ドワンゴでのTableau導入事例の発表資料です。

1. Tableau導入事例
株式会社ドワンゴ 数値基盤セクション
古幡征史
2015/10/26

2. 免責事項
本資料はTableau社主催の導入事例セミナー向け資料です。
■イベント：株式会社ドワンゴによるTableau導入事例セミナー
■開催日時：2015/10/26(月) 18:00 〜 20:30
■開催場所：イベント＆コミュニティスペース dots.
http://eventdots.jp/event/571973
発表内容は発表者個人のであり、発表者が正確性に細心の注意を払っておりますが、株
式会社ドワンゴは発表内容から生じる一切の責任を負いかねます。また、株式会社ドワ
ンゴの公式見解を表すものではありません。

3. 自己紹介
• 数値基盤セクション
– Hadoopに関連する基盤開発管理
– 分析に関連する基盤開発管理
– 全社的な分析や新しい分析方法
• 発表者：古幡征史 (Dr. Masabumi Furuhata)
– 主な経歴： Univ. of Southern California, JAIST, Universite de Tououse 1 - Capitole, Univ. of
Western Sydney, 筑波大学, KPMGコンサルティング
– 分野： メカニズム・デザイン研究（米国運輸省、米国海軍研究所、東京証券取引所など）
サプライチェーンマネージメント（化学業界大手、通信業界大手、精密機器大手など)
SAP SCM, SAP BW, SAP R/3

4. 1.要約
• 導入したもの〜小規模
– Tableau Desktop
– Tableau Server
• 導入メリット〜KPI関連データ
– エクセルより深掘りしやすい
• データ量２桁増狙える
– データ分析プロセスの標準化
– データ分析の自動更新
今まで２週間はかかる
案件が２日で終わった
分析業務時間の大半が
データと図表の作成
だったのが
それを自動にできた

5. 2. niconicoについて

6. 2.1 ニコニコ動画

7. 2.2 niconicoとは
は、
日本最大級の動画サービス。
WEBサイト上で再生される動画にコメントを付けられる
「ニコニコ動画」や、生放送番組にリアルタイムでコメ
ントを付けられる「ニコニコ生放送」などの各種サービ
スからなり、コメントによる双方向コミュニケーション
がもたらす一体感の中でコンテンツを視聴するという、
niconicoでしか実現できない
インタラクティブ放送を楽しめます。

8. 2.3 数字で見るniconico
■ニコニコ全体
■ニコニコ生放送
平均PV数/日
約1億1,021万PV
UU数/月
約871万UU
平均滞在時間/日
106.4分
平均コメント数/日
100万コメント
※ 2015年06月30日時点 ※2013年11月30日時点※ 2015年06月30日時点※ 2015年06月30日時点
平均PV数/日
約2,686万PV
平均滞在時間/日
93.9分
公式番組数/月
約2,745番組
※ 2015年06月30日時点
UU数/月
約315万UU
※ 2015年06月30日時点 ※2013年4-6月平均値 ※ 2015年06月30日時点

9. 2.4 データ分析の観点からのniconico
• 国内最大級の動画サービスのプラット
フォーム事業
– 多様なユーザ層
– 大量のログデータ
– コンテンツの種類
– クリエータ、コメント、コミュニティ
• 新サービス ｘ 機能の投入
• 多くのプログラマー
• Open Source中心

10. 2.5 データ分析プロセス
I
タイプ データ量 深掘り
データ
ソース 加工 集計分析 可視化 共有
大 なし
II
III
IV
V
VI
小・中 あり
大 規定
大⇒小 あり
NA なし
NA あり
Hadoop Apache Pig MS Excel
Atlassian
Confluence 各種DB SQL管理ツール
R + Shiny
KPI, 管理指標関連

11. 2.6 分析者のとある１日
案件企画の合間に、頼まれていた数値出しをしよう。
Apache Pigでプログラミング ＆ 実行
Hadoopからデータ取り出し
ちょっと違うかも
Apache Pigでプログラミング ＆ 実行
Hadoopからデータ取り出し
エクセルで読み込み ⇒ 置き換え、
フィルタ、vlookup、ピボット ⇒
グラフ作成
提出 ⇒ 思ったより数値が違ってた。
別の条件でデータが欲しいらしい…

12. 3. Tableau導入

13. 3.1 導入背景
• 案件ごとに
– 数値出力できるプログラマの存在（均質ではない）
– 可視化＆データ深掘り可能にすると工数増大
– ばらばらに出力された数値を統合する複雑さ
• 共有データソースの整備⇒可視化ツール探し
サービス x ユーザ コンテンツx機能 x

14. 3.2 導入ステップ
導入期 立ち上げ期 成長期I
• Tableau
操作理解
・ベストプラクティス
コンテスト
・週次勉強会
・共有ワークブック
・データ分析
プロセス変更
・自動更新
成長期II
・操作動画の作成
・自動共有(Reader用)
・共有データソース拡充
2015.5- 2015.7- 2015.9-

15. 3.3 導入期 – 直後
• Desktop/Serverを最小数で導入
• 利用者の声
– グラフィカルでいいね
– わかりやすそう

16. 3.3 導入期 – 直後

17. 3.3 導入期 – 直後

18. 3.3 導入期 – 直後
I
タイプ データ量 深掘り
データ
ソース 加工 集計分析 可視化 共有
大 なし
I 大 なし
操作＆機能面
で理解不足
移行メリット
に不信

19. 3.4 立ち上げ期
• ベストプラクティス・コンテスト
• 共有ワークブック
• 週次勉強会

20. 3.4 立ち上げ期 - 週次勉強会
• 毎週１時間： 機能として利用例を共有
（できるだけプロセス的に）
• 講師役を途中から新しい担当者投入
レベル
小学生
中学生
高校生
データロード、基本操作、
ディメンション・メジャ理解 2,3週
計算フィールド、パラメタ・コントロール、
フィルタ
3,4週
3,4週
LOD(Level of Detail)計算、時系列予測、
共有用ダッシュボード作成、自動更新
主な内容 期間

21. 3.5 成長期I
• データ分析プロセス変更
– データの深掘り
– 組織内で分析の標準化担当者
– 異なる組織で分析プロセス標準化
• 自動更新

22. 3.5 成長期I - データ分析プロセス変更
I
タイプ データ量 深掘り
データ
ソース 加工 集計分析 可視化 共有
大 なし
II 小・中 あり
VII 大 あり
・今まで深掘りできなかったデータ量を可能にする
・データの自動更新
・Pigの簡易化

23. 3.5 成長期I - データ分析プロセス変更
データ分析の
エキスパート
分析者 分析者 分析者
組織の
管理者
reader
reader reader reader
desktop/server
分析者 分析者 分析者
組織の
管理者
・エキスパートがデータ分析の標準化＆分析の集約

24. 3.5 成長期I - データ分析プロセス変更
・組織間で以下を共有
・Pigプログラム
・データソース
・ワークブック

25. 3.6 成長期II
• 操作動画の作成
• 自動共有(Reader用)
• 共有データソース拡充

26. 4. 要望事項
• ETL統合
• 予測（集約＆分解）
• Readerを利用した効率的な分析結果共有