機械学習の課題設定講座

Confidential. Copyright © DataRobot, Inc. - All Rights Reserved
機械学習を成功させる
ための課題設定講座

ビジネスに価値ある機械学習プロジェクト
業務課題からビジネスの意思決
定までセットのプロジェクトを考え
ることが重要!
業務課題の発見と意思決定・アク
ションは人だけができる重要な仕
事です!
ただし、機械学習の限界も知りな
がら業務課題を考えないと実現し
ないダメプロジェクトになってしま
います。
業務課題
機械学習
プロジェクト化
モデル生成と解釈
意思決定と
アクション
ビジネスインパクト

機械学習の応用テーマは今後もどんどん増えていく
3
● 小売：
○ 売上予測・在庫管理
○ 出店予測
○ 商品レコメンデーション
● 製造・ユーティリティー：
○ 不良品予測・判別
○ 故障予知・検知
● 保険：
○ 引受審査
○ 損害額の予測
● 金融：
○ ローンデフォルト予測
○ 不正取引の検出
● ヘルスケア：
○ 発病予測
○ 新物質の毒性推定
● スポーツ：
○ 選手のパフォーマンス予測
● マーケティング/離脱：
○ キャンペーンの効果予測
○ 離脱予測
○ 広告のクリック予測
● 営業：
○ 営業先ターゲティング
○ 見積額推定
○ 失注予測
● 採用・人事：
○ 応募者の選考
○ 従業員の退職予測
● オペレーション：
○ コールセンターアップセル
○ 現場での事故発生予測
○ ユーザーコメントのモデレーション
業界職種

良いテーマを見つけるには吟味が必要
業務を深く理解し
課題をヒラメキ
課題の
優先順位づけ
機械学習プロジェクト
の詳細化
リスクを理解し
実施を判断
良いテーマが生まれるまで見直しを繰り返す

本日はこのフレームワークに沿ってワークショップを実施
業務を深く理解し
課題をヒラメキ
課題の
優先順位づけ
機械学習プロジェクト
の詳細化
リスクを理解し
実施を判断
良いテーマが生まれるまで見直しを繰り返す
解説1
演習1, 2, 3
解説2
演習4

課題を見つける力
課題を見つけるには「ヒラメキ力」が重要 (大阪ガス河本さんの本より)
次の二つのテーマでどちらの方がヒラメキ力が働くか手をあげてください
1. あなたはドーナツを販売する店の店長です。ドーナツの売上を上げるために考えら
れる施策をできるだけあげてください。顧客データや接客データ、クレームデータな
どが存在し、マーケティングツールも導入されています。
2. あなたは南極地域観測隊に所属しています。研究を効率化するためにどんな施策
が打てるでしょうか。

なぜヒラメキ力が湧かないのか？
ヒラメキ力はセンスだけでなりたつ？NO！
ビジネスを知り、どんなデータがあるのか知っているとヒラメキやすい
ある程度何をどう改善したいのか具体化しているとヒラメキやすい

自分の理解している領域を明確にする
会社全体の業務を
カテゴライズ
自分の得意な領域
よく知らない領域は、専
門家を巻き込む

機械学習がモデル化できるプロセスは「予測」だけではない
未来
現在
仮の未来
予測
推定
分類
検知
判別
みなさんの業務から該当する認知プロセスを探しましょう
● 売上予測
● 事故発生予測
● 損害額推定
● 新物質の品質推定
● 応募者の選考
● 購入しそうな顧客の分類
● 故障検知
● 不正検知
● 不良品半別
● スパムメールの判別

自分の領域の中で、モデル化出来るプロセスを見つける
会社全体の業務を
カテゴライズ
自分の得意な領域
機械学習プロジェクトに
落とせるプロセス

例：製造業における機械学習応用分野
R&D 製造アフターケア
計画
- 製品需要予測
Increased sales
- 製品在庫管理
Increased savings
営業＆マーケ
- 営業ターゲティング
Increased sales
- リードスコアリング
Happier customers
R&D
- 性能・特性予測
Increased savings
- 材料選定
Better product
プロトタイプ
- 製品性能の予測
Increased savings
- テスト結果の予測
Better product
品質管理
- 不良品検知
Increased savings
- 歩留まりの向上
Increased yield
設備保全
- 異常検知
Optimized stock
- 予知保全
Faster delivery
サービス
- 返品予測
Happier customers
- 製品寿命予測
Happier customers
サポート
- 製品の異常検知
コスト削減
- 製品の故障予測
Increased savings
計画＆CRM

例：保険分野における機械学習の応用事例
顧客獲得・維持引受審査保険料決定請求
キャンペーン効果予測
見積→申し込み予測
（コンバージョン）
クロスセル・アップセル
顧客離反予測
営業先ターゲティング
リスク予測
● 顧客記入情報の
正確さ判定
● 追加審査の必要
判定
● 追加資料の取り寄
せ判定
請求見込み保険料の
予測
顧客生涯価値（LTV）
予測
他社との比較から適正
価格を推定
不正請求判定
損害額査定
支払備金の見積り
特にリスクの高い申し込みを特定
し、引受審査の質を担保
より正確なリスク計算による、競争
力の高いプライシング
損害査定をより正確な計算で見積も
ることで、無駄な調査費や、支払備
金の過不足を回避
顧客の行動を的確に予測すること
で、ターゲティングと効果的なアプ
ローチを選択

演習1：自分の知っている業務において、モデル化可能な
認知プロセスをリストアップしてみましょう
？
？

実現できても、インパクトが小さければ意味がない
1. どれくらいの人が関わっているのか
2. どれくらいの時間が関わっているのか
3. どれくらいの頻度で行われているのか
4. どれくらいのコストがかかっているのか
5. どれくらいの精度で行われているのか
例 )商品の発注担当業務
1. 各商品カテゴリごとに一人の担当がついている(全体で10人)
2. 先月の状況などを2時間程度見ながら考えている
3. 毎月行なっている
4. 発注の見込みがズレると在庫コストがかかる
5. 月によって当たったり外れたりするが、特に夏のシーズンは当たらない

インパクトが大きくても実現できなければ意味がない
実現可能性
● 実存する牛から正解を確認
● 数時間で作成可能
実現可能性
● 正解の全体像が現存しない
● 規模が大きくコストがかかる
実現可能性
● 設計図が現存する
● 数週間で作成可能

実現可能性とインパクトからプロジェクトを優先順位づけ
実行可能性
インパクト

演習2：先ほどリストアップした認知プロセスを
実現可能性とインパクトの軸でマッピングしてみましょう
実行可能性
インパクト
例：生まれてくる
パンダの性別予測
例：新卒の中から次期
社長候補を予測
例：各製品の需要を予測
し、機会損失を減らす

テーマ具体化のフレームワーク
業務をよく理解した上でど
の課題を解決するのか、
具体的に記述
また、その業務課題は今
現在どのように解決され
ていますか？
業務課題設定と現状
既存のプロセスに対して、
売上増、CTR向上、品質
向上、等、どのようなリ
ターンが想定されるか
また、どのようにしてその
リターンは算出されるのか
想定インパクトと測定方法
上記の意思決定に基づ
き、どのようなアクションを
行うのか（システムに組み
込む必要があるのか）
アクション
モデルから出たスコアに
対し、しきい値や、並べ替
えなどを設定するのか
意思決定方法
上記のモデル学習のため
に使われるデータの特徴
量と教師ラベルとなるター
ゲットは？
データとターゲット
予測、推定、分類、検知、
判別などの、モデル化の
対象となるプロセス
モデル化する認知プロセス

たとえば
ドーナツの需要は季節や
曜日、キャンペーンによっ
て毎日変動する。商品に
よって早い時間で売り切
れてしまうものもあれば、
売れ残るものも存在する。
翌日向けの需要予測は現
場の担当者の勘と経験で
決定している。
売上増：過剰在庫を防ぎ
ながら機会損失を防ぎ、
売上増につながる。現在
は月1億円程度の機会損
失が発生していると推定
されている。
追加の発注をしなかった
場合に比べての売上の差
によってインパクトを算出
する
発注単位の関係で、 2倍
以内の場合には、在庫リ
スクが大きくなるため、通
常発注にする。2倍以上
の場合には追加発注を行
う。
アクション
通常よりも2倍以上の需要
が見込まれた時には、材
料を事前に多く発注する
必要がある。
意思決定方法
ドーナツの購買データ、
マーケティングデータ。各
ドーナツごとの一日あたり
の購買数が教師ラベル。
予測：各ドーナツの一日あ
たりの需要予測

演習3：皆さんの有望テーマを詳細化しましょう
業務をよく理解した上でどの課
題を解決するのか、具体的に
記述
また、その業務課題は今現在
どのように解決されているのか
既存のプロセスに対して、売上
増、CTR向上、品質向上、等、
どのようなリターンが想定され
るか
また、どのようにしてそのリター
ンは算出されるのか
上記の意思決定に基づき、ど
のようなアクションを行うのか
（システムに組み込む必要が
あるのか）
アクション
モデルから出たスコアに対し、
しきい値や、並べ替えなどを設
定するのか
意思決定方法
上記のモデル学習のために使
われるデータの特徴量と学習
の教師となるターゲットは？
予測、推定、分類、検知、判別
などの、モデル化の対象となる
プロセス
成功を阻むリスクこのプロジェクトの実現・成功を阻みうるリスクは、関わる
人、データ、アクション、インパクトなどの観点から何がある
か
機械学習プロジェクト課題設定シート
ここは演習４で実施

成功を阻むリスク
失敗パターンは登場人物、データ、アクション、インパクトによって
それぞれ存在する
スポンサー技術担当ビジネス担当
データ
販売データ、顧客データ、生産データ、etc
インパクト

#失敗事例サーチエンジン最適化
ビジネス課題：出向対象となるリスティング広告のどれが最も効率的なのかを予測し、コストを
削減
データサイエンス課題：最もクリックされる可能性の高いワードが何かを予測する
失敗の主な理由：
● 毎月数十億円のコスト削減ができるとの試算が出たが、上層部のスポンサーがプロジェク
トに関わっていなかったため、誰もこのソリューションをPoCより先に進めようとしなかった

登場人物による失敗
会社のオペレーションの根幹を大きく巻き込むプロジェクトの場合
スポンサーポジションの人がいないと、意思決定まで進まない
データ
インパクト

#失敗事例マーケティング効果最適化
ビジネス課題：広告運用コンサルティングにおいて、自社の価値を訴求するために広告の
力によって商品を認知させたという効果を最大化する
データサイエンス課題：どのような広告運用が顧客に商品を認知させることができるか推
定する
● ユーザーの行動データが取れておらず、ユーザーをサンプリングして行なった匿名の
アンケートデータしか存在しなかった。認知という状態になったことを測定する明確な
手法が存在しなかった

データによる失敗
行動データなど影響度の大きそうなデータが存在しなかった
スコアリング対象となる顧客認知が明示的に測定できていなかった
データ
インパクト

#失敗事例チャーン分析
ビジネス課題：毎月数%のユーザーが離脱していたため、離脱ユーザーを検知して引き止
める必要がある
データサイエンス課題：３ヶ月以内に離脱する傾向が高いユーザーを予測する
● 離脱傾向にあるユーザーは高い精度で特定できたが、３ヶ月以内に引き止めるため
に離脱傾向の高いユーザーに対して打てるアクションが存在しなかった。既存のアク
ションはほぼノーコストで全ユーザーに実施できている。

アクションによる失敗
すでに行なっている以外のアクションを取る手立てがなかった
アクションを絞ることもコスト影響がなかった
データ
インパクト

#失敗事例保険新商品開発
ビジネス課題：特定の罹患に対して特化した保険商品が存在していないため、新たらしい
保険商品を開発して収益拡大を図っていく
データサイエンス課題：属性データから羅漢率を予測する
● 従来に比べて高精度に羅漢率を予測できるモデルが作成できたが、新商品領域が
業界のパイとして少なくインパクトがコストを上回らなかった

そもそも業務領域としてインパクトが小さすぎた
どんなに素晴らしいものであってもコストを十分に超える利益が出る
シナリオがないとインプリされることはない
インパクトによる失敗
データ
インパクト

演習4：詳細化したテーマのリスクを考え、内容を見直し
業務をよく理解した上でどの課
題を解決するのか、具体的に
記述
また、その業務課題は今現在
どのように解決されているのか
既存のプロセスに対して、売上
増、CTR向上、品質向上、等、
どのようなリターンが想定され
るか
また、どのようにしてそのリター
ンは算出されるのか
上記の意思決定に基づき、ど
のようなアクションを行うのか
（システムに組み込む必要が
あるのか）
アクション
モデルから出たスコアに対し、
しきい値や、並べ替えなどを設
定するのか
意思決定方法
上記のモデル学習のために使
われるデータの特徴量と学習
の教師となるターゲットは？
予測、推定、分類、検知、判別
などの、モデル化の対象となる
プロセス
成功を阻むリスクこのプロジェクトの実現・成功を阻みうるリスクは、関わる
人、データ、アクション、インパクトなどの観点から何がある
か
機械学習プロジェクト課題設定シート
テーマの
見直し、も
しくは作り
直し

まとめ
成功する課題とは
1. 自分の理解している領域または業務の専門家が協力してくれる領域
2. 機械学習プロジェクトに落とせる課題
3. 実現可能性が高いプロジェクト
4. プロジェクト達成によるインパクトが大きい
5. 成功を阻むリスクが存在しない、または回避する手段がある状態

推薦図書
タイトル会社を変える分析の力
著者河本薫

機械学習の課題設定講座

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to 機械学習の課題設定講座

Similar to 機械学習の課題設定講座 (20)

機械学習の課題設定講座