Download to read offline
![2.
データを読み解く
p 結果を確認する
38
モデルの精度 ・・・ 66.90%
DMは時間差（2日後、5日
後、6日後）でプラスの影
響がある。
（送付した当日は影響は
ない）
※ 時間差の自動選択機能を使ったことで、「DM送付はプラスの影響」という仮説が立った
※ かつ、その方がモデルの精度も
[60.32%
→
66.90%]
へと向上している](https://image.slidesharecdn.com/restaurantslideshare-130723022424-phpapp02/85/slide-38-320.jpg)
![[db analytics showcase Sapporo 2017] C14: Fusionの分析現場 ｰ予測モデル案件の実運用とDMへの応用ｰ by...](https://cdn.slidesharecdn.com/ss_thumbnails/20170701dataanalysysshowcasesapporo2017fusion-170707075203-thumbnail.jpg?width=640&height=640&fit=bounds)
レストランの売上
- 1.
- 2. はじめに 2 ユーザー シチュエーション データの内容 ※ 上記内容は類似業種へのヒアリング情報に基づいたXICAによる創作です ※現実に同様の結果を保証する物ではありません
- 3. はじめに 3 ユーザー シチュエーション データの内容 ※ 上記内容は類似業種へのヒアリング情報に基づいたXICAによる創作です ※現実に同様の結果を保証する物ではありません • レストランのオーナー
- 4. はじめに 4 ユーザー • レストランのオーナー シチュエーション • プロモーション施策（特にDMの送付）が、 本当に効果があるのかを確認したい。 • 気温、曜日、天候などの操作不能な外部要因 の影響は除きたい。 データの内容 ※ 上記内容は類似業種へのヒアリング情報に基づいたXICAによる創作です ※ 現実に同様の結果を保証する物ではありません
- 5. はじめに 5 ユーザー シチュエーション • プロモーション施策（特にDMの送付）が、 本当に効果があるのかを確認したい。 • 気温、曜日、天候などの操作不能な外部要因 の影響は除きたい。 データの内容 【成果】 -‐ レストランの売上 【要素】 -‐ サイトG:総PV数 -‐ サイトH:総PV数 -‐ サイトT：総PV数 -‐ 最高気温 -‐ 雨天 -‐ DM送信 -‐ 土日祝前日 ※ 上記内容は類似業種へのヒアリング情報に基づいたXICAによる創作です ※ 現実に同様の結果を保証する物ではありません • レストランのオーナー
- 6.
- 7.
- 8. 分析の流れ 8 1.データを 用意する 2.データを 読み解く p データを登録する p データの概略を 把握する p 分析機能を使っ てモデルの精度 を上げる p 違ったアプローチ の分析を試す
- 9. 分析の流れ 9 1.データを 用意する 2.データを 読み解く 3.結果を 比べる p データを登録する p データの概略を 把握する p 分析機能を使っ てモデルの精度 を上げる p 違ったアプローチ の分析を試す p 保存したモデル を比べる
- 10. 分析の流れ 10 1.データを 用意する 2.データを 読み解く 3.結果を 比べる p データを登録する p データの概略を 把握する p 分析機能を使っ てモデルの精度 を上げる p 違ったアプローチ の分析を試す p 保存したモデル を比べる
- 11.
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19. 1. データを用意する p 分析モデルの概要を把握する 19 モデルの精度 ・・・60.32% 分析モデルによる「予測値」 がどの程度「実測値」を表わ しているかを示す。 （0% ~ 100%)
- 20. 1. データを用意する p 分析モデルの概要を把握する 20 モデルの精度 ・・・60.32% 分析モデルによる「予測値」 がどの程度「実測値」を表わ しているかを示す。 （0% ~ 100%)
- 21. 1. データを用意する p 分析モデルの概要を把握する 21 モデルの精度 ・・・60.32% 結果に影響する要素 ・・・ 3つ 分析モデルによる「予測値」 がどの程度「実測値」を表わ しているかを示す。 （0% ~ 100%)
- 22. 1. データを用意する p 分析モデルの概要を把握する 22 モデルの精度 ・・・60.32% 結果に影響する要素 ・・・ 3つ 95%以上の確率で相関して いる要素は「影響がある」と 判断をする。 分析モデルによる「予測値」 がどの程度「実測値」を表わ しているかを示す。 （0% ~ 100%)
- 23. 1. データを用意する p 分析モデルの概要を把握する 23 モデルの精度 ・・・60.32% 結果に影響する要素 ・・・ 3つ 95%以上の確率で相関して いる要素は「影響がある」と 判断をする。 分析モデルによる「予測値」 がどの程度「実測値」を表わ しているかを示す。 （0% ~ 100%) ※ 初期の分析モデルでは、影響する要素3つのうち2つは外部要因（天候、曜日）であり、 DMの送付は影響がないという結果になっている
- 24. 分析の流れ 24 1.データを 用意する 2.データを 読み解く 3.結果を 比べる p データを登録する p データの概略を 把握する p 分析機能を使っ てモデルの精度 を上げる p 違ったアプローチ の分析を試す p 保存したモデル を比べる
- 25.
- 26. 2. データを読み解く 初期のモデルでは「DMによる影響はない」・・・。 しかし、本当に「全くない」のか？ 26
- 27. 2. データを読み解く 初期のモデルでは「DMによる影響はない」・・・。 しかし、本当に「全くない」のか？ そもそも 「DM送付と売上げ上がる日が同じ」 であるワケがないのでは？ 27
- 28.
- 29.
- 30.
- 31.
- 32. 2. データを読み解く p DMによる影響が「時間差」で表れていないかを確認する 32 ※ ここでは「時間差」の最適な組み合わせを選ぶ「自動選択機能」を使う ここにチェックを入れる チェックを入れた後に 「自動」をクリックする
- 33.
- 34.
- 35.
- 36.
- 37. 2. データを読み解く p 結果を確認する 37 モデルの精度 ・・・66.90% DMは時間差（2日後、5日 後、6日後）でプラスの影 響がある。 （送付した当日は影響は ない）
- 38. 2. データを読み解く p 結果を確認する 38 モデルの精度 ・・・66.90% DMは時間差（2日後、5日 後、6日後）でプラスの影 響がある。 （送付した当日は影響は ない） ※ 時間差の自動選択機能を使ったことで、「DM送付はプラスの影響」という仮説が立った ※ かつ、その方がモデルの精度も [60.32% → 66.90%] へと向上している
- 39.
- 40.
- 41.
- 42.
- 43.
- 44. 2. データを読み解く DM送付は 時間差で影響があるらしい では他の要素でも 時間差の影響があるのか？ 44
- 45. 2. データを読み解く DM送付は 時間差で影響があるらしい では他の要素でも 時間差の影響があるのか？ （ただし一つ一つ試すのは面倒くさい・・） 45
- 46.
- 47.
- 48.
- 49.
- 50. 2. データを読み解く p 時間差による影響を「複数の要素」で一度に検証する 50 ※ 今回は時間差の影響を考える必要のない気温、雨天、曜日、の3つについてはチェックを 入れない 時間差による影響を見た い全ての要素にチェックを 入れる チェックを入れた後に 「自動」をクリックする
- 51.
- 52.
- 53. 2. データを読み解く p 結果を確認する 53 ü サイトGは1日後にプラス、 6日後にマイナス ü サイトHは当日にプラス ü サイトTは時間差を考慮 しても関係がない
- 54. 2. データを読み解く p 結果を確認する 54 モデルの精度 ・・・69.78% ü サイトGは1日後にプラス、 6日後にマイナス ü サイトHは当日にプラス ü サイトTは時間差を考慮 しても関係がない
- 55. 2. データを読み解く p 結果を確認する 55 モデルの精度 ・・・69.78% ü サイトGは1日後にプラス、 6日後にマイナス ü サイトHは当日にプラス ü サイトTは時間差を考慮 しても関係がない ※ 時間差を考慮するとサイトごとに影響している時間軸が違う、という仮説が立つ ※ モデルの精度は先ほどよりさらに向上している（66.90% → 69.78%）
- 56.
- 57.
- 58.
- 59. 2. データを読み解く それぞれの要素ごとの関係が 大体見えてきた。 ただし、いま持っている データでは表わせない要素によって 売上が影響されていることはないのか？ 59
- 60.
- 61.
- 62.
- 63. 2. データを読み解く p 現在のモデルの中で特殊な要素が影響していそうな箇所を 見つけ出す 63 ※ ここでは特殊な要素の検出をする機能を使う ※ ズレが大きいところがオレンジ色になって表れる スライドバーを操作して 特殊な要素を検出する
- 64.
- 65.
- 66.
- 67.
- 68.
- 69.
- 70.
- 71.
- 72.
- 73.
- 74. 2. データを読み解く p 結果を確認する 74 モデルの精度 ・・・75.56% ü 追加した2箇所の「特殊 な要素」は確かに売上に 影響を与えていることが 分かる
- 75. 2. データを読み解く p 結果を確認する 75 モデルの精度 ・・・75.56% ü 追加した2箇所の「特殊 な要素」は確かに売上に 影響を与えていることが 分かる ※ 2012/06/15-‐16の2日間は「何らかの影響で売上が14.6万円下がった」、 かつ2012/06/29は「何らかの影響で売上が16.7万円上がった」ということが読み取れる
- 76.
- 77.
- 78. 分析の流れ 78 2.データを 読み解く 3.結果を 比べる p データを登録する p データの概略を 把握する p 分析機能を使っ てモデルの精度 を上げる p 違ったアプローチ の分析を試す p 保存したモデル を比べる 1.データを 用意する
- 79.
- 80. 3. 結果を比べる 試行錯誤したことで 色々なモデル（＝仮説）が出来た これを踏まえると、 「どの要素が」、「どの程度」、 売上に影響しているのか？ 80
- 81.
- 82.
- 83.
- 84. 3. 結果を比べる p 保存したモデルを一覧で比較する 84 それぞれのモデルを 一覧で比較する ※ 分析モデルの一覧比較は、それぞれ以下の内容を表わしている 10.00 -10.00 - 10.00 ・・・ 成果にプラスの影響がある ・・・ 成果にマイナスの影響がある ・・・ 統計的に影響はない ・・・ モデルに使われていない
- 85.
- 86. 分析結果から得られる示唆 86 どの分析モデルも共通して 土日祝前日はプラス（18.158〜20.267)、 雨天はマイナス（-‐7.996〜-‐6.855) の影響がある。 これは今後の施策の前提条件として 認識しておく必要がある。 i) 外部の要因からの影響
- 87.
- 88. 分析結果から得られる示唆 88 DM送信は時間差でプラスの影響がある。 2日後（6.195〜7.620)、6日後(7.719〜8.451)という 効果が出ている。 また、3つのグルメサイトのうち サイトHのみプラスの影響（0.172〜0.204)だった ii) プロモーション施策による影響
- 89.
- 90. 分析結果から得られる示唆 90 この3ヶ月間では、 2012/06/15-‐16 (-‐14.6万円)と、 2012/06/29 (+16.7万円)という 2回の特殊な売上増減のタイミングがあった 可能性が高い。 iii) 特殊な影響