[PR]提供：ホワイトペーパー

将来的に離反するかもしれない顧客を予測し対策を講じたい、顧客からの一定期間あたりの取引を最大化したい、顧客リテンション(長期取引の継続)のために取引金額に見合った商品価値を提供したい…… こうしたビジネス課題を解消すべく、戦略的な分析が各社で行われている。

効果的な分析モデルの構築には、一貫性と高い信頼性を持つ、アナリティクス利用に適したデータの準備が必要だ。データ・サイエンティストの多くが膨大な時間をデータ準備に費やしていることは周知の事実だといえる。しかし実態として、戦略的な分析にもとづいた取り組みの最大40%が、低品質のデータを原因に失敗していることをご存知だろうか。

重視されていながらなぜ「低品質のデータ」は生まれてしまうのか

低品質なデータは、データ・サイエンティストの作業時間やそこに要するコストを犠牲にしてしまいかねない。この問題は、多くの場合、アナリティクスに最適化したデータ管理を行っていないことが背景にある。

というのも、分析モデルの構築をすすめる多くの企業はDWH (データウェアハウス) を導入していると推測されるが、このDWHのデータ管理とアナリティクスに最適化したデータ管理は求められる要件が異なる。だが、これらを混同しているケースが少なくない。

本稿で紹介するホワイトペーパーでは、戦略的な分析でビジネス課題を解消するための「アナリティクスに最適化したデータ管理」について、以下の5つの工程をベストプラクティスとして提唱し、それぞれ解説している。

アナリティクスに最適化したデータ管理へ向けた、5つの工程

☑ 従来のデータと新しいデータの両方へのアクセスを簡素化する ☑ 高度なアナリティクス手法でデータ・サイエンティストの分析力を強化する ☑ 柔軟なデータ操作手法を用いてデータを整形する ☑ データ管理領域とアナリティクス領域を横断してメタデータを共有する

工程イメージ

この工程を実践することで、より深い洞察を導き出すことができるデータ基盤の整備が可能だ。さらに、得られた知識を組み込んだ分析モデルの改良や新たな発見の共有といった形で、ビジネス全体における意思決定の自動化も実現し得る。

ビジネス課題の解消に向けたデータ分析について、取り組みを進めながらもその成果の創出に苦戦していた担当者には、ぜひ参考にしていただきたい。

（マイナビニュース広告企画：提供　SAS Institute Japan）

[PR]提供：ホワイトペーパー