それはたった1枚のスライドでした。 2021年、National Football League (NFL)のクラブビジネス開発のシニアバイスプレジデントのBobby Galloが、Cincinnati Bengals、Detroit Lions、Jacksonville Jaguars、New York Jets、Washington Commandersの5チームのロゴが描かれた1枚のスライドをNFLチームオーナーにプレゼンテーションしました。これは、次のシーズンに少なくとも平均で15,000枚の売れ残りのチケットがあるチームのリストでした。Galloは、すべてのNLFチームにチケットの売り上げを上げるために何ができるのかを考えてほしいと懇願しました。これは、NFLのみを蝕んでいる問題ではなく、国中の多くのプロスポーツチームが直面している問題でした。 2007年、Major Leagu
マーケターなら自社の製品やブランドを末永く愛してもらい、顧客と良好かつ継続的な関係を築いて利益を最大限に高めたいもの。しかし「LTV(ライフタイムバリュー=顧客生涯価値)」を正しく理解し、適切にマーケティング戦略に組み入れている企業は想像以上に少ない。本連載ではWACUL・垣内勇威氏の新刊『LTVの罠』(日経BP)から一部抜粋し、LTVを損なうボトルネックとその解消法について解説する。 会員制を取り入れ顧客を囲い込みたい企業。だが、「ゴールド会員」の称号を顧客は本当にうれしいと思っているのだろうか (画像/Lili White、Shutterstock.com) 企業視点と顧客視点の二面性を持つLTVの定義 はじめまして、WACUL代表取締役の垣内勇威と申します。この連載では私が書いた新刊『LTVの罠』をベースに、LTVを損なうボトルネックを排除し、中長期の利益に貢献する実践的な手法の概略
[インタビュー]アプリの分析をしてその結果をゲームに反映させてみたら,売上が20倍になったんです。バンダイナムコネクサスが語る,データ分析によって「出来ること」とその重要性【PR】 編集長:Kazuhisa カメラマン:佐々木秀二 バンダイナムコというグループの中には,実にさまざまな会社がある。 持株会社である「バンダイナムコホールディングス」のもと,読者の皆さんに一番馴染みがあるであろう「バンダイナムコエンターテインメント」,BLUE PROTOCOLで存在感をさらに大きくした「バンダイナムコオンライン」,ゲーム開発の「バンダイナムコスタジオ」,“バンナムナムコ”の名前が付かないところでは,「ディースリー・パブッリシャー」もバンダイナムコグループの会社だ。 ほかにもいくつもの会社があるのだが,その中に「バンダイナムコネクサス」という,社名からは一見何をしているのか今ひとつ分からない会社が
こんにちは、メルカリのレコメンドチームで ML Engineer をしている ML_Bear です。 以前の記事 [1] では、item2vecと商品メタデータを用いた、メルカリのホーム画面のレコメンド改善のお話をさせていただきました。今回は商品詳細画面でレコメンド改善を行ったお話をさせていただきます。商品詳細画面の例は図1の通りです。ユーザーはアイテムの詳細な説明を見たいときにこの画面に来訪するため、同様の商品を推薦する自然な接点として非常に重要です。 まず、私たちが商品詳細画面で行った改善の概要を示します。各部の詳細については次節以降で詳しく触れます。 日本有数の大規模ECサービスにおいてベクトル検索ベースの商品推薦アルゴリズムを実装し、推薦精度の大幅な改善を実現しました。 協調フィルタリングとニューラルネットワーク (以下、NN) を利用した商品推薦アルゴリズムを構築し、コールドスタ
スタンフォード大学の教授で数学者の時枝正(ときえだ・ただし)は、「おもちゃ」を使って数学や物理の定理を解き明かす。スープ皿や木のレール、大きなコインを手に、「ショー」とも呼べそうな講義をいかにも楽しげに始めるその姿に、聴衆は一瞬にして心を惹きつけられるという。 数学者には二つのタイプがいるという──。一つは、チョークを握り黒板に向かう、理論派タイプ。もう一つは、フェルトペンとホワイトボードを使う、どちらかというと応用数学系の人である。 その伝でいうと、時枝正は第三のタイプの数学者である。しかもこの第三のタイプは、世界広しといえども彼一人だけの可能性がある。 時枝は仕事道具をどれも煎餅の空箱から取り出すのだが、箱は「すべて同じブランドのもの」なのだそうだ。たとえばその中身は、見かけはそっくりなのに、転がるものと転がらないものがある二つの不思議な構造物。ひもや輪ゴム、クリップの扱い方は、まるで
ChatGPTを使ってデータサイエンティストの生産性を爆上げする活用術をまとめました! また、データサイエンティストがChatGPTを活用するための記事をまとめているので、こちらもぜひ参考にしてみてください。 データ前処理 「ChatGPTを使用すると、「データを分析可能な形に前処理して」といった大雑把なリクエストに対しても、すんなりと対応し、データ前処理を行ってくれます。」 今のところ、大量のデータを前処理する際にChatGPTを利用する場合は、ChatGPTに実際の前処理を行わせるのではなく、前処理用のサンプルコードを教えてもらう方が良いでしょう。 ただし、近い将来にはCSVやExcelを直接アップロード&ダウンロード可能な「Code Interpreter」というプラグインが追加される予定とのことで、実務利用が大いに現実味を帯びると考えられます。 詳細は以下のページで紹介しています!
米国時間2023年5月23日から開催されたMicrosoft Buildは、歴史的な瞬間となりました。データアナリティクスの世界において世界初となるエンドツーエンド(E2E)のSaaS*1型アナリティクスサービス、Microsoft Fabric(以降「Fabric」)の登場です。Microsoft Fabricは業界の常識を覆すほどのインパクトを持ち、ビッグデータ分析、セルフサービス分析、データサイエンスプロジェクトなど、あらゆるデータニーズを満たす革新的なクラウドサービスが誕生しました。 Microsoft Power BIの製品チームに所属していることもあり、Fabricについては入社時に知るようになりました。今回のMicrosoft Buildでその瞬間に立ち会えることができ、非常に嬉しく思います。今まではPower BIを広める立場ということで他のAzureサービス*2との関わり
CSVアドレスマッチングが一番手っ取り早い ExcelのWEBSERVICE関数の利用や、APIへのリクエストを作るのでも良いけど サクっと出すなら以下のサービスで秒速で完了。 http://newspat.csis.u-tokyo.ac.jp/geocode-cgi/geocode.cgi?action=start ステップ①住所カラムを持ったCSVファイルを用意 ラーメン屋の住所情報を一括でジオコーディングします。 ステップ②画面に従ってフォーマットに沿ったCSVファイルをアップロード アイテム名 / 電話番号 / 郵便番号 / 住所 のカラムを持ったCSVファイル用意 住所を含むカラム番号を指定、文字コードを合わせて送信 ステップ③以上 無事に緯度と経度が返されました。 サービスやアプリ内で使用する際は、GoogleのGeocodingAPI等を使う事になりますがアドホックでデータを
渡辺澄夫先生と初めてお会いしたのは、私が産総研の麻生英樹先生が主催していた研究会に呼ばれて、90分程度のセミナーで話をしたときでした。大阪大学に(専任)講師として着任した1994年の初夏で、ベイジアンネットワークの構造学習に関する内容だったと思います。そのときに、2-3分に1回くらい、終わってみると全部で20-30回くらい私に質問をされた方がいました。その方が渡辺先生でした。 渡辺先生が、「学習理論の代数幾何的方法」というタイトルで、IBIS(情報論的学習理論ワークショップ)という機械学習の研究会で講演されたのは、それから5年ほど後のことでした。私自身も当時、代数曲線暗号や平面曲線に関する論文も書いていて(J. Silverman氏との共著論文は、100件以上引用されている)、ベイズ統計学と代数幾何学はともに自信がありました。しかし、渡辺先生のIBISの話は、オリジナリティに富みすぎていて
最近、データ利活用やEBPMについて聞かれることがまた増えてきたので、私が普段考えているEBPMのためのデータ利活用には4つのフェーズについて軽くまとめておきます。 まずは、現状を理解する現状を市民と理解して課題感を共有するためのデータ分析ですね。 得てして自分のやりたい施策のエビデンスを探すようなデータ分析にもなりがちだがそうではないですよ。また、データ分析で課題を発見するという考えもそれでは浅い。データは事実しか語らない、それをどう読み解くかが地域の人ならではの味付けなのです。ツールやシステムが使えるかではなく、自分の街としてたとえば子育てのしやすさをどう捉えてそれをどんな切り口で見たらわかるのか、という考える力が一番大事です。その設計図を作れる力をつけましょう。ただし、課題の解決しかやらないようでは、価値創造の政策立案にはならない。単に課題解決し続けるモグラ叩きになります。 未来(ビ
ヤフー株式会社は、2023年10月1日にLINEヤフー株式会社になりました。LINEヤフー株式会社の新しいブログはこちらです。LINEヤフー Tech Blog こんにちは。サイエンス統括本部でデータ分析による社内サービスの課題解決支援をしている関口です。 ヤフーではたくさんのABテスト(※1)が常に行われており、サービス改善に活かされています。しかしながら実際には、さまざまな理由からABテストができないことがよくあります。本記事では、そのような場合にどのようにして施策の効果を評価・推定するかについて、具体的なケースからアイデアを紹介していきます。 なお今回はYahoo!ショッピングを題材にしたケースばかりですが、アイデア自体は汎用的なものとなっています。 ※1: ABテストはウェブサービス上のUI改善、機械学習モデル改善、機能追加etc.といったさまざまな施策が、KPIにどれくらいのイン
陳建一さんが亡くなったと聞いてマジ悲しかったんだが、同時におなかが空いてきて刷り込みってやばいなって思った。俺の脳内で 陳建一=メシ と言う回路ができているようだ。 と言う事で、これからしばらくは陳建一レシピで生きてくことにする。 そこで俺の「みんなの今日の料理」のお気に入りから、3つ紹介したい。 ゆで豚+ゆで豚スープ+回鍋肉とかたくさんアドレスを貼るとエラーになるんで、ゆで豚から追ってくれ https://www.kyounoryouri.jp/recipe/13276_%E3%82%86%E3%81%A7%E8%B1%9A.html かたまり肉を使ったレシピ。ゆで豚で作っておくと、その後何にでも使えるほか、このゆで豚を使ったスープが激うま。 そしてここまでできてしまえ回鍋肉はできたようなもん。豆板醤も甜麺醤も両方使うレシピでそこがハードル高いような気がするかもしれないが、こいつらが入っ
Software Design「データベース速攻入門」に「SQL50本ノック」が掲載されました - LIVESENSE ENGINEER BLOG 最近では、postgres-wasmなど、WebブラウザでDBを動かせるようになってきており、もう少しすれば、WebAssemblyを使って、ブラウザですぐにノックを始められるようになるかもしれません。もしも、また何年か後に記事を更新する機会があれば、試してみたいですね。 Web上からすぐに試せるpostgres-wasmはPagilaのデータを持っていくことが現時点で出来なさそうだったものの、SQLite3 WebAssemblyはSQLiteのデータを持っていけました。SQL50本ノックを気軽に試せそうです。 手順1 sakila-sqlite3をダウンロード まずgithubからsakila-sqlite3をダウンロードします。 gith
はじめに こんにちは。ML・データ部/推薦基盤ブロックの佐藤(@rayuron)です。私たちは、ZOZOTOWNのパーソナライズを実現する機械学習を用いた推薦システムを開発・運用しています。また、推薦システムの実績を定常的に確認するためのシステムも開発しています。本記事では、Lookerを用いて推薦システムの実績をモニタリングするシステムの改善に取り組んだ件についてご紹介します。 はじめに 改善の背景と課題 背景 課題 課題解決のために 要件1. 指標異常時の自動アラート 要件2. サマリの定期配信 要件3. 上記2つをSlack通知できること ダッシュボードの候補の比較 要件を満たすための設計 要件の実現方法 開発環境と本番環境 実装 ディレクトリ構成 ダッシュボード ダッシュボード構築の流れ 配信実績に関して 推薦結果に関して GitHub Actions 1. 指標異常時の自動アラー
巡回セールスマン問題 巡回セールスマン問題(以下TSP)についてご存知でしょうか。 完全グラフと全ての辺の移動コストが与えられた上で、全ての点を1回ずつ通り、始点に戻る巡回路の中で総移動コストが最小となる巡回路を求める組合せ最適化の問題です。 今回の記事の趣旨とは異なるため、ソルバーの詳細及びTSPを解くアルゴリズムの紹介は他の文献に譲ります。(個人的には辺の移動コストが定数でないTSP (dynamic TSP)にも興味があるので追ってまとめたいと思います。実応用としては、渋滞が発生して移動時間が変わる等の状況を考慮することに相当します。) TSPの応用としてはその名についているように人が全ての与えられた場所の集合を回る、郵便物などの配送*やテーマパークで回る順番を考える問題が多いかと思いますが、それらの実空間で何かの対象物が移動する以外の面白いなと思った応用例について3つ紹介して行きた
東京大学・株式会社Nospareの菅澤です. 今回は状態空間モデルによる時系列予測手法を用いた因果効果の推定手法であるCausalImpactについて紹介します. CausalImpactとは CausalImpactはGoogleによって開発された因果効果推定の方法です.手法の詳細はBrodersen et al. (2015, AoAS)に記載されており,手法を実装したRパッケージも公開されています. CausalImpactは,ある介入が時間変化するアウトカムにどのような影響を与えるかを推定(推測)するための手法です.時間変化するアウトカム(時系列データ)に対して因果効果を推定する有名な方法としてDifference-in-Difference (DID)がありますが,DIDよりも緩い仮定のもとで時間変化する因果効果を推定できる方法として知られています. CausalImpactのコ
JASRAC許諾第9009285055Y45038号 JASRAC許諾第9009285050Y45038号 JASRAC許諾第9009285049Y43128号 許諾番号 ID000002929 ABJマークは、この電子書店・電子書籍配信サービスが、著作権者からコンテンツ使用許諾を得た正規版配信サービスであることを示す登録商標(登録番号 第6091713号)です。
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く