どのくらいの事業規模になるか正確に予測できていないので、お手本になる資料かと言われると難しいです。しかし、どういう取り組みをすれば上手くいくかは提案できていると思いますので、ある程度参考になるかと思います。他の方も、スライド資料をアップロードしていれば、その資料も参考にした方がいいかと思います。

1. GCI最終課題
～データ分析・機械学習に基づいた新規事業の提案～
2021/02/04
柵木 光

2. 全体の流れ 2
１．売上予測のモデル構築
２．データ分析
３．データ分析による新規事業の提案
４．AI（機械学習）を用いた事業規模の予測
５．まとめ
①顧客分析
②時系列分析
①データ通信
②三者間通話

3. １．売上予測のモデル構築 3
売上予測のモデル構築
y ＝ F（x1,…,xN） （y:月間売上(rev_Mean), F:関数, x1～xN:変数）
注）対策打てる変数と打てない変数の振り分け
変数x x1～x31（対策打てる変数）
例) web機能, デュアルバンド, 三者間通話, データ通信など
x32～x100（対策打てない変数）
例) 年収, 超過収入, 車の台数など
モデルの指標である決定係数R2は0.82 ⇒0.8以上であれば、信頼性あり！
機械学習（今回はランダムフォレスト回
帰モデル）でF関数を構築し、売上予測
をし、実データ（rev_Mean）と比較
実データ（rev_Mean）
予測データ（rev_Mean）
（ただし、変数は100ではなく31個用いた）

4. ２．データ分析①（顧客分析） 4
Group1：0～65$
Group2：65～135$
Group3：135～672$
まず、顧客は何に支払いをしているかを分析する
顧客を’rev_Mean’のヒストグラムからグループ化（※欠損値がない顧客のみ）
・ライトユーザーには、下位属性を改善することにより、売上upできるのでは?
・ヘビーユーザーには、上位属性を改善ことにより、売上upできるのでは?
ヘビーユーザー
ライトユーザー
ヒストグラム 単価

5. ２．データ分析①（ライトユーザーの改善点） 5
Group1の下位15項目
カラム名 特徴量重要度
hnd_price 0.009471884
cc_mou_Mean 0.009271117
ccrndmou_Mean 0.009119629
custcare_Mean 0.008275112
phones 0.006167802
models 0.005066866
threeway_Mean 0.004447372
mou_cdat_Mean 0.004424365
datovr_Mean 0.004388395
new_cell 0.004288915
mou_pead_Mean 0.003425406
mou_opkd_Mean 0.002947369
comp_dat_Mean 0.002818103
dualband 0.002591287
opk_dat_Mean 0.002240782
peak_dat_Mean 0.002190732
hnd_webcap 0.001495449
１．データ通信
２．Web機能
３．デュアルバンド
４．携帯電話
５．カスタマーケア

6. ２．データ分析①（ヘビーユーザーの改善点） 6
カラム名 ratio21
cc_mou_Mean 1.485816057
threeway_Mean 1.441606175
peak_dat_Mean 1.437663367
mou_opkd_Mean 1.424511307
mou_pead_Mean 1.417401934
hnd_price 1.368701527
datovr_Mean 1.3564384
comp_dat_Mean 1.352623785
dualband 1.346759761
new_cell 1.341103865
hnd_webcap 1.326617625
phones 1.318678105
iwylis_vce_Mean 1.308794312
opk_dat_Mean 1.297793021
custcare_Mean 1.290105265
Group2の上位15項目
カラム名 ratio31
datovr_Mean 1.781923
vceovr_Mean 1.676988
ovrmou_Mean 1.490336
peak_dat_Mean 1.298118
comp_dat_Mean 1.27584
threeway_Mean 1.266512
roam_Mean 1.24276
da_Mean 1.154082
mou_pead_Mean 1.032778
mou_cdat_Mean 1.032194
mou_opkd_Mean 1.014158
phones 1.013034
opk_dat_Mean 0.99891
cc_mou_Mean 0.952862
hnd_price 0.932591
Group3の上位15項目
１．データ通信
２．三者間通話
３．携帯電話
４．デュアルバンド
５．カスタマーケア

7. ２．データ分析②（時系列分析） 7
売上モデルy = F(x)の入力変数x重要度の上位に、過去3ヶ月,6ヶ月の平均
月間使用時間（avg3mou, avg6mou）が挙げられ、時系列分析ができる
avg6mou
avg3mou
⇒伸びている
6ヶ月平均より3ヶ月平均が伸びている要因を調査

8. ２．データ分析②（時系列分析） 8
１．データ通信
２．三者間通話
３．ローミング電話
４．音声電話
５．カスタマーケア
カラム名 伸び率
change_mou 28.0
ovrmou_Mean 3.2
vceovr_Mean 3.2
mou_opkd_Mean 2.4
mou_cdat_Mean 2.2
datovr_Mean 2.1
opk_dat_Mean 2.1
mou_pead_Mean 2.0
comp_dat_Mean 2.0
mou_opkv_Mean 2.0
peak_dat_Mean 1.9
threeway_Mean 1.9
mouiwylisv_Mean 1.9
roam_Mean 1.8
mou_cvce_Mean 1.8
伸び率の上位15項目

9. ３．新規事業の提案 9
①データ通信
②三者間通話
データ通信と三者間通話を改善すると、売上upの可能性がある
以上の「顧客分析」と「時系列分析」から、今後伸びそうな属性として以下2つ
を選ぶ

10. ４．事業規模の予測方法 10
データ通信の場合を例に説明。データ通信の利用者と非利用者に分け、
利用者をN倍増員と使用回数をM倍増大したとき、売上がどうなるか？
売上予測モデルy ＝ F（P0+P1）+F(YNP1)で、予測を実行
利用者（P1人）
現在
1年後
非利用者（P0人）
NP1人
Y年後 YNP1人
※）利用者の増員は、サンプリング手法を用いて増員
①利用者の増加
②利用者の使用回数（comp_dat_Meanなど）の増加
現在 1年後 Y年後
M倍
YM倍
平均5.17 平均5.17*M 平均5.17*YM

11. ４．データ通信の売上規模予測結果 11
・10年後には、1.7～3倍規模が大きくなるであろう
・データ通信の使用回数よりも利用者増員の方が、収益が大幅に上がる
増員（N）による売上への影響度
使用回数増加(M)の影響度
13%
0.036%

12. ４．データ通信増加の考察 12
・実際に、技術進歩で、有線では100gbから光通信1gbと高速になった。
また、有線から無線になりどこでも使えるようになった[1]。
データ通信増加の妥当性
・今後、画像や映像などを扱う人が増加することが考えられる。
・コンテンツも、映画館で見るのではなく、netflix、youtubeで自宅で見るよう
になった[2]。
・買い物もamazonなどのnet shoppingが増えた[2]。
(参考文献)
[1]「情報通信技術年表」https://www.gijyutu.com/ohki/research/info-chrono.htm
[2]「インターネットの歴史」https://www.daj.jp/history/internet/

13. ４．三者間通話の事業規模予測結果 13
・10年後には、2～5倍規模が大きくなるであろう
・三者間通話の使用回数よりも利用者増員の方が、収益が大幅に上がる

14. ４．三者間通話増加の考察 14
・実際に、ビデオ会議、zoom、Line電話に進化してきている。
コロナ禍ではその意義が認められてきている。
三者間通話増加の妥当性
・今後、インターネットの普及により、どこでも繋がるようになり、遠方の人との
ビデオ会議が増える可能性が高い。
・また、多地点での会議も行なうことができ、調整が用意になる。

15. ５．まとめ 15
・カスタマデータの顧客分析と時系列データの伸びる要因分析をした結果、
新規事業として①データ通信, ②三者間通話を提案。
・規模としては、10年後には2～5倍大きくなる。また、データ通信や三者間通話
の使用回数よりも利用者を増やすことにより、規模が大きくなる。
・カスタマデータは大量（ビックデータ）にあり、人間の力では判断しきれない
問題がありますが、データ分析やAI技術を用いることにより、物事の優先順位
およびシミュレーションも行なえ、適切な判断を下すことができます。