Submit Search
Upload
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
•
94 likes
•
29,185 views
Tokoroten Nakayama
Follow
cloudera world tokyo 2016で話した内容です
Read less
Read more
Business
Report
Share
Report
Share
1 of 41
Download now
Download to read offline
Recommended
ビジネスパーソンのためのDX入門講座エッセンス版
ビジネスパーソンのためのDX入門講座エッセンス版
Tokoroten Nakayama
ヒューレットパッカード社の社員の離職リスク予測 第一回機械学習ビジネス研究会 #ml_business
ヒューレットパッカード社の社員の離職リスク予測 第一回機械学習ビジネス研究会 #ml_business
Tokoroten Nakayama
マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話
cyberagent
なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論
Tokoroten Nakayama
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
Kenichi Sonoda
よくわかるフリストンの自由エネルギー原理
よくわかるフリストンの自由エネルギー原理
Masatoshi Yoshida
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知
Hideo Terada
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
Recommended
ビジネスパーソンのためのDX入門講座エッセンス版
ビジネスパーソンのためのDX入門講座エッセンス版
Tokoroten Nakayama
ヒューレットパッカード社の社員の離職リスク予測 第一回機械学習ビジネス研究会 #ml_business
ヒューレットパッカード社の社員の離職リスク予測 第一回機械学習ビジネス研究会 #ml_business
Tokoroten Nakayama
マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話
cyberagent
なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論
Tokoroten Nakayama
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
Kenichi Sonoda
よくわかるフリストンの自由エネルギー原理
よくわかるフリストンの自由エネルギー原理
Masatoshi Yoshida
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知
Hideo Terada
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)
Tokoroten Nakayama
協調フィルタリング入門
協調フィルタリング入門
hoxo_m
先端技術とメディア表現1 #FTMA15
先端技術とメディア表現1 #FTMA15
Yoichi Ochiai
Data-centricなML開発
Data-centricなML開発
Takeshi Suzuki
因果推論の基礎
因果推論の基礎
Hatsuru Morita
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
ChatGPTは思ったほど賢くない
ChatGPTは思ったほど賢くない
Carnot Inc.
Active Learning 入門
Active Learning 入門
Shuyo Nakatani
AWSではじめるMLOps
AWSではじめるMLOps
MariOhbuchi
密度比推定による時系列データの異常検知
密度比推定による時系列データの異常検知
- Core Concept Technologies
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
Hiroyuki Masuda
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
機械学習の精度と売上の関係
機械学習の精度と売上の関係
Tokoroten Nakayama
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
ソーシャルゲームにレコメンドエンジンを導入した話
ソーシャルゲームにレコメンドエンジンを導入した話
Tokoroten Nakayama
AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介
AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介
cyberagent
More Related Content
What's hot
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)
Tokoroten Nakayama
協調フィルタリング入門
協調フィルタリング入門
hoxo_m
先端技術とメディア表現1 #FTMA15
先端技術とメディア表現1 #FTMA15
Yoichi Ochiai
Data-centricなML開発
Data-centricなML開発
Takeshi Suzuki
因果推論の基礎
因果推論の基礎
Hatsuru Morita
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
ChatGPTは思ったほど賢くない
ChatGPTは思ったほど賢くない
Carnot Inc.
Active Learning 入門
Active Learning 入門
Shuyo Nakatani
AWSではじめるMLOps
AWSではじめるMLOps
MariOhbuchi
密度比推定による時系列データの異常検知
密度比推定による時系列データの異常検知
- Core Concept Technologies
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
Hiroyuki Masuda
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
機械学習の精度と売上の関係
機械学習の精度と売上の関係
Tokoroten Nakayama
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
What's hot
(20)
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)
協調フィルタリング入門
協調フィルタリング入門
先端技術とメディア表現1 #FTMA15
先端技術とメディア表現1 #FTMA15
Data-centricなML開発
Data-centricなML開発
因果推論の基礎
因果推論の基礎
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
ChatGPTは思ったほど賢くない
ChatGPTは思ったほど賢くない
Active Learning 入門
Active Learning 入門
AWSではじめるMLOps
AWSではじめるMLOps
密度比推定による時系列データの異常検知
密度比推定による時系列データの異常検知
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
MLOpsはバズワード
MLOpsはバズワード
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
機械学習の精度と売上の関係
機械学習の精度と売上の関係
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
Viewers also liked
ソーシャルゲームにレコメンドエンジンを導入した話
ソーシャルゲームにレコメンドエンジンを導入した話
Tokoroten Nakayama
AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介
AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介
cyberagent
機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価
Shintaro Fukushima
Case Study: OLAP usability on Spark and Hadoop
Case Study: OLAP usability on Spark and Hadoop
DataWorks Summit/Hadoop Summit
SEGA : Growth hacking by Spark ML for Mobile games
SEGA : Growth hacking by Spark ML for Mobile games
DataWorks Summit/Hadoop Summit
データドリブン企業におけるHadoop基盤とETL -niconicoでの実践例-
データドリブン企業におけるHadoop基盤とETL -niconicoでの実践例-
Makoto SHIMURA
Business Innovation cases driven by AI and BigData technologies
Business Innovation cases driven by AI and BigData technologies
DataWorks Summit/Hadoop Summit
1000台規模のHadoopクラスタをHive/Tezアプリケーションにあわせてパフォーマンスチューニングした話
1000台規模のHadoopクラスタをHive/Tezアプリケーションにあわせてパフォーマンスチューニングした話
Yahoo!デベロッパーネットワーク
Sparkを活用したレコメンドエンジンのパフォーマンスチューニング&自動化
Sparkを活用したレコメンドエンジンのパフォーマンスチューニング&自動化
Nagato Kasaki
大規模データに対するデータサイエンスの進め方 #CWT2016
大規模データに対するデータサイエンスの進め方 #CWT2016
Cloudera Japan
Hadoop’s Impact on Recruit Company
Hadoop’s Impact on Recruit Company
Recruit Technologies
sparksql-hive-bench-by-nec-hwx-at-hcj16
sparksql-hive-bench-by-nec-hwx-at-hcj16
Yifeng Jiang
Top 5 mistakes when writing Spark applications
Top 5 mistakes when writing Spark applications
hadooparchbook
Amebaにおけるレコメンデーションシステムの紹介
Amebaにおけるレコメンデーションシステムの紹介
cyberagent
Viewers also liked
(14)
ソーシャルゲームにレコメンドエンジンを導入した話
ソーシャルゲームにレコメンドエンジンを導入した話
AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介
AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介
機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価
Case Study: OLAP usability on Spark and Hadoop
Case Study: OLAP usability on Spark and Hadoop
SEGA : Growth hacking by Spark ML for Mobile games
SEGA : Growth hacking by Spark ML for Mobile games
データドリブン企業におけるHadoop基盤とETL -niconicoでの実践例-
データドリブン企業におけるHadoop基盤とETL -niconicoでの実践例-
Business Innovation cases driven by AI and BigData technologies
Business Innovation cases driven by AI and BigData technologies
1000台規模のHadoopクラスタをHive/Tezアプリケーションにあわせてパフォーマンスチューニングした話
1000台規模のHadoopクラスタをHive/Tezアプリケーションにあわせてパフォーマンスチューニングした話
Sparkを活用したレコメンドエンジンのパフォーマンスチューニング&自動化
Sparkを活用したレコメンドエンジンのパフォーマンスチューニング&自動化
大規模データに対するデータサイエンスの進め方 #CWT2016
大規模データに対するデータサイエンスの進め方 #CWT2016
Hadoop’s Impact on Recruit Company
Hadoop’s Impact on Recruit Company
sparksql-hive-bench-by-nec-hwx-at-hcj16
sparksql-hive-bench-by-nec-hwx-at-hcj16
Top 5 mistakes when writing Spark applications
Top 5 mistakes when writing Spark applications
Amebaにおけるレコメンデーションシステムの紹介
Amebaにおけるレコメンデーションシステムの紹介
Similar to データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
Takashi J OZAKI
ノベルティの成功基準とは?
ノベルティの成功基準とは?
さくらインターネット株式会社
Jmrx講演資料0723(配布用)[1]
Jmrx講演資料0723(配布用)[1]
Shigeru Kishikawa
本を読んでもわからないリアルなアンケート実践法
本を読んでもわからないリアルなアンケート実践法
takashi sasaki
Small BPR session 7 / Costing system concept design
Small BPR session 7 / Costing system concept design
koichi ikeda
Keywordmap for sns
Keywordmap for sns
KotaroTamai
サイトサーチアナリティクスとは
サイトサーチアナリティクスとは
Makoto Shimizu
10 Steps to Product Market Fit - Japanese Translation
10 Steps to Product Market Fit - Japanese Translation
Momoko Nagaoka
Webマーケティングを通じたデータサイエンティストの価値発揮方法
Webマーケティングを通じたデータサイエンティストの価値発揮方法
E2D3.org
CMS学会 第三回 研究報告
CMS学会 第三回 研究報告
loftwork
100826関西bsc研究会講演資料(公開用)
100826関西bsc研究会講演資料(公開用)
関西 バランス・スコアカード研究会
100826関西bsc研究会講演資料(公開用)
100826関西bsc研究会講演資料(公開用)
関西 バランス・スコアカード研究会
100825 bsc講演資料(8月講演)
100825 bsc講演資料(8月講演)
関西 バランス・スコアカード研究会
Digital strategy in Japanese
Digital strategy in Japanese
Yoshinori Kawamura
[INEVITABLE ja night] 2019 年 3 月 1 日 - データでカスタマーエクスペリエンスを どう捉えるか
[INEVITABLE ja night] 2019 年 3 月 1 日 - データでカスタマーエクスペリエンスを どう捉えるか
Google Cloud Platform - Japan
ABEJA:天下一武闘会プレゼン資料(2018/10/24)
ABEJA:天下一武闘会プレゼン資料(2018/10/24)
GenshinMaruta
2016 #meijisap - 明治大学理工学部情報科学科 情報システム論1講義「デジタルによるビジネスモデルの変革」
2016 #meijisap - 明治大学理工学部情報科学科 情報システム論1講義「デジタルによるビジネスモデルの変革」
Masahiro Furusawa
ネット広告講義資料 at 東京大学 2017/07/11
ネット広告講義資料 at 東京大学 2017/07/11
Takehiko Yoshida
Converting big data into big value
Converting big data into big value
Yoshiyuki Ueda
マーケティング視点で捉えるアクセス解析 株式会社真摯
マーケティング視点で捉えるアクセス解析 株式会社真摯
Yasuki Ichishima
Similar to データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
(20)
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
ノベルティの成功基準とは?
ノベルティの成功基準とは?
Jmrx講演資料0723(配布用)[1]
Jmrx講演資料0723(配布用)[1]
本を読んでもわからないリアルなアンケート実践法
本を読んでもわからないリアルなアンケート実践法
Small BPR session 7 / Costing system concept design
Small BPR session 7 / Costing system concept design
Keywordmap for sns
Keywordmap for sns
サイトサーチアナリティクスとは
サイトサーチアナリティクスとは
10 Steps to Product Market Fit - Japanese Translation
10 Steps to Product Market Fit - Japanese Translation
Webマーケティングを通じたデータサイエンティストの価値発揮方法
Webマーケティングを通じたデータサイエンティストの価値発揮方法
CMS学会 第三回 研究報告
CMS学会 第三回 研究報告
100826関西bsc研究会講演資料(公開用)
100826関西bsc研究会講演資料(公開用)
100826関西bsc研究会講演資料(公開用)
100826関西bsc研究会講演資料(公開用)
100825 bsc講演資料(8月講演)
100825 bsc講演資料(8月講演)
Digital strategy in Japanese
Digital strategy in Japanese
[INEVITABLE ja night] 2019 年 3 月 1 日 - データでカスタマーエクスペリエンスを どう捉えるか
[INEVITABLE ja night] 2019 年 3 月 1 日 - データでカスタマーエクスペリエンスを どう捉えるか
ABEJA:天下一武闘会プレゼン資料(2018/10/24)
ABEJA:天下一武闘会プレゼン資料(2018/10/24)
2016 #meijisap - 明治大学理工学部情報科学科 情報システム論1講義「デジタルによるビジネスモデルの変革」
2016 #meijisap - 明治大学理工学部情報科学科 情報システム論1講義「デジタルによるビジネスモデルの変革」
ネット広告講義資料 at 東京大学 2017/07/11
ネット広告講義資料 at 東京大学 2017/07/11
Converting big data into big value
Converting big data into big value
マーケティング視点で捉えるアクセス解析 株式会社真摯
マーケティング視点で捉えるアクセス解析 株式会社真摯
More from Tokoroten Nakayama
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
Tokoroten Nakayama
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
Tokoroten Nakayama
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
Tokoroten Nakayama
心理的安全性の構造 デブサミ2019夏 structure of psychological safety
心理的安全性の構造 デブサミ2019夏 structure of psychological safety
Tokoroten Nakayama
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
Tokoroten Nakayama
データマイニングの話詰め合わせ
データマイニングの話詰め合わせ
Tokoroten Nakayama
データサイエンティスト養成読本の解説+書き忘れたこと
データサイエンティスト養成読本の解説+書き忘れたこと
Tokoroten Nakayama
難易度ボラタリティグラフという分析手法
難易度ボラタリティグラフという分析手法
Tokoroten Nakayama
インターネット上の情報発信手段の変遷 情報発信の簡易化
インターネット上の情報発信手段の変遷 情報発信の簡易化
Tokoroten Nakayama
機械学習ビジネス研究会(未踏研究会)
機械学習ビジネス研究会(未踏研究会)
Tokoroten Nakayama
失敗から学ぶデータ分析グループのチームマネジメント変遷 (デブサミ2016) #devsumi
失敗から学ぶデータ分析グループのチームマネジメント変遷 (デブサミ2016) #devsumi
Tokoroten Nakayama
失敗から学ぶデータ分析グループのチームマネジメント変遷
失敗から学ぶデータ分析グループのチームマネジメント変遷
Tokoroten Nakayama
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCT
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCT
Tokoroten Nakayama
特徴ベクトル変換器を作った話 #dogenzakalt
特徴ベクトル変換器を作った話 #dogenzakalt
Tokoroten Nakayama
特徴ベクトル変換器を作った話
特徴ベクトル変換器を作った話
Tokoroten Nakayama
jubatusのECサイトへの適応 #jubatus_hackathon
jubatusのECサイトへの適応 #jubatus_hackathon
Tokoroten Nakayama
スマホマーケットの概要と、マーケティングの失敗例と改善 (アナリティクス アソシエーション 特別セミナー)
スマホマーケットの概要と、マーケティングの失敗例と改善 (アナリティクス アソシエーション 特別セミナー)
Tokoroten Nakayama
DAUを評価指標から捨てた会社の話 #tokyowebmining
DAUを評価指標から捨てた会社の話 #tokyowebmining
Tokoroten Nakayama
BattleField3に見る自己表現としてのゲームプレイ
BattleField3に見る自己表現としてのゲームプレイ
Tokoroten Nakayama
情報処理とは何か あとbigdataとか
情報処理とは何か あとbigdataとか
Tokoroten Nakayama
More from Tokoroten Nakayama
(20)
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
心理的安全性の構造 デブサミ2019夏 structure of psychological safety
心理的安全性の構造 デブサミ2019夏 structure of psychological safety
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
データマイニングの話詰め合わせ
データマイニングの話詰め合わせ
データサイエンティスト養成読本の解説+書き忘れたこと
データサイエンティスト養成読本の解説+書き忘れたこと
難易度ボラタリティグラフという分析手法
難易度ボラタリティグラフという分析手法
インターネット上の情報発信手段の変遷 情報発信の簡易化
インターネット上の情報発信手段の変遷 情報発信の簡易化
機械学習ビジネス研究会(未踏研究会)
機械学習ビジネス研究会(未踏研究会)
失敗から学ぶデータ分析グループのチームマネジメント変遷 (デブサミ2016) #devsumi
失敗から学ぶデータ分析グループのチームマネジメント変遷 (デブサミ2016) #devsumi
失敗から学ぶデータ分析グループのチームマネジメント変遷
失敗から学ぶデータ分析グループのチームマネジメント変遷
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCT
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCT
特徴ベクトル変換器を作った話 #dogenzakalt
特徴ベクトル変換器を作った話 #dogenzakalt
特徴ベクトル変換器を作った話
特徴ベクトル変換器を作った話
jubatusのECサイトへの適応 #jubatus_hackathon
jubatusのECサイトへの適応 #jubatus_hackathon
スマホマーケットの概要と、マーケティングの失敗例と改善 (アナリティクス アソシエーション 特別セミナー)
スマホマーケットの概要と、マーケティングの失敗例と改善 (アナリティクス アソシエーション 特別セミナー)
DAUを評価指標から捨てた会社の話 #tokyowebmining
DAUを評価指標から捨てた会社の話 #tokyowebmining
BattleField3に見る自己表現としてのゲームプレイ
BattleField3に見る自己表現としてのゲームプレイ
情報処理とは何か あとbigdataとか
情報処理とは何か あとbigdataとか
Recently uploaded
JAPAN WEB3.0 AWARD 2023 ブロックチェーン(NFT)技術を活用したアイディア 優秀賞作品 遺3.0相続
JAPAN WEB3.0 AWARD 2023 ブロックチェーン(NFT)技術を活用したアイディア 優秀賞作品 遺3.0相続
Yusuke Katsuma
コダワリ抜いた経営指南書(概要版) - コダワリ・ビジネス・コンサルティング株式会社
コダワリ抜いた経営指南書(概要版) - コダワリ・ビジネス・コンサルティング株式会社
hmoriyama
KestrelPro Flyer Japan IT Week 2024 (Japanese)
KestrelPro Flyer Japan IT Week 2024 (Japanese)
Data Analytics Company - 47Billion Inc.
第15回販促コンペ 審査員個人賞(林 知幸 氏) アルカナ? アディダスジャパン
第15回販促コンペ 審査員個人賞(林 知幸 氏) アルカナ? アディダスジャパン
Yusuke Katsuma
company profile
company profile
keiibayashi
株式会社AllAdsと申します。サービス紹介資料で御座いますので、是非ご覧くださいませ。
株式会社AllAdsと申します。サービス紹介資料で御座いますので、是非ご覧くださいませ。
takuyamatsumoto29
Japan IT Week 2024 Brochure by 47Billion
Japan IT Week 2024 Brochure by 47Billion
Data Analytics Company - 47Billion Inc.
chouhou_obuse_reiwa6nenn_4_2404slide.pdf
chouhou_obuse_reiwa6nenn_4_2404slide.pdf
ssuser31dbd1
HCCソフト株式会社 2025年新卒採用向け 会社紹介・採用情報資料------
HCCソフト株式会社 2025年新卒採用向け 会社紹介・採用情報資料------
ssusercbaf23
20240424 zaim academy counseling lesson .pdf
20240424 zaim academy counseling lesson .pdf
ssuser80a51f
Recently uploaded
(10)
JAPAN WEB3.0 AWARD 2023 ブロックチェーン(NFT)技術を活用したアイディア 優秀賞作品 遺3.0相続
JAPAN WEB3.0 AWARD 2023 ブロックチェーン(NFT)技術を活用したアイディア 優秀賞作品 遺3.0相続
コダワリ抜いた経営指南書(概要版) - コダワリ・ビジネス・コンサルティング株式会社
コダワリ抜いた経営指南書(概要版) - コダワリ・ビジネス・コンサルティング株式会社
KestrelPro Flyer Japan IT Week 2024 (Japanese)
KestrelPro Flyer Japan IT Week 2024 (Japanese)
第15回販促コンペ 審査員個人賞(林 知幸 氏) アルカナ? アディダスジャパン
第15回販促コンペ 審査員個人賞(林 知幸 氏) アルカナ? アディダスジャパン
company profile
company profile
株式会社AllAdsと申します。サービス紹介資料で御座いますので、是非ご覧くださいませ。
株式会社AllAdsと申します。サービス紹介資料で御座いますので、是非ご覧くださいませ。
Japan IT Week 2024 Brochure by 47Billion
Japan IT Week 2024 Brochure by 47Billion
chouhou_obuse_reiwa6nenn_4_2404slide.pdf
chouhou_obuse_reiwa6nenn_4_2404slide.pdf
HCCソフト株式会社 2025年新卒採用向け 会社紹介・採用情報資料------
HCCソフト株式会社 2025年新卒採用向け 会社紹介・採用情報資料------
20240424 zaim academy counseling lesson .pdf
20240424 zaim academy counseling lesson .pdf
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
1.
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 Cloudera World Tokyo
2016 2016/11/08 中山ところてん Emotion Intelligence株式会社
2.
お前誰よ @tokoroten http://twitter.com/tokoroten
Emotion Intelligence株式会社 http://emin.co.jp/ http://www.zenclerk.com/ 高機能雑用 現職:ECデータ分析、新規開発、営業 昔:半導体計測器屋、ゲームディレクター、セキュリティ
3.
目次 データ分析グループの組織編制とその課題 データ分析グループの仕事の範囲
データ分析グループの組成失敗例 データ分析グループを正しく運用するには マーケティングにおけるKPI設計の失敗 デジタルマーケティングにおけるKPI偏重の問題 ABテストによるリフト計測 ABテストから機械学習へのシームレスな移行 ABテストの向こう側へ、マーケティングオートメーション マーケティングオートメーションの悲哀 機械学習の投入と、その限界 アップリフトモデリング
4.
目次 データ分析グループの組織編制とその課題 データ分析グループの仕事の範囲
データ分析グループの組成失敗例 データ分析グループを正しく運用するには マーケティングにおけるKPI設計の失敗 デジタルマーケティングにおけるKPI偏重の問題 ABテストによるリフト計測 ABテストから機械学習へのシームレスな移行 ABテストの向こう側へ、マーケティングオートメーション マーケティングオートメーションの悲哀 機械学習の投入と、その限界 アップリフトモデリング
5.
データ分析の流れ データ分析グループは、アプリ運用で生まれたログデータ を解析、改善活動を行っていくことでビジネスに生かす 必然的にカバー範囲は、研究からアプリ運用 研究
開発 システム 運用 アプリ 運用 営業活動 ログ データ データ分析グループ
6.
データ分析に必要な人材 データサイエンティスト協会 データサイエンティストのスキルセット http://www.datascientist.or.jp/news/2014/pdf/1210.pdf
7.
データ分析グループはチーム戦 研究開発から運用までを一気通貫で行う チーム内に「ビジネス」「サイエンス」「エンジニアリング」 の能力を全部持つ必要がある
一人で全部をカバーする必要はない、複数人でカバー データ分析チームが失敗する条件 チーム内の能力の欠如(Biz、Sci、Eng) チームに与えられた業務範囲が限定的 業務範囲についての、経営者・開発ラインからの無理解
8.
データ分析グループの組成失敗例① 大企業はプロセスごとに会社が切れている 会社の壁を超えてログデータを手に入れることが困難
しかし、会社からは「データ分析しろ」という命令が… 仕方ないので、他社と「共同研究」という形でお茶を濁す… 研究 開発 システム 運用 アプリ 運用 営業活動 研究所 事業会社 孫会社 孫会社 代理店 ログ データ データが無いのに 分析しろって言われても…
9.
データ分析グループの組成失敗例② データサイエンティスト=高学歴、研究者 で採用
雇ったら、研究的な仕事しかしたがらない 難しい問題を、難しく解きたがる 研究における価値と、ビジネスにおける価値の混同 ビジネスは「難しい問題を、簡単に解く」ことに価値がある 売り上げに繋がらない 研究 開発 システム 運用 アプリ 運用 営業活動 ログ データ データ分析 グループ やったー 面白いデータだ!! あいつら、現場に何も還元し ないで、好きなことばっかり やりやがって……
10.
データ分析グループの組成失敗例③ 現場を改善するためにアナリストを雇う 研究系とアナリスト系で、データ分析グループが空中分解 グループが二つに割れる
双方が「あいつらは仕事をしていない」と言い合って対立 現場の改善と、研究で、サービスのコアの開発に入ってい かないので、サービスが進歩しない グループ内での業務範囲の共有の失敗が原因 研究 開発 システム 運用 アプリ 運用 営業活動 データ分析 グループ① データ分析 グループ② 好きなことばっかり やりやがって…… 好きなことばっかり やりやがって……
11.
データ分析グループの組成失敗例④ データ分析グループは、スキルセット的に広範囲をカバー エンジニアと営業の間に落ちた問題を拾うことが増える
SQL叩いてExcelで集計するだけの簡単なお仕事 同僚から感謝されるため、ついやってしまうが、 本質的な価値を生む仕事ができない 研究 開発 システム 運用 アプリ 運用 営業活動 エンジニア、DevOps データ分析 グループ 営業 グループ バグ見つけてくれて 助かるわー お客さんからの依頼で、 データ出力してくれ
12.
データ分析グループの組成失敗例⑤ データ分析グループが本来の領分で仕事をしようとすると、エン ジニアの領分と重複 言語や品質の面でエンジニアと対立
いくら分析をしても、本番に導入することができない ともすると、企画の領分とも衝突、企画にデータ分析に対する理 解が無いと頓挫する 研究 開発 システム 運用 アプリ 運用 営業活動 データ分析グループ エンジニア、DevOps PythonやRはメンテできないから無理 データ分析のコードは品質が悪い
13.
データ分析グループの組成失敗例⑥ データ分析インフラに対する投資をしないで、人だけ雇う データ分析以外のところに多大な工数がかかる状態
データレイク(データ蓄積基盤+データ処理基盤)の不在 Hadoopやredshift等のインフラに適切に投資する必要 研究 開発 システム 運用 アプリ 運用 営業活動 データ分析グループ ログ データ え、本番サーバにログインして、 ログファイル拾ってくるんですか… うわ、手元のPCだと、 処理に50時間かかる……
14.
データ分析グループの組成失敗例⑦ インフラ投資をしてデータだけ貯める データ分析=ビッグデータ=データ蓄積の箱
という勘違い 数年前は「面白いデータがある会社にデータ分析者が集まる」という 時代だったので、これは正解だった いまはデータ+データ分析基盤の両方が無いと人が集まらない データ分析者がいないため、ログ設計がグチャグチャ あとから分析者が入っても使いものにならないケースが多い 研究 開発 システム 運用 アプリ 運用 営業活動 よくわからんけど、お偉方がログをサーバに 貯めろっていうから仕方なく入れるか
15.
何が問題なのか? データ分析グループは近年できた新しい組織形態 その運用方法を知っている人が少ない
データ分析者当人も知らないことが多い だから、研究者とアナリストで空中分解 気付くと、SQL叩いてExcelで集計する仕事になってしまう データ分析グループとは何か? 研究からアプリ運用までを一気通貫でPDCA 他の職種の領域と重複する 膨大なデータを取り扱うためのシステム投資が必要
16.
データ分析グループを正しく運用するには エグゼクティブのサポートが必要 カバー範囲の明確化
会社として、データ分析グループのカバー範囲を明確にし、周知する データ分析者自身にも、この範囲を意識させる チームとして、カバー範囲を満たせるように人材を集める システム面のサポート データへの自由なアクセス、データの一元化 ログ収集インフラ、データ分析インフラの構築 データ分析者の書いたコードが、サービスに影響を与えないようにアーキテク チャを設計 会社として十分なお膳立てがなければ、ワークしない データ分析は空軍みたいなモノ。パイロットだけでは機能しない 航空機だけでも機能しない、地上設備も必須
17.
目次 データ分析グループの組織編制とその課題 データ分析グループの仕事の範囲
データ分析グループの組成失敗例 データ分析グループを正しく運用するには マーケティングにおけるKPI設計の失敗 デジタルマーケティングにおけるKPI偏重の問題 ABテストによるリフト計測 ABテストから機械学習へのシームレスな移行 ABテストの向こう側へ、マーケティングオートメーション マーケティングオートメーションの悲哀 機械学習の投入と、その限界 アップリフトモデリング
18.
計測できないものは改善出来ない デジタルマーケティングはKPIだらけ CPA、CTR、CVR、ROAS、……
KPIを基準とした改善 より反応率の高いクリエイティブを より反応率の高いセグメントを より…… KPIを重視した改善を行うあまり、失敗するケースが多い KPIの本質を考えないで、数値だけによる改善が行われている
19.
改善の過程で忘れられているモノ① 限界効用逓減の法則 投入したコストに対して、得られる効用は次第に減って 行く
10万円投入したときの1,000人獲得できても、 1000万円投入したときには10,000人だったり… … 効用 コスト
20.
なぜABテストをするのか? 費用対効果が高いクリエイティブを探し、 より良いものに対して大規模出稿するため 費用対効果がリニアな世界のデータを元に、 大規模投資を行おうとして爆死する
費用対効果がリニアで点線の世界であるという勘違い 効用 コスト
21.
改善の過程で忘れられているモノ② KPIの改善は売上の改善に結びついているのか? デジタルマーケティングは施策が複雑なので、 KPIがいつの間にか売上とリンクしなくなっている
ECでの例 純広告で広く流したら、反応率がものすごく悪かった カート落ちしたユーザにリタゲ広告打ったら反応率がとても良 かった 現実の小売店に置き換えて考えてみる 折り込みチラシを出したら、反応率が悪かった レジに並んでいる人に広告を渡したら、反応率が良かった
22.
KPIを重視した結果
23.
デジマケの現場で何が起こっているのか 過剰な単純化 CPAやROASというKPIは、施策やセグメントが異なって も、共通で評価できる
複雑な商材も、CPAやROASをベースに比較可能 自分が理解不可能なものもKPIベースで判断可能に KPIをベースに意思決定、業績評価を行えばよい 分かりやすさ重視 施策が複雑すぎるので、直接計測可能なものだけ信頼 計算によって間接的に算出される数値は信頼できない
24.
よくある話 書籍:ヤバい予測学 334p http://scientificmarketer.com/2007/02/response_16.html
25.
何を間違えているのか? 施策無し 施策あり ココは計測可能 計測できない ことが多い 成果 評価すべき場所 計測可能な数値だけを見て判断
26.
差を計測する 施策を行わなかった場合を考える必要 施策を行う、行わないのABテストを行えばよい
ABテストにより、「増分」を計測可能になり、真の売上貢献が分かる 駄目な例 レジ前にいる人にチラシを渡したら、95%の反応率でした!! ABテストを活用した例 ある店舗では、レジに一度並んだ人は、95%が買いものをしました 別の店舗では、レジに並んでいる人にチラシを渡したら、95%の人が買い ました したがってレジに並んでいる人に広告を渡しても効果がありません 最近はブランドリフト広告という形で、広告の増分が計測可能に
27.
ブランドリフト広告 一部の顧客に広告を「見せない」ことで差を計測 https://www.ja.advertisercommunity.com/t5/%E6%97%A7%E3%83%96%E3%83%AD%E3%82%B0%E8%A8%98%E4%BA%8B/Google-%E5%BA%83%E5%91%8A- %E3%83%96%E3%83%A9%E3%83%B3%E3%83%89%E5%8A%B9%E6%9E%9C%E6%B8%AC%E5%AE%9A-%E6%B4%BB%E7%94%A8%E4%BA%8B%E4%BE%8B/ba-p/12384 http://web-tan.forum.impressrd.jp/e/2016/02/23/22150
28.
変わるKPI 施策の有り無しのABテストにより、 KPIは「現在の値」から「増分(リフト)」へ ABテストにより進歩するマーケティング
ABテストの結果を活用することで、パーソナライゼーションや、 マーケティングオートメーションが可能に 機械学習への活用にも繋がってくる 機械学習を導入したいのであれば、まずABテストから 機械学習の一足飛びの導入は困難 機械学習が入った際に改善できる業務フローを作る
29.
目次 データ分析グループの組織編制とその課題 データ分析グループの仕事の範囲
データ分析グループの組成失敗例 データ分析グループを正しく運用するには マーケティングにおけるKPI設計の失敗 デジタルマーケティングにおけるKPI偏重の問題 ABテストによるリフト計測 ABテストから機械学習へのシームレスな移行 ABテストの向こう側へ、マーケティングオートメーション マーケティングオートメーションの悲哀 機械学習の投入と、その限界 アップリフトモデリング
30.
ABテスト ただのクリエイティブのABテスト A:B=60CV:50CV
クリエイティブAを選ぶと、60CVが取れる クリエイティブA クリエイティブB 60CV 50CV
31.
クロス集計・パーソナライゼーション ABテストの結果をセグメント情報とクロス集計 男性に画像A:男性に画像B=40CV:20CV
女性に画像B:女性に画像B=20CV:30CV ターゲティング配信を実施すれば、ABテストより結果が向上 男性にA、女性にBを見せれば、合計70CV この一連のプロセスがMA(マーケティングオートメーション)の流れ セグメント クリエイティブA クリエイティブB 男性 40CV 20CV 女性 20CV 30CV 全体 60CV 50CV
32.
マーケティングオートメーションの悲哀 セグメントを増やしてパソナライゼーションを進めると成果がどん どん上がっていく 軸となる変数を増やすと組み合わせ爆発が発生する
2変数で4セグメント、3変数で8セグメント、10変数で1024セグメント サンプル数が少なくなり統計的優位性が確認できなくなる CV改善幅が少しずつ小さくなっていき、管理コストが増大していく これによりMA運用の現場は疲弊している 機械学習による自動化が求められている セグメント 画像A 画像B 男性 40CV 20CV 女性 20CV 30CV 全体 60CV 50CV セグメント 画像A 画像B 男性-30歳未満 30CV 5CV 男性-30歳以上 10CV 15CV 女性-30歳未満 10CV 25CV 女性-30歳以上 10CV 5CV 全体 60CV 50CV 合計70CV 合計80CV
33.
機械学習の投入 クリエイティブのABテストから、学習データを生成 説明変数:年齢、性別、職業、配偶者…、クリエイティブ
目的変数:CVしたか否か 機械学習を行い、ユーザがどちらのクリエイティブより反応しそうかを予測 予測されたCVRが最も高いクリエイティブを表示する アドテクなどではロジスティック回帰などを利用して、このような問題を解いている 画像Aだと予測CVRは3% 画像Bだと予測CVRは5% 画像Bを出しとこ 30代男性、未婚、サイト訪問 回数は4回、未購入….
34.
機械学習によるターゲティング クリエイティブA クリエイティブB 予測値 このユーザは 画像Aだと予測CVRは3% 画像Bだと予測CVRは5% 画像Bを出しとこ
35.
単純な機械学習の限界 クリエイティブA クリエイティブB 予測値 え? 予測値=真の値+予測誤差
36.
単純な機械学習の限界 MAを機械学習で置き換えるのは有効 大量の変数による手動のセグメンテーションを、機械学習に代替
従来人間がやっていたことを、そのまま自動化させられる 複数の機械学習の予測値から良いものを選ぶのは実は危険 予測値A=真の値A+誤差A 予測値B=真の値B+誤差B サンプル数が少ないと誤差項が大きくなる 真の値AとBの差が小さいと、意思決定が誤差項に引きずられる アドテクでは何故うまくいくのか? 広告の表示回数が多く、誤差Aと誤差Bが小さい値になる 男性にはスポーツ用品、女性には化粧品といった形で、 真の値が大きく異なる広告が存在する 広告なので、多少は興味を外した人に出しても許される
37.
アップリフトモデリングへ 単純な予測から、差を予測するモデルへ クリエイティブA クリエイティブB 予測値
このユーザは画像Aと画像Bでは、 画像Bのほうが良く反応しそうだゾ
38.
アップリフトモデリングとは? 疫学から生まれた統計手法 対照実験と機械学習を組み合わせた手法
その後、ダイレクトメールや、クーポン配布などに発展 差を学習するために教師データが特殊 説明変数:患者の年齢、性別、症状、住環境… 介入行動:薬を投与するか否か 目的変数:患者の生存 何が分かるのか? ある薬がどのような患者に効くのか この患者には薬を投与するべきか否か 詳しい説明は「ヤバい予測学」の316pからを参照
39.
クーポン配布への応用 クーポンの問題 買う気マンマンの人にクーポンを配布すると損失
買う気の全くない人にクーポンを配布するとブランド毀損
40.
クーポン配布への応用 クーポンを貰ったら購買に転じるユーザか否かを予測したい アップリフトモデリングの教師データ
説明変数:ユーザの年齢、性別、訪問回数、見ているページ、etc… 介入変数:クーポンを渡すかどうか 目的変数:CVしたかどうか ユーザを四象限に分類、赤枠のセグメントに送らないことが重要 ZenClerkは、アップリフトモデリングに より、できるだけクーポンを配布しない サービス
41.
まとめ デジタルマーケティングは魑魅魍魎 KPIによる単純化により、本質を見失っていることが多い
ABテストにより「増分」を計測する必要がある ABテストからアップリフトモデリングまでの流れ ABテストにより、よりよいクリエイティブを選択 クロス集計を行い、セグメントごとの反応率を調べる セグメントごとに別のクリエイティブを出し、反応率を高める マーケティングオートメーションによりセグメントを増やし、より 反応率を高める 機械学習を導入し、MAのオペレーションコストを削減する アップリフトモデリングを導入し、より精度を高める
Download now