SlideShare a Scribd company logo
Pattern Recognition and Media Understanding(PRMU)Conference
                          -Big Data and Cloud : Webスケール時代のパターン認識-
                                              2011/10/06




                  Mobageの大規模データマイニング
                          Large Scale Data Mining of the Mobage Service




                                    株式会社ディー・エヌ・エー
                                             濱田晃一


DeNA Co.,ltd. ALL rights reserved
AGENDA
            ◆講師紹介
            ◆ソーシャルプラットフォーム:Mobage
            ◆データマイニング活用によるサービス洗練
            ◆楽しさのマイニング
              ◆1日20億超の行動情報
              ◆楽しさのデータマイニング
              ◆活動例
              ◆ケーススタディ: Social Game洗練
              ◆迅速なサービス洗練
            ◆大規模データマイニング基盤構成
            ◆世界へ
DeNA Co.,ltd. ALL rights reserved
AGENDA
            ◆講師紹介
            ◆ソーシャルプラットフォーム:Mobage
            ◆データマイニング活用によるサービス洗練
            ◆楽しさのマイニング
              ◆1日20億超の行動情報
              ◆楽しさのデータマイニング
              ◆活動例
              ◆ケーススタディ: Social Game洗練
              ◆迅速なサービス洗練
            ◆大規模データマイニング基盤構成
            ◆世界へ
DeNA Co.,ltd. ALL rights reserved
hamadakoichi
         濱田晃一
http://iddy.jp/profile/hamadakoichi



                                      4
活動領域



        2010年6月 DeNA入社
          ソーシャルゲームの
       データマイニングチーム立上げ




                         5
活動領域



          2010年6月 DeNA入社
           ソーシャルゲームの
        データマイニングチーム立上げ


              2011年4月
         データマイニング部門化
       ソーシャルプラットフォーム Mobageの
        データマイニング実行・ディレクション


                               6
活動領域

  ソーシャルメディアのデータマイニング活用
          2900万人以上の人々へ
 各人のつながり・楽しみ・好み 個性にあった適切なサービス提供


         Social Media
             Social Graph
         Fun Like Personality
          Objective Process

          Data Mining
        Machine Learning
       各人のつながり、楽しみ、好み、個性にあった
           より適切なサービス提供

                                  7
データマイニング+WEB勉強会@東京
データマイニング+WEB勉強会@東京を主催者しています
          TokyoWebmining




  Google Group: http://groups.google.com/group/webmining-tokyo
                                                                 8
講師資料

           各種講師資料も公開しています

       http://www.slideshare.net/hamadakoichi




                                                9
hamadakoichi 濱田晃一




                    10
hamadakoichi 濱田晃一
                      理論物理 博士(2004.3取得)
                        量子統計場の理論
Statistical Field Theory                        Spontaneously
                                        Time-Reversal Symmetry Breaking




                                       Anisotropic Massless Dirac Fermions




 博士論文: http://hosi.phys.s.u-tokyo.ac.jp/~koichi/PhD-thesis.pdf
                                                                        11
hamadakoichi 濱田晃一

          毎週末3時間ダンスコーチをしています




           ■過去、東京と京都でも
            ダンス部を創設。
            コーチをしていました
                          駒場物理ダンス部   京都大学基礎物理学研究所ダンス部
                          部長兼コーチ     部長兼コーチ

  現在: 毎週末 3時間ダンスコーチ
  Youtube Channel: http://www.youtube.com/hamadakoichi   12
数理解析手法の実ビジネスへの適用
            2004年 博士号取得後
       数理解析手法を実ビジネス適用の方法論構築
主な領域
◆活動の数理モデル化・解析手法
◆活動の分析手法・再構築手法
◆活動の実行制御・実績解析システム
…
 内容抜粋
 “Decoupling Executions in Navigating Manufacturing          "Unified graph representation of processes
 Processes for Shortening Lead Time and Its Implementation   for scheduling with flexible resource
 to an Unmanned Machine Shop”,                               assignment",




                                                                                                          13
数理解析手法の実ビジネスへの適用:活動例

                  活動の統一グラフモデルを構築・解析
                        Unified graphical model of processes and resources

                                                                                                 青字:割付モデル属性
                                                                                                 [ ] : Optional
Node             ・priority(優先度)                                                       Edge
                 ・duration(予定時間)
                 [・earliest(再早開始日時) ]                                                      Process Edge
Process          [・deadline(納期) ]
                 [・or(条件集約数) ]
                                                                                             前プロセスの終了後に後プロセスが
プロセスを表す                                                                                      開始できること表す
                 ・attributes(属性)
                                                                      preemptable(中断可否),
                                                                      successive(引継ぎ可否)
                                                                                           Uses Edge
                                                                      workload(作業負荷)         Processが使用する
                        uses     uses uses         uses   uses        uses                   Assign Region を表す

Assign Region                                                                              Assigns from Edge
同一Resourceを割付け続ける                                                                            Assign Regionに
                                  assigns from assigns from                                  指定Resourceの子Resource集合の
範囲を表す
               assigns                                           assigns                     中から割付けることを示す
                                 企業01                             [process]
                                 has         has                  [startDate(開始日時)]
                                                                  [endDate(終了日時)]          Assigns Edge
                  製品01                    組織A                                                StartDateからEndDateまでの間
Resource                                                                     has             Assign RegionにResourceを
割付対象要素を表す           has has      has      has   has       has                                割付けることを表す
                                                                    ・capacity(容量)
                                                                    ・calender(カレンダー)
                AAA01    AAB02    …     山田さん 田中さん 鈴木さん              ・attributes(属性)        Has Edge
                                                                           東さん               Resourceの所有関係を表す
                                                                                                                   14
数理解析手法の実ビジネスへの適用:活動例
                                    一品一様の業務プロセスの
                                  動的なプロセス制御数理体系を構築
  全体生産リードタイム中央値を                                                                                                                         1/2.7に短縮
      設計開始~頭だし出荷リードタイム
                                      設計開始~頭だし出荷CT対週集計開始日時の箱ひげ図                                                                           体系適用
                         500
                                                                                                                                                                      適用後
   設計開始~頭だし出荷CT




                         400

                                                                                             360.4h(15.0日)
                                                                                                                                                                                              1/2.7
                         300



                         200



                         100
                                        0          0          0           0           0          0          0          0          0          0          0
                                                                                                                                                                   141.6h(5.9日)
                                                                                                                                                                    0           0         0
                                   9: 0       9 :0       9 :0        9 :0        9: 0       9 :0       9 :0       9 :0       9: 0       9 :0       9 :0        9 :0        9: 0      9 :0
                               20         27         04          11          18         25         01         08         15         22         29          06          13         20
                          0 9/       0 9/       1 0/        1 0/        1 0/       1 0/       1 1/       1 1/       1 1/       1 1/       1 1/        1 2/        1 2/       1 2/
                       4/         4/         4/         4/          4/          4/         4/         4/         4/         4/         4/         4/          4/          4/
                  2 00       2 00       2 00       2 00        2 00        2 00       2 00       2 00       2 00       2 00       2 00       2 00        2 00        2 00
                                                                                                週集計開始日時




                                                                                                                                                                                                  15
数理解析手法の実ビジネスへの適用:活動例
                                    ビジネスとともに
                                    学術分野でも貢献
変動性から生じる動的な課題
     ・リソースの競合 ・滞留 ・納期遅延                             …

一品一様な業務プロセスを含む
統計解析・制御数理モデル
     ・統計的な有効変数算出
     ・統計数理モデル化
        -優先順位制御
        -実行タイミング制御
        -統計フィードバック
        -適正リソース量算出
     ・予測数理体系
論文(体系の一部)
M.Nakao, N. Kobayashi, K.Hamada, T.Totsuka, S.Yamada,
“Decoupling Executions in Navigating Manufacturing Processes for Shortening Lead Time and Its Implementation
to an Unmanned Machine Shop”,
CIRP Annals - Manufacturing Technology Volume 56, Issue 1, Pages 171-174 (2007)                          16
思い
     より広く蓄積されたデータを有効活用し
     世界の未来をよりよいものにしていきたい
               データマイニング+WEB勉強会@東京




     Google Group: http://groups.google.com/group/webmining-tokyo   17
現在の活動領域

   ソーシャルメディアのデータマイニング活用
          2900万人以上の人々へ
 各人のつながり・楽しみ・好み 個性にあった適切なサービス配信
           日々20億以上の活動の活用


           Social Media
              Social Graph
          Fun Like Personality
           Objective Process

            Data Mining
          Machine Learning
       各人のつながり、楽しみ、好み、個性にあった
           より適切なサービス提供
                                  18
よりよい世界の実現
      ソーシャル・活動情報の活用により
 より適切な情報・サービス配信される世界を実現したい




            Social Media
                Social Graph
            Fun Like Personality
             Objective Process

          Data Mining
        Machine Learning
       各人のつながり、楽しみ、好み、個性にあった
           より適切なサービス提供
                                   19
よりよい世界の実現
      ソーシャル・活動情報の活用により
 より適切な情報・サービス配信される世界を実現したい
            世界中の人々が
 個々人のつながり・楽しみ・好みにあった適切な情報・サービスを
      自ら探さなくても得ることができる世界

            Social Media
                Social Graph
            Fun Like Personality
             Objective Process

          Data Mining
        Machine Learning
       各人のつながり、楽しみ、好み、個性にあった
           より適切なサービス提供
                                   20
AGENDA
 ◆講師紹介
 ◆ソーシャルプラットフォーム:Mobage
 ◆データマイニング活用によるサービス洗練
 ◆楽しさのマイニング
   ◆1日20億超の行動情報
   ◆楽しさのデータマイニング
   ◆活動例
   ◆ケーススタディ: Social Game洗練
   ◆迅速なサービス洗練
 ◆大規模データマイニング基盤構成
 ◆世界へ
Mobage

                                  Mobage
                            モバイルソーシャルプラットフォーム
                  【ゲーム】                          【SNS機能】
                                       日記の掲載、サークルの形成・参加、アバター(自分の分身のキャ
                                       ラクター)を使った匿名での自己紹介、その他のコミュニケーション




                                               【情報配信機能】
                 【作品投稿】                         実用性の高い情報を配信
                小説、音楽、動画などの                  ニュース、天気予報、乗り換え案内など
               作品の創作・投稿コーナー




DeNA Co.,ltd. ALL rights reserved                                 22
1日20億超の行動情報

                                      2900万人以上
                                    1日20億超の行動情報
  国内Mobage有効会員数(万人) (PV/日)
                                        25億

2900万

                                       20億
                                                                        2010年4月


                                        15億
                                                                            GREE
                                                                            モバイル
                                        10億
                                                                            Mixi
                                                                            モバイル
                                         5億
                                                                            Yahoo!
                                                                            モバイル
                                          0


                                              2008年    2009年        2010年
                                        出典:
                                        当社 (月次推移のご報告), 株式会社ミクシィ (2010年度第1四半期決算説明資料),
                                        ヤフー株式会社 (2008年1月~2010年6月 月次報告),
DeNA Co.,ltd. ALL rights reserved       グリー株式会社 (2010年度第4四半期決算説明資料)              23
ソーシャルゲーム業界の世界リーダー比較

                                独自の位置づけと高い収益性




DeNA Co.,ltd. ALL rights reserved   ※出展:株式会社ディー・エヌ・エー:平成23年3月期 第2四半期決算説明会資料   24
バーチャルソーシャルグラフ

                               興味を軸としたソーシャルグラフ




DeNA Co.,ltd. ALL rights reserved   ※出展:株式会社ディー・エヌ・エー:平成23年3月期 第2四半期決算説明会資料   25
AGENDA
            ◆講師紹介
            ◆ソーシャルプラットフォーム:Mobage
            ◆データマイニング活用によるサービス洗練
            ◆楽しさのマイニング
              ◆1日20億超の行動情報
              ◆楽しさのデータマイニング
              ◆活動例
              ◆ケーススタディ: Social Game洗練
              ◆迅速なサービス洗練
            ◆大規模データマイニング基盤構成
            ◆世界へ
DeNA Co.,ltd. ALL rights reserved
データマイニング活用によるサービス洗練

                           データマイニング・機械学習の活用により
                            迅速なサービス洗練を実現しています

       Data-mining
       Machine-Leaning                 Data Mining Infrastructure
       Results
                                                                              KPI Inspection
                                          DeNA Data Mining Libraries
                                                                              KPI Views
                           Data Mining/Machine Learning
                                                                        R
                                    Mahout                MapReduce
             …
                              Morphological Analysis                   Perl
                              DeNA Social MA                 Pig       Java    Business
                             Pre-processing/Indexing
                                                                               Planning
                                    Lucene                   Hive      HUE
      Service    Log API

      Service    Log API                               Hadoop DFS
                 Log API
      Service
                           Unified Description of
         …          …
                            Action/Status Log

DeNA Co.,ltd. ALL rights reserved                                                              27
データマイニング活用によるサービス洗練




                                    Data Mining Infrastructure




DeNA Co.,ltd. ALL rights reserved                                28
データマイニング活用によるサービス洗練

                       KPI(Key Performance Indicator)定常算出・共有
                           ビジネス・サービス変化を検知

                                    Data Mining Infrastructure
                                                                 KPI Inspection

                                                                 KPI Views




DeNA Co.,ltd. ALL rights reserved                                                 29
データマイニング活用によるサービス洗練

                         経営判断・サービス洗練を行うための
                            データマイニング実行

                                    Data Mining Infrastructure
                                                                 KPI Inspection

                                                                 KPI Views




                                                                  Business
                                                                  Planning




DeNA Co.,ltd. ALL rights reserved                                                 30
データマイニング活用によるサービス洗練

                データマイニング・機械学習 結果のサービス活用
                    より楽しんでもらえるサービスへ

       Data-mining
       Machine-Leaning              Data Mining Infrastructure
       Results
                                                                 KPI Inspection

                                                                 KPI Views


             …


                                                                  Business
                                                                  Planning
      Service    Log API

      Service    Log API

                 Log API
      Service
         …          …


DeNA Co.,ltd. ALL rights reserved                                                 31
大規模データマイニング基盤

                           データマイニング・機械学習の活用により
                            迅速なサービス洗練を実現しています

       Data-mining
       Machine-Leaning                 Data Mining Infrastructure
       Results
                                                                              KPI Inspection
                                          DeNA Data Mining Libraries
                                                                              KPI Views
                           Data Mining/Machine Learning
                                                                        R
                                    Mahout                MapReduce
             …
                              Morphological Analysis                   Perl
                              DeNA Social MA                 Pig       Java    Business
                             Pre-processing/Indexing
                                                                               Planning
                                    Lucene                   Hive      HUE
      Service    Log API

      Service    Log API                               Hadoop DFS
                 Log API
      Service
                           Unified Description of
         …          …
                            Action/Status Log

DeNA Co.,ltd. ALL rights reserved                                                              32
AGENDA
            ◆講師紹介
            ◆ソーシャルプラットフォーム:Mobage
            ◆データマイニング活用によるサービス洗練
            ◆楽しさのマイニング
              ◆1日20億超の行動情報
              ◆楽しさのデータマイニング
              ◆活動例
              ◆ケーススタディ: Social Game洗練
              ◆迅速なサービス洗練
            ◆大規模データマイニング基盤構成
            ◆世界へ
DeNA Co.,ltd. ALL rights reserved
AGENDA
            ◆講師紹介
            ◆ソーシャルプラットフォーム:Mobage
            ◆データマイニング活用によるサービス洗練
            ◆楽しさのマイニング
              ◆1日20億超の行動情報
              ◆楽しさのデータマイニング
              ◆活動例
              ◆ケーススタディ: Social Game洗練
              ◆迅速なサービス洗練
            ◆大規模データマイニング基盤構成
            ◆世界へ
DeNA Co.,ltd. ALL rights reserved
1日20億超の行動情報

                                      2900万人以上
                                    1日20億超の行動情報
  国内Mobage有効会員数(万人) (PV/日)
                                        25億

2900万
                                       20億
                                                                        2010年4月


                                        15億
                                                                            GREE
                                                                            モバイル
                                        10億
                                                                            Mixi
                                                                            モバイル
                                         5億
                                                                            Yahoo!
                                                                            モバイル
                                          0


                                              2008年    2009年        2010年
                                        出典:
                                        当社 (月次推移のご報告), 株式会社ミクシィ (2010年度第1四半期決算説明資料),
                                        ヤフー株式会社 (2008年1月~2010年6月 月次報告),
DeNA Co.,ltd. ALL rights reserved       グリー株式会社 (2010年度第4四半期決算説明資料)              35
1日20億超の行動情報

                                     統計的有意な結果を
                                    多くのユーザー体験へ還元




                                     2900万人以上
                                    1日20億超アクション

DeNA Co.,ltd. ALL rights reserved                  36
1日20億超の行動情報

                                     統計的有意な結果を
                                    多くのユーザー体験へ還元


                   統計的有意
       データマイニング・機械学習の
         結果の統計的有意性


                                     2900万人以上
                                    1日20億超アクション

DeNA Co.,ltd. ALL rights reserved                  37
1日20億超の行動情報

                                     統計的有意な結果を
                                    多くのユーザー体験へ還元


                   統計的有意                   多くの人へ還元
       データマイニング・機械学習の                       多くのユーザー体験へ
         結果の統計的有意性                             還元できる


                                     2900万人以上
                                    1日20億超アクション

DeNA Co.,ltd. ALL rights reserved                        38
AGENDA
            ◆講師紹介
            ◆ソーシャルプラットフォーム:Mobage
            ◆データマイニング活用によるサービス洗練
            ◆楽しさのマイニング
              ◆1日20億超の行動情報
              ◆楽しさのデータマイニング
              ◆活動例
              ◆ケーススタディ: Social Game洗練
              ◆迅速なサービス洗練
            ◆大規模データマイニング基盤構成
            ◆世界へ
DeNA Co.,ltd. ALL rights reserved
詳細行動情報

                            目的・感情が分かる詳細行動情報




DeNA Co.,ltd. ALL rights reserved             40
詳細行動情報

                            目的・感情が分かる詳細行動情報


                  ミッション ボス挑戦
                    勝つ 負ける




DeNA Co.,ltd. ALL rights reserved             41
詳細行動情報

                            目的・感情が分かる詳細行動情報

                      ステータスアップ
                  ミッション ボス挑戦
                    勝つ 負ける




DeNA Co.,ltd. ALL rights reserved             42
詳細行動情報

                            目的・感情が分かる詳細行動情報

                      ステータスアップ
                  ミッション ボス挑戦         応援 プレゼント
                    勝つ 負ける          仲間申請 ウィンク
                                       交換




DeNA Co.,ltd. ALL rights reserved               43
詳細行動情報

                            目的・感情が分かる詳細行動情報

                      ステータスアップ        助け合う
                  ミッション ボス挑戦         応援 プレゼント
                    勝つ 負ける          仲間申請 ウィンク
                                       交換




DeNA Co.,ltd. ALL rights reserved               44
詳細行動情報

                            目的・感情が分かる詳細行動情報

                      ステータスアップ        助け合う
                  ミッション ボス挑戦         応援 プレゼント   バトル 奪う
                    勝つ 負ける          仲間申請 ウィンク    奪われる
                                       交換




DeNA Co.,ltd. ALL rights reserved                        45
詳細行動情報

                            目的・感情が分かる詳細行動情報

                      ステータスアップ        助け合う       スリル
                  ミッション ボス挑戦         応援 プレゼント   バトル 奪う
                    勝つ 負ける          仲間申請 ウィンク    奪われる
                                       交換




DeNA Co.,ltd. ALL rights reserved                        46
詳細行動情報

                            目的・感情が分かる詳細行動情報

                      ステータスアップ                助け合う    スリル
                  ミッション ボス挑戦             応援 プレゼント    バトル 奪う
                    勝つ 負ける              仲間申請 ウィンク     奪われる
                                           交換
                                      育成
                                     耕す 種まき
                                    水やり 収穫
                                      捕獲




DeNA Co.,ltd. ALL rights reserved                             47
詳細行動情報

                            目的・感情が分かる詳細行動情報

                      ステータスアップ             助け合う       スリル
                  ミッション ボス挑戦              応援 プレゼント バトル 奪う
                    勝つ 負ける              仲間申請 ウィンク    奪われる
                                            交換
                                      育成         収集
                                     耕す 種まき   アイテム取得
                                    水やり 収穫      アイテム合成
                                      捕獲          …
                                                            …




DeNA Co.,ltd. ALL rights reserved                               48
詳細行動情報

                            目的・感情が分かる詳細行動情報

                      ステータスアップ             助け合う       スリル
                  ミッション ボス挑戦              応援 プレゼント バトル 奪う
                    勝つ 負ける              仲間申請 ウィンク    奪われる
                                            交換
                                      育成         収集
                                     耕す 種まき   アイテム取得
                                    水やり 収穫      アイテム合成
                                      捕獲          …
                                                            …



                                     楽しさのマイニング

DeNA Co.,ltd. ALL rights reserved                               49
楽しさのマイニング

                                    楽しさのマイニング
                                    ユーザー体験へ還元




                                    Social Media
                                     Experience




DeNA Co.,ltd. ALL rights reserved                  50
楽しさのマイニング

                                     楽しさのマイニング
                                     ユーザー体験へ還元




                                      Social Media
                                       Experience
                                         Social Graph
                                       Detailed Actions
                                      Changes of Status
                                    Social Communications
                                       Personality ..etc
DeNA Co.,ltd. ALL rights reserved                           51
楽しさのマイニング

                                     楽しさのマイニング
                                     ユーザー体験へ還元
                                      Data Mining
                                    Machine Learning
                                         of Fun




                                      Social Media
                                       Experience
                                         Social Graph
                                       Detailed Actions
                                      Changes of Status
                                    Social Communications
                                       Personality ..etc
DeNA Co.,ltd. ALL rights reserved                           52
楽しさのマイニング

                                     楽しさのマイニング
                                     ユーザー体験へ還元
                                      Data Mining
                                    Machine Learning
                                         of Fun
                            PatternMining Clustering
                  Classification Regression Recommendation
                     TimeSeriesAnalysis StatisticalAnalysis
                        NaturalLanguageProcessing ..etc

                                      Social Media
                                       Experience
                                         Social Graph
                                       Detailed Actions
                                      Changes of Status
                                    Social Communications
                                       Personality ..etc
DeNA Co.,ltd. ALL rights reserved                             53
AGENDA
            ◆講師紹介
            ◆ソーシャルプラットフォーム:Mobage
            ◆データマイニング活用によるサービス洗練
            ◆楽しさのマイニング
              ◆1日20億超の行動情報
              ◆楽しさのデータマイニング
              ◆活動例
              ◆ケーススタディ: Social Game洗練
              ◆迅速なサービス洗練
            ◆大規模データマイニング基盤構成
            ◆世界へ
DeNA Co.,ltd. ALL rights reserved
楽しさのマイニング

                                     楽しさのマイニング
                                     ユーザー体験へ還元
                                      Data Mining
                                    Machine Learning
                                         of Fun
                            PatternMining Clustering
                  Classification Regression Recommendation
                     TimeSeriesAnalysis StatisticalAnalysis
                        NaturalLanguageProcessing ..etc

                                      Social Media
                                       Experience
                                         Social Graph
                                       Detailed Actions
                                      Changes of Status
                                    Social Communications
                                       Personality ..etc
DeNA Co.,ltd. ALL rights reserved                             55
活動例(抜粋)

                                     楽しさのマイニング
                                     ユーザー体験へ還元
                                      Data Mining
                                    Machine Learning
                                         of Fun
                            PatternMining Clustering
                  Classification Regression Recommendation
                     TimeSeriesAnalysis StatisticalAnalysis
                        NaturalLanguageProcessing ..etc

                                      Social Media
                                       Experience
                                         Social Graph
                                       Detailed Actions
                                      Changes of Status
                                    Social Communications
                                       Personality ..etc
DeNA Co.,ltd. ALL rights reserved                             56
活動例(抜粋): Recommendation

                                     Recommendation
                                    より楽しんでもらえるサービス推薦




DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Recommendation

                                    Recommendation Strategy
                                            推薦戦略




DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Recommendation

                                      Recommendation Strategy
                             推薦戦略
  Standard Recommendation Methodologies
  Memory Based Paradigm                                     Model Based Paradigm
  (most user decision focused)                              (most detailed experiments and rationale)
   > 協調フィルタリング (users that play A play B)                   > パターンの学習と予測
   > ソーシャルグラフ (user neighborhood)                            > latent semantic analysis (game text similarity)
   > 強化学習 (user feedback)                                    > artificial neural network
   > locality sensitive hashing (user profile similarity)



  Emergent Intelligence Paradigm                            Hybridized Intelligence Paradigm
  (fastest adaptation)                                      (most successful globally)
    > エージェントランダムウォーク(user similarity search)                > 手法の組合せによる向上
    > 遺伝的アルゴリズム (game preference convergence)                >> 友人がいないとき (e.g. new user)
                                                             >> 利用データが存在しないとき (e.g. new game)
                                                             >> モデルからメタデータが取得できないとき
                                                            > 混合手法によるこれらの課題解決




DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Recommendation

                                      Recommendation Strategy
                             推薦戦略
  Standard Recommendation Methodologies
  Memory Based Paradigm                                     Model Based Paradigm
  (most user decision focused)                              (most detailed experiments and rationale)
   > 協調フィルタリング (users that play A play B)                   > パターンの学習と予測
   > ソーシャルグラフ (user neighborhood)                            > latent semantic analysis (game text similarity)
   > 強化学習 (user feedback)                                    > artificial neural network
   > locality sensitive hashing (user profile similarity)



  Emergent Intelligence Paradigm                            Hybridized Intelligence Paradigm
  (fastest adaptation)                                      (most successful globally)
    > エージェントランダムウォーク(user similarity search)                > 手法の組合せによる向上
    > 遺伝的アルゴリズム (game preference convergence)                >> 友人がいないとき (e.g. new user)
                                                             >> 利用データが存在しないとき (e.g. new game)
                                                             >> モデルからメタデータが取得できないとき
                                                            > 混合手法によるこれらの課題解決




DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Recommendation

                                        Social Collaborative Filtering
                       ソーシャルグラフを用いたユーザー行動履歴・グラフによる推薦

                  Social Graph
                                                         Input User History
                                                         and Social Graph            Collaborative Filtering        (Global)




                                                                                                                                                     RECS
                                                                                       (Global Matrix Model for “A likes B”)

                                                                                    New user with no history

                 Friend                                 Input User History and
                                                                                   Collaborative Filtering     (Personal)




                                                                                                                                                      RECS
                                                            Neighborhood
                                           user                                   (Neighborhood Matrix Model for “A likes B”)

     Neighborhood
                                                                                    User with history


                                                                         Item-Item Matrix of Relationships (Invented by Amazon.com)

                        Friend of Friend
                  Wikipedia Image of a Social Network                                                        Relationship between Game A2 and C2

 There are thousands of collaborative filtering varieties:
   + user friend neighborhood…                                                                            Users who “bought A bought C”, “viewed A viewed C”…
   + user similarity clustered neighborhood…

                                                                                                     References (International Research Copyrights)
DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Recommendation

                                      Recommendation Strategy
                             推薦戦略
  Standard Recommendation Methodologies
  Memory Based Paradigm                                     Model Based Paradigm
  (most user decision focused)                              (most detailed experiments and rationale)
   > 協調フィルタリング (users that play A play B)                   > パターンの学習と予測
   > ソーシャルグラフ (user neighborhood)                            > latent semantic analysis (game text similarity)
   > 強化学習 (user feedback)                                    > artificial neural network
   > locality sensitive hashing (user profile similarity)



  Emergent Intelligence Paradigm                            Hybridized Intelligence Paradigm
  (fastest adaptation)                                      (most successful globally)
    > エージェントランダムウォーク(user similarity search)                > 手法の組合せによる向上
    > 遺伝的アルゴリズム (game preference convergence)                >> 友人がいないとき (e.g. new user)
                                                             >> 利用データが存在しないとき (e.g. new game)
                                                             >> モデルからメタデータが取得できないとき
                                                            > 混合手法によるこれらの課題解決




DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Recommendation

                                                Content Similarity
                                                 コンテンツ類似度の利用


                   1




                                                          Latent Semantic Analysis via
                                                          Singular Value Decomposition


                  2
                                                                    Cosine Similarity Equation




                  3                                                                                          Similarity Game A2 and C2


                                         4                             5                             6




      Game A to B Cosine Similarity Matrix                                     Smoothing Normalization
                                             Statistical Z-Score removes Low
                                                                                                         Game A to B Relationship Matrix
                                                    Confidence Scores
DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Recommendation

                                              Social Neural Networks
               ソーシャルグラフを用いたユーザー行動履歴・グラフによる推薦


                     Social Graph                                                1   G1            G1   0
                                                                                 1   G2            G2   0
                                                                                 0   G3            G3   0
                                                                                 0   G4            G4   1
                                                                                 0   G5            G5   0
                     Friend
                                                                                 0   G6            G6   0
                                               user
                                                                                 0   G7           G7
                                                            Input User History                          0
          Neighborhood                                      and Neighborhood
                                                                                 0   G8           G8    0
                                                                                 0   G9           G9    0
                                                                                 HISTORY   RECOMMENDATIONS
                            Friend of Friend
                      Wikipedia Image of a Social Network




DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Recommendation

                                      Recommendation Strategy
                             推薦戦略
  Standard Recommendation Methodologies
  Memory Based Paradigm                                     Model Based Paradigm
  (most user decision focused)                              (most detailed experiments and rationale)
   > 協調フィルタリング (users that play A play B)                   > パターンの学習と予測
   > ソーシャルグラフ (user neighborhood)                            > latent semantic analysis (game text similarity)
   > 強化学習 (user feedback)                                    > artificial neural network
   > locality sensitive hashing (user profile similarity)



  Emergent Intelligence Paradigm                            Hybridized Intelligence Paradigm
  (fastest adaptation)                                      (most successful globally)
    > エージェントランダムウォーク(user similarity search)                > 手法の組合せによる向上
    > 遺伝的アルゴリズム (game preference convergence)                >> 友人がいないとき (e.g. new user)
                                                             >> 利用データが存在しないとき (e.g. new game)
                                                             >> モデルからメタデータが取得できないとき
                                                            > 混合手法によるこれらの課題解決




DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Recommendation

                                       Social Agent Emergence
                                エージェントによる隠されたグループ抽出



                                          Sub-culture 1




                                    Sub-culture 2




                                       AGENT        Random Walk
                                                    Genetic Algorithm




DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Recommendation

                                      Recommendation Strategy
                             推薦戦略
  Standard Recommendation Methodologies
  Memory Based Paradigm                                     Model Based Paradigm
  (most user decision focused)                              (most detailed experiments and rationale)
   > 協調フィルタリング (users that play A play B)                   > パターンの学習と予測
   > ソーシャルグラフ (user neighborhood)                            > latent semantic analysis (game text similarity)
   > 強化学習 (user feedback)                                    > artificial neural network
   > locality sensitive hashing (user profile similarity)



  Emergent Intelligence Paradigm                            Hybridized Intelligence Paradigm
  (fastest adaptation)                                      (most successful globally)
    > エージェントランダムウォーク(user similarity search)                > 手法の組合せによる向上
    > 遺伝的アルゴリズム (game preference convergence)                >> 友人がいないとき (e.g. new user)
                                                             >> 利用データが存在しないとき (e.g. new game)
                                                             >> モデルからメタデータが取得できないとき
                                                            > 混合手法によるこれらの課題解決




DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Recommendation

                                            Hybrid Models


                    Hybrid Model

                                      Users that Like A Like B




                                                                   Prediction
                                                 CF


                                    AGENT                    SIM


                                                NN


                                     RL




DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Recommendation

                                                 Recommendation
                                            より楽しんでもらえるサービス推薦
  Standard Recommendation Methodologies
  Memory Based Paradigm                                     Model Based Paradigm
  (most user decision focused)                              (most detailed experiments and rationale)
   > 協調フィルタリング (users that play A play B)                   > パターンの学習と予測
   > ソーシャルグラフ (user neighborhood)                            > latent semantic analysis (game text similarity)
   > 強化学習 (user feedback)                                    > artificial neural network
   > locality sensitive hashing (user profile similarity)



  Emergent Intelligence Paradigm                            Hybridized Intelligence Paradigm
  (fastest adaptation)                                      (most successful globally)
    > エージェントランダムウォーク(user similarity search)                > 手法の組合せによる向上
    > 遺伝的アルゴリズム (game preference convergence)                >> 友人がいないとき (e.g. new user)
                                                             >> 利用データが存在しないとき (e.g. new game)
                                                             >> モデルからメタデータが取得できないとき
                                                            > 混合手法によるこれらの課題解決




DeNA Co.,ltd. ALL rights reserved
活動例(抜粋)

                                     楽しさのマイニング
                                     ユーザー体験へ還元
                                      Data Mining
                                    Machine Learning
                                         of Fun
                            PatternMining Clustering
                  Classification Regression Recommendation
                     TimeSeriesAnalysis StatisticalAnalysis
                        NaturalLanguageProcessing ..etc

                                      Social Media
                                       Experience
                                         Social Graph
                                       Detailed Actions
                                      Changes of Status
                                    Social Communications
                                       Personality ..etc
DeNA Co.,ltd. ALL rights reserved                             70
活動例(抜粋): Pattern/Clustering/Classification

                                    Feature Analysis
                              楽しさの行動パターン、やめてしまう状況パターン




DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Pattern/Clustering/Classification

                                        Feature Analysis
                              楽しさの行動パターン、やめてしまう状況パターン
                                                      Pattern Mining
                                                           F1          E1


                                                           F2

                                                                       E1
                                                           F3


                                                           F4

                                                           F5


                      Clustering                      Feature Analysis
                        Activity N, …




                                                      Classification
                                         Activity 1   Regression
DeNA Co.,ltd. ALL rights reserved
活動例(抜粋)

                                    Feature Analysis/Prediction
                              楽しさの行動パターン、やめてしまう状況パターン

    ■楽しさの行動パターン




    ■やめてしまう状況パターン




DeNA Co.,ltd. ALL rights reserved                                 73
活動例(抜粋)

                                    Feature Analysis/Prediction
                              楽しさの行動パターン、やめてしまう状況パターン

    ■楽しさの行動パターン
       ・夢中になるきっかけ
         ⇒夢中になる体験をしてもらう




    ■やめてしまう状況パターン




DeNA Co.,ltd. ALL rights reserved                                 74
活動例(抜粋)

                                    Feature Analysis/Prediction
                              楽しさの行動パターン、やめてしまう状況パターン

    ■楽しさの行動パターン
       ・夢中になるきっかけ
         ⇒夢中になる体験をしてもらう
       ・楽しんでサービス継続している行動特徴
         ⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。
         ⇒楽しさのパターンをサービス初期で体験。楽しさを理解。

    ■やめてしまう状況パターン




DeNA Co.,ltd. ALL rights reserved                                 75
活動例(抜粋)

                                    Feature Analysis/Prediction
                              楽しさの行動パターン、やめてしまう状況パターン

    ■楽しさの行動パターン
       ・夢中になるきっかけ
         ⇒夢中になる体験をしてもらう
       ・楽しんでサービス継続している行動特徴
         ⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。
         ⇒楽しさのパターンをサービス初期で体験。楽しさを理解。

    ■やめてしまう状況パターン
       ・飽きはじめるきっかけ・不快な状況
          ⇒やめるきっかけを発生させないようにする。




DeNA Co.,ltd. ALL rights reserved                                 76
活動例(抜粋)

                                    Feature Analysis/Prediction
                              楽しさの行動パターン、やめてしまう状況パターン

    ■楽しさの行動パターン
       ・夢中になるきっかけ
         ⇒夢中になる体験をしてもらう
       ・楽しんでサービス継続している行動特徴
         ⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。
         ⇒楽しさのパターンをサービス初期で体験。楽しさを理解。

    ■やめてしまう状況パターン
       ・飽きはじめるきっかけ・不快な状況
          ⇒やめるきっかけを発生させないようにする。
       ・飽きはじめたユーザーの予測・判別
          ⇒新鮮・斬新な体験を提供する
          ⇒他の楽しみ方の提供(他サービスへの推薦 等)
DeNA Co.,ltd. ALL rights reserved                                 77
活動例(抜粋)

                                    Feature Analysis/Prediction
                              楽しさの行動パターン、やめてしまう状況パターン

    ■楽しさの行動パターン
       ・夢中になるきっかけ
         ⇒夢中になる体験をしてもらう
       ・楽しんでサービス継続している行動特徴
         ⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。
         ⇒楽しさのパターンをサービス初期で体験。楽しさを理解。

    ■やめてしまう状況パターン
       ・飽きはじめるきっかけ・不快な状況
          ⇒やめるきっかけを発生させないようにする。
       ・飽きはじめたユーザーの予測・判別
          ⇒新鮮・斬新な体験を提供する
          ⇒他の楽しみ方の提供(他サービスへの推薦 等)
DeNA Co.,ltd. ALL rights reserved                                 78
活動例(抜粋): Pattern/Clustering/Classification

                                    Feature Analysis/Prediction
                              楽しさの行動パターン、やめてしまう状況パターン
          例)




DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Pattern/Clustering/Classification

                                    Feature Analysis/Prediction
                              楽しさの行動パターン、やめてしまう状況パターン
          例)                                    Pattern Mining
                                                    F1           E1   やめてしまう

                                                    F2

                                                                 E1   夢中になり始める
                                                    F3


                                                   F4

                                                   F5




DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Pattern/Clustering/Classification

                                    Feature Analysis/Prediction
                               楽しさの行動パターン、やめてしまう状況パターン
          例)                                        Pattern Mining
                                                        F1           E1   やめてしまう

                                                        F2

                                                                     E1   夢中になり始める
                                                        F3


                                                       F4

                                                       F5



              Clustering
               Activity N, …
                                         離脱




                                      継続

                                       Activity 1
DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Pattern/Clustering/Classification

                                    Feature Analysis/Prediction
                               楽しさの行動パターン、やめてしまう状況パターン
          例)                                        Pattern Mining
                                                        F1           E1   やめてしまう

                                                        F2

                                                                     E1   夢中になり始める
                                                        F3


                                                        F4

                                                        F5



              Clustering                            Feature Analysis
               Activity N, …
                                         離脱




                                      継続
                                                    Classification
                                       Activity 1   Regression
DeNA Co.,ltd. ALL rights reserved
活動例(抜粋): Pattern/Clustering/Classification

                                    Feature Analysis/Prediction
                               楽しさの行動パターン、やめてしまう状況パターン
          例)                                        Pattern Mining
                                                        F1           E1   やめてしまう

                                                        F2

                                                                     E1   夢中になり始める
                                                        F3


                                                        F4

                                                        F5



              Clustering                            Feature Analysis
               Activity N, …
                                         離脱


                                                                               User Experience
                                                                               Improvement

                                      継続
                                                    Classification
                                       Activity 1   Regression
DeNA Co.,ltd. ALL rights reserved
活動例(抜粋)

                                     楽しさのマイニング
                                     ユーザー体験へ還元
                                      Data Mining
                                    Machine Learning
                                         of Fun
                            PatternMining Clustering
                  Classification Regression Recommendation
                     TimeSeriesAnalysis StatisticalAnalysis
                        NaturalLanguageProcessing ..etc

                                      Social Media
                                       Experience
                                         Social Graph
                                       Detailed Actions
                                      Changes of Status
                                    Social Communications
                                       Personality ..etc
DeNA Co.,ltd. ALL rights reserved                             84
活動例(抜粋): Time Series Analysis

                         Anomaly detection
                複数時系列から異常な振る舞いを検知する

                                                                    C
                                                                    A
   時系列のモデリング                複数時系列の異常検知                              B

  時系列A                             時系列A
                                                                異常な振る舞い
  時系列B

  時系列C                      時系列B          時系列C

                            異常な振る舞いの時系列を検出




           例1:トラフィック異常検知                    例2:CM効果のノイズ除去

               トラフィックA                           ケースA
                                                        CM効果
               トラフィックB                           ケースB

               トラフィックC       調査                  ケースC

                 異常な振る舞いをしている                異常な振る舞いをしているケースを
                トラフィックの原因を調査する                除外して、CMの効果を算出する
                                                                        85
活動例(抜粋): Time Series Analysis

                 Anomaly detection
            新しいデータと過去時系列モデルの乖離から異常検出


                                   異常スコア推移
モデル構築
                             異常値
◇例 : ARIMAモデル




異常スコアの算出
◇例 : 対数損失




                                      t
                                             86
活動例(抜粋): Time Series Analysis

               TV Commercial Effects
       時系列的な振る舞いの特徴から各KPIへのCMの影響度を算出

                                             イベン
     CM時系列                                    ト

                                 新規
                                 登録


                      CM                     ARPP
                                              U




                                 ARPU

    各KPIの時系列
                                                    その
                                                     他
                           継続
                                                    外部
                           率
                                                    要因


                                        ケー
                                         ス



                                                     87
活動例(抜粋)

               楽しさのマイニング
               ユーザー体験へ還元
               Data Mining
             Machine Learning
                  of Fun
              PatternMining Clustering
    Classification Regression Recommendation
       TimeSeriesAnalysis StatisticalAnalysis
          NaturalLanguageProcessing ..etc

                Social Media
                 Experience
                   Social Graph
                 Detailed Actions
                Changes of Status
              Social Communications
                 Personality ..etc
                                                88
活動例(抜粋)

              Other Applications
          他にも各種ユーザー体験向上に役立てています


■健全なプラットフォームへ
  ・不正書き込み判別
  ・年齢詐称の判別


■ユーザーの声によるサービス洗練
  ・ソーシャルコミュニケーションのテキストマイニング
  等




                                   89
楽しさのマイニング

                                     楽しさのマイニング
                                     ユーザー体験へ還元
                                      Data Mining
                                    Machine Learning
                                         of Fun
                          PatternMining Clustering
                Classification Regression Recommendation
                   TimeSeriesAnalysis StatisticalAnalysis
                      NaturalLanguageProcessing ..etc

                                      Social Media
                                       Experience
                                         Social Graph
                                       Detailed Actions
                                      Changes of Status
                                    Social Communications
                                       Personality ..etc
DeNA Co.,ltd. ALL rights reserved                           90
AGENDA
            ◆講師紹介
            ◆ソーシャルプラットフォーム:Mobage
            ◆データマイニング活用によるサービス洗練
            ◆楽しさのマイニング
              ◆1日20億超の行動情報
              ◆楽しさのデータマイニング
              ◆活動例
              ◆ケーススタディ: Social Game洗練
              ◆迅速なサービス洗練
            ◆大規模データマイニング基盤構成
            ◆世界へ
DeNA Co.,ltd. ALL rights reserved
Case Study : Social Game 洗練




     Case Study : Social Game 洗練

                     Social Game 洗練
                     Case: 離脱率抑制




DeNA Co.,ltd. ALL rights reserved      92
Case Study : Social Game 洗練




     Case Study : Social Game 洗練

                     Social Game 洗練
                     Case: 離脱率抑制




DeNA Co.,ltd. ALL rights reserved      93
Case Study : Social Game 洗練
分析に基づいたパラメータチューニングやゲーム内ロジック変更を行い
          ユーザー体験を向上する


                            データ(ログ)整備
     大規模データ                                                   各サービスの
                                        データ抽出・集計   分析~施策実行
     処理基盤整備                                                  企画・開発・運用
                          共通モジュール開発




           データマイニング                     データマイニング分析系      企画・開発・運用担当
           基盤系エンジニア                     エンジニア/アナリスト     (EC・ソーシャルゲーム等)


DeNA Co.,ltd. ALL rights reserved                                   94
Case Study : Social Game 洗練
                 ユーザー体験を向上させるには
           問題発見・解釈・提案の3つが一貫して行えることが必要



                                    データマイニング分析系
                                    エンジニア/アナリスト


 問題発見                               解釈            提案
             空は青い                    雨は降らない        傘はおいていく

            現状分析                     問題の明示化        方向性の決定
          大きなトレンド                     戦略的解釈        具体的な解決案

         こうなっている!                   だとすればこうだ!     だからこうすべき!




DeNA Co.,ltd. ALL rights reserved                             95
Case Study : Social Game 洗練


                                         ゲーム内パラメータの設計(ex.確率系パラメータの
                               パラメータ設計     設定、ユーザーの組み合わせロジック作成)

                                         ユーザーのプレイ・課金状況が当初の想定と異
                            ゲーム/イベントの    なった場合、途中で悪化した場合などに、ゲーム
                           振り返り・改善策検討    ログを分析して、その原因を掘り下げて究明し対
                                                 応策を考える
 タイトル別
                              ゲームデザインに   企画的視点から、ゲームデザイン/イベント企画
                              対するインプット       に対して、改善提案を行う

                                         ゲーム/イベントにおける盛り上がり状況(プレイ・課
                                         金)やその変化がわかるようなKPIを設計し、かつそれ
                           KPIの設計・見える化   らを定常的に追うことができるようなレポートを作成・
                                                   共有する

                                         上記タイトルごとの業務で得られた知見で、他タイトル
                         ナレッジの整理/シェア     にも展開できるようなナレッジについて、資料化/共
                                                   有を進める
タイトル横断
                                         ゲーム横断で使えるような施策を検討し、またそ
                         共通的施策の実行支援         の実現のための仕組みを提供する

DeNA Co.,ltd. ALL rights reserved                                    96
Case Study : Social Game 洗練


                                         ゲーム内パラメータの設計(ex.確率系パラメータの
                               パラメータ設計     設定、ユーザーの組み合わせロジック作成)

                                         ユーザーのプレイ・課金状況が当初の想定と異
                            ゲーム/イベントの    なった場合、途中で悪化した場合などに、ゲーム
                           振り返り・改善策検討    ログを分析して、その原因を掘り下げて究明し対
                                                 応策を考える
 タイトル別
                              ゲームデザインに   企画的視点から、ゲームデザイン/イベント企画
                              対するインプット       に対して、改善提案を行う

                                         ゲーム/イベントにおける盛り上がり状況(プレイ・課
                                         金)やその変化がわかるようなKPIを設計し、かつそれ
                           KPIの設計・見える化   らを定常的に追うことができるようなレポートを作成・
                                                   共有する

                                         上記タイトルごとの業務で得られた知見で、他タイトル
                         ナレッジの整理/シェア     にも展開できるようなナレッジについて、資料化/共
                                                   有を進める
タイトル横断
                                         ゲーム横断で使えるような施策を検討し、またそ
                         共通的施策の実行支援         の実現のための仕組みを提供する

DeNA Co.,ltd. ALL rights reserved                                    97
Case Study : Social Game 洗練




     Case Study : Social Game 洗練

                     Social Game 洗練
                     Case: 離脱率抑制




DeNA Co.,ltd. ALL rights reserved      98
Case: 離脱率抑制
                      怪盗ロワイヤルを題材にした
                 シンプルなケーススタディを みなで考えてみましょう




                                    ミッションをこなし、悪者をやっつける!




DeNA Co.,ltd. ALL rights reserved                         99
Case Study : Social Game 洗練




                                    注

                            本Caseで使用するデータは
                         Case Study用に作成したデータです

                             サービスのデータではありません




DeNA Co.,ltd. ALL rights reserved                100
Case: 離脱率抑制
                 離脱率削減のための分析・施策
           怪盗ロワイヤルのミッションと通常のRPGの進め方の違い

              怪盗ロワイヤル                  ドラクエ型RPG
             (ソーシャルゲーム)              (コンシューマーゲーム)

                     ミッション              ステータス上げ

       ・ミッションをこなして経験値/$を稼ぐ          ・敵と戦って経験値/$を稼ぐ
       ・店で武器・防具を買って強化               ・店で武器・防具を買って強化
       ・ミッションを行うのに必要な手下(=行          ・基本的に進み具合はプレイ時間に依存
        動力)の回復スピードが一定                する(やりこむユーザーは一気にクリアま
       ・進み具合は経過時間(≠プレイ時間)            で進む)
        に依存する=ストレスがかかる


                      ボス戦              (ダンジョン)ボス戦

       ・ボスに勝つと次のランク                 ・ボスを倒したら次のエリア(ダンジョン)
        (エリア)にすすめる                   へいけるようになる


DeNA Co.,ltd. ALL rights reserved                          101
Case: 離脱率抑制
                                    離脱の定義を決める

                                                                          ○ プレイした日
                                     ユーザーごとのプレイ状況
                                                                             プレイしなかった日
            8日 9日 10日 11日 12日 13日 14日 15日 16日 17日 18日 19日 20日 21日 22日 23日 24日 25日 26日 27日 28日

   Aさん       ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○

   Bさん       ○         ○               ○

   Cさん       ○ ○ ○                                                                    ○

   Dさん            ○ ○ ○                ○       ○       ○

   Eさん                 ○               ○                              ○




             Q.9月28日時点で「離脱者」に当たるユーザーはどれか
DeNA Co.,ltd. ALL rights reserved                                                          102
Case: 離脱率抑制
前週1度以上プレイしていたが、今週全くプレーがなくなったユーザーを
           離脱者と”定義”する
                                     ユーザーごとのプレイ状況

            8日 9日 10日 11日 12日 13日 14日 15日 16日 17日 18日 19日 20日 21日 22日 23日 24日 25日 26日 27日 28日

   Aさん       ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○

   Bさん       ○         ○ ○             ○           ○

   Cさん       ○ ○ ○ ○                                                          ○       ○

   Dさん            ○ ○ ○                ○       ○ ○ ○

   Eさん                 ○ ○             ○           ○                  ○       ○




                        わかりやすいKPIを定義することも重要な仕事
DeNA Co.,ltd. ALL rights reserved                                                          103
Case: 離脱率抑制
                        ユーザー進捗度(Lv)別の 離脱率に特異点


                                    ユーザーのLv別離脱率集計結果
               25%


               20%                  Lv10のところで離脱率が
               15%
                                    高くなっている(特異点)
         離脱率




               10%


               5%


               0%
                       Lv03




                       Lv10




                       Lv17
                       Lv01
                       Lv02

                       Lv04
                       Lv05
                       Lv06
                       Lv07
                       Lv08
                       Lv09

                       Lv11
                       Lv12
                       Lv13
                       Lv14
                       Lv15
                       Lv16

                       Lv18
                       Lv19
                       Lv20
                                      ユーザーの進捗度(Lv)
DeNA Co.,ltd. ALL rights reserved                     104
Case: 離脱率抑制
                          特定のポイント(ミッション)で非常にクリアに
                             時間がかかっていることが判明
                                        Lv10におけるミッション別所要時間

                        2000
                        1800
                        1600    あるミッションだけ
                        1400   所要時間が特に長い
               平均所要時間




                        1200
                        1000
                        800
                        600
                        400
                        200
                          0


                                                                   10-F
                                                    10-D




                                                                                        10-I
                               10-A




                                             10-C
                                      10-B




                                                                          10-G
                                                            10-E




                                                                                 10-H
                                                           ミッション

                        KPIの変化から、どのあたりに原因がありそうかを
                           探る感覚(サービスに対する理解)も重要
DeNA Co.,ltd. ALL rights reserved                                                              105
Case: 離脱率抑制
            当該ミッションに必要な行動力(手下数)を下げることで
            ユーザーのゲーム進行をスムーズにすることを意思決定



                                      ミッション別
                                    滞留時間のレポート




           データマイニング分析系              設計・チューニング・レ    企画・開発・運用担当
           エンジニア/アナリスト              ポーティングの相談     (EC・ソーシャルゲーム等)




                 コミュニケーション(分析内容共有・施策提言)が重要
DeNA Co.,ltd. ALL rights reserved                                  106
Case: 離脱率抑制
      難易度調整後には平均所要時間が大幅に低下したことを確認
                                        Lv10におけるミッション別所要時間

                        2000
                        1800
                        1600
                        1400
               平均所要時間




                        1200
                        1000
                        800
                        600
                        400
                        200
                          0


                                                                   10-F
                                                    10-D




                                                                                        10-I
                               10-A




                                             10-C
                                      10-B




                                                                          10-G
                                                            10-E




                                                                                 10-H
                                                           ミッション




DeNA Co.,ltd. ALL rights reserved                                                              107
Case: 離脱率抑制
        離脱率もチェックしたところ明確に低下したことが確認できた
                                    ユーザーのLv別離脱率集計結果
                                      難易度調整前          難易度調整後
                    25%


                    20%


                    15%
              離脱率




                    10%


                    5%


                    0%
                           Lv02




                           Lv09




                           Lv16
                           Lv01

                           Lv03
                           Lv04
                           Lv05
                           Lv06
                           Lv07
                           Lv08

                           Lv10
                           Lv11
                           Lv12
                           Lv13
                           Lv14
                           Lv15

                           Lv17
                           Lv18
                           Lv19
                           Lv20
                                       ユーザーの進捗度(Lv)


                            施策の結果を振り返り、「PDCAをまわす」
DeNA Co.,ltd. ALL rights reserved                              108
Case Study : Social Game 洗練




     Case Study : Social Game 洗練

                     Social Game 洗練
                     Case: 離脱率抑制




DeNA Co.,ltd. ALL rights reserved      109
AGENDA
            ◆講師紹介
            ◆ソーシャルプラットフォーム:Mobage
            ◆データマイニング活用によるサービス洗練
            ◆楽しさのマイニング
              ◆1日20億超の行動情報
              ◆楽しさのデータマイニング
              ◆活動例
              ◆ケーススタディ: Social Game洗練
              ◆迅速なサービス洗練
            ◆大規模データマイニング基盤構成
            ◆世界へ
DeNA Co.,ltd. ALL rights reserved
迅速なサービス洗練




          解析結果を反映した
     数時間~数日スパンで迅速なサービス洗練




DeNA Co.,ltd. ALL rights reserved   111
迅速なサービス洗練




          解析結果を反映した
     数時間~数日スパンで迅速なサービス洗練



               より楽しんでもらえるユーザー体験へ


DeNA Co.,ltd. ALL rights reserved   112
AGENDA
            ◆講師紹介
            ◆ソーシャルプラットフォーム:Mobage
            ◆データマイニング活用によるサービス洗練
            ◆楽しさのマイニング
              ◆1日20億超の行動情報
              ◆楽しさのデータマイニング
              ◆活動例
              ◆ケーススタディ: Social Game洗練
              ◆迅速なサービス洗練
            ◆大規模データマイニング基盤構成
            ◆世界へ
DeNA Co.,ltd. ALL rights reserved
Hadoopを用いた
                         大規模データマイニング基盤




DeNA Co.,ltd. ALL rights reserved        114
Hadoop
                                Hadoopとは
                           大規模分散処理を行うための基盤

        ・Apache プロジェクト
        ・Java オープンソース
        ・Googleが2004年に発表した論文を実装

        ・主要コンポーネント
         ・分散ファイルシステム: HDFS (Hadoop Distributed File System)
         ・分散処理フレームワーク: Mapreduce




DeNA Co.,ltd. ALL rights reserved                             115
Hadoopの主な利用企業

                 広告・ECサイト・検索・SNS等
             大規模データを有するサービスで利用されている




DeNA Co.,ltd. ALL rights reserved     116
分散ファイルシステム:HDFS
                    HDFS (Hadoop Distributed File System)
                    DataNodeを増やすことで大容量化が可能
 •      NameNode
        – Meta情報を持つ、ファイル名、レプリケーション数、ファイルの保存場所など
 •      DataNode
        – 実際のデータを格納するNode。ブロックサイズごとにファイルを分割して1
          つのファイルを複数のNodeで保存
                    クライアントからは
                巨大な一つのストレージに                    DataNode

             アクセスしているように見える         NameNode




         HDFS
      クライアント




DeNA Co.,ltd. ALL rights reserved                           117
分散ファイルシステム:HDFS

             同一ブロックが複数のDataNodeに分散配置されることで
                     冗長性が担保される

                                    固定長ブロックに分割

                                                   1   1       同一ブロックが複数のDataNodeに
                   ファイル                            2   2         分散配置される(default 3)
                                                   3




                                     1                     1             3
                                           2

                                     1     2               3         2



                                                                             DataNode


                                    2          3           2         1

                                    1      2               1



DeNA Co.,ltd. ALL rights reserved                                                       118
分散処理フレームワーク: MapReduce

      MapがkeyとValueにデータを振り分け、Reduceがkeyごとに集計
                     分散処理を実現する
      User毎のPageView集計での例

            Map
                                    userA       userD             userA   userC      userB           userD    key
          大量データに対する                  3              7               1      2            6               5    value
             分散演算




            Shuffle & Sort


             Reduce                          userA          userB          userC           userD

                                     userA          userA                                          userD
            演算結果の集計                                         userB          userC   userD
                                         3              1     6                2    7               5




                                              userA         userB          userC           userD
                                                4            6                 2            12


DeNA Co.,ltd. ALL rights reserved                                                                                119
大規模データマイニング基盤構成




DeNA Co.,ltd. ALL rights reserved    120
大規模データマイニング基盤

                     データマイニング・機械学習の活用により
                      迅速なサービス洗練を実現しています




DeNA Co.,ltd. ALL rights reserved          121
大規模データマイニング基盤

                           データマイニング・機械学習の活用により
                            迅速なサービス洗練を実現しています

       Data-mining
       Machine-Leaning                 Data Mining Infrastructure
       Results
                                                                              KPI Inspection
                                          DeNA Data Mining Libraries
                                                                              KPI Views
                           Data Mining/Machine Learning
                                                                        R
                                    Mahout                MapReduce
             …
                              Morphological Analysis                   Perl
                              DeNA Social MA                 Pig       Java    Business
                             Pre-processing/Indexing
                                                                               Planning
                                    Lucene                   Hive      HUE
      Service    Log API

      Service    Log API                               Hadoop DFS
                 Log API
      Service
                           Unified Description of
         …          …
                            Action/Status Log

DeNA Co.,ltd. ALL rights reserved                                                              122
大規模データマイニング基盤




                                    Data Mining Infrastructure




DeNA Co.,ltd. ALL rights reserved                                123
大規模データマイニング基盤

                       KPI(Key Performance Indicator)定常算出・共有
                           ビジネス・サービス変化を検知

                                    Data Mining Infrastructure
                                                                 KPI Inspection

                                                                 KPI Views




DeNA Co.,ltd. ALL rights reserved                                                 124
大規模データマイニング基盤

                         経営判断・サービス洗練を行うための
                            データマイニング実行

                                    Data Mining Infrastructure
                                                                 KPI Inspection

                                                                 KPI Views




                                                                  Business
                                                                  Planning




DeNA Co.,ltd. ALL rights reserved                                                 125
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop

More Related Content

What's hot

データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理
Koichi Hamada
 
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点- 『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
Koichi Hamada
 
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR #11
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR  #11「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR  #11
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR #11
Koichi Hamada
 
R言語による アソシエーション分析-組合せ・事象の規則を解明する-(第5回R勉強会@東京)
R言語による アソシエーション分析-組合せ・事象の規則を解明する-(第5回R勉強会@東京)R言語による アソシエーション分析-組合せ・事象の規則を解明する-(第5回R勉強会@東京)
R言語による アソシエーション分析-組合せ・事象の規則を解明する-(第5回R勉強会@東京)
Koichi Hamada
 
DeNAの大規模データマイニング活用したサービス開発
DeNAの大規模データマイニング活用したサービス開発DeNAの大規模データマイニング活用したサービス開発
DeNAの大規模データマイニング活用したサービス開発
Koichi Hamada
 
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
Koichi Hamada
 
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
Koichi Hamada
 
ビッグデータ&データマネジメント展
ビッグデータ&データマネジメント展ビッグデータ&データマネジメント展
ビッグデータ&データマネジメント展
Recruit Technologies
 
ビッグデータ活用支援フォーラム
ビッグデータ活用支援フォーラムビッグデータ活用支援フォーラム
ビッグデータ活用支援フォーラムRecruit Technologies
 
決定版:サービスの盛り上がり具合をユーザの数(DAU)から読み解く方法
決定版:サービスの盛り上がり具合をユーザの数(DAU)から読み解く方法決定版:サービスの盛り上がり具合をユーザの数(DAU)から読み解く方法
決定版:サービスの盛り上がり具合をユーザの数(DAU)から読み解く方法
Daisuke Nogami
 
何故DeNAがverticaを選んだか?
何故DeNAがverticaを選んだか?何故DeNAがverticaを選んだか?
何故DeNAがverticaを選んだか?
Kenshin Yamada
 
Hadoopカンファレンス20140707
Hadoopカンファレンス20140707Hadoopカンファレンス20140707
Hadoopカンファレンス20140707
Recruit Technologies
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V6
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V6データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V6
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V6
Shunsuke Nakamura
 
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
リクルートのビッグデータ活用基盤とデータ活用に向けた取組みリクルートのビッグデータ活用基盤とデータ活用に向けた取組み
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
Recruit Technologies
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
Shunsuke Nakamura
 
分散処理基盤ApacheHadoop入門とHadoopエコシステムの最新技術動向(OSC2015 Kansai発表資料)
分散処理基盤ApacheHadoop入門とHadoopエコシステムの最新技術動向(OSC2015 Kansai発表資料)分散処理基盤ApacheHadoop入門とHadoopエコシステムの最新技術動向(OSC2015 Kansai発表資料)
分散処理基盤ApacheHadoop入門とHadoopエコシステムの最新技術動向(OSC2015 Kansai発表資料)
NTT DATA OSS Professional Services
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V8
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V8データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V8
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V8
Shunsuke Nakamura
 
【勉強会資料】ソーシャルメディア採用の設計と運用(基礎編)
【勉強会資料】ソーシャルメディア採用の設計と運用(基礎編)【勉強会資料】ソーシャルメディア採用の設計と運用(基礎編)
【勉強会資料】ソーシャルメディア採用の設計と運用(基礎編)
ITmedia_HR(人事・採用)
 

What's hot (19)

データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理
 
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点- 『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
 
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR #11
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR  #11「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR  #11
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR #11
 
R言語による アソシエーション分析-組合せ・事象の規則を解明する-(第5回R勉強会@東京)
R言語による アソシエーション分析-組合せ・事象の規則を解明する-(第5回R勉強会@東京)R言語による アソシエーション分析-組合せ・事象の規則を解明する-(第5回R勉強会@東京)
R言語による アソシエーション分析-組合せ・事象の規則を解明する-(第5回R勉強会@東京)
 
DeNAの大規模データマイニング活用したサービス開発
DeNAの大規模データマイニング活用したサービス開発DeNAの大規模データマイニング活用したサービス開発
DeNAの大規模データマイニング活用したサービス開発
 
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
 
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
 
ビッグデータ&データマネジメント展
ビッグデータ&データマネジメント展ビッグデータ&データマネジメント展
ビッグデータ&データマネジメント展
 
ビッグデータ活用支援フォーラム
ビッグデータ活用支援フォーラムビッグデータ活用支援フォーラム
ビッグデータ活用支援フォーラム
 
決定版:サービスの盛り上がり具合をユーザの数(DAU)から読み解く方法
決定版:サービスの盛り上がり具合をユーザの数(DAU)から読み解く方法決定版:サービスの盛り上がり具合をユーザの数(DAU)から読み解く方法
決定版:サービスの盛り上がり具合をユーザの数(DAU)から読み解く方法
 
何故DeNAがverticaを選んだか?
何故DeNAがverticaを選んだか?何故DeNAがverticaを選んだか?
何故DeNAがverticaを選んだか?
 
Hadoopカンファレンス20140707
Hadoopカンファレンス20140707Hadoopカンファレンス20140707
Hadoopカンファレンス20140707
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V6
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V6データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V6
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V6
 
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
リクルートのビッグデータ活用基盤とデータ活用に向けた取組みリクルートのビッグデータ活用基盤とデータ活用に向けた取組み
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
 
分散処理基盤ApacheHadoop入門とHadoopエコシステムの最新技術動向(OSC2015 Kansai発表資料)
分散処理基盤ApacheHadoop入門とHadoopエコシステムの最新技術動向(OSC2015 Kansai発表資料)分散処理基盤ApacheHadoop入門とHadoopエコシステムの最新技術動向(OSC2015 Kansai発表資料)
分散処理基盤ApacheHadoop入門とHadoopエコシステムの最新技術動向(OSC2015 Kansai発表資料)
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V8
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V8データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V8
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V8
 
Hadoopカンファレンス2013
Hadoopカンファレンス2013Hadoopカンファレンス2013
Hadoopカンファレンス2013
 
【勉強会資料】ソーシャルメディア採用の設計と運用(基礎編)
【勉強会資料】ソーシャルメディア採用の設計と運用(基礎編)【勉強会資料】ソーシャルメディア採用の設計と運用(基礎編)
【勉強会資料】ソーシャルメディア採用の設計と運用(基礎編)
 

Viewers also liked

オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京
Koichi Hamada
 
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
Tokoroten Nakayama
 
統計学と複雑ネットワークのちょっと深いい話 - おしゃれStatistics @銀座
統計学と複雑ネットワークのちょっと深いい話 - おしゃれStatistics @銀座統計学と複雑ネットワークのちょっと深いい話 - おしゃれStatistics @銀座
統計学と複雑ネットワークのちょっと深いい話 - おしゃれStatistics @銀座Hiroko Onari
 
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
Koichi Hamada
 
複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理
Koichi Hamada
 
FB投稿分析とパネル調査によるFBページ運営Tips
FB投稿分析とパネル調査によるFBページ運営TipsFB投稿分析とパネル調査によるFBページ運営Tips
FB投稿分析とパネル調査によるFBページ運営Tips
Masayoshi Nakamura
 
Rでウォーリを探してみた
Rでウォーリを探してみたRでウォーリを探してみた
Rでウォーリを探してみた
Kazuya Wada
 
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望 データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
Koichi Hamada
 
TokyoWebminig カジュアルなHadoop
TokyoWebminig カジュアルなHadoopTokyoWebminig カジュアルなHadoop
TokyoWebminig カジュアルなHadoop
Teruo Kawasaki
 
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
Koichi Hamada
 
おしゃスタ@リクルート
おしゃスタ@リクルートおしゃスタ@リクルート
おしゃスタ@リクルートIssei Kurahashi
 
Tokyo webmining統計学部 第2回
Tokyo webmining統計学部 第2回Tokyo webmining統計学部 第2回
Tokyo webmining統計学部 第2回Issei Kurahashi
 
Impala データサイエンティストのための 高速大規模分散基盤 #tokyowebmining
Impala データサイエンティストのための 高速大規模分散基盤 #tokyowebminingImpala データサイエンティストのための 高速大規模分散基盤 #tokyowebmining
Impala データサイエンティストのための 高速大規模分散基盤 #tokyowebmining
Sho Shimauchi
 
Apache Mahout - Random Forests - #TokyoWebmining #8
Apache Mahout - Random Forests - #TokyoWebmining #8 Apache Mahout - Random Forests - #TokyoWebmining #8
Apache Mahout - Random Forests - #TokyoWebmining #8
Koichi Hamada
 
Tokyo webmining資料LT20140726用
Tokyo webmining資料LT20140726用Tokyo webmining資料LT20140726用
Tokyo webmining資料LT20140726用
Koichiro Kondo
 
金融業界でよく使う統計学
金融業界でよく使う統計学金融業界でよく使う統計学
金融業界でよく使う統計学
Nagi Teramo
 
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
 
統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333Issei Kurahashi
 
Tokyowebmining19 data fusion
Tokyowebmining19 data fusionTokyowebmining19 data fusion
Tokyowebmining19 data fusionYohei Sato
 

Viewers also liked (20)

オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京
 
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
 
統計学と複雑ネットワークのちょっと深いい話 - おしゃれStatistics @銀座
統計学と複雑ネットワークのちょっと深いい話 - おしゃれStatistics @銀座統計学と複雑ネットワークのちょっと深いい話 - おしゃれStatistics @銀座
統計学と複雑ネットワークのちょっと深いい話 - おしゃれStatistics @銀座
 
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
 
複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理
 
FB投稿分析とパネル調査によるFBページ運営Tips
FB投稿分析とパネル調査によるFBページ運営TipsFB投稿分析とパネル調査によるFBページ運営Tips
FB投稿分析とパネル調査によるFBページ運営Tips
 
Rでウォーリを探してみた
Rでウォーリを探してみたRでウォーリを探してみた
Rでウォーリを探してみた
 
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望 データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
 
TokyoWebminig カジュアルなHadoop
TokyoWebminig カジュアルなHadoopTokyoWebminig カジュアルなHadoop
TokyoWebminig カジュアルなHadoop
 
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
 
おしゃスタat銀座
おしゃスタat銀座おしゃスタat銀座
おしゃスタat銀座
 
おしゃスタ@リクルート
おしゃスタ@リクルートおしゃスタ@リクルート
おしゃスタ@リクルート
 
Tokyo webmining統計学部 第2回
Tokyo webmining統計学部 第2回Tokyo webmining統計学部 第2回
Tokyo webmining統計学部 第2回
 
Impala データサイエンティストのための 高速大規模分散基盤 #tokyowebmining
Impala データサイエンティストのための 高速大規模分散基盤 #tokyowebminingImpala データサイエンティストのための 高速大規模分散基盤 #tokyowebmining
Impala データサイエンティストのための 高速大規模分散基盤 #tokyowebmining
 
Apache Mahout - Random Forests - #TokyoWebmining #8
Apache Mahout - Random Forests - #TokyoWebmining #8 Apache Mahout - Random Forests - #TokyoWebmining #8
Apache Mahout - Random Forests - #TokyoWebmining #8
 
Tokyo webmining資料LT20140726用
Tokyo webmining資料LT20140726用Tokyo webmining資料LT20140726用
Tokyo webmining資料LT20140726用
 
金融業界でよく使う統計学
金融業界でよく使う統計学金融業界でよく使う統計学
金融業界でよく使う統計学
 
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
 
統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333
 
Tokyowebmining19 data fusion
Tokyowebmining19 data fusionTokyowebmining19 data fusion
Tokyowebmining19 data fusion
 

Similar to Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop

【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏
【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏
【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏Developers Summit
 
Big data解析ビジネス
Big data解析ビジネスBig data解析ビジネス
Big data解析ビジネス
Mie Mori
 
プロジェクト管理支援環境の高度化に向けた取り組み
プロジェクト管理支援環境の高度化に向けた取り組みプロジェクト管理支援環境の高度化に向けた取り組み
プロジェクト管理支援環境の高度化に向けた取り組み
agileware_jp
 
WebDB Forum 2012 基調講演資料
WebDB Forum 2012 基調講演資料WebDB Forum 2012 基調講演資料
WebDB Forum 2012 基調講演資料Recruit Technologies
 
イノベーションスプリント2011 nttデータにおける制約理論を活用した分散アジャイル開発~アジャイルとtocの融合
イノベーションスプリント2011 nttデータにおける制約理論を活用した分散アジャイル開発~アジャイルとtocの融合イノベーションスプリント2011 nttデータにおける制約理論を活用した分散アジャイル開発~アジャイルとtocの融合
イノベーションスプリント2011 nttデータにおける制約理論を活用した分散アジャイル開発~アジャイルとtocの融合InnovationSprint2011
 
分散処理基盤Apache Hadoop入門とHadoopエコシステムの最新技術動向 (オープンソースカンファレンス 2015 Tokyo/Spring 講...
分散処理基盤Apache Hadoop入門とHadoopエコシステムの最新技術動向 (オープンソースカンファレンス 2015 Tokyo/Spring 講...分散処理基盤Apache Hadoop入門とHadoopエコシステムの最新技術動向 (オープンソースカンファレンス 2015 Tokyo/Spring 講...
分散処理基盤Apache Hadoop入門とHadoopエコシステムの最新技術動向 (オープンソースカンファレンス 2015 Tokyo/Spring 講...
NTT DATA OSS Professional Services
 
Hadoop ecosystem NTTDATA osc15tk
Hadoop ecosystem NTTDATA osc15tkHadoop ecosystem NTTDATA osc15tk
Hadoop ecosystem NTTDATA osc15tk
NTT DATA OSS Professional Services
 
ソフトウェア開発の現場風景
ソフトウェア開発の現場風景ソフトウェア開発の現場風景
ソフトウェア開発の現場風景
Koichi ITO
 
20170525 jsug バッチは地味だが役に立つ
20170525 jsug バッチは地味だが役に立つ20170525 jsug バッチは地味だが役に立つ
20170525 jsug バッチは地味だが役に立つ
Yuichi Hasegawa
 
バッチは地味だが役に立つ
バッチは地味だが役に立つバッチは地味だが役に立つ
バッチは地味だが役に立つ
apkiban
 
JavaOne2017参加報告 Microservices topic & approach #jjug
JavaOne2017参加報告 Microservices topic & approach #jjugJavaOne2017参加報告 Microservices topic & approach #jjug
JavaOne2017参加報告 Microservices topic & approach #jjug
Yahoo!デベロッパーネットワーク
 
ビジネスモデリングによる問題解決型アプローチ
ビジネスモデリングによる問題解決型アプローチ ビジネスモデリングによる問題解決型アプローチ
ビジネスモデリングによる問題解決型アプローチ
Kent Ishizawa
 
RWC2012(松江市&テクノプロジェクト)
RWC2012(松江市&テクノプロジェクト)RWC2012(松江市&テクノプロジェクト)
RWC2012(松江市&テクノプロジェクト)Techno Project Co., Ltd.
 
NextWebセミナー 第5回 『不測の事態にも対応する企業の情報発信体制を考える』_dl
NextWebセミナー 第5回 『不測の事態にも対応する企業の情報発信体制を考える』_dlNextWebセミナー 第5回 『不測の事態にも対応する企業の情報発信体制を考える』_dl
NextWebセミナー 第5回 『不測の事態にも対応する企業の情報発信体制を考える』_dlloftwork
 
Company Profile 2013 recruit
Company Profile 2013 recruitCompany Profile 2013 recruit
Company Profile 2013 recruitSatoshi Matsumoto
 
Ansibleで構成管理始める人のモチベーションをあげたい! (Cloudera World Tokyo 2014LT講演資料)
Ansibleで構成管理始める人のモチベーションをあげたい! (Cloudera World Tokyo 2014LT講演資料)Ansibleで構成管理始める人のモチベーションをあげたい! (Cloudera World Tokyo 2014LT講演資料)
Ansibleで構成管理始める人のモチベーションをあげたい! (Cloudera World Tokyo 2014LT講演資料)
NTT DATA OSS Professional Services
 
yokyo-unv.
yokyo-unv.yokyo-unv.
yokyo-unv.hirano
 
ドメイン駆動設計という仕事の流儀
ドメイン駆動設計という仕事の流儀ドメイン駆動設計という仕事の流儀
ドメイン駆動設計という仕事の流儀
増田 亨
 
スクラムプロジェクト準備(公開用) No.31
スクラムプロジェクト準備(公開用) No.31スクラムプロジェクト準備(公開用) No.31
スクラムプロジェクト準備(公開用) No.31
Sukusuku Scrum
 

Similar to Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop (20)

【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏
【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏
【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏
 
Big data解析ビジネス
Big data解析ビジネスBig data解析ビジネス
Big data解析ビジネス
 
プロジェクト管理支援環境の高度化に向けた取り組み
プロジェクト管理支援環境の高度化に向けた取り組みプロジェクト管理支援環境の高度化に向けた取り組み
プロジェクト管理支援環境の高度化に向けた取り組み
 
WebDB Forum 2012 基調講演資料
WebDB Forum 2012 基調講演資料WebDB Forum 2012 基調講演資料
WebDB Forum 2012 基調講演資料
 
イノベーションスプリント2011 nttデータにおける制約理論を活用した分散アジャイル開発~アジャイルとtocの融合
イノベーションスプリント2011 nttデータにおける制約理論を活用した分散アジャイル開発~アジャイルとtocの融合イノベーションスプリント2011 nttデータにおける制約理論を活用した分散アジャイル開発~アジャイルとtocの融合
イノベーションスプリント2011 nttデータにおける制約理論を活用した分散アジャイル開発~アジャイルとtocの融合
 
分散処理基盤Apache Hadoop入門とHadoopエコシステムの最新技術動向 (オープンソースカンファレンス 2015 Tokyo/Spring 講...
分散処理基盤Apache Hadoop入門とHadoopエコシステムの最新技術動向 (オープンソースカンファレンス 2015 Tokyo/Spring 講...分散処理基盤Apache Hadoop入門とHadoopエコシステムの最新技術動向 (オープンソースカンファレンス 2015 Tokyo/Spring 講...
分散処理基盤Apache Hadoop入門とHadoopエコシステムの最新技術動向 (オープンソースカンファレンス 2015 Tokyo/Spring 講...
 
Hadoop ecosystem NTTDATA osc15tk
Hadoop ecosystem NTTDATA osc15tkHadoop ecosystem NTTDATA osc15tk
Hadoop ecosystem NTTDATA osc15tk
 
ソフトウェア開発の現場風景
ソフトウェア開発の現場風景ソフトウェア開発の現場風景
ソフトウェア開発の現場風景
 
20170525 jsug バッチは地味だが役に立つ
20170525 jsug バッチは地味だが役に立つ20170525 jsug バッチは地味だが役に立つ
20170525 jsug バッチは地味だが役に立つ
 
バッチは地味だが役に立つ
バッチは地味だが役に立つバッチは地味だが役に立つ
バッチは地味だが役に立つ
 
JavaOne2017参加報告 Microservices topic & approach #jjug
JavaOne2017参加報告 Microservices topic & approach #jjugJavaOne2017参加報告 Microservices topic & approach #jjug
JavaOne2017参加報告 Microservices topic & approach #jjug
 
ビジネスモデリングによる問題解決型アプローチ
ビジネスモデリングによる問題解決型アプローチ ビジネスモデリングによる問題解決型アプローチ
ビジネスモデリングによる問題解決型アプローチ
 
RWC2012(松江市&テクノプロジェクト)
RWC2012(松江市&テクノプロジェクト)RWC2012(松江市&テクノプロジェクト)
RWC2012(松江市&テクノプロジェクト)
 
NextWebセミナー 第5回 『不測の事態にも対応する企業の情報発信体制を考える』_dl
NextWebセミナー 第5回 『不測の事態にも対応する企業の情報発信体制を考える』_dlNextWebセミナー 第5回 『不測の事態にも対応する企業の情報発信体制を考える』_dl
NextWebセミナー 第5回 『不測の事態にも対応する企業の情報発信体制を考える』_dl
 
Company Profile 2013 recruit
Company Profile 2013 recruitCompany Profile 2013 recruit
Company Profile 2013 recruit
 
Ansibleで構成管理始める人のモチベーションをあげたい! (Cloudera World Tokyo 2014LT講演資料)
Ansibleで構成管理始める人のモチベーションをあげたい! (Cloudera World Tokyo 2014LT講演資料)Ansibleで構成管理始める人のモチベーションをあげたい! (Cloudera World Tokyo 2014LT講演資料)
Ansibleで構成管理始める人のモチベーションをあげたい! (Cloudera World Tokyo 2014LT講演資料)
 
Synquery ja
Synquery jaSynquery ja
Synquery ja
 
yokyo-unv.
yokyo-unv.yokyo-unv.
yokyo-unv.
 
ドメイン駆動設計という仕事の流儀
ドメイン駆動設計という仕事の流儀ドメイン駆動設計という仕事の流儀
ドメイン駆動設計という仕事の流儀
 
スクラムプロジェクト準備(公開用) No.31
スクラムプロジェクト準備(公開用) No.31スクラムプロジェクト準備(公開用) No.31
スクラムプロジェクト準備(公開用) No.31
 

More from Koichi Hamada

Anime Generation with AI
Anime Generation with AIAnime Generation with AI
Anime Generation with AI
Koichi Hamada
 
Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019
Koichi Hamada
 
AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦
Koichi Hamada
 
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Koichi Hamada
 
Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017
Koichi Hamada
 
DeNAのAI活用したサービス開発
DeNAのAI活用したサービス開発DeNAのAI活用したサービス開発
DeNAのAI活用したサービス開発
Koichi Hamada
 
対話返答生成における個性の追加反映
対話返答生成における個性の追加反映対話返答生成における個性の追加反映
対話返答生成における個性の追加反映
Koichi Hamada
 
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Koichi Hamada
 
NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics  NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics
Koichi Hamada
 
DeNAの機械学習・深層学習活用した 体験提供の挑戦
DeNAの機械学習・深層学習活用した体験提供の挑戦DeNAの機械学習・深層学習活用した体験提供の挑戦
DeNAの機械学習・深層学習活用した 体験提供の挑戦
Koichi Hamada
 
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Koichi Hamada
 
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー
Koichi Hamada
 

More from Koichi Hamada (12)

Anime Generation with AI
Anime Generation with AIAnime Generation with AI
Anime Generation with AI
 
Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019
 
AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦
 
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
 
Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017
 
DeNAのAI活用したサービス開発
DeNAのAI活用したサービス開発DeNAのAI活用したサービス開発
DeNAのAI活用したサービス開発
 
対話返答生成における個性の追加反映
対話返答生成における個性の追加反映対話返答生成における個性の追加反映
対話返答生成における個性の追加反映
 
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
 
NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics  NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics
 
DeNAの機械学習・深層学習活用した 体験提供の挑戦
DeNAの機械学習・深層学習活用した体験提供の挑戦DeNAの機械学習・深層学習活用した体験提供の挑戦
DeNAの機械学習・深層学習活用した 体験提供の挑戦
 
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
 
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー
 

Recently uploaded

ハイブリッドクラウド研究会_Hyper-VとSystem Center Virtual Machine Manager セッションMM
ハイブリッドクラウド研究会_Hyper-VとSystem Center Virtual Machine Manager セッションMMハイブリッドクラウド研究会_Hyper-VとSystem Center Virtual Machine Manager セッションMM
ハイブリッドクラウド研究会_Hyper-VとSystem Center Virtual Machine Manager セッションMM
osamut
 
ヒアラブルへの入力を想定したユーザ定義型ジェスチャ調査と IMUセンサによる耳タッチジェスチャの認識
ヒアラブルへの入力を想定したユーザ定義型ジェスチャ調査と IMUセンサによる耳タッチジェスチャの認識ヒアラブルへの入力を想定したユーザ定義型ジェスチャ調査と IMUセンサによる耳タッチジェスチャの認識
ヒアラブルへの入力を想定したユーザ定義型ジェスチャ調査と IMUセンサによる耳タッチジェスチャの認識
sugiuralab
 
「進化するアプリ イマ×ミライ ~生成AIアプリへ続く道と新時代のアプリとは~」Interop24Tokyo APPS JAPAN B1-01講演
「進化するアプリ イマ×ミライ ~生成AIアプリへ続く道と新時代のアプリとは~」Interop24Tokyo APPS JAPAN B1-01講演「進化するアプリ イマ×ミライ ~生成AIアプリへ続く道と新時代のアプリとは~」Interop24Tokyo APPS JAPAN B1-01講演
「進化するアプリ イマ×ミライ ~生成AIアプリへ続く道と新時代のアプリとは~」Interop24Tokyo APPS JAPAN B1-01講演
嶋 是一 (Yoshikazu SHIMA)
 
【JSAI2024】LLMエージェントの人間との対話における反芻的返答の親近感向上効果_v1.1.pdf
【JSAI2024】LLMエージェントの人間との対話における反芻的返答の親近感向上効果_v1.1.pdf【JSAI2024】LLMエージェントの人間との対話における反芻的返答の親近感向上効果_v1.1.pdf
【JSAI2024】LLMエージェントの人間との対話における反芻的返答の親近感向上効果_v1.1.pdf
ARISE analytics
 
無形価値を守り育てる社会における「デー タ」の責務について - Atlas, Inc.
無形価値を守り育てる社会における「デー タ」の責務について - Atlas, Inc.無形価値を守り育てる社会における「デー タ」の責務について - Atlas, Inc.
無形価値を守り育てる社会における「デー タ」の責務について - Atlas, Inc.
Yuki Miyazaki
 
Humanoid Virtual Athletics Challenge2024 技術講習会 スライド
Humanoid Virtual Athletics Challenge2024 技術講習会 スライドHumanoid Virtual Athletics Challenge2024 技術講習会 スライド
Humanoid Virtual Athletics Challenge2024 技術講習会 スライド
tazaki1
 
生成AIがもたらすコンテンツ経済圏の新時代  The New Era of Content Economy Brought by Generative AI
生成AIがもたらすコンテンツ経済圏の新時代  The New Era of Content Economy Brought by Generative AI生成AIがもたらすコンテンツ経済圏の新時代  The New Era of Content Economy Brought by Generative AI
生成AIがもたらすコンテンツ経済圏の新時代  The New Era of Content Economy Brought by Generative AI
Osaka University
 
iMacwoSu_Gong_de_barabaranishitaHua_.pptx
iMacwoSu_Gong_de_barabaranishitaHua_.pptxiMacwoSu_Gong_de_barabaranishitaHua_.pptx
iMacwoSu_Gong_de_barabaranishitaHua_.pptx
kitamisetagayaxxx
 
ロジックから状態を分離する技術/設計ナイト2024 by わいとん @ytnobody
ロジックから状態を分離する技術/設計ナイト2024 by わいとん @ytnobodyロジックから状態を分離する技術/設計ナイト2024 by わいとん @ytnobody
ロジックから状態を分離する技術/設計ナイト2024 by わいとん @ytnobody
azuma satoshi
 
協働AIがもたらす業務効率革命 -日本企業が押さえるべきポイント-Collaborative AI Revolutionizing Busines...
協働AIがもたらす業務効率革命 -日本企業が押さえるべきポイント-Collaborative AI Revolutionizing Busines...協働AIがもたらす業務効率革命 -日本企業が押さえるべきポイント-Collaborative AI Revolutionizing Busines...
協働AIがもたらす業務効率革命 -日本企業が押さえるべきポイント-Collaborative AI Revolutionizing Busines...
Osaka University
 

Recently uploaded (10)

ハイブリッドクラウド研究会_Hyper-VとSystem Center Virtual Machine Manager セッションMM
ハイブリッドクラウド研究会_Hyper-VとSystem Center Virtual Machine Manager セッションMMハイブリッドクラウド研究会_Hyper-VとSystem Center Virtual Machine Manager セッションMM
ハイブリッドクラウド研究会_Hyper-VとSystem Center Virtual Machine Manager セッションMM
 
ヒアラブルへの入力を想定したユーザ定義型ジェスチャ調査と IMUセンサによる耳タッチジェスチャの認識
ヒアラブルへの入力を想定したユーザ定義型ジェスチャ調査と IMUセンサによる耳タッチジェスチャの認識ヒアラブルへの入力を想定したユーザ定義型ジェスチャ調査と IMUセンサによる耳タッチジェスチャの認識
ヒアラブルへの入力を想定したユーザ定義型ジェスチャ調査と IMUセンサによる耳タッチジェスチャの認識
 
「進化するアプリ イマ×ミライ ~生成AIアプリへ続く道と新時代のアプリとは~」Interop24Tokyo APPS JAPAN B1-01講演
「進化するアプリ イマ×ミライ ~生成AIアプリへ続く道と新時代のアプリとは~」Interop24Tokyo APPS JAPAN B1-01講演「進化するアプリ イマ×ミライ ~生成AIアプリへ続く道と新時代のアプリとは~」Interop24Tokyo APPS JAPAN B1-01講演
「進化するアプリ イマ×ミライ ~生成AIアプリへ続く道と新時代のアプリとは~」Interop24Tokyo APPS JAPAN B1-01講演
 
【JSAI2024】LLMエージェントの人間との対話における反芻的返答の親近感向上効果_v1.1.pdf
【JSAI2024】LLMエージェントの人間との対話における反芻的返答の親近感向上効果_v1.1.pdf【JSAI2024】LLMエージェントの人間との対話における反芻的返答の親近感向上効果_v1.1.pdf
【JSAI2024】LLMエージェントの人間との対話における反芻的返答の親近感向上効果_v1.1.pdf
 
無形価値を守り育てる社会における「デー タ」の責務について - Atlas, Inc.
無形価値を守り育てる社会における「デー タ」の責務について - Atlas, Inc.無形価値を守り育てる社会における「デー タ」の責務について - Atlas, Inc.
無形価値を守り育てる社会における「デー タ」の責務について - Atlas, Inc.
 
Humanoid Virtual Athletics Challenge2024 技術講習会 スライド
Humanoid Virtual Athletics Challenge2024 技術講習会 スライドHumanoid Virtual Athletics Challenge2024 技術講習会 スライド
Humanoid Virtual Athletics Challenge2024 技術講習会 スライド
 
生成AIがもたらすコンテンツ経済圏の新時代  The New Era of Content Economy Brought by Generative AI
生成AIがもたらすコンテンツ経済圏の新時代  The New Era of Content Economy Brought by Generative AI生成AIがもたらすコンテンツ経済圏の新時代  The New Era of Content Economy Brought by Generative AI
生成AIがもたらすコンテンツ経済圏の新時代  The New Era of Content Economy Brought by Generative AI
 
iMacwoSu_Gong_de_barabaranishitaHua_.pptx
iMacwoSu_Gong_de_barabaranishitaHua_.pptxiMacwoSu_Gong_de_barabaranishitaHua_.pptx
iMacwoSu_Gong_de_barabaranishitaHua_.pptx
 
ロジックから状態を分離する技術/設計ナイト2024 by わいとん @ytnobody
ロジックから状態を分離する技術/設計ナイト2024 by わいとん @ytnobodyロジックから状態を分離する技術/設計ナイト2024 by わいとん @ytnobody
ロジックから状態を分離する技術/設計ナイト2024 by わいとん @ytnobody
 
協働AIがもたらす業務効率革命 -日本企業が押さえるべきポイント-Collaborative AI Revolutionizing Busines...
協働AIがもたらす業務効率革命 -日本企業が押さえるべきポイント-Collaborative AI Revolutionizing Busines...協働AIがもたらす業務効率革命 -日本企業が押さえるべきポイント-Collaborative AI Revolutionizing Busines...
協働AIがもたらす業務効率革命 -日本企業が押さえるべきポイント-Collaborative AI Revolutionizing Busines...
 

Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop

  • 1. Pattern Recognition and Media Understanding(PRMU)Conference -Big Data and Cloud : Webスケール時代のパターン認識- 2011/10/06 Mobageの大規模データマイニング Large Scale Data Mining of the Mobage Service 株式会社ディー・エヌ・エー 濱田晃一 DeNA Co.,ltd. ALL rights reserved
  • 2. AGENDA ◆講師紹介 ◆ソーシャルプラットフォーム:Mobage ◆データマイニング活用によるサービス洗練 ◆楽しさのマイニング ◆1日20億超の行動情報 ◆楽しさのデータマイニング ◆活動例 ◆ケーススタディ: Social Game洗練 ◆迅速なサービス洗練 ◆大規模データマイニング基盤構成 ◆世界へ DeNA Co.,ltd. ALL rights reserved
  • 3. AGENDA ◆講師紹介 ◆ソーシャルプラットフォーム:Mobage ◆データマイニング活用によるサービス洗練 ◆楽しさのマイニング ◆1日20億超の行動情報 ◆楽しさのデータマイニング ◆活動例 ◆ケーススタディ: Social Game洗練 ◆迅速なサービス洗練 ◆大規模データマイニング基盤構成 ◆世界へ DeNA Co.,ltd. ALL rights reserved
  • 4. hamadakoichi 濱田晃一 http://iddy.jp/profile/hamadakoichi 4
  • 5. 活動領域 2010年6月 DeNA入社 ソーシャルゲームの データマイニングチーム立上げ 5
  • 6. 活動領域 2010年6月 DeNA入社 ソーシャルゲームの データマイニングチーム立上げ 2011年4月 データマイニング部門化 ソーシャルプラットフォーム Mobageの データマイニング実行・ディレクション 6
  • 7. 活動領域 ソーシャルメディアのデータマイニング活用 2900万人以上の人々へ 各人のつながり・楽しみ・好み 個性にあった適切なサービス提供 Social Media Social Graph Fun Like Personality Objective Process Data Mining Machine Learning 各人のつながり、楽しみ、好み、個性にあった より適切なサービス提供 7
  • 8. データマイニング+WEB勉強会@東京 データマイニング+WEB勉強会@東京を主催者しています TokyoWebmining Google Group: http://groups.google.com/group/webmining-tokyo 8
  • 9. 講師資料 各種講師資料も公開しています http://www.slideshare.net/hamadakoichi 9
  • 11. hamadakoichi 濱田晃一 理論物理 博士(2004.3取得) 量子統計場の理論 Statistical Field Theory Spontaneously Time-Reversal Symmetry Breaking Anisotropic Massless Dirac Fermions 博士論文: http://hosi.phys.s.u-tokyo.ac.jp/~koichi/PhD-thesis.pdf 11
  • 12. hamadakoichi 濱田晃一 毎週末3時間ダンスコーチをしています ■過去、東京と京都でも ダンス部を創設。 コーチをしていました 駒場物理ダンス部 京都大学基礎物理学研究所ダンス部 部長兼コーチ 部長兼コーチ 現在: 毎週末 3時間ダンスコーチ Youtube Channel: http://www.youtube.com/hamadakoichi 12
  • 13. 数理解析手法の実ビジネスへの適用 2004年 博士号取得後 数理解析手法を実ビジネス適用の方法論構築 主な領域 ◆活動の数理モデル化・解析手法 ◆活動の分析手法・再構築手法 ◆活動の実行制御・実績解析システム … 内容抜粋 “Decoupling Executions in Navigating Manufacturing "Unified graph representation of processes Processes for Shortening Lead Time and Its Implementation for scheduling with flexible resource to an Unmanned Machine Shop”, assignment", 13
  • 14. 数理解析手法の実ビジネスへの適用:活動例 活動の統一グラフモデルを構築・解析 Unified graphical model of processes and resources 青字:割付モデル属性 [ ] : Optional Node ・priority(優先度) Edge ・duration(予定時間) [・earliest(再早開始日時) ] Process Edge Process [・deadline(納期) ] [・or(条件集約数) ] 前プロセスの終了後に後プロセスが プロセスを表す 開始できること表す ・attributes(属性) preemptable(中断可否), successive(引継ぎ可否) Uses Edge workload(作業負荷) Processが使用する uses uses uses uses uses uses Assign Region を表す Assign Region Assigns from Edge 同一Resourceを割付け続ける Assign Regionに assigns from assigns from 指定Resourceの子Resource集合の 範囲を表す assigns assigns 中から割付けることを示す 企業01 [process] has has [startDate(開始日時)] [endDate(終了日時)] Assigns Edge 製品01 組織A StartDateからEndDateまでの間 Resource has Assign RegionにResourceを 割付対象要素を表す has has has has has has 割付けることを表す ・capacity(容量) ・calender(カレンダー) AAA01 AAB02 … 山田さん 田中さん 鈴木さん ・attributes(属性) Has Edge 東さん Resourceの所有関係を表す 14
  • 15. 数理解析手法の実ビジネスへの適用:活動例 一品一様の業務プロセスの 動的なプロセス制御数理体系を構築 全体生産リードタイム中央値を 1/2.7に短縮 設計開始~頭だし出荷リードタイム 設計開始~頭だし出荷CT対週集計開始日時の箱ひげ図 体系適用 500 適用後 設計開始~頭だし出荷CT 400 360.4h(15.0日) 1/2.7 300 200 100 0 0 0 0 0 0 0 0 0 0 0 141.6h(5.9日) 0 0 0 9: 0 9 :0 9 :0 9 :0 9: 0 9 :0 9 :0 9 :0 9: 0 9 :0 9 :0 9 :0 9: 0 9 :0 20 27 04 11 18 25 01 08 15 22 29 06 13 20 0 9/ 0 9/ 1 0/ 1 0/ 1 0/ 1 0/ 1 1/ 1 1/ 1 1/ 1 1/ 1 1/ 1 2/ 1 2/ 1 2/ 4/ 4/ 4/ 4/ 4/ 4/ 4/ 4/ 4/ 4/ 4/ 4/ 4/ 4/ 2 00 2 00 2 00 2 00 2 00 2 00 2 00 2 00 2 00 2 00 2 00 2 00 2 00 2 00 週集計開始日時 15
  • 16. 数理解析手法の実ビジネスへの適用:活動例 ビジネスとともに 学術分野でも貢献 変動性から生じる動的な課題 ・リソースの競合 ・滞留 ・納期遅延 … 一品一様な業務プロセスを含む 統計解析・制御数理モデル ・統計的な有効変数算出 ・統計数理モデル化 -優先順位制御 -実行タイミング制御 -統計フィードバック -適正リソース量算出 ・予測数理体系 論文(体系の一部) M.Nakao, N. Kobayashi, K.Hamada, T.Totsuka, S.Yamada, “Decoupling Executions in Navigating Manufacturing Processes for Shortening Lead Time and Its Implementation to an Unmanned Machine Shop”, CIRP Annals - Manufacturing Technology Volume 56, Issue 1, Pages 171-174 (2007) 16
  • 17. 思い より広く蓄積されたデータを有効活用し 世界の未来をよりよいものにしていきたい データマイニング+WEB勉強会@東京 Google Group: http://groups.google.com/group/webmining-tokyo 17
  • 18. 現在の活動領域 ソーシャルメディアのデータマイニング活用 2900万人以上の人々へ 各人のつながり・楽しみ・好み 個性にあった適切なサービス配信 日々20億以上の活動の活用 Social Media Social Graph Fun Like Personality Objective Process Data Mining Machine Learning 各人のつながり、楽しみ、好み、個性にあった より適切なサービス提供 18
  • 19. よりよい世界の実現 ソーシャル・活動情報の活用により より適切な情報・サービス配信される世界を実現したい Social Media Social Graph Fun Like Personality Objective Process Data Mining Machine Learning 各人のつながり、楽しみ、好み、個性にあった より適切なサービス提供 19
  • 20. よりよい世界の実現 ソーシャル・活動情報の活用により より適切な情報・サービス配信される世界を実現したい 世界中の人々が 個々人のつながり・楽しみ・好みにあった適切な情報・サービスを 自ら探さなくても得ることができる世界 Social Media Social Graph Fun Like Personality Objective Process Data Mining Machine Learning 各人のつながり、楽しみ、好み、個性にあった より適切なサービス提供 20
  • 21. AGENDA ◆講師紹介 ◆ソーシャルプラットフォーム:Mobage ◆データマイニング活用によるサービス洗練 ◆楽しさのマイニング ◆1日20億超の行動情報 ◆楽しさのデータマイニング ◆活動例 ◆ケーススタディ: Social Game洗練 ◆迅速なサービス洗練 ◆大規模データマイニング基盤構成 ◆世界へ
  • 22. Mobage Mobage モバイルソーシャルプラットフォーム 【ゲーム】 【SNS機能】 日記の掲載、サークルの形成・参加、アバター(自分の分身のキャ ラクター)を使った匿名での自己紹介、その他のコミュニケーション 【情報配信機能】 【作品投稿】 実用性の高い情報を配信 小説、音楽、動画などの ニュース、天気予報、乗り換え案内など 作品の創作・投稿コーナー DeNA Co.,ltd. ALL rights reserved 22
  • 23. 1日20億超の行動情報 2900万人以上 1日20億超の行動情報 国内Mobage有効会員数(万人) (PV/日) 25億 2900万 20億 2010年4月 15億 GREE モバイル 10億 Mixi モバイル 5億 Yahoo! モバイル 0 2008年 2009年 2010年 出典: 当社 (月次推移のご報告), 株式会社ミクシィ (2010年度第1四半期決算説明資料), ヤフー株式会社 (2008年1月~2010年6月 月次報告), DeNA Co.,ltd. ALL rights reserved グリー株式会社 (2010年度第4四半期決算説明資料) 23
  • 24. ソーシャルゲーム業界の世界リーダー比較 独自の位置づけと高い収益性 DeNA Co.,ltd. ALL rights reserved ※出展:株式会社ディー・エヌ・エー:平成23年3月期 第2四半期決算説明会資料 24
  • 25. バーチャルソーシャルグラフ 興味を軸としたソーシャルグラフ DeNA Co.,ltd. ALL rights reserved ※出展:株式会社ディー・エヌ・エー:平成23年3月期 第2四半期決算説明会資料 25
  • 26. AGENDA ◆講師紹介 ◆ソーシャルプラットフォーム:Mobage ◆データマイニング活用によるサービス洗練 ◆楽しさのマイニング ◆1日20億超の行動情報 ◆楽しさのデータマイニング ◆活動例 ◆ケーススタディ: Social Game洗練 ◆迅速なサービス洗練 ◆大規模データマイニング基盤構成 ◆世界へ DeNA Co.,ltd. ALL rights reserved
  • 27. データマイニング活用によるサービス洗練 データマイニング・機械学習の活用により 迅速なサービス洗練を実現しています Data-mining Machine-Leaning Data Mining Infrastructure Results KPI Inspection DeNA Data Mining Libraries KPI Views Data Mining/Machine Learning R Mahout MapReduce … Morphological Analysis Perl DeNA Social MA Pig Java Business Pre-processing/Indexing Planning Lucene Hive HUE Service Log API Service Log API Hadoop DFS Log API Service Unified Description of … … Action/Status Log DeNA Co.,ltd. ALL rights reserved 27
  • 28. データマイニング活用によるサービス洗練 Data Mining Infrastructure DeNA Co.,ltd. ALL rights reserved 28
  • 29. データマイニング活用によるサービス洗練 KPI(Key Performance Indicator)定常算出・共有 ビジネス・サービス変化を検知 Data Mining Infrastructure KPI Inspection KPI Views DeNA Co.,ltd. ALL rights reserved 29
  • 30. データマイニング活用によるサービス洗練 経営判断・サービス洗練を行うための データマイニング実行 Data Mining Infrastructure KPI Inspection KPI Views Business Planning DeNA Co.,ltd. ALL rights reserved 30
  • 31. データマイニング活用によるサービス洗練 データマイニング・機械学習 結果のサービス活用 より楽しんでもらえるサービスへ Data-mining Machine-Leaning Data Mining Infrastructure Results KPI Inspection KPI Views … Business Planning Service Log API Service Log API Log API Service … … DeNA Co.,ltd. ALL rights reserved 31
  • 32. 大規模データマイニング基盤 データマイニング・機械学習の活用により 迅速なサービス洗練を実現しています Data-mining Machine-Leaning Data Mining Infrastructure Results KPI Inspection DeNA Data Mining Libraries KPI Views Data Mining/Machine Learning R Mahout MapReduce … Morphological Analysis Perl DeNA Social MA Pig Java Business Pre-processing/Indexing Planning Lucene Hive HUE Service Log API Service Log API Hadoop DFS Log API Service Unified Description of … … Action/Status Log DeNA Co.,ltd. ALL rights reserved 32
  • 33. AGENDA ◆講師紹介 ◆ソーシャルプラットフォーム:Mobage ◆データマイニング活用によるサービス洗練 ◆楽しさのマイニング ◆1日20億超の行動情報 ◆楽しさのデータマイニング ◆活動例 ◆ケーススタディ: Social Game洗練 ◆迅速なサービス洗練 ◆大規模データマイニング基盤構成 ◆世界へ DeNA Co.,ltd. ALL rights reserved
  • 34. AGENDA ◆講師紹介 ◆ソーシャルプラットフォーム:Mobage ◆データマイニング活用によるサービス洗練 ◆楽しさのマイニング ◆1日20億超の行動情報 ◆楽しさのデータマイニング ◆活動例 ◆ケーススタディ: Social Game洗練 ◆迅速なサービス洗練 ◆大規模データマイニング基盤構成 ◆世界へ DeNA Co.,ltd. ALL rights reserved
  • 35. 1日20億超の行動情報 2900万人以上 1日20億超の行動情報 国内Mobage有効会員数(万人) (PV/日) 25億 2900万 20億 2010年4月 15億 GREE モバイル 10億 Mixi モバイル 5億 Yahoo! モバイル 0 2008年 2009年 2010年 出典: 当社 (月次推移のご報告), 株式会社ミクシィ (2010年度第1四半期決算説明資料), ヤフー株式会社 (2008年1月~2010年6月 月次報告), DeNA Co.,ltd. ALL rights reserved グリー株式会社 (2010年度第4四半期決算説明資料) 35
  • 36. 1日20億超の行動情報 統計的有意な結果を 多くのユーザー体験へ還元 2900万人以上 1日20億超アクション DeNA Co.,ltd. ALL rights reserved 36
  • 37. 1日20億超の行動情報 統計的有意な結果を 多くのユーザー体験へ還元 統計的有意 データマイニング・機械学習の 結果の統計的有意性 2900万人以上 1日20億超アクション DeNA Co.,ltd. ALL rights reserved 37
  • 38. 1日20億超の行動情報 統計的有意な結果を 多くのユーザー体験へ還元 統計的有意 多くの人へ還元 データマイニング・機械学習の 多くのユーザー体験へ 結果の統計的有意性 還元できる 2900万人以上 1日20億超アクション DeNA Co.,ltd. ALL rights reserved 38
  • 39. AGENDA ◆講師紹介 ◆ソーシャルプラットフォーム:Mobage ◆データマイニング活用によるサービス洗練 ◆楽しさのマイニング ◆1日20億超の行動情報 ◆楽しさのデータマイニング ◆活動例 ◆ケーススタディ: Social Game洗練 ◆迅速なサービス洗練 ◆大規模データマイニング基盤構成 ◆世界へ DeNA Co.,ltd. ALL rights reserved
  • 40. 詳細行動情報 目的・感情が分かる詳細行動情報 DeNA Co.,ltd. ALL rights reserved 40
  • 41. 詳細行動情報 目的・感情が分かる詳細行動情報 ミッション ボス挑戦 勝つ 負ける DeNA Co.,ltd. ALL rights reserved 41
  • 42. 詳細行動情報 目的・感情が分かる詳細行動情報 ステータスアップ ミッション ボス挑戦 勝つ 負ける DeNA Co.,ltd. ALL rights reserved 42
  • 43. 詳細行動情報 目的・感情が分かる詳細行動情報 ステータスアップ ミッション ボス挑戦 応援 プレゼント 勝つ 負ける 仲間申請 ウィンク 交換 DeNA Co.,ltd. ALL rights reserved 43
  • 44. 詳細行動情報 目的・感情が分かる詳細行動情報 ステータスアップ 助け合う ミッション ボス挑戦 応援 プレゼント 勝つ 負ける 仲間申請 ウィンク 交換 DeNA Co.,ltd. ALL rights reserved 44
  • 45. 詳細行動情報 目的・感情が分かる詳細行動情報 ステータスアップ 助け合う ミッション ボス挑戦 応援 プレゼント バトル 奪う 勝つ 負ける 仲間申請 ウィンク 奪われる 交換 DeNA Co.,ltd. ALL rights reserved 45
  • 46. 詳細行動情報 目的・感情が分かる詳細行動情報 ステータスアップ 助け合う スリル ミッション ボス挑戦 応援 プレゼント バトル 奪う 勝つ 負ける 仲間申請 ウィンク 奪われる 交換 DeNA Co.,ltd. ALL rights reserved 46
  • 47. 詳細行動情報 目的・感情が分かる詳細行動情報 ステータスアップ 助け合う スリル ミッション ボス挑戦 応援 プレゼント バトル 奪う 勝つ 負ける 仲間申請 ウィンク 奪われる 交換 育成 耕す 種まき 水やり 収穫 捕獲 DeNA Co.,ltd. ALL rights reserved 47
  • 48. 詳細行動情報 目的・感情が分かる詳細行動情報 ステータスアップ 助け合う スリル ミッション ボス挑戦 応援 プレゼント バトル 奪う 勝つ 負ける 仲間申請 ウィンク 奪われる 交換 育成 収集 耕す 種まき アイテム取得 水やり 収穫 アイテム合成 捕獲 … … DeNA Co.,ltd. ALL rights reserved 48
  • 49. 詳細行動情報 目的・感情が分かる詳細行動情報 ステータスアップ 助け合う スリル ミッション ボス挑戦 応援 プレゼント バトル 奪う 勝つ 負ける 仲間申請 ウィンク 奪われる 交換 育成 収集 耕す 種まき アイテム取得 水やり 収穫 アイテム合成 捕獲 … … 楽しさのマイニング DeNA Co.,ltd. ALL rights reserved 49
  • 50. 楽しさのマイニング 楽しさのマイニング ユーザー体験へ還元 Social Media Experience DeNA Co.,ltd. ALL rights reserved 50
  • 51. 楽しさのマイニング 楽しさのマイニング ユーザー体験へ還元 Social Media Experience Social Graph Detailed Actions Changes of Status Social Communications Personality ..etc DeNA Co.,ltd. ALL rights reserved 51
  • 52. 楽しさのマイニング 楽しさのマイニング ユーザー体験へ還元 Data Mining Machine Learning of Fun Social Media Experience Social Graph Detailed Actions Changes of Status Social Communications Personality ..etc DeNA Co.,ltd. ALL rights reserved 52
  • 53. 楽しさのマイニング 楽しさのマイニング ユーザー体験へ還元 Data Mining Machine Learning of Fun PatternMining Clustering Classification Regression Recommendation TimeSeriesAnalysis StatisticalAnalysis NaturalLanguageProcessing ..etc Social Media Experience Social Graph Detailed Actions Changes of Status Social Communications Personality ..etc DeNA Co.,ltd. ALL rights reserved 53
  • 54. AGENDA ◆講師紹介 ◆ソーシャルプラットフォーム:Mobage ◆データマイニング活用によるサービス洗練 ◆楽しさのマイニング ◆1日20億超の行動情報 ◆楽しさのデータマイニング ◆活動例 ◆ケーススタディ: Social Game洗練 ◆迅速なサービス洗練 ◆大規模データマイニング基盤構成 ◆世界へ DeNA Co.,ltd. ALL rights reserved
  • 55. 楽しさのマイニング 楽しさのマイニング ユーザー体験へ還元 Data Mining Machine Learning of Fun PatternMining Clustering Classification Regression Recommendation TimeSeriesAnalysis StatisticalAnalysis NaturalLanguageProcessing ..etc Social Media Experience Social Graph Detailed Actions Changes of Status Social Communications Personality ..etc DeNA Co.,ltd. ALL rights reserved 55
  • 56. 活動例(抜粋) 楽しさのマイニング ユーザー体験へ還元 Data Mining Machine Learning of Fun PatternMining Clustering Classification Regression Recommendation TimeSeriesAnalysis StatisticalAnalysis NaturalLanguageProcessing ..etc Social Media Experience Social Graph Detailed Actions Changes of Status Social Communications Personality ..etc DeNA Co.,ltd. ALL rights reserved 56
  • 57. 活動例(抜粋): Recommendation Recommendation より楽しんでもらえるサービス推薦 DeNA Co.,ltd. ALL rights reserved
  • 58. 活動例(抜粋): Recommendation Recommendation Strategy 推薦戦略 DeNA Co.,ltd. ALL rights reserved
  • 59. 活動例(抜粋): Recommendation Recommendation Strategy 推薦戦略 Standard Recommendation Methodologies Memory Based Paradigm Model Based Paradigm (most user decision focused) (most detailed experiments and rationale) > 協調フィルタリング (users that play A play B) > パターンの学習と予測 > ソーシャルグラフ (user neighborhood) > latent semantic analysis (game text similarity) > 強化学習 (user feedback) > artificial neural network > locality sensitive hashing (user profile similarity) Emergent Intelligence Paradigm Hybridized Intelligence Paradigm (fastest adaptation) (most successful globally) > エージェントランダムウォーク(user similarity search) > 手法の組合せによる向上 > 遺伝的アルゴリズム (game preference convergence) >> 友人がいないとき (e.g. new user) >> 利用データが存在しないとき (e.g. new game) >> モデルからメタデータが取得できないとき > 混合手法によるこれらの課題解決 DeNA Co.,ltd. ALL rights reserved
  • 60. 活動例(抜粋): Recommendation Recommendation Strategy 推薦戦略 Standard Recommendation Methodologies Memory Based Paradigm Model Based Paradigm (most user decision focused) (most detailed experiments and rationale) > 協調フィルタリング (users that play A play B) > パターンの学習と予測 > ソーシャルグラフ (user neighborhood) > latent semantic analysis (game text similarity) > 強化学習 (user feedback) > artificial neural network > locality sensitive hashing (user profile similarity) Emergent Intelligence Paradigm Hybridized Intelligence Paradigm (fastest adaptation) (most successful globally) > エージェントランダムウォーク(user similarity search) > 手法の組合せによる向上 > 遺伝的アルゴリズム (game preference convergence) >> 友人がいないとき (e.g. new user) >> 利用データが存在しないとき (e.g. new game) >> モデルからメタデータが取得できないとき > 混合手法によるこれらの課題解決 DeNA Co.,ltd. ALL rights reserved
  • 61. 活動例(抜粋): Recommendation Social Collaborative Filtering ソーシャルグラフを用いたユーザー行動履歴・グラフによる推薦 Social Graph Input User History and Social Graph Collaborative Filtering (Global) RECS (Global Matrix Model for “A likes B”) New user with no history Friend Input User History and Collaborative Filtering (Personal) RECS Neighborhood user (Neighborhood Matrix Model for “A likes B”) Neighborhood User with history Item-Item Matrix of Relationships (Invented by Amazon.com) Friend of Friend Wikipedia Image of a Social Network Relationship between Game A2 and C2 There are thousands of collaborative filtering varieties: + user friend neighborhood… Users who “bought A bought C”, “viewed A viewed C”… + user similarity clustered neighborhood… References (International Research Copyrights) DeNA Co.,ltd. ALL rights reserved
  • 62. 活動例(抜粋): Recommendation Recommendation Strategy 推薦戦略 Standard Recommendation Methodologies Memory Based Paradigm Model Based Paradigm (most user decision focused) (most detailed experiments and rationale) > 協調フィルタリング (users that play A play B) > パターンの学習と予測 > ソーシャルグラフ (user neighborhood) > latent semantic analysis (game text similarity) > 強化学習 (user feedback) > artificial neural network > locality sensitive hashing (user profile similarity) Emergent Intelligence Paradigm Hybridized Intelligence Paradigm (fastest adaptation) (most successful globally) > エージェントランダムウォーク(user similarity search) > 手法の組合せによる向上 > 遺伝的アルゴリズム (game preference convergence) >> 友人がいないとき (e.g. new user) >> 利用データが存在しないとき (e.g. new game) >> モデルからメタデータが取得できないとき > 混合手法によるこれらの課題解決 DeNA Co.,ltd. ALL rights reserved
  • 63. 活動例(抜粋): Recommendation Content Similarity コンテンツ類似度の利用 1 Latent Semantic Analysis via Singular Value Decomposition 2 Cosine Similarity Equation 3 Similarity Game A2 and C2 4 5 6 Game A to B Cosine Similarity Matrix Smoothing Normalization Statistical Z-Score removes Low Game A to B Relationship Matrix Confidence Scores DeNA Co.,ltd. ALL rights reserved
  • 64. 活動例(抜粋): Recommendation Social Neural Networks ソーシャルグラフを用いたユーザー行動履歴・グラフによる推薦 Social Graph 1 G1 G1 0 1 G2 G2 0 0 G3 G3 0 0 G4 G4 1 0 G5 G5 0 Friend 0 G6 G6 0 user 0 G7 G7 Input User History 0 Neighborhood and Neighborhood 0 G8 G8 0 0 G9 G9 0 HISTORY RECOMMENDATIONS Friend of Friend Wikipedia Image of a Social Network DeNA Co.,ltd. ALL rights reserved
  • 65. 活動例(抜粋): Recommendation Recommendation Strategy 推薦戦略 Standard Recommendation Methodologies Memory Based Paradigm Model Based Paradigm (most user decision focused) (most detailed experiments and rationale) > 協調フィルタリング (users that play A play B) > パターンの学習と予測 > ソーシャルグラフ (user neighborhood) > latent semantic analysis (game text similarity) > 強化学習 (user feedback) > artificial neural network > locality sensitive hashing (user profile similarity) Emergent Intelligence Paradigm Hybridized Intelligence Paradigm (fastest adaptation) (most successful globally) > エージェントランダムウォーク(user similarity search) > 手法の組合せによる向上 > 遺伝的アルゴリズム (game preference convergence) >> 友人がいないとき (e.g. new user) >> 利用データが存在しないとき (e.g. new game) >> モデルからメタデータが取得できないとき > 混合手法によるこれらの課題解決 DeNA Co.,ltd. ALL rights reserved
  • 66. 活動例(抜粋): Recommendation Social Agent Emergence エージェントによる隠されたグループ抽出 Sub-culture 1 Sub-culture 2 AGENT Random Walk Genetic Algorithm DeNA Co.,ltd. ALL rights reserved
  • 67. 活動例(抜粋): Recommendation Recommendation Strategy 推薦戦略 Standard Recommendation Methodologies Memory Based Paradigm Model Based Paradigm (most user decision focused) (most detailed experiments and rationale) > 協調フィルタリング (users that play A play B) > パターンの学習と予測 > ソーシャルグラフ (user neighborhood) > latent semantic analysis (game text similarity) > 強化学習 (user feedback) > artificial neural network > locality sensitive hashing (user profile similarity) Emergent Intelligence Paradigm Hybridized Intelligence Paradigm (fastest adaptation) (most successful globally) > エージェントランダムウォーク(user similarity search) > 手法の組合せによる向上 > 遺伝的アルゴリズム (game preference convergence) >> 友人がいないとき (e.g. new user) >> 利用データが存在しないとき (e.g. new game) >> モデルからメタデータが取得できないとき > 混合手法によるこれらの課題解決 DeNA Co.,ltd. ALL rights reserved
  • 68. 活動例(抜粋): Recommendation Hybrid Models Hybrid Model Users that Like A Like B Prediction CF AGENT SIM NN RL DeNA Co.,ltd. ALL rights reserved
  • 69. 活動例(抜粋): Recommendation Recommendation より楽しんでもらえるサービス推薦 Standard Recommendation Methodologies Memory Based Paradigm Model Based Paradigm (most user decision focused) (most detailed experiments and rationale) > 協調フィルタリング (users that play A play B) > パターンの学習と予測 > ソーシャルグラフ (user neighborhood) > latent semantic analysis (game text similarity) > 強化学習 (user feedback) > artificial neural network > locality sensitive hashing (user profile similarity) Emergent Intelligence Paradigm Hybridized Intelligence Paradigm (fastest adaptation) (most successful globally) > エージェントランダムウォーク(user similarity search) > 手法の組合せによる向上 > 遺伝的アルゴリズム (game preference convergence) >> 友人がいないとき (e.g. new user) >> 利用データが存在しないとき (e.g. new game) >> モデルからメタデータが取得できないとき > 混合手法によるこれらの課題解決 DeNA Co.,ltd. ALL rights reserved
  • 70. 活動例(抜粋) 楽しさのマイニング ユーザー体験へ還元 Data Mining Machine Learning of Fun PatternMining Clustering Classification Regression Recommendation TimeSeriesAnalysis StatisticalAnalysis NaturalLanguageProcessing ..etc Social Media Experience Social Graph Detailed Actions Changes of Status Social Communications Personality ..etc DeNA Co.,ltd. ALL rights reserved 70
  • 71. 活動例(抜粋): Pattern/Clustering/Classification Feature Analysis 楽しさの行動パターン、やめてしまう状況パターン DeNA Co.,ltd. ALL rights reserved
  • 72. 活動例(抜粋): Pattern/Clustering/Classification Feature Analysis 楽しさの行動パターン、やめてしまう状況パターン Pattern Mining F1 E1 F2 E1 F3 F4 F5 Clustering Feature Analysis Activity N, … Classification Activity 1 Regression DeNA Co.,ltd. ALL rights reserved
  • 73. 活動例(抜粋) Feature Analysis/Prediction 楽しさの行動パターン、やめてしまう状況パターン ■楽しさの行動パターン ■やめてしまう状況パターン DeNA Co.,ltd. ALL rights reserved 73
  • 74. 活動例(抜粋) Feature Analysis/Prediction 楽しさの行動パターン、やめてしまう状況パターン ■楽しさの行動パターン ・夢中になるきっかけ ⇒夢中になる体験をしてもらう ■やめてしまう状況パターン DeNA Co.,ltd. ALL rights reserved 74
  • 75. 活動例(抜粋) Feature Analysis/Prediction 楽しさの行動パターン、やめてしまう状況パターン ■楽しさの行動パターン ・夢中になるきっかけ ⇒夢中になる体験をしてもらう ・楽しんでサービス継続している行動特徴 ⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。 ⇒楽しさのパターンをサービス初期で体験。楽しさを理解。 ■やめてしまう状況パターン DeNA Co.,ltd. ALL rights reserved 75
  • 76. 活動例(抜粋) Feature Analysis/Prediction 楽しさの行動パターン、やめてしまう状況パターン ■楽しさの行動パターン ・夢中になるきっかけ ⇒夢中になる体験をしてもらう ・楽しんでサービス継続している行動特徴 ⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。 ⇒楽しさのパターンをサービス初期で体験。楽しさを理解。 ■やめてしまう状況パターン ・飽きはじめるきっかけ・不快な状況 ⇒やめるきっかけを発生させないようにする。 DeNA Co.,ltd. ALL rights reserved 76
  • 77. 活動例(抜粋) Feature Analysis/Prediction 楽しさの行動パターン、やめてしまう状況パターン ■楽しさの行動パターン ・夢中になるきっかけ ⇒夢中になる体験をしてもらう ・楽しんでサービス継続している行動特徴 ⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。 ⇒楽しさのパターンをサービス初期で体験。楽しさを理解。 ■やめてしまう状況パターン ・飽きはじめるきっかけ・不快な状況 ⇒やめるきっかけを発生させないようにする。 ・飽きはじめたユーザーの予測・判別 ⇒新鮮・斬新な体験を提供する ⇒他の楽しみ方の提供(他サービスへの推薦 等) DeNA Co.,ltd. ALL rights reserved 77
  • 78. 活動例(抜粋) Feature Analysis/Prediction 楽しさの行動パターン、やめてしまう状況パターン ■楽しさの行動パターン ・夢中になるきっかけ ⇒夢中になる体験をしてもらう ・楽しんでサービス継続している行動特徴 ⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。 ⇒楽しさのパターンをサービス初期で体験。楽しさを理解。 ■やめてしまう状況パターン ・飽きはじめるきっかけ・不快な状況 ⇒やめるきっかけを発生させないようにする。 ・飽きはじめたユーザーの予測・判別 ⇒新鮮・斬新な体験を提供する ⇒他の楽しみ方の提供(他サービスへの推薦 等) DeNA Co.,ltd. ALL rights reserved 78
  • 79. 活動例(抜粋): Pattern/Clustering/Classification Feature Analysis/Prediction 楽しさの行動パターン、やめてしまう状況パターン 例) DeNA Co.,ltd. ALL rights reserved
  • 80. 活動例(抜粋): Pattern/Clustering/Classification Feature Analysis/Prediction 楽しさの行動パターン、やめてしまう状況パターン 例) Pattern Mining F1 E1 やめてしまう F2 E1 夢中になり始める F3 F4 F5 DeNA Co.,ltd. ALL rights reserved
  • 81. 活動例(抜粋): Pattern/Clustering/Classification Feature Analysis/Prediction 楽しさの行動パターン、やめてしまう状況パターン 例) Pattern Mining F1 E1 やめてしまう F2 E1 夢中になり始める F3 F4 F5 Clustering Activity N, … 離脱 継続 Activity 1 DeNA Co.,ltd. ALL rights reserved
  • 82. 活動例(抜粋): Pattern/Clustering/Classification Feature Analysis/Prediction 楽しさの行動パターン、やめてしまう状況パターン 例) Pattern Mining F1 E1 やめてしまう F2 E1 夢中になり始める F3 F4 F5 Clustering Feature Analysis Activity N, … 離脱 継続 Classification Activity 1 Regression DeNA Co.,ltd. ALL rights reserved
  • 83. 活動例(抜粋): Pattern/Clustering/Classification Feature Analysis/Prediction 楽しさの行動パターン、やめてしまう状況パターン 例) Pattern Mining F1 E1 やめてしまう F2 E1 夢中になり始める F3 F4 F5 Clustering Feature Analysis Activity N, … 離脱 User Experience Improvement 継続 Classification Activity 1 Regression DeNA Co.,ltd. ALL rights reserved
  • 84. 活動例(抜粋) 楽しさのマイニング ユーザー体験へ還元 Data Mining Machine Learning of Fun PatternMining Clustering Classification Regression Recommendation TimeSeriesAnalysis StatisticalAnalysis NaturalLanguageProcessing ..etc Social Media Experience Social Graph Detailed Actions Changes of Status Social Communications Personality ..etc DeNA Co.,ltd. ALL rights reserved 84
  • 85. 活動例(抜粋): Time Series Analysis Anomaly detection 複数時系列から異常な振る舞いを検知する C A 時系列のモデリング 複数時系列の異常検知 B 時系列A 時系列A 異常な振る舞い 時系列B 時系列C 時系列B 時系列C 異常な振る舞いの時系列を検出 例1:トラフィック異常検知 例2:CM効果のノイズ除去 トラフィックA ケースA CM効果 トラフィックB ケースB トラフィックC 調査 ケースC 異常な振る舞いをしている 異常な振る舞いをしているケースを トラフィックの原因を調査する 除外して、CMの効果を算出する 85
  • 86. 活動例(抜粋): Time Series Analysis Anomaly detection 新しいデータと過去時系列モデルの乖離から異常検出 異常スコア推移 モデル構築 異常値 ◇例 : ARIMAモデル 異常スコアの算出 ◇例 : 対数損失 t 86
  • 87. 活動例(抜粋): Time Series Analysis TV Commercial Effects 時系列的な振る舞いの特徴から各KPIへのCMの影響度を算出 イベン CM時系列 ト 新規 登録 CM ARPP U ARPU 各KPIの時系列 その 他 継続 外部 率 要因 ケー ス 87
  • 88. 活動例(抜粋) 楽しさのマイニング ユーザー体験へ還元 Data Mining Machine Learning of Fun PatternMining Clustering Classification Regression Recommendation TimeSeriesAnalysis StatisticalAnalysis NaturalLanguageProcessing ..etc Social Media Experience Social Graph Detailed Actions Changes of Status Social Communications Personality ..etc 88
  • 89. 活動例(抜粋) Other Applications 他にも各種ユーザー体験向上に役立てています ■健全なプラットフォームへ ・不正書き込み判別 ・年齢詐称の判別 ■ユーザーの声によるサービス洗練 ・ソーシャルコミュニケーションのテキストマイニング 等 89
  • 90. 楽しさのマイニング 楽しさのマイニング ユーザー体験へ還元 Data Mining Machine Learning of Fun PatternMining Clustering Classification Regression Recommendation TimeSeriesAnalysis StatisticalAnalysis NaturalLanguageProcessing ..etc Social Media Experience Social Graph Detailed Actions Changes of Status Social Communications Personality ..etc DeNA Co.,ltd. ALL rights reserved 90
  • 91. AGENDA ◆講師紹介 ◆ソーシャルプラットフォーム:Mobage ◆データマイニング活用によるサービス洗練 ◆楽しさのマイニング ◆1日20億超の行動情報 ◆楽しさのデータマイニング ◆活動例 ◆ケーススタディ: Social Game洗練 ◆迅速なサービス洗練 ◆大規模データマイニング基盤構成 ◆世界へ DeNA Co.,ltd. ALL rights reserved
  • 92. Case Study : Social Game 洗練 Case Study : Social Game 洗練 Social Game 洗練 Case: 離脱率抑制 DeNA Co.,ltd. ALL rights reserved 92
  • 93. Case Study : Social Game 洗練 Case Study : Social Game 洗練 Social Game 洗練 Case: 離脱率抑制 DeNA Co.,ltd. ALL rights reserved 93
  • 94. Case Study : Social Game 洗練 分析に基づいたパラメータチューニングやゲーム内ロジック変更を行い ユーザー体験を向上する データ(ログ)整備 大規模データ 各サービスの データ抽出・集計 分析~施策実行 処理基盤整備 企画・開発・運用 共通モジュール開発 データマイニング データマイニング分析系 企画・開発・運用担当 基盤系エンジニア エンジニア/アナリスト (EC・ソーシャルゲーム等) DeNA Co.,ltd. ALL rights reserved 94
  • 95. Case Study : Social Game 洗練 ユーザー体験を向上させるには 問題発見・解釈・提案の3つが一貫して行えることが必要 データマイニング分析系 エンジニア/アナリスト 問題発見 解釈 提案 空は青い 雨は降らない 傘はおいていく 現状分析 問題の明示化 方向性の決定 大きなトレンド 戦略的解釈 具体的な解決案 こうなっている! だとすればこうだ! だからこうすべき! DeNA Co.,ltd. ALL rights reserved 95
  • 96. Case Study : Social Game 洗練 ゲーム内パラメータの設計(ex.確率系パラメータの パラメータ設計 設定、ユーザーの組み合わせロジック作成) ユーザーのプレイ・課金状況が当初の想定と異 ゲーム/イベントの なった場合、途中で悪化した場合などに、ゲーム 振り返り・改善策検討 ログを分析して、その原因を掘り下げて究明し対 応策を考える タイトル別 ゲームデザインに 企画的視点から、ゲームデザイン/イベント企画 対するインプット に対して、改善提案を行う ゲーム/イベントにおける盛り上がり状況(プレイ・課 金)やその変化がわかるようなKPIを設計し、かつそれ KPIの設計・見える化 らを定常的に追うことができるようなレポートを作成・ 共有する 上記タイトルごとの業務で得られた知見で、他タイトル ナレッジの整理/シェア にも展開できるようなナレッジについて、資料化/共 有を進める タイトル横断 ゲーム横断で使えるような施策を検討し、またそ 共通的施策の実行支援 の実現のための仕組みを提供する DeNA Co.,ltd. ALL rights reserved 96
  • 97. Case Study : Social Game 洗練 ゲーム内パラメータの設計(ex.確率系パラメータの パラメータ設計 設定、ユーザーの組み合わせロジック作成) ユーザーのプレイ・課金状況が当初の想定と異 ゲーム/イベントの なった場合、途中で悪化した場合などに、ゲーム 振り返り・改善策検討 ログを分析して、その原因を掘り下げて究明し対 応策を考える タイトル別 ゲームデザインに 企画的視点から、ゲームデザイン/イベント企画 対するインプット に対して、改善提案を行う ゲーム/イベントにおける盛り上がり状況(プレイ・課 金)やその変化がわかるようなKPIを設計し、かつそれ KPIの設計・見える化 らを定常的に追うことができるようなレポートを作成・ 共有する 上記タイトルごとの業務で得られた知見で、他タイトル ナレッジの整理/シェア にも展開できるようなナレッジについて、資料化/共 有を進める タイトル横断 ゲーム横断で使えるような施策を検討し、またそ 共通的施策の実行支援 の実現のための仕組みを提供する DeNA Co.,ltd. ALL rights reserved 97
  • 98. Case Study : Social Game 洗練 Case Study : Social Game 洗練 Social Game 洗練 Case: 離脱率抑制 DeNA Co.,ltd. ALL rights reserved 98
  • 99. Case: 離脱率抑制 怪盗ロワイヤルを題材にした シンプルなケーススタディを みなで考えてみましょう ミッションをこなし、悪者をやっつける! DeNA Co.,ltd. ALL rights reserved 99
  • 100. Case Study : Social Game 洗練 注 本Caseで使用するデータは Case Study用に作成したデータです サービスのデータではありません DeNA Co.,ltd. ALL rights reserved 100
  • 101. Case: 離脱率抑制 離脱率削減のための分析・施策 怪盗ロワイヤルのミッションと通常のRPGの進め方の違い 怪盗ロワイヤル ドラクエ型RPG (ソーシャルゲーム) (コンシューマーゲーム) ミッション ステータス上げ ・ミッションをこなして経験値/$を稼ぐ ・敵と戦って経験値/$を稼ぐ ・店で武器・防具を買って強化 ・店で武器・防具を買って強化 ・ミッションを行うのに必要な手下(=行 ・基本的に進み具合はプレイ時間に依存 動力)の回復スピードが一定 する(やりこむユーザーは一気にクリアま ・進み具合は経過時間(≠プレイ時間) で進む) に依存する=ストレスがかかる ボス戦 (ダンジョン)ボス戦 ・ボスに勝つと次のランク ・ボスを倒したら次のエリア(ダンジョン) (エリア)にすすめる へいけるようになる DeNA Co.,ltd. ALL rights reserved 101
  • 102. Case: 離脱率抑制 離脱の定義を決める ○ プレイした日 ユーザーごとのプレイ状況 プレイしなかった日 8日 9日 10日 11日 12日 13日 14日 15日 16日 17日 18日 19日 20日 21日 22日 23日 24日 25日 26日 27日 28日 Aさん ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ Bさん ○ ○ ○ Cさん ○ ○ ○ ○ Dさん ○ ○ ○ ○ ○ ○ Eさん ○ ○ ○ Q.9月28日時点で「離脱者」に当たるユーザーはどれか DeNA Co.,ltd. ALL rights reserved 102
  • 103. Case: 離脱率抑制 前週1度以上プレイしていたが、今週全くプレーがなくなったユーザーを 離脱者と”定義”する ユーザーごとのプレイ状況 8日 9日 10日 11日 12日 13日 14日 15日 16日 17日 18日 19日 20日 21日 22日 23日 24日 25日 26日 27日 28日 Aさん ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ Bさん ○ ○ ○ ○ ○ Cさん ○ ○ ○ ○ ○ ○ Dさん ○ ○ ○ ○ ○ ○ ○ Eさん ○ ○ ○ ○ ○ ○ わかりやすいKPIを定義することも重要な仕事 DeNA Co.,ltd. ALL rights reserved 103
  • 104. Case: 離脱率抑制 ユーザー進捗度(Lv)別の 離脱率に特異点 ユーザーのLv別離脱率集計結果 25% 20% Lv10のところで離脱率が 15% 高くなっている(特異点) 離脱率 10% 5% 0% Lv03 Lv10 Lv17 Lv01 Lv02 Lv04 Lv05 Lv06 Lv07 Lv08 Lv09 Lv11 Lv12 Lv13 Lv14 Lv15 Lv16 Lv18 Lv19 Lv20 ユーザーの進捗度(Lv) DeNA Co.,ltd. ALL rights reserved 104
  • 105. Case: 離脱率抑制 特定のポイント(ミッション)で非常にクリアに 時間がかかっていることが判明 Lv10におけるミッション別所要時間 2000 1800 1600 あるミッションだけ 1400 所要時間が特に長い 平均所要時間 1200 1000 800 600 400 200 0 10-F 10-D 10-I 10-A 10-C 10-B 10-G 10-E 10-H ミッション KPIの変化から、どのあたりに原因がありそうかを 探る感覚(サービスに対する理解)も重要 DeNA Co.,ltd. ALL rights reserved 105
  • 106. Case: 離脱率抑制 当該ミッションに必要な行動力(手下数)を下げることで ユーザーのゲーム進行をスムーズにすることを意思決定 ミッション別 滞留時間のレポート データマイニング分析系 設計・チューニング・レ 企画・開発・運用担当 エンジニア/アナリスト ポーティングの相談 (EC・ソーシャルゲーム等) コミュニケーション(分析内容共有・施策提言)が重要 DeNA Co.,ltd. ALL rights reserved 106
  • 107. Case: 離脱率抑制 難易度調整後には平均所要時間が大幅に低下したことを確認 Lv10におけるミッション別所要時間 2000 1800 1600 1400 平均所要時間 1200 1000 800 600 400 200 0 10-F 10-D 10-I 10-A 10-C 10-B 10-G 10-E 10-H ミッション DeNA Co.,ltd. ALL rights reserved 107
  • 108. Case: 離脱率抑制 離脱率もチェックしたところ明確に低下したことが確認できた ユーザーのLv別離脱率集計結果 難易度調整前 難易度調整後 25% 20% 15% 離脱率 10% 5% 0% Lv02 Lv09 Lv16 Lv01 Lv03 Lv04 Lv05 Lv06 Lv07 Lv08 Lv10 Lv11 Lv12 Lv13 Lv14 Lv15 Lv17 Lv18 Lv19 Lv20 ユーザーの進捗度(Lv) 施策の結果を振り返り、「PDCAをまわす」 DeNA Co.,ltd. ALL rights reserved 108
  • 109. Case Study : Social Game 洗練 Case Study : Social Game 洗練 Social Game 洗練 Case: 離脱率抑制 DeNA Co.,ltd. ALL rights reserved 109
  • 110. AGENDA ◆講師紹介 ◆ソーシャルプラットフォーム:Mobage ◆データマイニング活用によるサービス洗練 ◆楽しさのマイニング ◆1日20億超の行動情報 ◆楽しさのデータマイニング ◆活動例 ◆ケーススタディ: Social Game洗練 ◆迅速なサービス洗練 ◆大規模データマイニング基盤構成 ◆世界へ DeNA Co.,ltd. ALL rights reserved
  • 111. 迅速なサービス洗練 解析結果を反映した 数時間~数日スパンで迅速なサービス洗練 DeNA Co.,ltd. ALL rights reserved 111
  • 112. 迅速なサービス洗練 解析結果を反映した 数時間~数日スパンで迅速なサービス洗練 より楽しんでもらえるユーザー体験へ DeNA Co.,ltd. ALL rights reserved 112
  • 113. AGENDA ◆講師紹介 ◆ソーシャルプラットフォーム:Mobage ◆データマイニング活用によるサービス洗練 ◆楽しさのマイニング ◆1日20億超の行動情報 ◆楽しさのデータマイニング ◆活動例 ◆ケーススタディ: Social Game洗練 ◆迅速なサービス洗練 ◆大規模データマイニング基盤構成 ◆世界へ DeNA Co.,ltd. ALL rights reserved
  • 114. Hadoopを用いた 大規模データマイニング基盤 DeNA Co.,ltd. ALL rights reserved 114
  • 115. Hadoop Hadoopとは 大規模分散処理を行うための基盤 ・Apache プロジェクト ・Java オープンソース ・Googleが2004年に発表した論文を実装 ・主要コンポーネント ・分散ファイルシステム: HDFS (Hadoop Distributed File System) ・分散処理フレームワーク: Mapreduce DeNA Co.,ltd. ALL rights reserved 115
  • 116. Hadoopの主な利用企業 広告・ECサイト・検索・SNS等 大規模データを有するサービスで利用されている DeNA Co.,ltd. ALL rights reserved 116
  • 117. 分散ファイルシステム:HDFS HDFS (Hadoop Distributed File System) DataNodeを増やすことで大容量化が可能 • NameNode – Meta情報を持つ、ファイル名、レプリケーション数、ファイルの保存場所など • DataNode – 実際のデータを格納するNode。ブロックサイズごとにファイルを分割して1 つのファイルを複数のNodeで保存 クライアントからは 巨大な一つのストレージに DataNode アクセスしているように見える NameNode HDFS クライアント DeNA Co.,ltd. ALL rights reserved 117
  • 118. 分散ファイルシステム:HDFS 同一ブロックが複数のDataNodeに分散配置されることで 冗長性が担保される 固定長ブロックに分割 1 1 同一ブロックが複数のDataNodeに ファイル 2 2 分散配置される(default 3) 3 1 1 3 2 1 2 3 2 DataNode 2 3 2 1 1 2 1 DeNA Co.,ltd. ALL rights reserved 118
  • 119. 分散処理フレームワーク: MapReduce MapがkeyとValueにデータを振り分け、Reduceがkeyごとに集計 分散処理を実現する User毎のPageView集計での例 Map userA userD userA userC userB userD key 大量データに対する 3 7 1 2 6 5 value 分散演算 Shuffle & Sort Reduce userA userB userC userD userA userA userD 演算結果の集計 userB userC userD 3 1 6 2 7 5 userA userB userC userD 4 6 2 12 DeNA Co.,ltd. ALL rights reserved 119
  • 121. 大規模データマイニング基盤 データマイニング・機械学習の活用により 迅速なサービス洗練を実現しています DeNA Co.,ltd. ALL rights reserved 121
  • 122. 大規模データマイニング基盤 データマイニング・機械学習の活用により 迅速なサービス洗練を実現しています Data-mining Machine-Leaning Data Mining Infrastructure Results KPI Inspection DeNA Data Mining Libraries KPI Views Data Mining/Machine Learning R Mahout MapReduce … Morphological Analysis Perl DeNA Social MA Pig Java Business Pre-processing/Indexing Planning Lucene Hive HUE Service Log API Service Log API Hadoop DFS Log API Service Unified Description of … … Action/Status Log DeNA Co.,ltd. ALL rights reserved 122
  • 123. 大規模データマイニング基盤 Data Mining Infrastructure DeNA Co.,ltd. ALL rights reserved 123
  • 124. 大規模データマイニング基盤 KPI(Key Performance Indicator)定常算出・共有 ビジネス・サービス変化を検知 Data Mining Infrastructure KPI Inspection KPI Views DeNA Co.,ltd. ALL rights reserved 124
  • 125. 大規模データマイニング基盤 経営判断・サービス洗練を行うための データマイニング実行 Data Mining Infrastructure KPI Inspection KPI Views Business Planning DeNA Co.,ltd. ALL rights reserved 125