーザ実験で評価する研究Satoshi Hara
 
機械学習を民主化する取り組み
機械学習を民主化する取り組み機械学習を民主化する取り組み
機械学習を民主化する取り組みYoshitaka Ushiku
 
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4shakezo
 
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森Masashi Komori
 
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会takehikoihayashi
 
失敗から学ぶ データ分析グループの チームマネジメント変遷 (デブサミ2016) #devsumi
失敗から学ぶデータ分析グループのチームマネジメント変遷 (デブサミ2016) #devsumi失敗から学ぶデータ分析グループのチームマネジメント変遷 (デブサミ2016) #devsumi
失敗から学ぶ データ分析グループの チームマネジメント変遷 (デブサミ2016) #devsumiTokoroten Nakayama
 
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説Shiga University, RIKEN
 
学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」西岡 賢一郎
 
データサイエンティスト養成読本の解説+書き忘れたこと
データサイエンティスト養成読本の解説+書き忘れたことデータサイエンティスト養成読本の解説+書き忘れたこと
データサイエンティスト養成読本の解説+書き忘れたことTokoroten Nakayama
 
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)Satoshi Hara
 
Counterfaual Machine Learning(CFML)のサーベイ
Counterfaual Machine Learning(CFML)のサーベイCounterfaual Machine Learning(CFML)のサーベイ
Counterfaual Machine Learning(CFML)のサーベイARISE analytics
 
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜SSII
 
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...joisino
 
道具としての機械学習:直感的概要とその実際
道具としての機械学習:直感的概要とその実際道具としての機械学習:直感的概要とその実際
道具としての機械学習:直感的概要とその実際Ichigaku Takigawa
 
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-Shiga University, RIKEN
 
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説Hironori Washizaki
 
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性西岡 賢一郎
 
時系列分析による異常検知入門
時系列分析による異常検知入門時系列分析による異常検知入門
時系列分析による異常検知入門Yohei Sato
 
探索と活用の戦略 ベイズ最適化と多腕バンディット
探索と活用の戦略 ベイズ最適化と多腕バンディット探索と活用の戦略 ベイズ最適化と多腕バンディット
探索と活用の戦略 ベイズ最適化と多腕バンディットH Okazaki
 

What's hot (20)

BERTに関して
BERTに関してBERTに関して
BERTに関して
 
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
【論文調査】XAI技術の効能を ユーザ実験で評価する研究【論文調査】XAI技術の効能を ユーザ実験で評価する研究
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
 
機械学習を民主化する取り組み
機械学習を民主化する取り組み機械学習を民主化する取り組み
機械学習を民主化する取り組み
 
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4
 
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
 
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
 
失敗から学ぶ データ分析グループの チームマネジメント変遷 (デブサミ2016) #devsumi
失敗から学ぶデータ分析グループのチームマネジメント変遷 (デブサミ2016) #devsumi失敗から学ぶデータ分析グループのチームマネジメント変遷 (デブサミ2016) #devsumi
失敗から学ぶ データ分析グループの チームマネジメント変遷 (デブサミ2016) #devsumi
 
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
 
学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」
 
データサイエンティスト養成読本の解説+書き忘れたこと
データサイエンティスト養成読本の解説+書き忘れたことデータサイエンティスト養成読本の解説+書き忘れたこと
データサイエンティスト養成読本の解説+書き忘れたこと
 
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
 
Counterfaual Machine Learning(CFML)のサーベイ
Counterfaual Machine Learning(CFML)のサーベイCounterfaual Machine Learning(CFML)のサーベイ
Counterfaual Machine Learning(CFML)のサーベイ
 
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
 
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
 
道具としての機械学習:直感的概要とその実際
道具としての機械学習:直感的概要とその実際道具としての機械学習:直感的概要とその実際
道具としての機械学習:直感的概要とその実際
 
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
 
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
 
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
 
時系列分析による異常検知入門
時系列分析による異常検知入門時系列分析による異常検知入門
時系列分析による異常検知入門
 
探索と活用の戦略 ベイズ最適化と多腕バンディット
探索と活用の戦略 ベイズ最適化と多腕バンディット探索と活用の戦略 ベイズ最適化と多腕バンディット
探索と活用の戦略 ベイズ最適化と多腕バンディット
 

Viewers also liked

ソーシャルゲームにレコメンドエンジンを導入した話
ソーシャルゲームにレコメンドエンジンを導入した話ソーシャルゲームにレコメンドエンジンを導入した話
ソーシャルゲームにレコメンドエンジンを導入した話Tokoroten Nakayama
 
AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介
AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介
AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介cyberagent
 
機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価Shintaro Fukushima
 
データドリブン企業におけるHadoop基盤とETL -niconicoでの実践例-
データドリブン企業におけるHadoop基盤とETL -niconicoでの実践例-データドリブン企業におけるHadoop基盤とETL -niconicoでの実践例-
データドリブン企業におけるHadoop基盤とETL -niconicoでの実践例-Makoto SHIMURA
 
Business Innovation cases driven by AI and BigData technologies
Business Innovation cases driven by AI and BigData technologiesBusiness Innovation cases driven by AI and BigData technologies
Business Innovation cases driven by AI and BigData technologiesDataWorks Summit/Hadoop Summit
 
1000台規模のHadoopクラスタをHive/Tezアプリケーションにあわせてパフォーマンスチューニングした話
1000台規模のHadoopクラスタをHive/Tezアプリケーションにあわせてパフォーマンスチューニングした話1000台規模のHadoopクラスタをHive/Tezアプリケーションにあわせてパフォーマンスチューニングした話
1000台規模のHadoopクラスタをHive/Tezアプリケーションにあわせてパフォーマンスチューニングした話Yahoo!デベロッパーネットワーク
 
Sparkを活用したレコメンドエンジンのパフォーマンスチューニング&自動化
Sparkを活用したレコメンドエンジンのパフォーマンスチューニング&自動化Sparkを活用したレコメンドエンジンのパフォーマンスチューニング&自動化
Sparkを活用したレコメンドエンジンのパフォーマンスチューニング&自動化Nagato Kasaki
 
大規模データに対するデータサイエンスの進め方 #CWT2016
大規模データに対するデータサイエンスの進め方 #CWT2016大規模データに対するデータサイエンスの進め方 #CWT2016
大規模データに対するデータサイエンスの進め方 #CWT2016Cloudera Japan
 
Hadoop’s Impact on Recruit Company
Hadoop’s Impact on Recruit CompanyHadoop’s Impact on Recruit Company
Hadoop’s Impact on Recruit CompanyRecruit Technologies
 
sparksql-hive-bench-by-nec-hwx-at-hcj16
sparksql-hive-bench-by-nec-hwx-at-hcj16sparksql-hive-bench-by-nec-hwx-at-hcj16
sparksql-hive-bench-by-nec-hwx-at-hcj16Yifeng Jiang
 
Top 5 mistakes when writing Spark applications
Top 5 mistakes when writing Spark applicationsTop 5 mistakes when writing Spark applications
Top 5 mistakes when writing Spark applicationshadooparchbook
 
Amebaにおけるレコメンデーションシステムの紹介
Amebaにおけるレコメンデーションシステムの紹介Amebaにおけるレコメンデーションシステムの紹介
Amebaにおけるレコメンデーションシステムの紹介cyberagent
 

Viewers also liked (14)

ソーシャルゲームにレコメンドエンジンを導入した話
ソーシャルゲームにレコメンドエンジンを導入した話ソーシャルゲームにレコメンドエンジンを導入した話
ソーシャルゲームにレコメンドエンジンを導入した話
 
AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介
AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介
AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介
 
機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価
 
Case Study: OLAP usability on Spark and Hadoop
Case Study: OLAP usability on Spark and HadoopCase Study: OLAP usability on Spark and Hadoop
Case Study: OLAP usability on Spark and Hadoop
 
SEGA : Growth hacking by Spark ML for Mobile games
SEGA : Growth hacking by Spark ML for Mobile gamesSEGA : Growth hacking by Spark ML for Mobile games
SEGA : Growth hacking by Spark ML for Mobile games
 
データドリブン企業におけるHadoop基盤とETL -niconicoでの実践例-
データドリブン企業におけるHadoop基盤とETL -niconicoでの実践例-データドリブン企業におけるHadoop基盤とETL -niconicoでの実践例-
データドリブン企業におけるHadoop基盤とETL -niconicoでの実践例-
 
Business Innovation cases driven by AI and BigData technologies
Business Innovation cases driven by AI and BigData technologiesBusiness Innovation cases driven by AI and BigData technologies
Business Innovation cases driven by AI and BigData technologies
 
1000台規模のHadoopクラスタをHive/Tezアプリケーションにあわせてパフォーマンスチューニングした話
1000台規模のHadoopクラスタをHive/Tezアプリケーションにあわせてパフォーマンスチューニングした話1000台規模のHadoopクラスタをHive/Tezアプリケーションにあわせてパフォーマンスチューニングした話
1000台規模のHadoopクラスタをHive/Tezアプリケーションにあわせてパフォーマンスチューニングした話
 
Sparkを活用したレコメンドエンジンのパフォーマンスチューニング&自動化
Sparkを活用したレコメンドエンジンのパフォーマンスチューニング&自動化Sparkを活用したレコメンドエンジンのパフォーマンスチューニング&自動化
Sparkを活用したレコメンドエンジンのパフォーマンスチューニング&自動化
 
大規模データに対するデータサイエンスの進め方 #CWT2016
大規模データに対するデータサイエンスの進め方 #CWT2016大規模データに対するデータサイエンスの進め方 #CWT2016
大規模データに対するデータサイエンスの進め方 #CWT2016
 
Hadoop’s Impact on Recruit Company
Hadoop’s Impact on Recruit CompanyHadoop’s Impact on Recruit Company
Hadoop’s Impact on Recruit Company
 
sparksql-hive-bench-by-nec-hwx-at-hcj16
sparksql-hive-bench-by-nec-hwx-at-hcj16sparksql-hive-bench-by-nec-hwx-at-hcj16
sparksql-hive-bench-by-nec-hwx-at-hcj16
 
Top 5 mistakes when writing Spark applications
Top 5 mistakes when writing Spark applicationsTop 5 mistakes when writing Spark applications
Top 5 mistakes when writing Spark applications
 
Amebaにおけるレコメンデーションシステムの紹介
Amebaにおけるレコメンデーションシステムの紹介Amebaにおけるレコメンデーションシステムの紹介
Amebaにおけるレコメンデーションシステムの紹介
 

Similar to データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016

『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいものTakashi J OZAKI
 
Jmrx講演資料0723(配布用)[1]
Jmrx講演資料0723(配布用)[1]Jmrx講演資料0723(配布用)[1]
Jmrx講演資料0723(配布用)[1]Shigeru Kishikawa
 
本を読んでもわからないリアルなアンケート実践法
本を読んでもわからないリアルなアンケート実践法本を読んでもわからないリアルなアンケート実践法
本を読んでもわからないリアルなアンケート実践法takashi sasaki
 
Small BPR session 7 / Costing system concept design
Small BPR session 7 / Costing system concept designSmall BPR session 7 / Costing system concept design
Small BPR session 7 / Costing system concept designkoichi ikeda
 
Keywordmap for sns
Keywordmap for snsKeywordmap for sns
Keywordmap for snsKotaroTamai
 
サイトサーチアナリティクスとは
サイトサーチアナリティクスとはサイトサーチアナリティクスとは
サイトサーチアナリティクスとはMakoto Shimizu
 
10 Steps to Product Market Fit - Japanese Translation
10 Steps to Product Market Fit - Japanese Translation10 Steps to Product Market Fit - Japanese Translation
10 Steps to Product Market Fit - Japanese TranslationMomoko Nagaoka
 
Webマーケティングを通じたデータサイエンティストの価値発揮方法
Webマーケティングを通じたデータサイエンティストの価値発揮方法Webマーケティングを通じたデータサイエンティストの価値発揮方法
Webマーケティングを通じたデータサイエンティストの価値発揮方法E2D3.org
 
CMS学会 第三回 研究報告
CMS学会 第三回 研究報告CMS学会 第三回 研究報告
CMS学会 第三回 研究報告loftwork
 
[INEVITABLE ja night] 2019 年 3 月 1 日 - データでカスタマーエクスペリエンスを どう捉えるか
[INEVITABLE ja night] 2019 年 3 月 1 日 - データでカスタマーエクスペリエンスを どう捉えるか[INEVITABLE ja night] 2019 年 3 月 1 日 - データでカスタマーエクスペリエンスを どう捉えるか
[INEVITABLE ja night] 2019 年 3 月 1 日 - データでカスタマーエクスペリエンスを どう捉えるかGoogle Cloud Platform - Japan
 
ABEJA:天下一武闘会プレゼン資料(2018/10/24)
ABEJA:天下一武闘会プレゼン資料(2018/10/24)ABEJA:天下一武闘会プレゼン資料(2018/10/24)
ABEJA:天下一武闘会プレゼン資料(2018/10/24)GenshinMaruta
 
2016 #meijisap - 明治大学理工学部情報科学科 情報システム論1講義「デジタルによるビジネスモデルの変革」
2016 #meijisap - 明治大学理工学部情報科学科 情報システム論1講義「デジタルによるビジネスモデルの変革」2016 #meijisap - 明治大学理工学部情報科学科 情報システム論1講義「デジタルによるビジネスモデルの変革」
2016 #meijisap - 明治大学理工学部情報科学科 情報システム論1講義「デジタルによるビジネスモデルの変革」Masahiro Furusawa
 
ネット広告講義資料 at 東京大学 2017/07/11
ネット広告講義資料 at 東京大学 2017/07/11ネット広告講義資料 at 東京大学 2017/07/11
ネット広告講義資料 at 東京大学 2017/07/11Takehiko Yoshida
 
Converting big data into big value
Converting big data into big valueConverting big data into big value
Converting big data into big valueYoshiyuki Ueda
 
マーケティング視点で捉えるアクセス解析 株式会社真摯
マーケティング視点で捉えるアクセス解析 株式会社真摯マーケティング視点で捉えるアクセス解析 株式会社真摯
マーケティング視点で捉えるアクセス解析 株式会社真摯Yasuki Ichishima
 

Similar to データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016 (20)

『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
 
ノベルティの成功基準とは?
ノベルティの成功基準とは?ノベルティの成功基準とは?
ノベルティの成功基準とは?
 
Jmrx講演資料0723(配布用)[1]
Jmrx講演資料0723(配布用)[1]Jmrx講演資料0723(配布用)[1]
Jmrx講演資料0723(配布用)[1]
 
本を読んでもわからないリアルなアンケート実践法
本を読んでもわからないリアルなアンケート実践法本を読んでもわからないリアルなアンケート実践法
本を読んでもわからないリアルなアンケート実践法
 
Small BPR session 7 / Costing system concept design
Small BPR session 7 / Costing system concept designSmall BPR session 7 / Costing system concept design
Small BPR session 7 / Costing system concept design
 
Keywordmap for sns
Keywordmap for snsKeywordmap for sns
Keywordmap for sns
 
サイトサーチアナリティクスとは
サイトサーチアナリティクスとはサイトサーチアナリティクスとは
サイトサーチアナリティクスとは
 
10 Steps to Product Market Fit - Japanese Translation
10 Steps to Product Market Fit - Japanese Translation10 Steps to Product Market Fit - Japanese Translation
10 Steps to Product Market Fit - Japanese Translation
 
Webマーケティングを通じたデータサイエンティストの価値発揮方法
Webマーケティングを通じたデータサイエンティストの価値発揮方法Webマーケティングを通じたデータサイエンティストの価値発揮方法
Webマーケティングを通じたデータサイエンティストの価値発揮方法
 
CMS学会 第三回 研究報告
CMS学会 第三回 研究報告CMS学会 第三回 研究報告
CMS学会 第三回 研究報告
 
100825 bsc講演資料(8月講演)
100825 bsc講演資料(8月講演)100825 bsc講演資料(8月講演)
100825 bsc講演資料(8月講演)
 
100826関西bsc研究会講演資料(公開用)
100826関西bsc研究会講演資料(公開用)100826関西bsc研究会講演資料(公開用)
100826関西bsc研究会講演資料(公開用)
 
100826関西bsc研究会講演資料(公開用)
100826関西bsc研究会講演資料(公開用)100826関西bsc研究会講演資料(公開用)
100826関西bsc研究会講演資料(公開用)
 
Digital strategy in Japanese
Digital strategy in JapaneseDigital strategy in Japanese
Digital strategy in Japanese
 
[INEVITABLE ja night] 2019 年 3 月 1 日 - データでカスタマーエクスペリエンスを どう捉えるか
[INEVITABLE ja night] 2019 年 3 月 1 日 - データでカスタマーエクスペリエンスを どう捉えるか[INEVITABLE ja night] 2019 年 3 月 1 日 - データでカスタマーエクスペリエンスを どう捉えるか
[INEVITABLE ja night] 2019 年 3 月 1 日 - データでカスタマーエクスペリエンスを どう捉えるか
 
ABEJA:天下一武闘会プレゼン資料(2018/10/24)
ABEJA:天下一武闘会プレゼン資料(2018/10/24)ABEJA:天下一武闘会プレゼン資料(2018/10/24)
ABEJA:天下一武闘会プレゼン資料(2018/10/24)
 
2016 #meijisap - 明治大学理工学部情報科学科 情報システム論1講義「デジタルによるビジネスモデルの変革」
2016 #meijisap - 明治大学理工学部情報科学科 情報システム論1講義「デジタルによるビジネスモデルの変革」2016 #meijisap - 明治大学理工学部情報科学科 情報システム論1講義「デジタルによるビジネスモデルの変革」
2016 #meijisap - 明治大学理工学部情報科学科 情報システム論1講義「デジタルによるビジネスモデルの変革」
 
ネット広告講義資料 at 東京大学 2017/07/11
ネット広告講義資料 at 東京大学 2017/07/11ネット広告講義資料 at 東京大学 2017/07/11
ネット広告講義資料 at 東京大学 2017/07/11
 
Converting big data into big value
Converting big data into big valueConverting big data into big value
Converting big data into big value
 
マーケティング視点で捉えるアクセス解析 株式会社真摯
マーケティング視点で捉えるアクセス解析 株式会社真摯マーケティング視点で捉えるアクセス解析 株式会社真摯
マーケティング視点で捉えるアクセス解析 株式会社真摯
 

More from Tokoroten Nakayama

ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)Tokoroten Nakayama
 
ビジネスパーソンのためのDX入門講座エッセンス版
ビジネスパーソンのためのDX入門講座エッセンス版ビジネスパーソンのためのDX入門講座エッセンス版
ビジネスパーソンのためのDX入門講座エッセンス版Tokoroten Nakayama
 
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLiveDXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLiveTokoroten Nakayama
 
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019Tokoroten Nakayama
 
心理的安全性の構造 デブサミ2019夏 structure of psychological safety
心理的安全性の構造 デブサミ2019夏 structure of psychological safety心理的安全性の構造 デブサミ2019夏 structure of psychological safety
心理的安全性の構造 デブサミ2019夏 structure of psychological safetyTokoroten Nakayama
 
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
心理的安全性と、Veinの紹介 Psychological safety and introduction of VeinTokoroten Nakayama
 
なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論Tokoroten Nakayama
 
データマイニングの話詰め合わせ
データマイニングの話詰め合わせデータマイニングの話詰め合わせ
データマイニングの話詰め合わせTokoroten Nakayama
 
機械学習の精度と売上の関係
機械学習の精度と売上の関係機械学習の精度と売上の関係
機械学習の精度と売上の関係Tokoroten Nakayama
 
難易度ボラタリティグラフという分析手法
難易度ボラタリティグラフという分析手法難易度ボラタリティグラフという分析手法
難易度ボラタリティグラフという分析手法Tokoroten Nakayama
 
インターネット上の情報発信手段の変遷 情報発信の簡易化
インターネット上の情報発信手段の変遷 情報発信の簡易化インターネット上の情報発信手段の変遷 情報発信の簡易化
インターネット上の情報発信手段の変遷 情報発信の簡易化Tokoroten Nakayama
 
ヒューレットパッカード社の 社員の離職リスク予測 第一回機械学習ビジネス研究会 #ml_business
ヒューレットパッカード社の社員の離職リスク予測 第一回機械学習ビジネス研究会 #ml_business ヒューレットパッカード社の社員の離職リスク予測 第一回機械学習ビジネス研究会 #ml_business
ヒューレットパッカード社の 社員の離職リスク予測 第一回機械学習ビジネス研究会 #ml_business Tokoroten Nakayama
 
機械学習ビジネス研究会(未踏研究会)
機械学習ビジネス研究会(未踏研究会)機械学習ビジネス研究会(未踏研究会)
機械学習ビジネス研究会(未踏研究会)Tokoroten Nakayama
 
失敗から学ぶ データ分析グループの チームマネジメント変遷
失敗から学ぶデータ分析グループのチームマネジメント変遷失敗から学ぶデータ分析グループのチームマネジメント変遷
失敗から学ぶ データ分析グループの チームマネジメント変遷Tokoroten Nakayama
 
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCT
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCTプロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCT
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCTTokoroten Nakayama
 
特徴ベクトル変換器を作った話 #dogenzakalt
特徴ベクトル変換器を作った話 #dogenzakalt特徴ベクトル変換器を作った話 #dogenzakalt
特徴ベクトル変換器を作った話 #dogenzakaltTokoroten Nakayama
 
特徴ベクトル変換器を作った話
特徴ベクトル変換器を作った話特徴ベクトル変換器を作った話
特徴ベクトル変換器を作った話Tokoroten Nakayama
 
jubatusのECサイトへの適応 #jubatus_hackathon
jubatusのECサイトへの適応 #jubatus_hackathonjubatusのECサイトへの適応 #jubatus_hackathon
jubatusのECサイトへの適応 #jubatus_hackathonTokoroten Nakayama
 
スマホマーケットの概要と、 マーケティングの失敗例と改善 (アナリティクス アソシエーション 特別セミナー)
スマホマーケットの概要と、マーケティングの失敗例と改善 (アナリティクス アソシエーション 特別セミナー)スマホマーケットの概要と、マーケティングの失敗例と改善 (アナリティクス アソシエーション 特別セミナー)
スマホマーケットの概要と、 マーケティングの失敗例と改善 (アナリティクス アソシエーション 特別セミナー)Tokoroten Nakayama
 
DAUを評価指標から捨てた会社の話 #tokyowebmining
DAUを評価指標から捨てた会社の話 #tokyowebminingDAUを評価指標から捨てた会社の話 #tokyowebmining
DAUを評価指標から捨てた会社の話 #tokyowebminingTokoroten Nakayama
 

More from Tokoroten Nakayama (20)

ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
 
ビジネスパーソンのためのDX入門講座エッセンス版
ビジネスパーソンのためのDX入門講座エッセンス版ビジネスパーソンのためのDX入門講座エッセンス版
ビジネスパーソンのためのDX入門講座エッセンス版
 
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLiveDXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
 
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
 
心理的安全性の構造 デブサミ2019夏 structure of psychological safety
心理的安全性の構造 デブサミ2019夏 structure of psychological safety心理的安全性の構造 デブサミ2019夏 structure of psychological safety
心理的安全性の構造 デブサミ2019夏 structure of psychological safety
 
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
 
なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論
 
データマイニングの話詰め合わせ
データマイニングの話詰め合わせデータマイニングの話詰め合わせ
データマイニングの話詰め合わせ
 
機械学習の精度と売上の関係
機械学習の精度と売上の関係機械学習の精度と売上の関係
機械学習の精度と売上の関係
 
難易度ボラタリティグラフという分析手法
難易度ボラタリティグラフという分析手法難易度ボラタリティグラフという分析手法
難易度ボラタリティグラフという分析手法
 
インターネット上の情報発信手段の変遷 情報発信の簡易化
インターネット上の情報発信手段の変遷 情報発信の簡易化インターネット上の情報発信手段の変遷 情報発信の簡易化
インターネット上の情報発信手段の変遷 情報発信の簡易化
 
ヒューレットパッカード社の 社員の離職リスク予測 第一回機械学習ビジネス研究会 #ml_business
ヒューレットパッカード社の社員の離職リスク予測 第一回機械学習ビジネス研究会 #ml_business ヒューレットパッカード社の社員の離職リスク予測 第一回機械学習ビジネス研究会 #ml_business
ヒューレットパッカード社の 社員の離職リスク予測 第一回機械学習ビジネス研究会 #ml_business
 
機械学習ビジネス研究会(未踏研究会)
機械学習ビジネス研究会(未踏研究会)機械学習ビジネス研究会(未踏研究会)
機械学習ビジネス研究会(未踏研究会)
 
失敗から学ぶ データ分析グループの チームマネジメント変遷
失敗から学ぶデータ分析グループのチームマネジメント変遷失敗から学ぶデータ分析グループのチームマネジメント変遷
失敗から学ぶ データ分析グループの チームマネジメント変遷
 
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCT
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCTプロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCT
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCT
 
特徴ベクトル変換器を作った話 #dogenzakalt
特徴ベクトル変換器を作った話 #dogenzakalt特徴ベクトル変換器を作った話 #dogenzakalt
特徴ベクトル変換器を作った話 #dogenzakalt
 
特徴ベクトル変換器を作った話
特徴ベクトル変換器を作った話特徴ベクトル変換器を作った話
特徴ベクトル変換器を作った話
 
jubatusのECサイトへの適応 #jubatus_hackathon
jubatusのECサイトへの適応 #jubatus_hackathonjubatusのECサイトへの適応 #jubatus_hackathon
jubatusのECサイトへの適応 #jubatus_hackathon
 
スマホマーケットの概要と、 マーケティングの失敗例と改善 (アナリティクス アソシエーション 特別セミナー)
スマホマーケットの概要と、マーケティングの失敗例と改善 (アナリティクス アソシエーション 特別セミナー)スマホマーケットの概要と、マーケティングの失敗例と改善 (アナリティクス アソシエーション 特別セミナー)
スマホマーケットの概要と、 マーケティングの失敗例と改善 (アナリティクス アソシエーション 特別セミナー)
 
DAUを評価指標から捨てた会社の話 #tokyowebmining
DAUを評価指標から捨てた会社の話 #tokyowebminingDAUを評価指標から捨てた会社の話 #tokyowebmining
DAUを評価指標から捨てた会社の話 #tokyowebmining
 

Recently uploaded

Service-introduction-materials-misorae-leadership
Service-introduction-materials-misorae-leadershipService-introduction-materials-misorae-leadership
Service-introduction-materials-misorae-leadershipYasuyoshi Minehisa
 
地域観光新発見事業説明会資料(観光庁/地域観光新発見事業事務局/令和6年5月23日)
地域観光新発見事業説明会資料(観光庁/地域観光新発見事業事務局/令和6年5月23日)地域観光新発見事業説明会資料(観光庁/地域観光新発見事業事務局/令和6年5月23日)
地域観光新発見事業説明会資料(観光庁/地域観光新発見事業事務局/令和6年5月23日)kankocho
 
デザイナーが挑んだ新規事業開発の失敗談〜しくじりナレッジ編〜_Algomatic 國光俊樹
デザイナーが挑んだ新規事業開発の失敗談〜しくじりナレッジ編〜_Algomatic 國光俊樹デザイナーが挑んだ新規事業開発の失敗談〜しくじりナレッジ編〜_Algomatic 國光俊樹
デザイナーが挑んだ新規事業開発の失敗談〜しくじりナレッジ編〜_Algomatic 國光俊樹Toshiki Kunimitsu
 
《ビルコム株式会社》エンジニア向け会社紹介資料.pptx
《ビルコム株式会社》エンジニア向け会社紹介資料.pptx《ビルコム株式会社》エンジニア向け会社紹介資料.pptx
《ビルコム株式会社》エンジニア向け会社紹介資料.pptxssuser82ee2b
 
ITツールで選ぶフライクサービス | Box 2Box初期設定・サーバー移行支援サービス
ITツールで選ぶフライクサービス | Box 2Box初期設定・サーバー移行支援サービスITツールで選ぶフライクサービス | Box 2Box初期設定・サーバー移行支援サービス
ITツールで選ぶフライクサービス | Box 2Box初期設定・サーバー移行支援サービスFlyke1
 
LINEコンサルティング事例資料 | 北海道イノベーション&インキュベーション株式会社
LINEコンサルティング事例資料 | 北海道イノベーション&インキュベーション株式会社LINEコンサルティング事例資料 | 北海道イノベーション&インキュベーション株式会社
LINEコンサルティング事例資料 | 北海道イノベーション&インキュベーション株式会社taka k
 
株式会社種村建設_新卒向け会社紹介資料_____________________
株式会社種村建設_新卒向け会社紹介資料_____________________株式会社種村建設_新卒向け会社紹介資料_____________________
株式会社種村建設_新卒向け会社紹介資料_____________________ssuser560305
 
chouhou_obuse_reiwa6nen_5gatugou_5gatu20nitihakkou
chouhou_obuse_reiwa6nen_5gatugou_5gatu20nitihakkouchouhou_obuse_reiwa6nen_5gatugou_5gatu20nitihakkou
chouhou_obuse_reiwa6nen_5gatugou_5gatu20nitihakkoussuser31dbd1
 

Recently uploaded (8)

Service-introduction-materials-misorae-leadership
Service-introduction-materials-misorae-leadershipService-introduction-materials-misorae-leadership
Service-introduction-materials-misorae-leadership
 
地域観光新発見事業説明会資料(観光庁/地域観光新発見事業事務局/令和6年5月23日)
地域観光新発見事業説明会資料(観光庁/地域観光新発見事業事務局/令和6年5月23日)地域観光新発見事業説明会資料(観光庁/地域観光新発見事業事務局/令和6年5月23日)
地域観光新発見事業説明会資料(観光庁/地域観光新発見事業事務局/令和6年5月23日)
 
デザイナーが挑んだ新規事業開発の失敗談〜しくじりナレッジ編〜_Algomatic 國光俊樹
デザイナーが挑んだ新規事業開発の失敗談〜しくじりナレッジ編〜_Algomatic 國光俊樹デザイナーが挑んだ新規事業開発の失敗談〜しくじりナレッジ編〜_Algomatic 國光俊樹
デザイナーが挑んだ新規事業開発の失敗談〜しくじりナレッジ編〜_Algomatic 國光俊樹
 
《ビルコム株式会社》エンジニア向け会社紹介資料.pptx
《ビルコム株式会社》エンジニア向け会社紹介資料.pptx《ビルコム株式会社》エンジニア向け会社紹介資料.pptx
《ビルコム株式会社》エンジニア向け会社紹介資料.pptx
 
ITツールで選ぶフライクサービス | Box 2Box初期設定・サーバー移行支援サービス
ITツールで選ぶフライクサービス | Box 2Box初期設定・サーバー移行支援サービスITツールで選ぶフライクサービス | Box 2Box初期設定・サーバー移行支援サービス
ITツールで選ぶフライクサービス | Box 2Box初期設定・サーバー移行支援サービス
 
LINEコンサルティング事例資料 | 北海道イノベーション&インキュベーション株式会社
LINEコンサルティング事例資料 | 北海道イノベーション&インキュベーション株式会社LINEコンサルティング事例資料 | 北海道イノベーション&インキュベーション株式会社
LINEコンサルティング事例資料 | 北海道イノベーション&インキュベーション株式会社
 
株式会社種村建設_新卒向け会社紹介資料_____________________
株式会社種村建設_新卒向け会社紹介資料_____________________株式会社種村建設_新卒向け会社紹介資料_____________________
株式会社種村建設_新卒向け会社紹介資料_____________________
 
chouhou_obuse_reiwa6nen_5gatugou_5gatu20nitihakkou
chouhou_obuse_reiwa6nen_5gatugou_5gatu20nitihakkouchouhou_obuse_reiwa6nen_5gatugou_5gatu20nitihakkou
chouhou_obuse_reiwa6nen_5gatugou_5gatu20nitihakkou
 

データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016