ビッグデータやIoTをいかにビジネスに活かすか？～国内外の ... · 2017-07-31 · aca 2017年7月例会ビッグデータやiotをいかにビジネスに活かすか？

ACA 2017年7月例会

ビッグデータやIoTをいかにビジネスに活かすか？～国内外の先進事例から～

金井啓一

コーポレート・エバンジェリスト / エグゼクティブ・コンサルタント

日本テラデータ株式会社・JDMC 理事

2017年7月19日

2 （C）2017 日本テラデータ株式会社 All Rights Reserved.

ウイスキーの味を分析した結果がアートになる

似たような味



「コサイン類似度」と呼ばれるAsterが持つ分析関数

を使って、個々のウイスキーの類似性を計算 (86種類の総当たり）

点と線で表現するシグマ図で表現

２つのクラスタ（集合体）が自動で生成

ドリルダウンによる類似性のスコアリング結果表示（数値が高いほど似たような味）

http://itpro.nikkeibp.co.jp/atcl/column/16/032500073/032500001/




■セグメント化の基にした7種類のウイスキーの概要

■12種類のフレーバーのスコアリングの結果。Overall（左上）は、86種類のウイスキーを対象に、それ以外は、サンプルとして用意した7種類のウイスキーを対象にスコアリングした結果を示す。





86種類のシングルモルトウイスキーを、Macallan（マッカラン）をはじめとする代表的な7つの銘柄の

どれに近いのかをセグメント化する

TaliskerとHighland Parkの間にある、楕円で囲んだ銘柄を選ぶと中間の味が楽しめる




Agenda

ビジネスを取り巻く環境の変化

ビッグデータとIoTの本質とは？

ビッグデータとIoTのビジネスにおけるデータ活用事例

まとめ

Teradataのご紹介


Agenda




まとめ




増え続けるデータ

新たなデータタイプ～非構造化データ

インダストリー4.0 フィンテック

DMP

人工知能の劇的な発達

コネクテッド・カーの登場

コネクテッド・コンシューマーの台頭


Internet Economy Data Economy

今、データ主導型の経済が生まれつつある！

1990s NOW


Big 5 : Data Platformer Amazon.com Apple

Facebook Google MicroSoft


Data rich, insight poor


重要なのは、量ではなく、速度でもなく、多様性でもない... そのデータと分析を実行することがビッグデータの本質である

”ビッグデータ”とはなにか？ 3V(Volume, Velocity, Variety)、または 4V(Veracity/Value)と言われる

が･･･。



Agenda




まとめ



IoTを構成するリアル世界

モバイル

IoT & AI

設備センサースマート家電

HEMS

テレマティクス

気象・土壌

バイタル

ビーコンカメラ

SNS

ウェアラブル

車載レーダー


IoTの本質～フレームワークすべてのモノ、ヒト、コトがインターネットで繋がる“IoT”の本質とは何でしょうか？単にセンサーデータの分析によって故障予知をするだけではない筈です。そこで、IoTの本質を見極めるために、次のフレームワークで考察します。

ビジネス (IoT適用目的)

データ

IoT （エッジ・クラウド・アプリ）

設備保全故障予知顧客経験テレマティクス

ヘルスケア

企業活動（B2B・B2C）社会基盤（スマートシティ等）

デバイス狭域/広域ネットワーク

企業内/購入/オープンデータモノ/ヒト/コト・データ SNS/モバイル/バイタル･データ

データマネジメント(DM)ガイドライン/モデル・IoTシステムと従来システムのデータマネジメントの違いは？・IoTデータのストック型、フロー型の違いは？・ストック型の代表例であるデータレイクのあり方は？・IoTデータにはどのような特徴があるか？ cf. 4V(量/種類/頻度/正確)

IoT適用ガイドライン/モデル・IoTで解決/強化できる事業モデル/事業課題は何か？・ビジネス上の活用目的は何か？・IoTをビジネスで活用する際の留意点は何か？

プラットフォーム

アプリケーション

フィードバック

デマンド側 (事業側)

サプライ側 (IT側)

新商品予防医療インフラ

出典：JDMC IoT･AI研究会/IoT分科会作成資料に加筆･修正

IoT=Internet of Things


IoTを活用するビジネス目的 IoTを活用するビジネス上の目的は、産業別に多岐に渡ります。

金融 (B2C)

製造業 (B2B)

小売･旅行業 (B2C)

医療･農業 etc. (B2C)

・マスカスタマイゼーション・製造業のサービス化

・金融サービスの高度化・高度な保険商品の開発

・カスタマーエクスペリエンス（CX）・カスタマージャーニー

・予防医療の高度化・農業のICT化

IoT = すべてのモノ、ヒト、コトまで繋ぐ！

① スマート工場による注文ごとのカスタム化 ② プロダクトアウトからサービスビジネスへ

① 顧客と緊密に繋がることによるCX向上 ② CXのためにカスタマージャーニーマップ開発

① フィンテックによるモバイル決済 ② テレマティクスと連動した保険のカスタマイズ

① バイタル･診断データによる予防医療 ② 天候･土壌などの国土データによる収穫予測

IoTデータ

スマート家電 HEMS 気象・土壌

バイタルビーコンカメラ

SNS

ウェアラブル

車載レーダー

モバイル

テレマティクス

設備センサー


IoTの仕組み概要 ● IoTシステムは、通常クラウドまたはオンプレミスを使用します。 ● 一方、処理のリアルタイム性と通信・処理の負荷を考慮し、デバイスやユーザーに近いエッジコンピューティングを採用する場合があります。①直接クラウドとやりとりするケース、②エッジコンピューティングを介してクラウドとやりとりするケース、③エッジコンピューティングのみで処理

デバイス・モバイル・SNS・ユーザーなど

測定デバイス

制御デバイス

IoTクラウド (orオンプレミス)

測定デバイス

制御デバイス

エッジコンピューティング

データ

データ

測定デバイス

制御デバイス

データデータ

①

③

② エッジデバイス



データを

集めるデータを

転送するデータを

受信する

データを

統合し溜める

データを

分析するデータを

FBする（フィードバック）

収集

ゲートウェイ受信サーバ DBサーバ APサーバセンサー･

デバイス

■ IoTアーキテクチャ構成要素

オンプレミス

クラウド現実世界

■ 配置場所

▼分析内容 • 統計解析 • 機械学習 •深層学習 • 可視化

▼処理方式 • バッチ処理 • ストリーム処理

▼ﾃﾞｰﾀﾌｫｰﾏｯﾄ • JSON • XML • ファイル

▼通信プロトコル • HTTP • WebSocket • MQTT • CoAP

▼通信方式（有線）

• Ethernet • シリアル • USB

（無線） • Wifi • Bluetooth • ZigBee • 3G/LTE

▼センサー・デバイス他 • センサー • デバイス • GW機器

■ 考慮すべき技術事項

▼DB • RDB • NoSQL • Hadoop

IoTの基本構成


統合･蓄積

モノ

ヒト

コト

分析フィードバック

モノ

ヒト

コト

▼処理内容・クレンジング・加工


IoTにおけるデータマネジメント

基幹業務システム

IoTシステム統合DB

発生蓄積統合活用破棄

可視化

分析・解析

自動化・自律化

データマネジメント・プロセス

IoT

• IoTなどから発生するデータを処理･分析

• 自動化･自律化されれば、DMも同様に行われる

• デバイス、エッジ、統合DB

は、場所も処理も異なる

ので、対応したDMが必要

• 膨大なデータの種類･量を

考慮したDMが必要

• データレイクも統合DBと同

じように、DMを適用

AI

• IoT･AIのDMを業務プロセスに組み込むことが必要

●IoTを活用する上で、データマネジメントは必要不可欠です。どうあるべきなのかAIも含めて考察します。



Agenda




まとめ



Web/メルマガ企画・運営

産業界におけるデータ統合･アナリティクス事例

お客様との

コミュニケーション

【企業活動】

【一般消費者の行動】使用後感想

会員情報（顧客属性）

会員向けサイト内行動

オンラインショップ

コメント

・SNS

・貴社サイト

チラシ閲覧

価格情報

広告・宣伝マーケティング

販売・物流生産商品企画・開

発研究開発

VOC（コールセンター）

自社サイトへのコメント

SNSデータ

購入商品検討商品の

認知・反応

Web閲覧

SNS書込み

ECサイトで購入

コンテンツ閲覧

会員登録

POS実績

生産実績

トラブル実績

変化点・変更点

ファン化

Web閲覧

メルマガ開封

・閲覧

購入実績

【テーマ⑤】

会員セグメンテーション

とコンテンツ最適化

Webログ

キャンペーン

メルマガ送信

【テーマ⑥】

クレームの

見える化・分析

テレマデータ

(トラック/営業車)

【テーマ⑧】

安全・エコ

運転分析

【テーマ④】需要予測精度向上

のための分析

【テーマ⑦】

生産設備の

トラブル予兆

【テーマ②】

広告・宣伝効果分析

【テーマ③】

販促効果分析

【探索研究】

【テーマ①】

受容ターゲット

変化分析

/消費者嗜好分析

生産・販売情報

販促実績（卸・店舗）

TVCM実績

広告（新聞、雑誌）実績

販促実績（消費者）

提携サイトで購入

ネット購入実績

カート放棄実績

【テーマ⑨】

新製品開発

分析

バリューチェーンすべてにおいてデータ統合･アナリティクスは必要とされている！


Web/メルマガ企画・運営

お客様との

コミュニケーション

【企業活動】

【一般消費者の行動】使用後感想

会員情報（顧客属性）

会員向けサイト内行動

オンラインショップ

コメント

・SNS

・貴社サイト

チラシ閲覧

価格情報

広告・宣伝マーケティング

販売・物流生産商品企画・開

発研究開発

VOC（コールセンター）

自社サイトへのコメント

SNSデータ

購入商品検討商品の

認知・反応

Web閲覧

SNS書込み

ECサイトで購入

コンテンツ閲覧

会員登録

POS実績

生産実績

トラブル実績

変化点・変更点

ファン化

Web閲覧

メルマガ開封

・閲覧

購入実績

【テーマ⑤】

会員セグメンテーション

とコンテンツ最適化

Webログ

キャンペーン

メルマガ送信

【テーマ⑥】

クレームの

見える化・分析

テレマデータ

(トラック/営業車)

【テーマ⑧】

安全・エコ

運転分析

【テーマ④】需要予測精度向上

のための分析

【テーマ⑦】

生産設備の

トラブル予兆

【テーマ②】

広告・宣伝効果分析

【テーマ③】

販促効果分析

【探索研究】

【テーマ①】

受容ターゲット

変化分析

/消費者嗜好分析

生産・販売情報

販促実績（卸・店舗）

TVCM実績

広告（新聞、雑誌）実績

販促実績（消費者）

提携サイトで購入

ネット購入実績

カート放棄実績

【テーマ⑨】

新製品開発

分析

バリューチェーンすべてにおいてデータ統合･アナリティクスは必要とされている！

【1】ビジネスのデジタライゼーション

【5】これまで出来なかった高度な手法による

アナリティクス

【4】カスタマーエクスペリエンスの向上と顧客

360°ビュー

【2】全社データ統合によるアナリティクス

【3】IoTデータによるビジネスや社会への貢献

産業界におけるデータ統合･アナリティクスのトレンド

23

SIEMENS様

デジタライゼーションを支えるインダストリアル･データ分析


Siemensのデジタライゼーション

Siemensのデジタライゼーション～デジタル技術のトレンドを活用し、実際の利益をお客様に提供

接続および Web-of-systems

連携およびモバイル

スマート・データおよび分析

クラウド技術

サイバーセキュリティ

メンテナンスおよびサービス

自動化および運用

デザインおよびエンジニアリング

生産性の向上とマーケティングの迅速化

柔軟性と回復力の向上

可用性と効率の向上

顧客バリューチェーン全体に渡って … … 仮想世界と現実世界を結合


Siemensはすべての事業向けに共通のテクノロジー・プラットフォームを構築

プロセス・インダストリー & ドライブ

デジタル・ファクトリー

エネルギー管理

ヘルスケア

電気およびガス発電サービス

風力

交通

建築技術

Sinalytics

可用性セキュリティ

生産性エネルギー効率さらに、当社の事業部門とお客様のプロセスおよび課題に関する深いノウハウを駆使し近似性を利用してアプリを開発

Sinalyticsは事業の近似性とスケールの利点を創出


Sinalytics 接続、高度な分析、

サイバーセキュリティを実現

接続

300,000台超の接続されている装置 (風力タービン、ビル、列車など)

高度な分析

ワールドクラスの技術を活用してスマート・データから新たな洞察を獲得

お客様が得る結果

‒ 可用性の向上 ‒ コストの削減 ‒ パフォーマンスの向上

‒ セキュリティの強化

ノウハウ ‒ 製品、領域、データ・サイエンスのノウハウ

‒ 全般的なITのノウハウ

17,500人 160人

のソフトウェア・エンジニア

のデータ・サイエンティスト

データ主導型サービスの基盤：Sinalytics ～データ分析･接続･サイバーセキュリティの技術を提供


– スペインの鉄道会社Renfeが運行する 26台の高速列車 (マドリード-バルセロナ-マラガ間)

– 可用性保証付のパフォーマンス契約

– 15分超の遅延発生時には乗客に払い戻し

– 定時運行率99.9%

– 60%の乗客が飛行機から列車に切り替えた

デジタル化がすべてを変える…


BT DF PD PG PS WP EM MO HC

… EnergyIP Mindsphere

多様なデータ・ソースおよびデータ種別

共通の産業データ分析プラットフォーム ‒ 各層に複数の市販ツールあり ‒ 各ツールは「グルー・コード」によって相互に統合

‒ オンプレミスおよびクラウド配備が可能

共通のデータ分析セットアップ ‒ モジュール式の分析ソリューション・パッケージ

接続 ‒ 信頼性と安全性の高いソリューションを構築例: 共通のリモート・サービス・プラットフォーム

業界特化型のアプリケーション/プラットフォーム

Siemensデジタル・サービス

事業部別の用途の実践

原動力は Sinalytics

ITセ

キュ

リテ

ィ・

ソリ

ュー

ショ

ン

~300,000台の機器 cRSP、ISB ...

データ分析

データ統合

データ管理

データ提示

オンプレミスクラウド

利用例1

利用例2

… … … 利用例n

カスタマイズ可能な分析ソリューション･パッケージ Sinalytics

Sinalyticsは接続とデータ分析の強力な技術スタックを構築～これらを支えるのが最先端のサイバーセキュリティ


多様なデータ・ソースおよびデータ種別

~300,000台の機器

cRSP、ISB

...

オンプレミスクラウド

利用例1 利用例2 …

カスタマイズ可能な分析ソリューション・パッケージ

DF PD PG PS WP …

… EnergyIP Mindsphere

データ管理処理速度やデータ種別(構造化データと非構造化データ)に関して異なるストレージへのニーズに対処するためのデータベース類

各層の説明

データ分析

データ統合

データ管理

データ提示

ストリーム処理

リレーショナル・データ管理

オペレーショナル・データベース

NoSQLデータ管理

超並列処理、シェアード・ナッシング、高い情報密度、インデータベース分析

超並列処理、シェアード・ナッシング、低い情報密度、遅延バインディング、コールド・データ、すべてを収集、インデータストア分析

Data

Lake

データ管理～統合データウェアハウスおよび Hadoop (オンプレミス)

Aster … など


結果

資産の可用性向上

不要なメンテナンスの回避

メンテナンスのコスト削減

鉄道輸送

– 市場の推進因子

– 鉄道経営者の課題

– 鉄道利用者の需要

列車

– 鉄道車両のエンジニアリング

– 機械的振動

– センサー特性

– 保全業務

データ・サイエンス

– パターン識別

– 機械学習

– 自動アラート発信

領域のノウハウ

背景のノウハウ

お客様にとっての価値

分析のノウハウ

Siemens

Sinalyticsを原動力とするSiemensデジタル･サービス

例: 列車の予測保全


結果

NOx排出量低減

点検間隔の拡大

エネルギーシステム

– 市場の推進因子

– 顧客のニーズ

– 製品のサイクル

ガスタービン

– 機械工学

– 熱力学

– 燃焼化学

– センサー特性

自律的学習

– ニューラル・ネットワーク

– スマート･データ･アーキテクチャが毎秒5,000種のセンサーからのデータを処理


背景のノウハウ

お客様にとっての価値


Siemens

Sinalyticsを原動力とするSiemensデジタル･サービス

例: ガスタービン運転の最適化


Siemens Smart Data Labの設置

創造的イノベーション: デー

タと利用例を分析して、可能

性を推定し、プランを策定

出足は早く:

素早く失敗 / 素早く成功

スマート・データ・ディスカバリースマート・アプリケーション開発

特化型のアルゴリズムを実装

するアプリケーションを開発

共有アーキテクチャ・フレー

ムワークを利用

相乗効果を最大化

カスタマイズ可能な分析ソリューション・パッケージ

Data analysis

データ統合

データ分析

データ提示

データ管理

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 0

Smart Data Lab

データアイディア +

サービス/ アプリ

アイデアプラン


1 1 1 1 1 1 1 0 1 1 1 1 1 1

1 1 1 1 1 0 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 0 1 1 1

1 1 1 1 1 0 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 0 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 1 1 1 1 1 1 1 0 1 1 1 1 0

Smart Data Lab

高性能

ハードウェア (オンプレミス / クラウド)

データ分析

ソフトウェア


領域のエキスパート


データサイエンティスト

Smart Data Labにおけるスマート・データツールおよび専門知識


ビジネスの把握

データの把握

データ準備

モデリング

評価アジャイル・

データ分析のサイクル

BU

DU

M

E

DP

1 1 1 1 1 1 1 0 1 1 1 1 1 1

1 1 1 1 1 0 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 0 1 1 1

1 1 1 1 1 0 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 0 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 1 1 1 1 1 1 1 0 1 1 1 1 0

Smart Data Lab

Smart Data Lab アジャイル分析 - 「早いうちに何度も失敗」が分析成功の鍵


探索的分析 Aster アフィニティ関数の利用

• 各ノードは修理コードに対応している。

• ノード間のラインは、2つの修理が同一の機関車でされたことを示す。（太ければ

太いほど回数が多い）

• 組み合わせでおきる故障部位の識別にこの分析が使われ、目的変数の予知に活用さ

れる。

All engine problems Relevant = 2 Relevant = 1

修理部品の関連性分析の事例です。同時に発生する故障部品の特定などにより、品質向上や故障予知に活用しています。Teradata Asterにより、SQLベースでインタラクテイブ、かつビジュアルに結果を得られています。


探索的分析 Aster nPath関数の利用

• 予知のための説明変数の順序付けにより、さらに深い分析が可能となる。

• 例：エンジンの故障の３日前に、エンジン温度の１日の変化パターンが、中-低-中となることが多い。

パスパターン分析の事例です。エンジン故障に到るまでのイベントやステータスをパターン分析して、故障予知や未然防止に役立てています。これもインタラクティブに、ビジュアルに表現されます。

37

トヨタIT開発センター様

危険運転分析・危険場所分析による交通事故削減


テレマティクス・ビッグデータ分析～運転を科学するための情報インフラ自動構築～

39

大手小売業様

顧客/オムニチャネル･データ分析


チャネルを横断するようなオムニチャネルの時代においては、全チャネルで発生した顧客の行動データを把握し、販売拡大のための分析を行う必要があります。

大手小売業：顧客/オムニチャネル･データ分析

閲覧選定購入受領利用保有推奨

店頭購買

関連品取扱い店舗問合せ

利用方法/FAQ調査

利用方法問合せ

アンケート回答

商品/店舗指定

関連品購買

レビュー書込み

商品閲覧

検索

メール受信 (該当商品)

店頭確認

他店/WEB/SNS チェック

WEB

Mobile

コールセンター

店舗

コミュニティ確認

他店/WEB/SNS チェック

メール受信 (関連・新商品)

コミュニティ確認

店頭購買

満足度ツイート

レビュー書込み


従来の単品定型分析と消費者の期待や購買背景などを探る非定型分析を合わせ、様々な角度から精確な仮説をあぶりだすことで店舗や顧客に新たな価値を提供できます。

大手小売業：従来のデータ(構造化)＋新しいデータ(非構造化)によるハイブリッド分析

潜在ニーズ

商品力販促力

店舗力

購買行動

文書情報

相関関係

センサー

経路因果関係

画像情報

商品店舗顧客

発注在庫販売

従来の構造化データ

新しい非構造化データ


販売実績と購買行動を合わせた分析例

商品数量金額粗利粗利率単価

商品A 20 2800 980 35.00 140

商品B 15 1950 975 50.00 130

商品C 10 1300 585 45.00 130

例として、”品揃えの評価”について記します。

• 試食評価やTwitter投稿では商品Cの人気が高い

• ｢商品A｣が数量･金額･粗利ともに最も高く、前年比･先週比ともに伸び率が最も高いため、重点商品として品揃えを強化

②非定型分析（非構造化データ）

文書情報

• 商品Bとお茶系飲料との関連購買率が高く、商品Aは単品買いが多い

相関関係

センサー

• 店頭の気温センサーから25度を超えると商品Aが伸びる

因果関係

経路

• 商品AはWebで特集記事があったためWebからの流入が多かった

• ｢商品C｣は潜在ニーズがある

• ｢商品B｣は関連購買で売上増加を期待できる

• 翌日は気温が低い予想以上から明日は｢商品B｣｢商品C｣を重点商品とする

定型のみからの仮説定型＋非定型による仮説 ①定型分析（構造化データ）

品揃え評価

配布用


360o Customer

View

顧客情報

商品情報

コンタクトとインタラク

ションの履歴

POS 取引データ

在庫管理

顧客の収益性

統合ウエブデータ

消費者行動

購買 Path; 移動; 行動, 滞留時間

購買 Path, 口コミ; 放棄

ソーシャル

ソーシャルメディア, ファン,

興味ツイート, 影響者

音声とテキスト

電話でのやりといりをテキストに起

こす

アトリビューションバスケットに最初に入る商品ターゲット、

パーソナライズ

デジタル

●顧客を理解し、オムチャネルを最大限活用するためには、顧客を起点にしたデータ統合が必要です。

顧客中心およびオムニチャネル対応戦略まとめ

44

大手通信業様

設備投資優先順位の最適化


キャパシティデータに加え、収益に貢献しているトラフィックを新たに分析設備投資の優先順位を最適化（BSS*とOSS*データの突合）

通信業：設備投資優先順位の最適化/トラフィック分析

ハイバリュー顧客層の利用が多いサービス設備への重点投資、および解約率低減の実現

収益性に基づきネットワーク設備計画を最適化し、全体でCAPEXの9%を削減

より広帯域のサービスを要求しているエリア・顧客から優先的に次世代サービスを展開

*CAPEX: Capital Expenditure (資本支出。資産計上(減価償却)の対象) BSS: Business Support System OSS: Operation Support System

ビジネスパーク (法人契約が多い)

国際空港 (ローミングが多い)

トラヒック分布全体ハイバリュー顧客のトラヒック分布

(ARPU >€50)


Agenda




まとめ



まとめ

ビジネスのリデザインである IoTにより、これまで出来なかったことができ、新しいビジネスモデルが創出され、業務プロセスが変革される

例えば、製品販売でなく、サービス・ビジネスへ変革（SIEMENSなど）

例えば、スマートファクトリーにより、マスカスタマイゼーションが実現（インダストリー4.0など）

IoTの本質とは何か？

IoTにおけるデータマネジメントとは？

従来のデータマネジメントより高度な対応が必要であるデータの種類・量が膨大。発生場所も多岐に渡り、管理手法をIoTの処理に合わせる必要がある

業務系と分析系の中で、“分析”が肝。高度な統計解析、機械学習、深層学習を駆使したAIをいかに有効に使えるかがCSFとなる


産業界

ビジネスのデジタル化

マーケット・消費者

デジタルライフの浸透

データ主導が可能なIT基盤の構築

経営トップのリーダーシップ

社員全員がアナリティクスでビジネス

データ主導型ビジネスの必要性

ビジネスで最も重要なことは“データ”！


IoTなどのビッグデータ活用を成功させるためのKSF

内容 KSF

構造化データはTeradata RDBMSなど、非構造化データはHadoopやアナリティクス分析基盤のTeradata Asterなどを採用し、エコシステムを構築、活用する

クラウドでもオンプレでも必要に応じたシステムとする

② 構造化データ、非構造化データを扱えるエコシステムを構築し、活用すること

トップ自ら“データ&アナリティクス経営”を実践し、DMO(Data Management Office)やBICCを設置し、全社に向かってコミットする

企業体質を経験と勘からデータ主導型へ転換させる

③ 全社でアナリティクスに取り組むことをCDOなどのトップが認識・宣言し、コミットすること

アナリティクスは、ウォーターフォール型開発とは異なり、アジャイル型で、“Fail Fast”の考え方で実行する

そのためには、アナリティクス方法論(Teradataでは“RACE”)を使用し、短いサイクルでアナリティクスのトライアルを素早く何回も回す

① ビジネスユーザー、ビジネスコンサルタント、データサイエンティスト、ITエンジニアがチームを作りアナリティクスに取り組むこと

●IoTなどのビッグデータ活用を成功させ、ビジネスに貢献するためには次の3つのKSFを遂行することが必要です。


Agenda




まとめ



Teradata会社概要

Teradata Corporation（本社米国オハイオ州デイトン）代表者社長兼 CEO ビクター・ランド

日本テラデータ株式会社（本社東京都港区）代表者代表取締役社長吉川幸彦

1979 1991 2007 2011

Teradata Corporation設立

NCRが買収

戦略的分社・NY証券取引所上場

戦略的買収の実施

11,500 Employees

77 Countries

2,600+

Systems

1,450+

Customers

リーダー of Analytics

Teradataは1979年にアメリカで設立して以来38年にわたり、アナリティクスに特化した製品・サービスをご提供しています。

第三者の評価で No.1 ・“Gartner Critical Capabilities Report”

http://www.aprimo.com/


テラデータのソリューション

Consulting Products Implement Support Education

統合DWH - Teradata DB - サーバ・ストレージ - ツール Discovery Platform - Teradata Aster Data Lake - Hadoop Application - マーケティング･CRM - マイニング - BI - 業種別アプリケーション

ビジネステンプレート -業務改善課題 -ビジネスクエスチョン -KPI -分析ケース集 LDM*テンプレート -業種別 LDM コンサル・メニュ - 情報戦略/構想策定 - ビッグデータ・IoT アナリティクス - Data Mart Consolidation

- 設計サービス - 実装サービス - 運用サービス - LDMのPDM**化

- 定期研修 - オンサイト研修 - 資格認定（TCPP）

- S/Wサポート - H/Wサポート

＊LDM=論理データモデル

＊＊PDM=物理データモデル

情報戦略の策定から、ITインフラの構築、運用・保守まで一貫してご提供しています。


第三者の評価 “Gartner Critical Capabilities Report” Teradata Receives the Highest Product Scores in All Four Use Cases for Data Warehouse and Data Management Solutions for Analytics

Gartner “Critical Capabilities for Data Warehouse and Data Management Solutions for Analytics”

Logical Data Warehouse Traditional BI Services Operational BI Services Context-Independent BI

Services

Teradata Active Data Warehouse Teradata Aster Teradata UDA

#1 #1 #1 #1


•各業界のリーディング･カンパニーから幅広く支持を得る

•通信

•金融

•小売

•旅行･運送

•製造

•保険 & ヘルスケア

•官公庁

•全世界で約1,450社、

2,600システム以上の導入実績

- 2016年12月現在 -

世界の小売Top20 の70%

世界の通信Top20 の95%

世界の旅行･運送Top20 の70%

世界の製造Top20 の60%

世界の金融Top20 の90%

世界のトップ企業がTeradataを活用

Based on 2013 Fortune Global 500 data released 2014.


ご清聴ありがとうございました

終わりに・・・

お問合せ先

金井啓一 [email protected]


mailto:[email protected]

56

Documents

ビッグデータやIoTをいかにビジネスに活かすか？ ～国内外の ... · 2017-07-31 · aca 2017年7月 例会 ビッグデータやiotをいかにビジネスに活かすか？

ビッグデータやIoTをいかにビジネスに活かすか？～国内外の ... · 2017-07-31 · aca 2017年7月例会ビッグデータやiotをいかにビジネスに活かすか？