Comments
Description
Transcript
PDFを見る
SAPのデータベース戦略
一般的な情報系システム・ランドスケープ
連携基盤・情報系システム
情報取得元
データの連携
データ統合
SAP ERP
見るためのデータ
データ保持
データベース
データの集約/統合
CSV, FPT
データの差分更新
データ管理
© 2014 SAP AG. All rights reserved.
DM
DM
ODS
バッチ&リアルタイム
Hadoop
Webサービス
DWH
データの追加/補足/変換
MS Excel
データ活用
報告書作成/印刷
データの抽出/格納
業務アプリ
情報分析活用
見える化/見せる化
データの自由分析
MS Officeでの利用
DM
予測/マイニング
メタデータ管理
データの関連付け
データの意味付け
データの精度
3
SAPデータベース戦略概要
SAP HANAを中心としたリアルタイム・データ・プラットフォーム基盤
SAP Sybase ASE
SAP Sybase IQ
#1 分析データベース
(ベストTCOを実現)
#1 トランザクション・
データベース
(ベストTCOを実現)
世界最大のデータウェ
アハウスとしてギネス
ブックから認定！
DB成長率 No1
SAP Sybase
SQL Anywhere
Sybase ESP,
Replication Server,
PowerDesigner, + SAP EIM
#1 モバイル、
埋め込み型
データベース
#1 リアルタイム実現
のための統合
EIMプラットフォーム
SAP HANA
OEMパートナー
1,200社以上
In-Memory
Real-Time
OLTP + OLAPを実現
SAP リアルタイムデータプラットフォーム
© 2014 SAP AG. All rights reserved.
2万社以上の法人顧客
Open for
Partners
4
SAP HANAを中心としたReal-Time Data Platform
リアルタイム分析
リアルタイムトランザクション
SAP Fiori
SAP
SAP
Mobile Analytics
SAP
BW
SAP HANA Platform
SAP
In-Memory
SAP
Business Suite
カスタム Big-Data アプリ
テイラー
メード
医療
予防
保全
ゲノム
解析
製品
テスト
最適化
3rd Party Software
リアル リアル
タイム タイム
戦況解析 オファー
M2M /
ITS
センティ
メント
分析
テキスト検索
予測分析ライブラリー
Information Composer
モデリングスタジオ
計画および
計算エンジン
地理情報エンジン
アプリケーションサービス
（JS, Odata, など）
HA/DR構成
ビジネスルール
エンジン
R & Hadoop 統合
Smart Data Access
SAP
Sybase
ASE
© 2014 SAP AG. All rights reserved.
MS SQL
Teradata
Oracle
SDK for
Custom
Adopter
5
SAP HANA概要
SAP HANAの進化
高速データマートから真のリアルタイムプラットフォームへ
2013.11
2013.06
2012.11
2012.05
2011.11
2011.06
2010.11
SP7
SP6
SP5
SP4
SP3
SP2
SP1
HANAアプリケーションの
充実/機能拡張
© 2014 SAP AG. All rights reserved.
リアルタイムビジネスの
プラットフォームとしての進化
7
SAP HANAの目指すところ
バッチ処理時間の短縮、処理頻度を上げることで、鮮度の高い情報提供
を実現
業務形システム
からのロード
システム部門による作業
従来技術
SAP
加工・集計
1日バッチ
クエリ
数時間バッチ
モバイル
利用者による作業
30分
？？
！数秒
脱データウェアハウス、待ち時間ゼロの世界へ
真のモバイル活用による業務変革を実現
障害時のリカバリーを短時間でリカバリー可能
© 2014 SAP AG. All rights reserved.
8
Database：インメモリDBアプライアンス
SAP HANA
SAP
Business
Objects
Other
Applications
MDX
SQL
BICS
x100,000
SAP HANA®
SAP HANA Studio
データベースモデリング・運用管理
SAP HANA データベース
行・列型ストア
計算・計画
エンジン
リアルタイム
データ
レプリケーション
バッチ
データロード
(ETL)
Real Time Replication / ETL
SAP
SAP BW
BusinessSuite
3rd Party
System
© 2014 SAP AG. All rights reserved.
“超高速”
3rd Party
DB / DWH
メモリへのアクセス速度は約
50ナノ秒、HDDへのアクセス
速度は約5,000,000ナノ秒
実に、10万倍の性能差
”経済性”
1/5~1/10
特許取得のディクショナリ圧
縮により、データ容量を1/5
～ 1/10（ 最大では1/30 ）
に自動的に圧縮
”汎用性”
93％
Intel® Xeon® E7プロセッサの
性能を極限まで引き出せ、NEC、
HP、富士通、DELL、IBM、日立、
Cisco、Huawei、VCE 計9社の
IAサーバーから選択
”拡張性”
8TB
スケールアウト構成で、最大
16ノード/8TBメモリ（圧縮
後サイズ）まで認定。ラボで
は、既に100ノード/100TB
が検証実績あり
9
DWHベンダの戦略とSAP HANAの位置づけ
～情報を「貯める」から「使う・生かす」（インメモリ・カラム）へ～
DWHベンダ各社が、情報を安価なHDDに格納して大量データを貯蓄する時代から、より高速に取り出
してビジネスや戦略に活用するという時代への変化しています。H/W（メモリ）、S/W（カラム型）
の両方の技術を採用しているのが、SAP HANAになります。
メモリ
2007年
SolidDBを買収
2005年
TimesTenを買収
2010年
HANAリリース
超高速
（多重アクセス含む）
マートレス
ERP連携/BO連携
2013年6月
DB2 BLU提供開始
2013年 OOW
Oracle 12C発表
Raw型
2010年
IBMが買収
2010年
SAPが買収
ディスク
© 2014 SAP AG. All rights reserved.
2011年3月
Teradataが買収
Column型
2011年2月
HPが買収
10
SAP HANAの特長
インメモリコンピューティングの基本要素
SAPのHWとSWの革新と融合により実現された
インメモリ・コンピューティング
HW Technology
Innovations
SAP SW Technology
Innovations
+
行およびカラムストア
マルチコア アーキテクチャ
大規模並列スケールアウト
圧縮
SAPのインメモリ・コンピューティングが
もたらす主な効果
HW＆SW
HW＆SW
SW
パーティションニング
SW
64-bit アドレススペース
2TB メインメモリ
100GB/s データスループッ
ト
© 2014 SAP AG. All rights reserved.
集計テーブルなし
+
+ ++
読込、書込の最適化
SW
全てのデータをメモリ上に置くこと
でDISK I/Oボトルネックを解消
カラム単位とパーティショニング単
位で並列処理を行うことにより処理
速度向上
カラム単位の圧縮によりメモリ最適
化によるデータ処理効率向上
集計テーブルが不要になることで開
発＆運用面での工数削減
高圧縮率と高速書込、高速読込を同
時に実現 カラムストア アーキテ
クチャー
12
SAP HANA SW Technology －行およびカラムストア－
ローとカラムストア
カラム単位で格納することで必要なデータのみ高速検索が可能
従来の DB
行（row）でテーブルに格納
行1
行2
列の全値を検索（フルテーブルスキャン）:
１行目へ移動
列の値をチェック
次の行へ移動
列の値をチェック
テーブル内で各レコード別に反復
全ての行を読み込む必要がある！
© 2014 SAP AG. All rights reserved.
In-Memory Computing Engine
列（column）でテーブルに格納
主キー
列1 列2 列3 列4 列5
列の全値を検索（フルカラムスキャン）
対象列へ移動
その行データを読み込む
必要な列のデータのみを検索
することが可能になることで、
無駄なデータ読み込みが不要
13
SAP HANA SW Technology －行およびカラムストア－
データ格納方法
ハイブリッドの格納方式を採用
カラムナーの利点
高いデータ圧縮率
カラムオペレーションで高いパ
フォーマンス
フィールドの機能拡張が容易
カラム単位に格納されているた
め、 RDBの行単位で格納されて
いるより追加カラムが容易に追
加可能。
追加のインデックスの廃止
並列化
集計テーブルの廃止
© 2014 SAP AG. All rights reserved.
SAP HANAでは、2つの格納方法をサポート
SAP HANA database
Row DB
メタデータ等
Column DB
マスタテーブル
明細テーブル
14
SAP HANA SW Technology －圧縮－
カラムストアの圧縮技術
効率的な圧縮は、メモリの節約と検索/計算を高速化
従来の DB
Company
[CHAR50]
Region
[CHAR30]
In-Memory Computing Engine
（Dictionary compression）
Group
[CHAR5]
0
1
2
3
INTEL
Siemens
SAP
IBM
0 Germany
1 USA
0 A
1 B
2 C
INTEL
USA
A
Siemens
Europe
B
0
1
0
1
0
1
1
0
2
2
0
0
2
0
0
3
1
0
Siemens
Europe
C
SAP
Europe
A
SAP
Europe
A
IBM
USA
A
属性の辞書
（カラムの“グループ”）
データ順に辞書の値を格納
1つのメモリチャンクに格納
=> 局所的に配置されたデー
タを高速スキャン
メモリ内でデータが圧縮されていることにより、CPUコアでの高速な
検索処理を実現
© 2014 SAP AG. All rights reserved.
15
SAP HANA SW Technology －圧縮－
Teradataとの違い
Teradata の場合
CREATE SET TABLE “テーブル名”, NO FALLBACK, NO BEFORE JOURNAL, NO AFTER JOURNAL, CHECKSUM =
DEFAULT
(カラム名 型(長さ) CHARACTER SET UNICODE NOT CASESPECIFIC NOT NULL,
DENPYO_NO CHAR(10) CHARACTER SET UNICODE NOT CASESPECIFIC NOT NULL,
DENPYO_TYPE CHAR(2) CHARACTER SET UNICODE NOT CASESPECIFIC COMPRESS ('G3','P2'),
DENPYO_CD CHAR(10) CHARACTER SET UNICODE NOT CASESPECIFIC COMPRESS ('A54','A75','P10'),
．．．．．．．
SHORI_DT DECIMAL(8,0))
SAP HANAと同じくディクショ
UNIQUE PRIMARY INDEX (DENPYO_NO, DENPYO_CD);
ナリ形式による圧縮技術を採用
しているが、手動で辞書定義・
メンテナンスを行う必要あり
上記以外に、以下の圧縮技術を保持（Teradata 13.10時点）
Algorithmic Compression：カラム単位でテーブル作成時に指定。デメリットとしては、アルゴリズム
による圧縮のため、圧縮/非圧縮時に非常に多くのCPUリソースを使用。
Block Level Compression：テーブル単位での圧縮技術。圧縮/非圧縮にCPUリソースを使用する上、フ
ラグメンテーションが発生する可能性あり
HANA の場合
カラムストアのため、データ属性（カラムの型）に合わせて、データベースが自動で圧縮を実行。
圧縮メンテナンスは、一切不要！！
© 2014 SAP AG. All rights reserved.
16
SAP HANA SW Technology －パーティショニング－
コア単位で並列処理実行
インデックスのパ－ティショニングにより、各サーバで処理を
並列に実行可能
processed by
Core 2
processed by
Core 1
Col A
Col B
各Coreに列単位もしくはデータを分割し、処理を
割り当て、Core毎に並列処理し、高速の処理を実
現。
Col C
1000032
67867868
2345
89886757
234123
21
2342343
78787
9999993
13427777
23423
123123123
1212
2009
4545
76
6347264
435
3434
1252
342455
3333333
8789
4523523
6767312
789976
20002
2346098
123
56743
342564
4523523
1343414
33129089
454544711
78787
3665364
© 2014 SAP AG. All rights reserved.
2500
21
78675
3432423
89089
562356
processed by
processed by
Core 3
Core 4
17
SAP HANA SW Technology －パーティショニング－
コア単位で並列処理実行（POC結果例）
HANAはコア単位のデータアクアセスに最適化されているため、1つのクエリの処理に要する処理時
間を著しく減少させ、単位時間当たりのクエリ処理数を飛躍的に向上させます。
下記テストは、シリアル時に0.27秒要したクエリが100並列でもわずか1.075秒で完了していること
から、多数のユーザーが同時にアクセスする場合、将来的にモバイル化による利用頻度が上昇したと
しても十分耐えられる能力があることを示しています。
1SQL処理時間
00:00:01.210
多重度別1クエリ処理時間
00:00:01.037
並列度
処理時間
00:00:00.864
シリアル
00:00:00.269
00:00:00.691
20並列
00:00:00.382
10並列
40並列
50並列
100並列
00:00:00.269
00:00:00.476
00:00:00.603
00:00:01.075
00:00:00.518
00:00:00.346
00:00:00.173
テスト環境：Xeon X7560 2.27GHz 4CPU 32Core, 256GBメモリ 00:00:00.000
シリアル
10並列
20並列
40並列
50並列
100並列
処理時間
© 2014 SAP AG. All rights reserved.
18
SAP HANA SW Technology －集計テーブルなし－
事前集計は一切不要
インメモリの要素技術を組み合わせることで、集計テーブルは不
要
明細層
各種マスタテーブル
明細テーブル
HW Technology
Innovations
マルチコア アーキテクチャ
大規模並列スケールアウト
DM層
X
In-Memory
従来の DB
サマリテーブル Computing Engine
64-bit アドレススペース
2TB メインメモリ
100GB/s データスループット
SAP SW Technology
Innovations
+
行および
カラムストア
圧縮
パーティショニン
グ
HW、SWの融合によりもたらされた
効果
サマリテーブルは不要
様々な用途に応じて高速に集計が可能
© 2014 SAP AG. All rights reserved.
19
SAP HANA SW Technology －集計テーブルなし－
処理エンジンを活用するために最適化されたHANA View
HANA モデラーを使用して、簡単にViewを定義することが可能です。Analitical Viewおよび
Calculation Viewは、Cubeとも呼ばれ 、BusinessObjects からアクセスを行うことが可能で
す。
Columnビューの種類：
Attribute views : ディメンジョンを含むテーブルを定義したSQL views
Analytic views : ディメンジョンとシングルファクトテーブルを定義したSQL views
Calculation views : ディメンジョンと複数のファクトテーブルで定義したSQL views また
は、カスタムSQLで定義したSQL view
Attribute View
© 2014 SAP AG. All rights reserved.
Analytical View
Calculation View
20
BAR (Backup Archive and Recovery)
データ:
モデリングデータのような追加のHANAリポ
ジトリを保持
最速のパフォーマンスを確保するため、すべ
てのデータをメモリ展開
SAP HANA Database
データ
ログ
ログ:
様々なデータソースから、リアルタイムに
データレプリケーション
HANA Appliance Server
データ変更についての情報
トランザクションがコミットされたタイミン
グで、パーシステントストレージに保存
周期的にオーバーライト（上書き）すること
で、ログデータの溢れ防止
セーブポイント:
変更されたデータとログをメモリからパーシ
ステントストレージに書き込み
自動セーブ（デフォルト5分毎）
© 2014 SAP AG. All rights reserved.
データ
バックアップ
ログバックアップ
バックアップデバイス
21
SDA (SAP HANA Smart Data Access)
オンプレミスとハイブリッドクラウド環境のデータ仮想化
特長
Transactions + Analytics
ユーザ、アクセスパターンのモニタリング強
化
仮想テーブルへの insert / update / delete
を含むDMLのサポート
仮想テーブルを利用したCalculation Viewの
サポート
リモートソース接続先に対する新しいデバッ
グユーティリティ(hdbsdautil)
SAP HANA
新たなデータソースへの対応
カスタム
アダプターの
ためのSDK提供
Teradata
Intel Hadoop,
Hortonworks
© 2014 SAP AG. All rights reserved.
SAP HANA,
ASE, IQ
Oracle RDMS
Microsoft SQL Server
Hortonwork Hadoop (Hive)
追加データソースに対応するためのSDKをサ
ポート
Oracle,
SQL Server
2222
TDI (SAP HANA テーラード・データセンター統合)
多彩な展開能力
SAP HANA アプライアンス
SAP HANA TDI
迅速な実装
さらなる柔軟性
サポートはすべてSAPから提供
既存のIT予算と投資を保護
仮想化
Application
データベース
HANA
HANA
Server
Server
HANA
Server
OS
仮想化
サーバ
ストレージ
ネットワーク
ストレージ
© 2014 SAP AG. All rights reserved.
SAPとパートナーによ
るソリューション認定
事前設定済ハードウェ
ア
インストール済ソフト
ウェア
インストールはお客様に
て実施
お客様にてハードウェア
パートナーと保守サポー
トモデルの契約
HANA
HANA
Server
Server
HANA
Server
Shared Network
サーバ
ネットワーク
既存
ストレージ
ストレージ
23
SAP HANA活用事例
SAP HANA ご採用企業様
（一部抜粋）
一般出荷から約3年で、ワールドワイドで約3,000社の採用実績
© 2014 SAP AG. All rights reserved.
25
三井情報様 ～ 創薬／ゲノム解析 ～
“大量データ” “高速分析”
三井情報株式会社
業種：Professional Services
売上：466億円
従業員：1,933人
本拠地：日本
R&Dセンター バイオサイエンス室
菊池 紀広 室長
三井情報はバイオサイエンス分野でのビッグデータ解析・検証に
取り組んでいます。検証の第一弾として、癌研究のゲノム（全遺伝
情報）解析と創薬開発プロセスの化合物データ解析に、ビッグデータ
分析を活用する実証実験を進めています。
癌細胞ゲノム解析においては、患者のゲノムデータを調べ、健常者との違いを
見つけることで薬の投与や新薬の開発の可能性を探るのに、現状では一人あたり
2~3日かかっていました。この一連の処理をSAP HANA上に実装、分析プロセスを
最適化することによって、約20分に短縮することができました。
今後は創薬における膨大な化合物データ解析や、健康・保健分野へのSAP HANA
適用に向けて検討・検証を進めています。
© 2014 SAP AG. All rights reserved.
26
野村総合研究所様 ～ 渋滞予測 ～
“リアルタイム” “双方向, M2M”
株式会社 野村総合研究所
→SI、コンサルティング、シンクタンク最大手の一角
業種：情報・通信業
売上：3,400億円
従業員：5,300人
本拠地：東京都 千代田区
中村 昭彦 氏
常務執行役員
SAP HANAの話を聞いて、大量のデータをリアルタイムで処理できるということで、これからの時代に非常に良いソ
リューションだと感じました。これからの時代は、スピードが変化のキーポイントになると考えるからです。
例えば、実際に、金融、証券業をみても、毎秒、何千件という取引が、システム売買のもと、行われるようになってき
ており、従来の金融、証券業のビジネス手法が変化してきています。
現在は、「情報爆発の時代」といわれており、非常にボリュームのあるデータが扱われるようになって来ています。
私たちは、この大量のデータを単に、トランザクションに用いるだけでなく、ビジネスに生かしていく事が重要だと考え
ています。
出典： http://www.sap.com/japan/platform/in-memory-computing/customer-videos/index.epx
© 2014 SAP AG. All rights reserved.
27
野村総合研究所様 ～ 渋滞予測 ～
“リアルタイム” “双方向, M2M”
SAP HANAを活用して、ビジネス・アナリティクスのサービス
を提供していこうと考えています。
これは、コンサルティングから、ITの実装まで一貫して提供す
るサービスで、そのプロジェクトをBRAINという名前で呼んでい
ます。（Business data Real time Analysis Insight &
Innovation）これをお客様に提供し、お客様のパフォーマンスを
格段に上げる事を狙いとしています。
野村総研はSAP HANAを用いて、現在、12,000台のタクシーか
ら位置情報を得て、全国をカバーする交通渋滞のデータ実験を
行っています。SAP HANAは、実際に使用してみて、非常にパ
フォーマンスが高く、3億6千万件のデータを取り込んで検索や分
析を行っているのですが、それに要する時間がたった1秒強で
す。これまでは通常のRDBを使って数分掛かっており、リアルタ
イム性という点で課題がありました。
SAP HANAは現在提供されている製品の中では群を抜いてコス
ト・パフォーマンスが高く、膨大なデータ処理をする環境を膨大
な投資をせずに構築することができ、ユーザー企業にも、IT企業
にもメリットがあると考えています。
出典： http://www.sap.com/japan/platform/in-memory-computing/customer-videos/index.epx
© 2014 SAP AG. All rights reserved.
28
トラスコ中山様 ～ 基幹とのリアルタイム連携 ～
“リアルタイム” “シミュレーション（在庫・見積）”
トラスコ中山
→プロツール（機械・工具等）の専門商社
業種：卸売業（一部小売も）
売上：1,300億円
従業員：1,178人
本拠地：大阪府大阪市
トラスコ中山株式会社 情報システム部長 佐々木伸昌氏
当社の扱う商品の範囲は、工場などのモノづくりの現場で
必要とされる、あらゆるツールや資材にわたります。100万を
超えるアイテムを、製造業や屋外作業関連業ほか、ホームセ
ンターや通販業者向けに供給しています。
しかし、卸売業としての最大の強みであるこの商品点数の
豊富さは、一方で当社のビジネスの大きな課題でした。100万
アイテムという商品数は、人間が憶えられる限度をはるかに
超えており、お客様からのお問い合わせや受発注にすぐに対
応しきれない点は、長年の大きな悩みでした。
また当社のお客様の多くはプロの技術者です。このためド
ライバー1本でも、ご注文があればすぐにお届けするのが基本
なのですが、これも商品点数にマンパワーが追いついていな
いのが実情でした。
© 2014 SAP AG. All rights reserved.
29
トラスコ中山様 ～ 基幹とのリアルタイム連携 ～
“リアルタイム” “シミュレーション（在庫・見積）”
またSAP ERPで構築した受発注システムは、年を追うご
とに商品数が増加し、完全に負荷オーバーになっていまし
た。周辺システムもパフォーマンスに問題があり、全体に
処理の遅れや信頼性といった点で、現場からも根本的な改
善の要望が寄せられていたのです。
他のデータウェアハウス製品などとも比較検討しました
が、SAP HANAとSLTを使えば、ERPとニア・リアルタイ
ムでテーブル連携できることが決め手になりました。
今回SAP HANAによって新たに構築される業務システム
は、まず営業支援システムです。販売動向の見極めや売れ
筋商品の発見、また店によって売れる商品傾向の分析や、
特定の商品がよく売れる店はどこかといった傾向とその原
因の発見となど、データにもとづく「気づき」が可能にな
ります。
また価格と在庫に関するWeb発注システムからの照会
は、HANAに仕向け、ERP側の最新情報をSLTを使って引き
出し、ニア・リアルタイムで返すことで、ERP側の負荷が
軽くなるとともに、お客様への回答が早くなり、顧客サー
ビスの向上につながります。
さらに在庫適正化システムでは、売れ行きの動向を予測
してすばやく補充し、売れる在庫を売れる場所に切らさな
い＝機会損失を生じさせないことが大きなねらいです。
現在すでに営業担当者にiPadを配布してあるので、将来
的にはこのモバイルを活用したSAP HANA利用の可能性も
積極的に探っていきたいと考えています。
© 2014 SAP AG. All rights reserved.
出典：http://www.sapjp.com/blog/archives/1687
画像出典：http://www.trusco.co.jp/company/index_img/company.pdf
30
T-Mobile USA様 ～ ﾌﾟﾛﾓｰｼｮﾝ施策の精緻化 ～
“営業支援” “オムニチャネル”
PDCAサイクルが月次→日次に。プロモーション施策を大幅に精緻化
T-Mobile USA
アメリカ携帯電話4
強のひとつ。
契約者数約3,500万
売上
約1.6兆円
社員数
40,000人
課題
コールセンター20か所、3,000店舗、SMS、Webなど多様なタッチポイン
トを通じ、常時100を超えるプロモーション施策を実施していたが、
各プロモーションに対する反応・効果が週次～月次でしか分からないため、
PDCAサイクルが遅く、施策の精度も粗かった
施策
SAP HANAに複数の基幹系システムからのデータを夜間バッチでロードし、
BusinessObjects BIからの非定型検索を可能とした
明細データまでHANAで持つため、詳細レベルまでのドリルダウンが可能に
マーケティング部門社員に加え、役員や幹部社員など70人のタブレット端
末にも実績データを提供、タイムリーな意思決定を可能に
レポート作成が600秒→6.8秒（88倍）など、処理速度は数十倍に
効果
プロモーションごとの効果測定の精緻化。日次で効果が測定できるため、顧
客を特性ごとに約100のセグメントに分け、セグメント内でさらにパラメー
タを微調整して、効果検証を毎日繰り返すことができる
幹部社員へのタイムリーな情報提供で意思決定を迅速化
© 2014 SAP AG. All rights reserved.
31
SAPプレシジョン・マーケティング（SPM）
主要構成要素は4つ
消費者
アプリ上での行動
/時間/位置
小売業者
パーソナライズされた
オファー
②SPMエンジン
①スマホアプリ
「お買い物リスト」
（on HANA）
リアルタイム
データ
④既存システム
との接続・同期
既存システム上のデータ
CRM
(会員)
© 2014 SAP AG. All rights reserved.
③オファー設定／
オファー効果検証
／消費者行動分析
POS
(購買履歴)
ERP
商品
(在庫) マスタ
32
カシーノ様 ～ リアル店舗でのリアルタイムレコメンド ～
“1 to 1マーケティング” “インタラクティブオファー”
パーソナライズされ
たオファーが届く
関連するお勧め品
の情報が届く
よりお買い得な商品
を提案してくれる
商品情報を
受け取る
ポイントやバッ
ジを獲得する
店舗に入ると、プロ
フィールや位置、時
間に応じてパーソナ
ライズされたオ
ファーを受け取る
お買い物リストにあ
るアイテムの代替商
品や併売商品のレコ
メンドを受け取る
お買い物リストにある
アイテムよりお買得な
代替商品を知ることが
できる
広告写真をカメラで
スキャンすると商品
情報を受け取れる
ポイントやバッジ
を受け取る
店舗は高精細な
パーソナライゼー
ションで高いコン
バージョン率を実
現
店舗はクロスセルに
より客単価の増加を
はかる／品切れの場
合、代替商品を勧め
る
店舗はより利益率の
高い商品やプロモー
ションしたい商品へ
誘導する
店舗は買い物中にさ
らなる購買を誘発す
る
店舗は特典プログラ
ムを通じてさらにロ
イヤリティを高める
© 2014 SAP AG. All rights reserved.
33
ロレアル様 ～ オムニチャネルによる集客 ～
“集客” “リアルタイムオファリング”
広告をスキャンする
近隣店舗案内と限
定オファーが届く
バーチャルメイク
アップを体験する
限定オファーが
有効になる
お得な買い物
Congratulations
ロレアルの広告写真
（看板やファッショ
ン誌）をカメラでス
キャンする
商品の詳細情報に加
え、近隣店舗でのみ
使える期間限定オ
ファーを受け取る
店舗に設置されたバー
チャルメイクアップ端
末を利用し、あらたな
メイクを発見・体験
バーチャルメイク
アップを通じて選ん
だ商品には特別オ
ファーが付与される
バーチャルメイク
アップの機能を体験、
適切なアイテムを選
び、さらに安く買え
ることで満足度向上
ロレアルは印刷広
告のリーチを拡
げ、また費用対効
果を計測できる
ロレアルはリッチな
商品情報を送付し購
買意欲を喚起、店舗
にユーザーを誘導
バーチャルメイク
アップを使うインセ
ンティブを提供／購
買履歴があればそれ
を考慮した提案も
画面では関連商品の
情報も提供し、併売
を促す
この特典プログラム
により、顧客ロイヤ
リティをさらに強化
© 2014 SAP AG. All rights reserved.
34