機械学習
モデリングサービスのご案内
©2021RIT Inc.
Index
1. 機械学習モデルとは
2. 機械学習モデル構築の⽬的
3. 機械学習モデル構築のアプローチ
4. ツール紹介
5. 事例紹介
6. 料⾦
7. メンバー紹介
©2021RIT Inc.
1. 機械学習モデルとは
hat
is
L
mod
l?
©2021RIT Inc.
1. 機械学習モデルとは
機械学習モデルとは
例:教師あり学習のイメージ
©2021 RIT Inc.
推論に必要なデータのパターン・ルールを
機械が抽出する
未知データに対する推論をする
※本資料では不良品の検知や
需要予測等を総称して推論と呼びます
正解が既知のデータ 正解が未知のデータ
学習済みモデル
学習
(モデル構築)
推論
(識別・予測※)
P O I NT! P O I NT!
機械学習プロジェクトの⼀般的な流れ
1. 機械学習モデルとは
機械学習モデリングサービスとは
本サービスでは構想・PoCフェーズに特化して、ご⽀援致します
システム実装 運⽤
PoC
構想
・テーマ・解決する課題の選定
・⽬的・ゴールの具体化
・機械学習モデルのモックアッ
 プ構築
・実務での可⽤性検証
・機械学習モデルのシステム    
化・データ基盤・データ連携   
の要件定義
・上記の実装
・機械学習モデルを搭載したシ   
ステムの運⽤
・モデルの改善
最短2週間でツールベースで稼働する
機械学習モデルを構築します
本サービスのスコープ外ですが、
弊社で対応可能です
©2021 RIT Inc.
2. 機械学習モデル構築の⽬的
oal
©2021RIT Inc.
2. 機械学習モデル構築の⽬的
機械学習モデル構築の⽬的
業務の効率化・⾼度化を実現
・収集したデータを加⼯するのに時間を要する
・属⼈的な推論がされており、担当者の退職・
 異動時にナレッジが失われる
・作業時間を⼤幅に短縮できる
・推論のアルゴリズム・ロジックは⼈に依存
 しないためナレッジは残る
・週次で予測する等、⾼頻度で推論する業務が
 発⽣しており、⼯数が膨らんでいる
・経験・思惑に基づく推論をしており、
 精度がバラつく
・精度向上の為のアクションが分からず、
 精度が低いまま
・推論結果を基に⽰唆を抽出し、施策実⾏の
 判断に注⼒できる
・特殊要因が発⽣しない限り精度のバラつきは
 ⼀定範囲に抑制できる
・アルゴリズムの変更・パラメータ調整により
 精度向上ができる
量
質
業務の
業務の
As-Is|Excel等を使って⼈⼿で推論を実施 To-Be|機械学習モデルを使って推論を実施
©2021 RIT Inc.
3. 機械学習モデル構築のアプローチ
ow
©2021RIT Inc.
3. 機械学習モデル構築のアプローチ
アプローチの全体像
最終評価
精度改善
モデル構築・精度検証
データの準備
⽬的の設定
実施内容 主担当
クライアント
クライアント
弊社
・解決すべき課題を明確化
・課題を分解し、機械学習モデルの推論する対象データを検討
・課題解決可能となる推論精度がどの程度か基準を定義
・推論に寄与しそうなデータ項⽬を検討
・上記検討より、有⽤と考えられるデータを収集
・機械学習モデルに投⼊可能な形式に加⼯
・設定した基準をクリアしているか判断
・データ収集の可否・必要コスト等業務適⽤可能か判断
・システム化フェーズへのGo/No Go判断
・モデルを構築し、推論結果の精度を検証
・定義した基準を満たすまで、精度改善の取り組みを実施
・推論のアルゴリズム変更やパラメータの調整、データ加⼯・データ追加により精度改善
©2021 RIT Inc.
⽬的の設定①
課題を分解し、推論対象を明確にする
P O I NT! ⽬的・課題・解決⽅法など全体観を把握する
P O I NT!
例)売上・荒利の予測精度が悪い
商品群毎の週次荒利 店舗タイプ別の⽉次売上
週次の荒利予測に基づいて商品
群毎に発注しているが、適切な発
注量にならない
店舗タイプ別⽉次売上の着地⾒
込みに基づいて追加の販促施策を
検討するが、判断材料として弱い
分解
推論対象を特定
最終評価
精度改善
モデル構築・精度検証
データの準備
⽬的の設定
©2021 RIT Inc.
3. 機械学習モデル構築のアプローチ
⽬的の設定②
最終評価
精度改善
モデル構築・精度検証
データの準備
⽬的の設定
・現状業務のフローを整理
・フロー上のどこに課題があるか特定
・ユーザは何に困っているか
・機械学習モデルの推論で解決されるか
・推論対象・粒度が明確か
・正解データが定義されているか
・⽐較対象となる”モノサシ”があるか
・機械学習モデルを活⽤して、どう課題解決
 するか整理
・正解データを定義
・モデリング完了基準を設定
タスク
現状業務・課題の整理 機械学習モデリング要件への落とし込み
内容
確 認
P O I NT
As-Is
To-Be
データ
収集・加⼯
データ
収集
需要予測を
Excelで計算
MLモデルで
需要予測
レポート⽤
グラフ作成
BIツールに
データ投⼊
ポイント
率UP
ポイント
率UP
チラシ増 チラシ増
課題解決のストーリー整理
推論対象(⽬的変数)の定義
正解データの定義
モデリング完了の基準
施策
判断
施策
判断
機 械 学 習
モ デ リ ング
実施 の 要件
©2021 RIT Inc.
3. 機械学習モデル構築のアプローチ
データの準備①|説明変数の選定
最終評価
精度改善
モデル構築・精度検証
データの準備
⽬的の設定
機械学習モデリングに利⽤可能なデータ例
データの発⽣元 データの発⽣元
⾃社のデータ 省庁・政府系機関などのデータ
データ販売企業(調査会社)のデータ
データ販売企業(⼤規模サービス運営)のデータ
受注データ 気象データ
メールログ
閲覧履歴
電話対応結果ログ
機器稼働センサーログ
⼩売店販売データ
SNS利⽤データ
発注データ 経済統計データ
チャットログ 等
購⼊履歴   等
FAQ参照ログ 等
防犯カメラデータ 等
消費者パネルデータ 等
位置情報データ 等
会計データ  等 ⼈⼝動態データ 等
基幹業務システム
(ERP)
各種統計
コミュニケーション
ツール
Eコマース
システム
コールセンター
管理システム
センサー
店舗POS、
消費者調査
サービス利⽤者の
端末など
データ例 データ例
出所:韮原祐介「いちばんやさしい機械学習プロジェクトの教本」を
基にRITにて作成
推論したいデータ(⽬的変数)に
関連が強いデータを選定
=当該モデルの説明変数を選定
P O I NT!
1. データの充⾜度
2. ⽬的変数との相関度
3. 他説明変数との相関度
4. データの鮮度・粒度
※期間・地域・店舗 等必要な範囲のデータが揃
っているか
※異なる説明変数同⼠の相関が強い場合、
精度が悪くなりやすい
©2021 RIT Inc.
3. 機械学習モデル構築のアプローチ
データの準備①|説明変数の選定(参考)
最終評価
精度改善
モデル構築・精度検証
データの準備
⽬的の設定
例)⼩売業の店舗別売上予測モデルを構築する際の説明変数の選定
⽬的変数 店舗別売上⾼
説明変数
候補
採⽤する
説明変数
契約坪数, 物販売場坪数
夜間⼈⼝, 昼間⼈⼝
世帯数
周辺競合店舗数
周辺⾃社競合店舗数
最寄駅乗降客数
契約坪数, 物販売場坪数(契約坪数との相関が⼤きいためNG)
夜間⼈⼝, 昼間⼈⼝(契約坪数との相関が⼤きいためNG)
世帯数,周辺競合店舗数,周辺⾃社競合店舗数
(⽬的変数との相関が⼩さいためNG)最寄駅乗降客数(同上)
©2021 RIT Inc.
説明変数同⼠の相関が⼤きい
POINT!
⽬的変数との相関が⼩さい
POINT!
3. 機械学習モデル構築のアプローチ
データの準備②|前処理
最終評価
精度改善
モデル構築・精度検証
データの準備
⽬的の設定
例)代表的な前処理
データの結合
横持ち⇒縦持ち変換
変数の変換
変数の型変更
⽋損値の補完・削除
重複データの削除
複数表に分かれている場合⼀つの表に統合
新規カラムを設けて、縦持ちに変換
数値として扱えない変数は0/1の表現に変換
状況に応じて、計算可能&扱いやすい型に変換
平均値で補完 計算から除外
重複している⾏を計算から除外
OR
2-22
2-23
2-24
10,000
15,000
13,000
⽇付 売上
2-22
2-23
2-24
0
1
0
⽇付 祝⽇
2-22
2-26
2-23
2-27
2-25
2-28
⽉
⽊
100
150
⽕
⾦
120
180
⽔
⼟
110
130
⽇付 曜⽇ 売上
⽉
⽊
100
⽕
⾦
120
180
⽔
⼟
110
130
曜⽇ 売上
⽉
⽊
100
⽕
⾦
120
180
⽔
⼟
110
149
130
曜⽇ 売上
⽉
⽔
100
⽕
⽊
120
180
⽔
⾦
110
150
130
曜⽇ 売上
⽉
⽔
100
⽕
⽊
120
180
⽔
⾦
110
150
130
曜⽇ 売上
⽉
⽊
100
⽕
⾦
120
180
⽔
⼟
110
130
曜⽇ 売上
2-22
2-26
2-23
2-27
2-25
2-28
1 0 0
0 0 0
100
150
0 1 0
0 0 0
120
180
0 0 0
0 0 1
110
130
⽇付 ⽉ ⽕ ⽇ 売上
2-22
2-23
2-24
10,000
15,000
13,000
⽇付 売上
0
1
0
祝⽇
新宿店 1⽉ 10,000
新宿店 2⽉ 14,000
新宿店 3⽉ 12,000
渋⾕店 1⽉ 15,000
渋⾕店 2⽉ 16,000
店舗名 売上⽉ 売上
新宿店
渋⾕店
⽬⿊店
店舗名 売上
10,000 14,000 12,000
15,000 16,000 11,000
21,000 21,500 19,000
1⽉ 2⽉ 3⽉
⽂字列
⽂字列
整数
⽇付
浮動⼩数点数
整数
©2021 RIT Inc.
3. 機械学習モデル構築のアプローチ
モデル構築・精度検証①
最終評価
モデル構築・精度検証
精度改善
データの準備
⽬的の設定
推論したいテーマに応じて、アルゴリズムを選択し、モデルを構築します
出所:SAS Institute Japan「機械学習アルゴリズム選択ガイド」
©2021 RIT Inc.
3. 機械学習モデル構築のアプローチ
モデル構築・精度検証②
最終評価
モデル構築・精度検証
精度改善
データの準備
⽬的の設定
グラフを⽤いた精度検証 評価指標に基づく精度検証
実測値を横軸・予測値を縦軸に
設定し、傾向を把握する
業務で実際に使う軸を横軸に設定し、
実測値-予測値の乖離の傾向を把握する
yyplot|⼩売業の店舗別売上予測の例
・売上が⼤きい店舗では、低めの予測をして   
しまっている(=実測が上振れ)
・売上が⼩さい店舗は、概して⾼めの予測を   
してしまっている(=実測が下振れ)
・概ね実測値の上下動を捉えられている
・下振れのピークで誤差が⼤きい
折れ線グラフ|⼩売業の⽇別売上予測の例
■決定係数
■MAE
■RMSE
・予測値がどれだけ実測値に近いか(フィットしている
か)、0~1で総合的に評価する指標
・仮に誤差が0の場合、決定係数は1となる
・平均絶対誤差
・データサンプル⼀つひとつの誤差の絶対値に対して、
サンプル全体で平均した値
・著しく精度が悪いサンプルがあっても、
その値に影響されづらい
・平均平⽅⼆乗誤差
・データサンプル⼀つひとつの誤差を⼆乗した値に対して、
サンプル全体で平均し、平⽅根を取った値
・著しく精度が悪いサンプルがあると、
その値に影響されやすい
©2021 RIT Inc.
3. 機械学習モデル構築のアプローチ
精度改善
最終評価
精度改善
モデル構築・精度検証
データの準備
⽬的の設定
代表的な精度改善の⼿段 モデル分割のイメージ
⼈⼝動態の予測値を追加
⽴地に関わる店舗分類情報を、売上⾼の
⼤⼩の指標値に変換
施設内店舗×売場⾯積100平⽶以上
施設内店舗×売場⾯積100平⽶未満
駅構内店舗
学習データを過去1年分から、過去3年分
に増強
増税前の駆け込み需要のデータを学習
データから除外
クラスタリングにより、店舗を3種類に分類
し、クラスタ毎個別に予測モデルを構築
説明変数の追加
説明変数の合成・
分離・変換
データ量(レコード
数)増強
異常値の除外
モデルを分割
具体例|⼩売業の店舗別売上予測のケース
⼿段
クラスタ毎に
予測モデルを構築
クラスタリングにより店舗を分類
クラスタA
クラスタB
クラスタC
©2021 RIT Inc.
3. 機械学習モデル構築のアプローチ
最終評価
最終評価
精度改善
モデル構築・精度検証
データの準備
⽬的の設定
構築したモデルの最終評価は、単に推論精度の⽐較だけでなく、
さらに以下2つの観点で評価が必要
そのため、プロジェクト初期段階で業務課題や完了基準(モデルの評価基準を含む)
を適切に設定することが⾮常に重要
データ収集の可否、取得コスト、データ鮮度の
担保等、ビジネス的に業務適⽤可能か
最重要P O I N T !
技術的に実現可能か
©2021 RIT Inc.
3. 機械学習モデル構築のアプローチ
4. ツール紹介
ool
©2021RIT Inc.
4. ツール紹介
機械学習モデリングPJで使⽤する推奨ツール
Power BI
Slack
jupyter notebook
JIRA
Google Drive
Zoom
可視化・探索
コミュニケーション推進
モデリング
課題管理・進捗管理
ファイル共有
Web会議
その他、貴社所有のストレージにて代⽤可
©2021 RIT Inc.
4. ツール紹介
本番化に向けたシステムアーキテクチャ(例)
jupyter notebook
©2021 RIT Inc.
セブンセントラルシステム構成図
出所:Google Cloud Japan Team「顧客事例」
5. 事例紹介
reviou
©2021RIT Inc.
5. 事例紹介
某ドラッグストアチェーン企業における売上予測モデル構築
©2021 RIT Inc.
予測⼿法
予測対象
予測データ
実施期間
学習データ
説明変数
重回帰分析
既存全店舗グロスの⽇次売上⾼
2020年8~10⽉売上⾼
データ受領後、2週間
8⽉:1.7% 9⽉:5.2% 10⽉:8.3%
2019年4⽉~2020年7⽉売上⾼
年、⽉、⽇、曜⽇、祝⽇か否か、ポイント倍率
(予測モデルで考慮したパラメータ)
予測の前提 予測結果
⽉次累計値の平均誤差率:5.1%
6. 料⾦
©2021RIT Inc.
rice
6. 料⾦
料⾦のご案内
©2021 RIT Inc.
機械学習モデリングサービスの料⾦案内
本サービスでは構想・PoCフェーズをご⽀援致します。
尚、予測モデルβ版(精度未改善の状態)の構築は無償で対応させて頂きますので、お気軽にご相談ください。
システム実装 運⽤
PoC
構想
・テーマ・解決する課題の選定
・⽬的・ゴールの具体化
・機械学習モデルのモックアッ
 プ構築
・実務での可⽤性検証
・機械学習モデルのシステム    
化・データ基盤・データ連携   
の要件定義
・上記の実装
・機械学習モデルを搭載したシ   
ステムの運⽤
・モデルの改善
本サービスのスコープ外ですが、
弊社で対応可能です
予測モデル
β版構築
PoC完了
までのご⽀援
・無償対応可(最短2週間程度)
・すぐに収集可能なデータをインプットにクイックに
 モデル構築します(精度改善は対象外)
・⾦額は応相談(要件やデータ整備状況に依存、
 ⽬安は2~3ヶ⽉で数百万円程度)
・β版の精度改善を含めPoCフェーズ完了まで⽀援
7. メンバー紹介
ember
©2021RIT Inc.
参画メンバー紹介
安武 遼太
Skill Professional experience
慶應義塾⼤学卒業後、国内⼤⼿コンサルティングファームのシグマクシス
にてマーケティング戦略、販売チャネル改⾰、
基幹システム開発等幅広いプロジェクトに携わる。その後、2013年8⽉に
株式会社RITを設⽴し、代表取締役に就任。
⼤企業経営のコンサルティングノウハウと、ベンチャー企業の経営経験の
両⾯を併せ持ち、ゼロベースでの新規事業開発に
強みを持つ。
■新規事業⽴案
 - リーンスタートアップ
- アジャイル開発
■サービスグロース戦略
■サービス運⽤設計
■経営・事業戦略
■マーケティング戦略
■BPR全般
■チェンジマネジメント
■WEBディレクション
コンサル実績(戦略・新規事業・マーケ)
【新規事業】
■ASEANグローバルサプライチェーンに関する実証実験
■総合商社における新技術(AI・IoT)調査・検証⽀援
■HR Tech事業の⽴ち上げ
■LaaS事業(物流×Tech)の⽴ち上げ
■MaaS事業(移動×Tech)の⽴ち上げ
【マーケティング】
■製薬メーカーにおける販売チャネル改⾰
■ソフトウェア会社における新製品のマーケティング戦略⽴案と実⾏
■⼤⼿通販会社の保険マーケティングの戦略策定および実⾏推進
コンサル実績(業務・IT)
【BPR】
■損害保険会社における内部統制強化
■証券会社における業務フロー可視化
■⼤⼿通販会社の保険事業に関する改正保険業法対応に向けた態勢整備
【基幹システム】
■総合商社における基幹システム(SAP)構築
■⼤⼿総合電機メーカーにおける基幹システム(SAP)のグローバル展開
7. メンバー紹介
CEO
Ryota Yasutake
©2021RIT Inc.
参画メンバー紹介
須原 紳
Skill
Qualification
Professional experience
東京理科⼤学理学部を卒業後、株式会社レイヤーズ・コンサルティング
にて、⼤⼿精密機器メーカーのBIシステム導⼊⽀援PJに従事し、基本構
想〜開発・テストまでの全⼯程にわたって⽀援。2017年より株式会社RIT
に参画。参画後、商社・通信・製造・印刷・航空
など複数の業界におけるPJに従事し、M&Aに係る事業戦略策定の⽀援
やデジタル新技術導⼊による業務効率化・⾼度化の⽀援等幅広いコン
サルティング業務を経験。
■ 新規事業⽴案
■ サービス運⽤設計
■ 経営管理
■ BPR全般
■ チェンジマネジメント
■ ⽇商簿記2級
■ TOEIC 835
■応⽤情報技術者試験
■ 国内旅⾏業務取扱管理者
■ G検定(⽇本ディープラーニン   
グ協会)
【 コンサルティングサービスに関する主な実績】
<新規事業>
■ MaaS事業(移動×Tech)の⽴ち上げ
■ ⼤⼿印刷会社における決済関連新規事業構築
■ 総合商社における新技術・サービス調査、検証
■ 材料商社におけるBtoB EC事業⽴上げに向けたリサーチ
<M&A>
■ ⼯作機械メーカーにおけるM&Aに向けたビジネスデューデリジェン    ス・事業
戦略策定
<BPR・システム導⼊>
■ 航空会社における顧客データプラットフォーム活⽤施策策定
■ 通信会社の対法⼈事業における業務改⾰
■医療機器メーカーにおける予算策定業務効率化に係るツール開発
<経営管理>
■ 精密機器メーカーにおけるBIシステム(経営コックピット)構築
<⼈事制度構築>
■ 通信キャリアにおける店舗スタッフの⼈事制度・評価制度構築
7. メンバー紹介
コンサルタント
Shin Suhara
©2021RIT Inc.
参画メンバー紹介
⿃本 光
Skill
Qualification
Professional experience
法政⼤学経営学部卒業後、株式会社ベイカレント・コンサルティングを
経て現職。
2019年5⽉より、株式会社RITに参画。エクセルやBIツールを⽤いた分析
経験があり、各種グラフ等作成ができる。
また、クライアントの考えをクイックにまとめ、資料化する経験も豊富。
■英語(ビジネスレベル)
■ TOEIC 840
■MOS EXCEL 2010
■⼈材系企業におけるセンター業務のBPR⽀援
- 改善ドライバーの仮説⽴案
- BIツールを⽤いた⾏動・成果分析(※BIツール:Power BI)
- クライアント向け説明資料作成
■⼈材派遣会社向け提案⽀援
- 提案に向けた要件ヒアリング
- インタビュー内容設計
- インタビュー実施
- 仮説⽴案
- 提案資料作成
■経営企画⽀援
- Excelを使ったデータ集計・保守運⽤
 データ:営業実績の集約・分析(⽇次/⽉次)、売上げ予測と振り返り   
に活⽤
- 役員向け経営情報のデータ収集、レポーティング
 ・ヒアリング対象:40名程度の営業チーム
 ・役員層が営業状況をリアルタイムに把握し、施策設計するために下    
記、定性情報のヒアリング(⽬標設定、訪問ごとの次アクション確    認、締
め切り設定)
- MA、SFAの⼿法を使った営業管理
 ・営業のリードタイム短縮、効率化に貢献
- 経営企画室の業務整理及び、マニュアルの作成
- 会議のファシリテーション、資料作成 
7. メンバー紹介
コンサルタント
Hikaru Torimoto
©2021RIT Inc.
参画メンバー紹介
吉開 星玲
Skill
Qualification
Professional experience
東京⼤学法学部卒業後、シンプレクス株式会社にてFX・ETF取引システ
ムの運⽤・保守、社内ツールの管理や利⽤推進、
銀⾏の海外⽀店向け市場リスク管理システム更改の予備検討における
主に英語関連対応と幅広く携わった後、RITに参画。
関⼼領域は⼈が本来⾃分が時間をかけたいことに時間をかけられるよう
にするための業務改善・効率化。
■リリース
■エンジニアリング
■英語 ネイティヴレベル
■仏語 ⽇常会話レベル
■ TOEIC 990
■証券外務員2種
■ITパスポート
■G検定(⽇本ディープラーニング   
協会)
■FX・ETF取引システムの運⽤・保守
- Javaでの保守開発
- リリースエンジニアリング(リリースに向けた準備、リリース頻度は約   2週間に
1回)下位環境(テスト⽤環境)メンテナンス
- 顧客問合せ対応
- アラート対応・障害対応 等
■社内ツールの管理・利⽤推進、社内改善活動
- 属⼈化していた物事の⼿順を整備・更新、既存⼿順⾒直し
- ナレッジ共有を推進
- ツールを連携し作業効率化
- 管理ツール:GitHub Enterprise、Nexus、Jenkins、KnowledgeSlack 等
- AWSを使⽤
■銀⾏の市場リスク管理システム更改の予備検討
- 資料の英語翻訳
- 要件定義書の⼀部作成 等
7. メンバー紹介
ディレクター
Sarah Yoshikai
©2021RIT Inc.
ABOUT US
企業名
URL
代表者
所在地
事業内容
MAIL
株式会社RIT(RIT Inc.)
https://rit-inc.co.jp/
代表取締役 安武遼太
〒104-0061
東京都中央区銀座6-10-1 13F
ビジネスコンサルティング
ビジネスインキュベーション
webサイト制作・企画・運営管理
プロフェッショナル⼈材紹介
info@rit-inc.co.jp
会社情報
アイデアとテクノロジーで
⼀⼈ひとりの想いを形に
RITはデジタル技術のコンサルティングとインキュベーション
(超⾼速の新規事業開発)を通して、お客様やメンバーの想いを形にしていきま
す。
コンサルティングで培った思考⼒・企画⼒と新規事業開発で培った実⾏⼒・技術⼒
という強みを活かして、新たな価値創造に次々とチャレンジしていきます。
関わる全ての⼈々に最⾼のワクワクを提供する企業を⽬指して
©2021 RIT Inc.
E.O.F.
©2021RIT Inc.

[RIT]MLmodeling service