メーカーが傾聴する３つの声－VoC,VoM and VoE

VoC,VoM,VoEとは、
　　VoC:顧客の声
　　VoM：設備、マシンの声
　　VoE:社員の声
これを、ビッグデータで活用してやるという話を、

Information On Demand Conference Japan 2013(iodc2013)
http://www-06.ibm.com/software/jp/data/events/iodc2013/

の「メーカーが傾聴する３つの声－VoC,VoM　and VoE」で
聞いてきたのでメモメモ

---

海外の事例
　・日本：技術立国
　　　→マーケティングとかは、海外のほうが進んでいる

顧客；すまたーこんしゅーまー
　　・機能化
　　・共有化

メーカー：顧客情報をメーカーが持つにはハードル高い
　　・アンケート、SNS
　　・顧客DBを作るのは、まだまだ？
　自動車：お客様情報はディーラーが持っている
　　　→ディーラー間の競合

お客様が企業側とつながってきた
　デジタルフットプリント（データの足跡）

カスタマーエクスペリエンス
　　→お客様を分析する
　　　　　→３６０度はあく
　　　お客様ジャーニーの分析

データ：３つに
　　VoC:顧客の声
　　　　お客様の反応を分析（リアクティブ）
　　　　　　ソーシャルリスニング
　　　　　　　　：GM／次のアクションにつなげる
　　　　　　バーチャルショールーム
　　　　　　　　：エリザベス・アーデン／ダラス空港でバーチャル店舗＆データ収集
　　　　　　　　：Kinectを使ってバーチャルに運転→バックエンドで解析
　　　　　　　　　実店舗、サイバーでなくバーチャル
　　　　　　ボイスオブマシーン（２つ）
　　　　　　　　ネクストサービス予測（PAO)
　　　　　　　　リアルタイム化：故障情報の入手／テレマティックス
　　VoM：設備、マシンの声
　　VoE:社員の声
　　　　働きかけて顧客を知る（プロアクティブ）
　　　　　　ボイスオブフレンズ
　　　　　　現地社員の声
　　　　　　Jam


イノベーションへの貢献度
　　・一般社員　　
　　・ビジネスパートナー
　　・顧客
（コンサルタント、大学の先生はあまり寄与してない）

ソーシャルネットワークを使ってアイデア

P&G　「生活してみる」プログラム
　　Tide
サムスン　地方専門化制度
　　FMCG：ファストむーびんぐこんしゅーまーぐっず：変化の早い商品
　　小分けにする


Jam
　　Jamセッションをオンライン上でブレーンストーミングで
　　４万６０００件のアイデア：量が質を生む

・ソーシャルメディア分析→何ができる？
　ニーズと技術の交点

・いろんな人を巻き込んで、いろんな人と分析
・目安箱：おかみにいう
　Jam：横のつながり、多面的

　カスタマーエクスペリエンスJam


社内アイデアの創出（国内製造業）


顧客とのコラボレーション
　　共創する場の提供
　　顧客はメーカーと共創し、身近らの体験を提供したいと思っている
　　　　商品の企画・開発・サポートは参加したい
　　スターバックスの例
　　ユーザーを参加させて、潜在ニーズを特定する
　　　　Lego　Mindstorms：プロシューマー、コミュニティ
　　　　バーチャルとリアルの相関関係

コラボレーションのための多様な関係者と多様なフォーマットへの対応
　　ソーシャル・リスニング・プラットフォーム
　　できるところから：顧客データの統合

デジタル・コラボレーション・プラットフォームの構築
　　顧客情報の収集・統合の必要性
　　　　取引データ
　　　　非構造データ
　　海外OEM事例：効果の上がるところから、ダッシュボード的に見せる
　　　データモデルを作る
　　　　全社共通と、ローカライズを許すもの
　　　　リリースプランニング：顧客DBも進化
　　　　効果のあるものを統合
　　　　論理的な会社共通DB

インテリジェント・カスタマー・エクスペリエンス（ICE)全体概要
　　BigDataおよび先進ソリューションを活用したかつてない顧客体験価値の創出

Hadoopは、「今では古くなった技術」－今はデータベースをＦＰＧＡで！

Hadoopで、「全ては」できない。
そういう意味で、昔のHadoopに期待していた、

　　「Hadoop入れてまわせば、Bigdataで儲かるよね！？」

という考え？技術？？は今では昔のものになったのかも・・

今の考えは、IBMのPureDataのように、
どうも、Hadoopだけじゃなく、何種類かのデータマネジメント手法が必要で、

　　・１つは、ＢＩ（＝可視化）
　　・１つは、データをためておく（＝スケール）
　　・１つは、高度分析（＝高速計算処理）

と考えるのが相場のようだ。このとき、処理をＦＰＧＡでやらせたほうが、確かに早いだろう。
Hadoop、Hadoopばっかり連呼していると、
時代遅れかも（っていうか、もともと勘違いだけどね、それ）

---

とかいう話に、心のつながりを持った？

Information On Demand Conference Japan 2013(iodc2013)
http://www-06.ibm.com/software/jp/data/events/iodc2013/

の

進化するビッグデータ分析アプライアンスが生み出す企業価値
データウェアハウスアプライアンスの最新バージョン

を聞いてきたので、メモメモ・・・

---

はじめに
・ビッグデータとは
・IBMのアプライアンスとは
・分析とは
皆様のビジネスには、なにが必要ですか？（企業価値とは？）

・ビッグデータ
　ベンダーが言っている？
　　→ハードが売れる？という思惑
　　→バズワード？
　企業にとってビッグデータとは？
　　→結果を出す。儲からなければいけない
　　→なにをしなければいけないか？

・ビッグデータとは
　Twitterの傾向：ビジネスにつなげられるか？
　Facebookのいいね！：見つかったとして、ビジネスにつながる？

■IBMのアプライアンスとは
　なぜ、ハードを売る？
　　→価値のある製品
　　→PureDataという答え
　　　　３種類作った
　　　　　　トランザクション：OLAP
　　　　　　オペレーショナル：データウェアハウス
　　　　　　分析用→今日説明
　大量データをどう企業価値につなげるか
　　ねてぃーざ（IBMが買収）したテクノロジ

・PureData for Analytics
　　簡単、早く、安い：ビジネスにどう大事なのか？
　　去年正しいことが、今年間違い
　　　→一度設計したものが、まったく違うものに

　RedHat

・デモ
　　DB接続
　　DB作成
　　Webログ１億件、１１Gのデータの
　　　　テーブル作成
　　　　テーブルに読み込み　１分６秒
　　　　るあーというプログラムで、
　　　　　　ドメインを切り出すプログラムをつくってあるので
　　　　　　登録する
　　SPSSから
　　　　テーブルアクセス
　　　　登録したプログラムを呼び出す
　　　　　　→１億件分切り出す
　　　　レコード集約（GROUP　BY)
　　　　並べ替えTop100を表示

・これを自分たちのシステムでやったら？

・なぜ、こんなことができるのか？
　　パラレルマシン：２４０並列→DBを積んでる
　　自分は技術を理解しなくていい
　　FPGAを積んでいる

・FPGAによるストリーミング処理
　　インテリジェント・クエリー・ストリーミング処理
　　→これだけで、何倍もの差

■進化する分析アプライアンスの活用
　　BI：レポートするだけ
　　データマイニング、分析：サンプリング

　　　　時代が変わった

　　
　　サンプリングではわからない：毎日毎日、はやっていることが違う
　　　大量データを使って分析する→最適化まで
　　　インデータベースアナリティクス
　　　　　DBにないファンクションをプログラム

従来の分析システム
・今では古くなったHadoopを使って分析
　　８Pとか持っている（Hadoopではまわせない）
・インデータベースでできる

・デモ
　　地図情報のデモ：売上データ

顔検出技術を使って、動画のビッグデータ処理をする話

昨日、

Information On Demand Conference Japan 2013(iodc2013)
http://www-06.ibm.com/software/jp/data/events/iodc2013/


で聞いてきた。

そのセッションの中の１つ

IBMのビッグデータ・プラットフォーム戦略（２）
ビッグデータ・テクノジーの使い方とユースケースの実演

について、メモメモ
(表題の顔検出に関しては、一番最後）

---

■セミナー内容

多くの人が様子を見ている
　　情報収集・勉強中
　　誰かが始めたからうちも
　　ちゃんと勉強しておかないと　２８％

　まずは、小さくはじめる
　　手のひらで動く

IBMの技術は多くの分野で応用
　事例があるのはよくわかるけど、具体的には
　ビッグデータ活用：５つのシナリオ
　　　・可視化する
　　　・顧客に関する視点を広くする
　　　・セキュリティをインテリジェントに
　　　・データウェアハウスを拡張する
　　　・マシンデータを可視化し、分析する

---

複数のログから原因を特定する難しさ
　　HTTP 500内部サーバーエラー
　　　非構造化、半構造化
　　→パッケージ化されたソリューション
　　　　Hadoopが後ろで動いている
　　　　　　Bigdata=Hadoopといわれていた時代もあった
　ログのパターンを見つける
　MDA(マシンデータアクセラレータ）

データサイエンティスト的にいうと
　ロジスティック回帰アルゴリズム

---

すべてのデータとあらゆる分析を活用できる
新しいアーキテクチャ
　ちがうところ
　　　リアルタイム：アルゴリズムトレーディング（スピード）
　　　非構造化データ（多様化）：Hadoop
　　　　　→ランディングさせる、
　　　　　　アーカイブ

いままで：何かにためて処理をする（タイムラグ）
　　→ストリームコンピューティング
　　　リアルタイム分析
　　　時系列リアルタイム分析（予測：実績）

データサイエンティスト的にいうと
ARIMAモデル（自己回帰和分移動平均）

---

動画のリアルタイム分析
　Amazonのクラウド上のデモ環境：１時間ぐらいで作れる
　　動画ファイルを読み込み
　　顔検出→丸をつける

データサイエンティスト的に言うと
Haar-Like検出アルゴリズム
　　→オープンソースでダウンロードできる
　　　学習させる（機械学習）
　　　OpenCVをいれて

火事が起きたときのPM2.5の拡散のリアルタイム分析

５年１０年たつと、リアルタイム処理が普通になる？かも？？

ハンズオンラボの機会を５月か６月にも・・

---

■セミナーが終わって

一番最後の「動画のリアルタイム分析」が、

　顔検出技術を使って、動画のビッグデータ処理をする話

に相当する。

顔検出技術が、「Haar-Like検出アルゴリズム」で、
OpenCVでは、これを利用して、顔検出ができる。

具体的なやり方は

Haar-like特徴を用いた顔の認識
http://d.hatena.ne.jp/a-sukiyaki/20120805/p1

を参照のこと。

ＯｐｅｎＣＶの入手に関しては

OpenCV のインストール
http://www.ok.ctrl.titech.ac.jp/~tkanda/opencv_install.htm

や

opencv.jp
http://opencv.jp/

を参照のこと

「ビッグデータには５つのシナリオがある」とＩＢＭは考えているらしい

ちなみに、その５つとは

（１）可視化し探索する
（２）お客様の視点で広く
（３）セキュリティ
（４）マシンから出てきたデータの活用
（５）データウェアハウスの拡張


なんて話を、昨日、

Information On Demand Conference Japan 2013(iodc2013)
http://www-06.ibm.com/software/jp/data/events/iodc2013/


で聞いてきた。

そのセッションの中の１つ

IBMのビッグデータプラットフォーム戦略（１）
正しいビッグデータ・テクノロジーの選び方

についてメモメモ

---

■ビッグデータ活用の取り組み
・全世界のビッグデータに対する取り組み
　　やっている　７５パーセントがなんらかはじめている（計画も含め）
　　なんのため　５０％がお客様を知りたい
　　　　　　　　　業務の最適化、リスクもあるが・・
　　業界別に　　公共部門は、業務の効率化もある
　　インフラは　いままでもやってたこと４つ
　　　　ウェアハウス、統合、セキュリティがあって＋Hadoop、
　　　　→まずは基礎
　　　　　すでにビッグデータと呼べるものがある
　　データ　トランザクション、ログ、e-mail
　　なにをする　レポート、マイニング
　　段階
　　　　準備
　　　　検討
　　　　試行
　　　　実行　６％
　　　積極的にやられている人でも、こんなもん
　　　　→どこからやればいい

　私たちの生活は、この１０数年で、何が変わりましたか？
　　　ノートは紙だった
　　　一番変わったのは地図：電子的
　　　買い物：ネットでショッピング
　　　車：カーナビ
　　　犯罪：インターネット→国境がない犯罪

　データは生成され続けている
　　　人が動くたび
　　　動かなくても

　四つのV
　　　ボリューム
　　　多様性
　　　スピード
　　　不確かな情報：ソーシャル、意見

　新しい特性を持ったデータのつながり
　　　従来のアプローチ：トランザクション
　　　新しいデータのアプローチ：ソーシャル、センサー：非構造化、準構造化　

■ビッグデータのユースケース
５つのシナリオ：手がつけやすい

（１）可視化し探索する
　　どんなデータをどこに持っているか
　　１箇所に集めずに、どうつながっているかを見極める

（２）お客様の視点で広く
　　　ソーシャル、センサー

（３）セキュリティ
　　　セキュリティ、犯罪の対策に活用

（４）マシンから出てきたデータの活用
　　　サーバーのログファイル
　　　エラー→知見（機械学習も含め）

（５）データウェアハウスの拡張

今日は３つ

・可視化し探索する
　　データ探索
　　　ソースをつなげる役割：もっと簡単に
　　　　　→どこを深堀すればいいか？
　　　　　　Infosophia data explorer

・マシンから出てきたデータの活用
　　タイムスタンプがあっているか
　　ログがいろいろある→一元的に見えないか？
　　　Big Insights＋アプリケーション

　　いかに効率よく監視
　　アプリケーションに学ばせて
　　モデリングの仕組みも


・データウェアハウスの拡張
　　新しいデータ（非構造化データ）を構造化（Hadoopで）
　　ソーシャルのノイズの除去

　　ビジネス・バリュー・マップ（３つ）
　　　データの事前処理を行うハブ（Hadoop→DW）
　　　検索可能なアーカイブ（DW→Hadoop）
　　　データのディスカバリーと分析

■活用可能なテクノロジーとその選び方
活用の３要素
　・データ
　・テクノロジー
　・業務への適用と効果

テクノロジー：特徴と使い方
　・ディスク装置
　・データが流れる
　・非構造化データ

　データ統合Data Explorer
　サンドボックス：Big Insights(Hadoop)
　ウェアハウス:Pure Data,DB2
　動的予測・アクション（リアルタイム）Streams

　　→SPSSなどの判断

IT予算の６８％は保守
さらに、空調、電源費用も
新規プロジェクトに半分の予算；５分の１
　→ピュアシステム：コスト削減
　　Pure Data System For Hadoop(Big Insight)
　　　スタートがすぐに切れるように

パラメータ
　　データの種類
　　データ量と分析
　　リアルタイム
　　構築スキル
　　分析スキル
　　ROIとリードタイム
　　コスト

IBMが提供するテクノロジー
　　アクセラレーター

ビッグデータの活用は、テクノロジーの組み合わせ
　　テクノロジーと考え方