発表資料はこちら

PT-03
ビッグアナリティクスがもたらす変革
アナリティクスの有効性と効果について
日本電気株式会社
ソリューションプラットフォーム統括本部
マネージャー
堀野 真雄
本日お伝えしたいこと
事例紹介による活用イメージ深堀
なぜSASなのか？ なぜNECなのか？
Page 2
© NEC Corporation 2014
Ａｇｅｎｄａ
１．ビッグデータ時代・統計ブームの到来
～情報活用の高度化！ 見える化から予見力へ～
２．ビッグデータ活用 先進事例
３．ビッグデータ活用ソリューション
～IDA × SAS～
Page 3
© NEC Corporation 2014
１．ビッグデータ時代・統計ブームの到来
～情報活用の高度化！ 見える化から予見力へ～
Page 4
© NEC Corporation 2014
ＮＥＣのビッグデータソリューション
NECは、データ収集、蓄積・処理、分析各レイヤの製品群を活用し、
お客様に最適なビッグデータ活用のシステムをインテグレートします
お客さま
分析クラウド
サービス
顔認証
技術活用
マーケティング
分
不審者
監視
セキュリティ
析
ミドルウェア
（データ処理・蓄積）
基
盤
センシング
分析エキスパート
ドメインエキスパート
テレマティクス
インバリアント分析
・・・
アプリケーション
異種混合学習
行動分析
（InfoFrame DWH
Appliance）
リアルタイム
スケラーブルＤＢ
イベント処理
（ＩｎｆｏＦｒａｍｅ
（ＣＥＰ）
Ｒｅｌａｔｉｏｎａｌ Ｓｔｏｒｅ）
手間とコストを掛けずに
ビッグデータを分析したい！
ストレージ
テキスト含意認識
顔画像解析
SAS
メモリＤＢ
（ＩｎｆｏＦｒａｍｅ
ＤａｔａＢｏｏｓｔｅｒ）
並列分散処理
（Ｈａｄｏｏｐ）
直観的にビッグデータを
探索できる！！
ネットワーク
ＤＷＨ
運用管理
ＢＩ（ＳＡＳ 等）
垂直総合型製品
ＮＥＣ Ｓｏｌｕｔｉｏｎ
Ｐｌａｔｆｏｒｍｓ
（ＩｎｆｏＦｒａｍｅ
ＤＷＨ
Ａｐｐｌｉａｎｃｅ）
Ｍ２Ｍプラットフォーム（ＣＯＮＮＥＸＩＶＥ）
振動センサー
ＰａＰｅＲｏ
ビッグデータ基盤
Page 5
ｱﾌﾟﾘｹｰｼｮﾝ
データ収集
データ収集 処理基盤
ＩＤＡ
サーバ
分析
© NEC Corporation 2014
カメラ
スマート分電盤
・・・
アナリティクスのニーズ
高まるアナリティクスの優先順位
2013年における優先テクノロジの
トップ3の1つとして選択した順位
2013年
日本
世界
1
1
モバイル・テクノロジー
2
2
クラウド・コンピューティング
3
3
ITマネジメント
4
6
ビジネス・プロセス・マネジメント・ツール
5
14
レガシーアプリケーションの刷新
6
5
コラボレーション・テクノロジ（ワークフロー）
7
4
ERPアプリケーション
8
10
仮想化
9
8
10
13
アナリティクスと
ビジネス・インテリジェンス
ソーシャル・メディアとコンピューティング
出典：ガートナー プレスリリース「ガートナー、世界のCIO 2,053人への調査結果を発表」発行日2013年3月7日
Page 6
© NEC Corporation 2014
ＢＡ（Business Analytics）の必要性
業務の見える化（ＢＩ）だけでは不十分
競
争
力
に
よ
る
組
織
の
優
位
性
・
情
報
の
価
値
最善・最適な対処法は何か？
高度な分析
次に何が起きるのか？
その傾向でいくとどうなるか？
なぜ起きたのか？
予見する
最適化
予測型
モデリング
予測
ＢＡ
Business
Analytics
統計分析
知る
業務の
見える化
アラート
何をすればよいのか？
検索
問題の詳細箇所はどこなのか？
ドリルダウン
非定型
どこで何が起きたのか？幾つ？頻度は？
レポート
定型
レポート
何が起きたのか？
ＢＩ
Business
Intelligence
見る
インテリジェンス（知力）のレベル
Page 7
© NEC Corporation 2014
２．ビッグデータ活用 先進事例
Page 8
© NEC Corporation 2014
データサイエンスと分析テンプレートのご提供
ビッグデータ加工/分析の専任部隊がビッグデータ活用を支援し、
ＢＡソリューションによってお客様の成果を達成します
お客様向け 個別アプリケーション
業種・業務
ＡＰ
顧客分析
サービス
デリバリ
（ｋ/ｈ）
（リソース）
統計
解析
商品分析
分析テンプレート
追加
拡張
データサイエンス
データエンジニア
（データ分析コンサル）
（ＢＡ環境構築Ｓｉ）
データ
加工
ＩＴ
ＤＢ
仮説検証
最適化ﾌﾟﾛｾｽ
ＳＡＳ
ソフトウェア
要件
定義
データ
加工
ＥＴＬ
ＤＢ
ＰＦ
ＢＡ構築
運用
監視・運用管理
ミドルウェア
Data Platform Suite “データ蓄積・解析基盤”
ＯＳ
サーバ
ネットワーク
ストレージ
Page 9
NEC Solution Platforms™
© NEC Corporation 2014
InfoFrame DWH Appliance
データサイエンス分析テンプレート
情報活用/分析ノウハウを、ＩＤＡ×ＳＡＳプラットフォーム上に集結
ＢＩ/ＤＷＨ導入実績
１９９５年にＤＷＨ専任部門を設置し、
これまでに５００社以上のお客様に
ＢＩ/ＤＷＨシステムを導入
データ活用支援サービス
データサイエンティストが
データ活用支援サービスで実践した
分析ノウハウをテンプレート化
データサイエンス分析テンプレート
ＥＴＬプロセス
データモデル
データエンジニア
分析プロセス
データサイエンス
InfoFrame DWH Appliance × SAS
Page 10
© NEC Corporation 2014
分析レポート
ビッグデータ分析の進め方
仮説検証サイクルにより、ビッグデータから価値を抽出
ビッグデータから価値を創出するための仮説検証ＰＤＣＡサイクル
分析要件整理
分
析
業
務
の
進
め
方
仮説検証ＰＤＣＡサイクル
【１.分析テーマ決定】
【２.仮説立案】
【４.施策立案】
・課題整理
・分析目的の明確化
・分析テーマ決定
・仮説の洗い出し
・検証可否検討
・優先順位付け
・実態把握
・施策立案
・評価指標の策定
・目標値の設定
【３.データ整備】
【７.見直し】
・分析対象の選定
・分析データの収集
・分析データの加工
（ローデータ作成）
・施策の見直し
・仮説の見直し
Ｐ
【５.施策実施】
・施策準備
・施策実施
Ａ
【６.施策評価】
・達成状況の確認
・施策効果の測定
分析目的、活用成果を明確化し、仮説立案、施策実施のうえ、
施策効果を検証、改善していくことによって精度を上げていきます。
Page 11
© NEC Corporation 2014
Ｄ
Ｃ
～金融業におけるEBM分析への取組み～
Page 12
© NEC Corporation 2014
分析作業の主な流れ
分析業務は以下のプロセスで実施します
どのような要因が成約に結びつくか、
仮説を立てて、以下のステップで検証を行う
①
仮説立案
資産変動に特徴的な変
動があると、その後ロー
ン商品を購入するので
はないか？
Page 13
②
データ加工
および変数選択
モデルに使用できる
変数を編集／加工し
選定
© NEC Corporation 2014
③
統計解析作業
（試行含む）
検証用データを使用
して、効果および仮
説を検証
④
評価／レポート
結果を業務的に解釈
し、仮説検証する
【分析手法】プランニング
2年分データから15か月分を分析データとして使用
2011/5 2011/6 2011/7 2011/8 2011/9 2011/10 2011/11 2011/12 2012/1 2012/2 2012/3 2012/4 2012/5 2012/6 2012/7 2012/8 2012/9 2012/10 2012/11 2012/12 2013/1 2013/2 2013/3 2013/4 2013/5
A
B
C
D
F
E
G
この期間で住宅ローンを借りた人にフラグ
H
この期間にどんな傾向（イベント）があったか探索
ターゲット
▌ 3ヶ月平均の差・比率をとり、ローン商品成約者の傾向をつかむ
 A-B、 A/B、 C-D、 C/D、 E-A、 E/A、 G-F、 G/F、 E-F、 E/F など
★金融商品は足が長いものが多い為、3ヶ月でデータを切る事が多い
▌ イベント仮説
 ローン商品新規成約者は、A～Eの期間で積立金額が減少
 ローン商品新規成約者は、出金額がC期間をピークに、それ以降減少
Page 14
© NEC Corporation 2014
など
【分析手法】変数の選択
有用な変数をモデルに採用するための選定をする
▌ 機械的作業
 効果のありそうな変数を網羅的に検討する為、変数をスコア化
 スコアの高い変数が、ターゲットに対しどれくらい効果的かを判断する為のレポート作成
▌ 人間系作業
 SAS上で作成したレポート確認で、どの変数が効果的かを取捨選択
 変数が時系列的でどのような動きをしているか、仮説を立てながらイベントを探索
 作成したイベントをフラグ化し、ターゲットに対しての効果を確認
作成した変数の中から、ターゲットに効果的な変数の動き（イベント）を捉える
例） ターゲットは、1年間積立金額が減少し続ける
ターゲットは、出金額が半年前をピークに減少し続ける など
Page 15
© NEC Corporation 2014
【分析手法】モデル作成
20の変数を抽出し、決定木でモデル作成
▌ 変数の組合せ条件のモデル化に決定木分析(ディシジョンツリー)で実施
▌ 最終的なモデルには組合せイベントフラグを採用
変数
効果倍率
フラグ条件
イベントの組合せにより
効果を向上させる
条件変数①
データについては割愛します
Page 16
© NEC Corporation 2014
条件変数②
条件変数③
効果倍
率
【分析手法】モデルのシミュレーション
スコアモデルと組み合わせて効果を検証
スコアリング
顧客動態観測期間 12か月
Ａ
Ｂ
Ｃ
業績検証データ 6か月
Ｄ
▌ 実際にモデルを適用した時にどれ位の効果（収益性など）がありそうかを試算
▌ 既存スコアモデルの結果と掛け合せて、どれくらい精度が向上しそうか検証
•母集団：万世帯、 成約：世帯
▌ 各変数の効果（開発<->検証）
変数（組合せ）
効果倍率
（開発）
データについては割愛します
Page 17
© NEC Corporation 2014
効果倍率
（検証）
～流通業ポイントカード分析への活用の取組み～
Page 18
© NEC Corporation 2014
流通業ポイントカード分析事例
「電子マネーによる決済データ」＝「ＩＤ付きＰＯＳデータ」が対象データ
今回の対象データ
＜ＰＯＳデータ類型＞
ＰＯＳサマリデータ
ＰＯＳ明細データ
ＰＯＳ客層データ
ＩＤ付きＰＯＳデータ
TARO SUZUKI
分析軸
いつ
どこで
時間帯
店舗
誰が
何を
いつ
どこで
単品
時分秒
店舗
誰が
08/07
何を
いつ
どこで
誰が
何を
いつ
どこで
誰が
何を
バス
ケット
時分秒
店舗
客層
バス
ケット
時分秒
店舗
顧客
バス
ケット
データ量
少ない
多い
多い
多い
分析単位
単品（ＳＫＵ）
レシート（バスケット）
客層（性別/年齢）
顧客（会員）
分析内容
商品の販売動向
バスケット内の関連性
購買パターンの違い
購買商品の移り変わり
活用施策
単品管理
クロスＭＤ
店舗管理
ＣＲＭ
狭い
Page 19
© NEC Corporation 2014
データ活用範囲
広い
ＣＲＭのための顧客分析＜顧客分析ＭＡＰ＞
ＩＤ付きＰＯＳデータを活用し、下記の顧客分析を実施
Ｓｔｅｐ Ⅰ
Ｓｔｅｐ Ⅱ
Ｓｔｅｐ Ⅲ
Ｓｔｅｐ Ⅳ
Ｓｔｅｐ Ⅴ
データ収集
状況把握
課題認識
業務改善
顧客深耕
１．顧客管理
①
②
２．獲得・増強
④
顧客データ
の収集
顧客ﾌﾟﾛﾌｧｲﾙ
の作成
③
活動状況
の確認
⑤
⑥
⑦
購買行動
の把握
⑧
４．顧客ロイヤリティの形成・維持
⑫
新規顧客
の獲得
休眠顧客
の覚醒
⑩
顧客の
離反防止
優良顧客
の識別
⑨
３．顧客カテゴライズ・差異化
Page 20
© NEC Corporation 2014
顧客の育成
（ランクＵＰ）
ターゲット
マーケティング
⑪
顧客
ロイヤリティ
優良顧客の
囲い込み
流通業向け分析事例＜分析内容＞
商品分析の分析イメージ
商品時系列分析
トライアル＆リピート分析
トライアル率
時間帯ごとの売れ筋商品
レシート数
朝食
昼食
夕食
夜食
米飯
デザート
見直し商品
ベスト商品
通常商品
要アピール商品
高
い
総菜
低
い
0時 3時 6時 9時 12時 15時 18時 21時 24時
商品の売れるタイミングを分析する！
Page 21
© NEC Corporation 2014
少ない
多い
リピート
率
お客様の支持商品を発見する！
01月01日
01月02日
01月03日
01月04日
01月05日
01月06日
01月07日
01月08日
01月09日
01月10日
01月11日
01月12日
01月13日
01月14日
01月15日
01月16日
01月17日
01月18日
01月19日
01月20日
01月21日
01月22日
01月23日
01月24日
01月25日
01月26日
01月27日
01月28日
01月29日
01月30日
01月31日
02月01日
02月02日
02月03日
02月04日
02月05日
02月06日
02月07日
02月08日
02月09日
02月10日
02月11日
レシート数
16,000枚
発売１週目
Page 22
発売２週目
購入レシート数
発売３週目
© NEC Corporation 2014
発売４週目
トライアル客レシート数
発売５週目
発売５週目でトライアル客レシート数と
リピート客レシート数が逆転
発売６週目
10,000枚
6,000枚
0枚
リピート客レシート数
25,000枚
0枚
01月01日
01月02日
01月03日
01月04日
01月05日
01月06日
01月07日
01月08日
01月09日
01月10日
01月11日
01月12日
01月13日
01月14日
01月15日
01月16日
01月17日
01月18日
01月19日
01月20日
01月21日
01月22日
01月23日
01月24日
01月25日
01月26日
01月27日
01月28日
01月29日
01月30日
01月31日
02月01日
02月02日
02月03日
02月04日
02月05日
02月06日
02月07日
02月08日
02月09日
02月10日
02月11日
トライアルリピート分析<時系列分析>
発売１週目
データはテストデータです
トライアル率とリピート率の時系列分析
商品Ａ
商品Ｂ
レシート数
発売２週目
購入レシート数
発売３週目
発売４週目
発売５週目
トライアル客レシート数
リピート客レシート数が増えず、
全体としての売り上げも低下
発売６週目
14,000枚
12,000枚
20,000枚
15,000枚
8,000枚
10,000枚
4,000枚
5,000枚
2,000枚
リピート客レシート数
トライアルリピート分析<散布図>
データはテストデータです
トライアル率とリピート率の散布図
トライアル＆リピート分析＜男性＞
トライアル＆リピート分析＜女性＞
（男性の購買レシートを対象として算出）
（女性の購買レシートを対象として算出）
14%
14%
12%
12%
商品01
10%
10%
ト
ラ
イ
ア
ル
レ
シ
ー
ト
率
商品01
ト
ラ
イ
ア
ル
レ
シ
ー
ト
率
8%
商品05
商品04
商品06
商品03
6%
商品07
商品09
4%
商品02
商品07
8%
商品04
6%
商品03
商品09
商品02
商品05
商品06
4%
商品12
商品13
商品11
2%
商品11
2%
0%
0%
0%
10%
20%
30%
40%
50%
60%
70%
0%
10%
20%
リピートレシート率
新商品
Page 23
© NEC Corporation 2014
30%
40%
リピートレシート率
既存商品
50%
60%
70%
流通業向け分析事例＜分析内容＞
顧客分析の分析イメージ
デモグラフィック分析
アクティブ
○○○○人
（○○％）
準アクティブ
○○○○人
（○○％）
男性
デシル分析
休眠
○○○○人
（○○％）
女性
優良顧客
有望顧客
100歳
95歳
１０等分
客数
構成比
デシル１
１０％
デシル２
１０％
デシル３
１０％
デシル４
１０％
デシル５
１０％
デシル６
１０％
デシル７
１０％
デシル８
１０％
デシル９
１０％
デシル10
１０％
売上
構成比
90歳
85歳
80歳
通常顧客
75歳
70歳
８０％
65歳
60歳
５０歳～
55歳
50歳
５０歳～
45歳
～４９歳
40歳
35歳
～４９歳
遊動顧客
30歳
～２９歳
～１９歳
～１２歳
25歳
20歳
15歳
10歳
5歳
～２９歳
～１９歳
～１２歳
0歳
自社の客層を把握する！
Page 24
© NEC Corporation 2014
優良顧客を発見する！
２０％
～Ｏ２Ｏビジネスへの活用の取組み～
Page 25
© NEC Corporation 2014
Ｏ２Ｏビジネスへの活用
サイト会員の行動を分析し、飲食店向けターゲットクーポンを発行
口コミサイト
サイト会員
ターゲット
クーポン
モバイルアプリ
ＰＣサイト
新規顧客
獲得
飲食店
© NEC Corporation 2014
ターゲ
ティング
嗜好や行動範囲を踏まえた
クーポンＧｅｔ！
顧客維持
ＣＲＭ
Page 26
データ分析
会員情報
飲食店
利用実績
Ｗｅｂ
サイトログ
口コミ
投稿内容
【分析テーマ】クーポン送付ターゲティングロジック
ネットから
リアル店舗への
送客！
▌お客様の要望/課題
 飲食店（リアル店舗）に新規顧客を送客したい
 常連顧客（優良顧客）を囲い込みたい
 Ｗｅｂサイトへの口コミ投稿を増やしたい
▌分析内容
＜利用部門＞
・マーケティング部門
＜分析データ＞
・ＰＯＳデータ
・会員データ
・Ｗｅｂログデータ
・口コミデータ
Page 27
© NEC Corporation 2014
 口コミサイト会員のＷｅｂサイト回遊履歴および行動履歴から
送客率（反応率）の高い顧客セグメントを作成
 飲食店から半径２ｋｍ以内での飲食実績あり、かつ
同ジャンル料理の飲食実績/Ｗｅｂ閲覧実績ありの会員を抽出
 抽出された会員をターゲットとしてクーポン送付
▌分析の成果
 ターゲットクーポン送付により、飲食店に新規顧客を送客
 カフェにおける送客効果
来店客数増加：５５％
常連客の来店頻度：３倍
ターゲティング方針
クーポン目的を踏まえ、最適なターゲティングを実施
①デモグラフィック
②会員登録
③利用エリア
④利用ジャンル
⑦利用人数
⑧外食傾向
⑨飲食メニュー
⑩自店舗利用
⑬お気に入り登録
⑭自店舗支持
⑮クーポン利用
⑯ポイント付与
Page 28
© NEC Corporation 2014
⑤利用予算
⑥利用タイミング
⑪ｸｰﾎﾟﾝ対象ﾒﾆｭｰ ⑫関連店舗利用
⑰天候実績
ターゲットクーポン
飲食店の価格帯ごとに、クーポン内容、ターゲティングロジックを選定
飲食店
Page 29
© NEC Corporation 2014
ターゲティング
クーポン内容
同ジャンルの店舗で
１０回以上
飲食している会員
＋
最寄りエリアで
５回以上
飲食している会員
＋
ポイントを
1000ポイント以上
獲得している会員
＋
Ｏ２Ｏ分析フレームワーク
クーポン目的ごと『ターゲティングロジック/クーポン内容』を決定
クーポン目的
ターゲティング
新規顧客を
増やしたい
ターゲティングロジック
クーポン内容
割引き
既存顧客に
来店して欲しい
ロイヤル顧客を
囲い込みたい
休眠顧客を
復帰させたい
Page 30
お試し券
（値引、増量、無料）
×
×
コース/セットメニュー
オフピークを
埋めたい
ポイント
時限クーポンを
打ちたい
抽選/景品
© NEC Corporation 2014
事例
情報提供サービス会社 ビッグデータ分析基盤 ＩＤＡ×ＳＡＳ導入
新規ビジネス展開に向けたビックデータ分析基盤として
IＤＡ×ＳＡＳを採用！
【導入目的】
ビッグデータを活用し、新規ビジネスの立案や、
既存事業の改善を目指す
【導入内容】
製品、コンサル、ＳＩのトータル提案を実施
SASは「データマイニング」、「統計解析」、「時系
列予測」＋レポーティング機能を含む製品を導入
【導入のポイント】
お客様にて、提案構成（ＩＤＡ×ＳＡＳ）を評価
⇒ お客様要件を精査し、ＩＤＡ×ＳＡＳを提案
お客様自身がＰＦ調査・情報収集
⇒ 「正しい選択ということが解った」と高評価
Page 31
© NEC Corporation 2014
【システム構成】
事例
サービス業 全社情報系システムにSAS Visual Analytics導入
全社情報系システムの置換にて、売上分析用のツールとして
SAS Visual Analyticsを採用。
現行製品と比較し、VAのインメモリ高速性能とレポートだけに留まらず、
データから最適な統計解析結果を抽出する機能が高く評価される。
【導入目的】
提供サービスの売上分析
レポーティングから統計分析までを実施する、情報戦
略基盤として運用
SAS Visual Analytics
【導入内容】
SAS Visual Analytics(以下VA)
※現行システムの更改置換
【導入経緯】
SAS採用にて正式決定(開発環境)
SAS VAでの要求機能の実証検証
最終提案構成の調整実施
・ビジュアルデータ分析：SAS VAにて実現
・アドホックレポート：SAS Add-in for MS Office
にて実現
Page 32
© NEC Corporation 2014
SAS Add-in for MS Office
※ MS OfficeよりSASを利用可能
Word、Excel、PowerPointなどの
Microsoft Officeツールから直接
SASを活用し、レポーティングや
分析を実行
３．ビッグデータ活用ソリューション
～IDA × SAS～
Page 33
© NEC Corporation 2014
ＩＤＡ×SAS連携によりビジネスの加速をご支援します！
ビッグデータ専任部隊がビッグデータ活用を支援します
Ｉｎｄｕｓｔｒｙ
Ａｎａｌｙｔｉｃｓ
Ｍｅｔｈｏｄｏｌｏｇｙ
流通業
Ｍａｒｋｅｔｉｎｇ
サービス
金融業
Ｓａｌｅｓ
通信業
ＣＲＭ
データサイエンス
その他
ＳＣＭ
ＱＣ
データエンジニア
ビッグデータを分析し価値を生み出す専任部隊
Ｓｅｒｖｉｃｅ
Ｄｅｒｉｖｅｒｙ
製造業
・分析計画の立案から、データ分析、施策提言までを実施
・統計学や機械学習に精通する分析エキスパート
・分析テンプレートの適用によりＱｕｉｃｋ Ｗｉｎを実現
ビッグデータの統合/加工を担う専任部隊
・1995年にDWH専任部門を設置し、
500社以上の情報活用を支援
・数テラバイト～ペタバイトの
システム構築/データ加工経験あり
広告代理店と連携
分析シナリオ
プランナー
分析チーフ
アナリスト
マーケティング
ストラテジスト
分析ツール
スペシャリスト
データベース
スペシャリスト
ビッグデータを分析するためのプラットフォーム
Ａｎａｌｙｔｉｃｓ
Ｐｌａｔｆｏｒｍｓ
ビジネス アナリティクス ソリューション （SAS）
ＮＥＣ独自技術 （異種混合学習/機械学習など）
超高速ＤＷＨアプライアンス （InfoFrame DWH Appliance）
Page 34
© NEC Corporation 2014
データ加工
スペシャリスト
InfoFrame DWH Appliance（IDA）
ビッグデータから知恵を引出すプラットフォーム
「高パフォーマンス」 「低コスト」 「簡易性」 を実現
▌ＤＷＨアプライアンスとは
ＤＷＨ構成要素「RDBMS＋サーバ＋ストレージ」をＤＷＨ専用にアプライアンス化した製品
アプライアンス化することにより、大規模データに対する高速性と簡易性を実現
ブレードサーバ
▌InfoFrame DWH Appliance(IDA)の特徴
DBアクセラレータ
ブレードサーバ
ホスト
ストレージ
InfoFrame DWH Appliance （IDA）
高い機能と性能をＮＥＣ製ハードウェアで提供
ＤＷＨ専用装置として一からＨＷ・ＳＷを開発
生産～販売・保守までＮＥＣで一括対応
データベースのチューニング不要
データのロードも簡単で高速
導入が簡単（設置後1～2日で使用可能）
（DBロジック x4）
ＮＥＣの高性能・高信頼なサーバとストレージに、Ｎｅｔｅｚｚａの
高度なデータ検索／分析を行うアーキテクチャとソフトウェアを
組み合わせて最適化したＤＷＨアプライアンス製品
※アプライアンス：特定用途向け作られた専用装置のこと
Page 35
© NEC Corporation 2014
SAS
統計解析ソフトの世界最大手、
今はビッグデータ・アナリティクスの「最強ベンダー」と評価
SAS Institute Inc.
 設立 ：1976年
 所在地 ：米国ノースカロライナ州キャリー
 代表者 ：Dr. James Goodnight
（CEO、会長、社長、設立者）
 拠点数 ：56カ国、400拠点以上
 従業員数：約13,000名
 年間売上：30.2億米ドル
（2013年）
最高の評価
SAS Institute Japan株式会社
 設立 ：1985年
 所在地 ：東京、大阪
 代表者 ：吉田 仁志
 従業員数：約240名
出典： The Forrester Wave: Big Data Predictive Analytics Solutions, Q1 2013
Page 36
© NEC Corporation 2014
NECの注力ソリューション ＜ＳＡＳの製品群＞
NECは、VA、MA、OAの３つソリューション製品に注力します
分析
SAS® Enterprise Miner
・データマイニング専用の高度分析ツール
SAS® Enterprise Guide
パワーユーザ
・データ抽出、加工から分析、レポート作成まで
カバーする高機能ツール
[高度分析]
SAS® Visual Analytics Explore
・データの自由探索/非定型分析
・レポートやダッシュボードの作成
ミドルユーザ
SAS® Visual Analytics Viewer
[データ探索/レポートの作成]
・定型帳票の参照や、ドリルダウン等の多次元分析
・パワーユーザ作成のレポートをＷｅｂ環境で閲覧
SAS® Add-In for Microsoft Office
ライトユーザ
[レポート参照]
ＢＩ
・ＭＳ Ｏｆｆｉｃｅからのレポート閲覧
SAS® Web Report Studio
・Ｗｅｂブラウザでのレポート閲覧
Page 37
© NEC Corporation 2014
NECの注力ソリューション ＜ＳＡＳの製品群＞
NECは、VA、MA、OAの３つソリューション製品に注力します
分析
SAS® Enterprise Miner
・データマイニング専用の高度分析ツール
SAS® Enterprise Guide
パワーユーザ
・データ抽出、加工から分析、レポート作成まで
カバーする高機能ツール
[高度分析]
ＶＡ
(SAS® Visual Analytics )
ミドルユーザ
SAS® Visual Analytics Explore
・データの自由探索/非定型分析
・レポートやダッシュボードの作成
SAS® Visual Analytics Viewer
[データ探索/レポートの作成]
・定型帳票の参照や、ドリルダウン等の多次元分析
・パワーユーザ作成のレポートをＷｅｂ環境で閲覧
SAS® Add-In for Microsoft Office
ライトユーザ
[レポート参照]
ＢＩ
・ＭＳ Ｏｆｆｉｃｅからのレポート閲覧
SAS® Web Report Studio
・Ｗｅｂブラウザでのレポート閲覧
Page 38
© NEC Corporation 2014
NECの注力ソリューション ＜ＳＡＳの製品群＞
NECは、VA、MA、OAの３つソリューション製品に注力します
分析
SAS® Enterprise Miner
・データマイニング専用の高度分析ツール
SAS® Enterprise Guide
パワーユーザ
ＯＡ [高度分析]
(SAS® Office Analytics )
・データ抽出、加工から分析、レポート作成まで
カバーする高機能ツール
ミドルユーザ
[データ探索/レポートの作成]
SAS® Add-In for Microsoft Office
ライトユーザ
[レポート参照]
・ＭＳ Ｏｆｆｉｃｅからのレポート閲覧
ＢＩ
SAS® Web Report Studio
・Ｗｅｂブラウザでのレポート閲覧
Page 39
© NEC Corporation 2014
NECの注力ソリューション ＜ＳＡＳの製品群＞
NECは、VA、MA、OAの３つソリューション製品に注力します
分析
ＭＡ
(SAS® Marketing Automation)
パワーユーザ
SAS® Enterprise Miner
・データマイニング専用の高度分析ツール
SAS® Enterprise Guide
・データ抽出、加工から分析、レポート作成まで
カバーする高機能ツール
[高度分析]
SAS® Customer Intelligence Studio
・ワークフローによるキャンペーン管理ツール
ミドルユーザ
SAS® Data Integration Studio
[データ探索/レポートの作成]
・データ管理者向けETLツール
SAS® Add-In for Microsoft Office
・ＭＳ Ｏｆｆｉｃｅからのレポート閲覧
ライトユーザ
[レポート参照]
ＢＩ
SAS® Web Report Studio
・Ｗｅｂブラウザでのレポート閲覧
Page 40
© NEC Corporation 2014
NECがSAS製品を採用したポイント
市場背景、製品特性を考慮しSASを採用
①世界No.1のアナリティクス分野の認知度
分析、統計解析ツールとしての実績、信頼性、知名度
②DWHアプライアンス(IDA)との親和性
ビッグデータ時代の大容量・高速性能DWHの相乗効果を得られる組合せ
③「分析」に適した豊富なデータ加工機能
いかにして有用な変数を作れるか、は分析の重要要素
Page 41
© NEC Corporation 2014
データ分析、統計解析機能
購買行動パターン毎に顧客をセグメント化
顧客特性に最適化された施策の企画・実行ができるようになります
顧客セグメント分析イメージ
セグメントの特徴（プロファイリング）
セ
グ
メ
ン
ト
Page 42
家族向け
パッケージ商品
購入多い
© NEC Corporation 2014
来店時間帯
昼間中心
購入価格帯
安めの商品
購入アイテム
少なめ
購入カテゴリ
少なめ
・・・
データ加工、および分析タスクプロシジャ
Page 43
© NEC Corporation 2014
「分析ﾃﾞｰﾀ準備」でよく使う機能
データ加工、および分析タスクプロシジャ
「分析ﾃﾞｰﾀ準備」でよく使う機能
Page 44
© NEC Corporation 2014
ビッグデータの分析アプローチ
２ステップ（1：分析データ準備、２：分析モデル作成、適用）
を実施する必要があります
InforFrame
DWH Appliance
1 分析データ準備
データ内容確認
分析データ作成
2
分析モデル
分析モデル
作成、適用
分析モデル作成準備としてのステップ1は、大量データからの試行錯誤が必須作業
であり、DWH検索パフォーマンスが作業効率のキーとなります
Page 45
© NEC Corporation 2014
分析業務における分析データ準備
足りないのはデータから知恵を引出す仕組です
データマイニングに不可欠な作業
分析作業ステップ
ＩＮＰＵＴ ＤＡＴＡ
・基本属性
・明細
・各種マスタ
・ＧＧＭ 等
ステップ①
データ
スクリーニング
分析用整備
・サブジェクト
・統合化
・時系列
・（不変性）
ステップ②
データ俯瞰
ＩＮＰＵＴデータ単位に試行錯誤
分析用
データマート
分析用
ＩＮＰＵＴ
データ
ステップ③
分析指標の
作成・選択
ステップ④
項目間の
関連探索
分析項目の抽出
データの取得
９％
データの精査
（クリーニング・結合）
２５％
データの傾向把握
（サンプリング・探索・加工）
１９％
ステップ⑤
データマイニング
の実施
分析目的毎に
試行錯誤
ステップ⑥
顧客セグメントの
プロファイルリング
分析レポート毎に
試行錯誤
データ整備
データ分析
どうやって蓄積し、どうやって活用可能なかたちに整理できるか
勝負は、「分析データ準備」で決まります！（分析作業の６０％以上のウエイト）
Page 46
© NEC Corporation 2014
IDA×SASによりデータから知恵を引出します
IDAとSASの組合せにより、高速かつ繰返し分析可能な環境を提供
既存システム
SASシステム構築時の考慮点
SASサーバ
ストレージ
SASソフトウェア
加工・集計処理
ＳＡＳデータセット
IDA(Netezza)導入イメージ
SASサーバ
IDA(Netezza)
SASソフトウェア
処理命令
データ参照
SAS社提供の
接続インターフェース
SAS
Access to
Netezza
加工・集計
処理
SASデータセット
をIDA(Netezza)へ
テーブル
としてロード
・サーバ・ストレージサイジング
・SAN構成
・ストレージ構成
・処理分散
・データ共有
IDA(Netezza)連携によって
・分析データの高速ロード
・分析処理の高速実行
・大量データの繰り返し分析
超高速なデータ加工・集計
処理環境を提供しします
分析データ作成の時間を効率化、試行錯誤の時間を最大化できます！
Page 47
© NEC Corporation 2014
最適なデータ分析基盤
IDAとSASの組合せにより、最適なデータ分析基盤を提供
ビッグアナリティクスによる価値創出を実現します
ビッグデータ
InfoFrame DWH Appliance
In-Database機能
RDMS活用で高速化
相乗効果
高速レスポンス
導入・運用の簡易性
低管理コスト
Page 48
© NEC Corporation 2014
分析・ｷｬﾝﾍﾟｰﾝ管理国
内No.1実績
チューニングレス 高速処理
アドホッククエリー 柔軟対応
統合プラットフォーム
TCO最適化
「簡易な操作性」
「柔軟性」
3F
【NEC展示ブース】 IDA×SASによる実機デモ！！
Room A
Room B
〈ウエスト〉
〈イースト〉
展示エリア拡大図
パートナー展示エリア
現在
位置
Room C
〈タラゴン〉
・来場者 受付
・プレス 受付
・ハンズオンチケット配布所
Page 49
© NEC Corporation 2014
Page 50
ご清聴ありがとうございました。