本文へスキップ

事例

効果検証の分析処理基盤

効果検証を提供する分析会社との取り組みです。同社は分析者の人数に比例してしか売上と利益を伸ばせない事業の形を、効果検証をプロダクトとして提供することで変革しようとしていました。手法とモデルは同社のまま、社内では開発できなかった、データと機械学習の重い推定を製品として動かす仕組みの開発を、開発支援会社の KDOT に任せました。推定を案件ごとの手作業ではなくシステムで実行できるようになったことで、同社は人数に比例しない形で売上と利益を伸ばすことを目指せるようになりました。

サービス
データ基盤構築 / 技術顧問(技術企業向け)
技術領域
サーバー開発 / データ基盤 / クラウド基盤 / 運用自動化・監視 / 認証・権限

01

分析者の人数でしか伸ばせない事業をプロダクトで変えたかった

同社は施策の効果を因果推論の手法で推定し、最終顧客のデータを預かって、専門の分析者が案件ごとに分析した結果を報告していました。この形では分析者が増加しなければ売上と利益も伸びません。複数の最終顧客からは、分析を自社のシステムに接続したい、自動化したいという要望も寄せられていました。同社が目指したのは分析者を増員しなくても事業を拡大できることと、最終顧客が同社の手を借りずに効果検証を実施できることでした。

02

手法とモデルは社内にあったが重い推定を製品として動かす開発力がなかった

分析や機械学習データから規則性を学習させ、需要予測や異常検知、分類などをさせる技術です。予測用のモデルを構築するのは、集計やルールによる予測からの改善分の価値が、データの整備と運用中の監視・再学習にかかる費用を上回るときです。を強みとする会社では、手法やモデルを作る力と、それを製品として動かす仕組みを構築するソフトウェア開発の力とで、求められる技術が異なります。後者は社内にそろいにくいものです。推定モデルの本体は同社のメンバーが開発していましたが、重い推定を製品として稼働させる実行の仕組みを構築する開発力は社内にありませんでした。新たな推定モデルは指標ごとの推定に数十分を要し、扱うデータも大規模なため、その実行の仕組みは構築すること自体が困難でした。モデルの開発者は分析の実務も兼ねていました。

03

分析者が手作業で実行していた重い推定を人の手を介さずシステムで返せる

同社では、分析者が案件ごとに実行していた重い推定を、APIあるシステムの機能やデータを別のシステムが所定の手順で呼び出して利用できるようにした窓口です。CSVの受け渡しで十分な場面も多く、APIは開発後も保守が継続します。 で依頼を受けたシステムが計算して返すようになりました。最初の依頼の段階から、最終顧客が自社の環境からシステムに接続して分析結果を取得できることをゴールに設定したためです。推定の結果も失敗したときの理由も APIあるシステムの機能やデータを別のシステムが所定の手順で呼び出して利用できるようにした窓口です。CSVの受け渡しで十分な場面も多く、APIは開発後も保守が継続します。 の決まった応答形式で返るので、分析を自社のシステムに接続したい、自動化したいという要望に応える前提も整っています。モデルは同社のメンバーが開発したものをそのまま利用しました。KDOT が担ったのは、重い推定を必要なときだけ起動する計算サーバー社内外の利用者に機能やデータを提供するコンピューターです。物理サーバー、役割、仮想サーバーの違いと、台数や構成によって費用、停止したときの影響、運用の負担が変わる理由を解説します。(Amazon ECS)で実行する仕組みと、モデルの組み込みです。

04

分析者はシステムで推定を実行し同社のメンバーが基盤の拡張を引き継いでいる

自社の分析案件では同社の分析者がシステムに推定を依頼して結果を受け取っています。KDOT の関与が一段落したあとは、扱えるデータの件数を大きく広げる対応などを同社のメンバーが引き継ぎ、この基盤の上で進めています。

05

分析の強みを自社に残したまま人手に頼らない提供の仕組みを持てた

同社は強みである手法とモデルを自社に残したまま、効果検証を分析者の作業量に左右されずに提供する手段を確保できました。社内で利用しているこのシステムを最終顧客にも提供すれば、売上と利益を分析者の数に依存せずに伸ばすことを目指せます。

この事例に関わるサービス

この事例の技術に関する記事

ほかの事例

  • データ基盤構築 / 技術顧問(技術企業向け)

    事例:広告クリエイティブ予測 AI の MLOps 基盤

    広告クリエイティブの良し悪しを予測する AI を、自社プロダクトとして提供する企業との取り組みです。同社には推論の精度を評価する基盤がなく、改善が手探りで進み、現在のモデルが十分な水準に達しているかを把握しにくい状態でした。開発支援会社の KDOT は、機械学習のモデルを学習からリリースまで継続的に改善する基盤(MLOps 基盤)を設計し、同社のエンジニアがそれを自ら実装しました。導入後、同社は実験の計画からデプロイまでを効率よく進められるようになり、新たなモデルの出来を見極めたうえで改善を自分たちの手で継続しています。

  • データ基盤構築 / プロダクト / Web システム開発

    事例:価格設定モデルのデプロイ基盤

    広告枠の価格設定モデルを開発する分析会社との取り組みです。分析会社はこのモデルを、アドネットワークを運営する配信事業者に提供しています。配信事業者は、自社の環境で自社のデータと統合して分析し、新たなモデルを自ら検証できるようにしたいと考えていました。それにはモデルを配信事業者のシステム上で稼働させる基盤が必要でしたが、分析会社はそれを社内で開発できませんでした。KDOT は分析会社側のチームに参画し、この基盤をチームで設計・構築しました。分析会社はモデルを分析結果として納品するだけでなく、稼働させる基盤まで含めて納品できました。同時に、社外からの要望に応じてモデルを相手の環境へデプロイできる基盤を自社の資産にできました。分析会社はこの基盤を継続的に提供するサービスも配信事業者に提案しています。

  • データ分析支援 / データ基盤構築

    事例:現場が使うデータ分析の環境

    不動産・宿泊領域の新規事業会社との取り組みです。同社では Web の計測データや公開データ、日々の業務で発生するデータを蓄積していましたが、それぞれが分散しており、改善策や同社の顧客への提案を検討する材料にできませんでした。開発支援会社の KDOT は、Web 計測、広告、検索のデータを分析用の基盤へ集約し、サイトを横断する指標の計算規則を統一しました。さらに対話型 AI(人工知能)の Claude から Metabase のデータを照会できるようにしました。現場担当者は、事業全体から地域や物件、Web 上の行動へ確認範囲を絞り込み、自分の問いに即して比較条件を変更しながら、次の施策や同社の顧客への提案を検討できるようになりました。

お問い合わせ・ご相談

システム開発、データ活用、プロダクトづくりのことならお気軽にご相談ください。要件が固まる前の整理や、お見積もりだけのご依頼も承ります。

相談する