Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

ビッグデータ時代のビジネス変革

情報分析に基づく”実行”こそがこれからの企業の競争力に
by

Norihiko Nakabayashi

on 5 July 2013

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of ビッグデータ時代のビジネス変革

ビッグデータ時代のビジネス変革
1848年~1849年
カリフォルニア州
Gold Rush
誰が富を獲得したか
情報を有効活用した者
道具を揃えた者
行動に移した者
蓄積
洞察
行動
顧客の嗜好の変化
顧客の行動の変化
トレンドの変化
行動から得られたデータを
過去
現在
未来
IBMのビジネス
アナリティクス
実績の把握
状況変化の把握
効果の予測
従来のBI
俊敏で正確な
計画
フィードバック
分析
従来のBI
IBMのビジネス
アナリティクス
洞察の獲得
2000年頃のチーム(40人)の平均年俸
350万ドル
120万ドル
1勝にかけたコスト
打率
盗塁数
打点
野手
投手
球速
防御率
勝利数
セーブ数
一般的に重要視される指標
これらの指標と過去の経験から古参のスカウトマンが選手を選ぶ
アスレチックスが重要視した指標
出塁率
長打率
選球眼
野手
投手
奪三振
与四球率
被本塁打
被長打
新しい指標で選手を分析してみると、
”良い”選手
が多数の大学・アマチュア野球・他チームのマイナーリーグに
埋もれていた
例外なく
高額な年俸
期待値に対して
割安な年俸
300万ドル
50万ドル
(2000年~2002年平均)
同時期に最もコスト効率が悪かった球団
~ビッグデータ時代へ~
~データの取り扱いが変わる~
~IBMの取り組み~
IBM Information Management 製品群
IBM Business Analytics 製品群

世界のケータイ・スマホ=46億台
毎日10テラバイトずつ増大
2010年、ユーザー数が20億人を超える
出典:ITU
取引データ量=1テラバイト/日
無線ICタグ
13億個→300億個
2005年
2010年
Facebook
地球規模の観測データ
©NASA
Volume
Variety
Velocity
毎日7テラバイト増大
クラウド環境の整備
クラウド環境の整備
学術研究
大型ハドロン衝突型加速器(LHC)
CERNがスイス、ジュネーブ郊外に建設した高エネルギー領域実験施設。粒子の崩壊、素粒子の観測から宇宙の成り立ちを探る。1秒間に800万回の衝突が発生。
1日の実験データ=40テラバイト
©delaere
ペタバイト
エクサバイト
ゼタバイト
2005年 1 Peta Byte 突破
2009年 1 Exa Byte 突破
2010年 1 Zetta Byte 突破
= 100万ペタバイト
2020年には35ゼタバイト突破
世界の総データ量は指数関数的に増大
ビッグデータは、これまでのデータベースとはデータの規模が根本的に異なる
多種多様なデータ形式で情報が蓄積
構造化されたデータと非構造化データが混在
ビッグデータの
8割は非構造化
データ
巨大な情報ストリーム
バッチ処理からリアルタイム処理へ
膨大な
センサー情報
Some 4,000 servers hum at IBM’s cloud computing center in San Jose, CA.
©Jason Madara
ビッグデータ時代の
「Gold」
は何か?
企業内のデータベースに蓄積されていない情報の中に、価値のある情報が埋もれている
発見した
「Gold」
をどのように活かすのか?
オークランド・アスレチックスのデータ活用
1勝にかけたコスト
「意思決定」
に活かす
~洞察~
膨張する交通データ
インフラ整備・自動車保有台数の増大に従い
膨張する交通データ
インフラ整備・自動車保有台数の増大に従い
ビッグデータ
から洞察を得る
Vestas Wind Systems
©Sam Churchill
ヴェスタス・ウィンド・システムズ
デンマークに本社を置く、世界最大の風力発電機の設計・製造・販売会社
風力発電機は設置場所によって
発電量と機器の寿命が大きく変わる
天候データ
地形データ
センサー
データ
衛星写真
森林地図
気象モデル
構造化・非構造化
データの混在
超大量データ:
数ペタバイト
最適なタービン設置場所の割り出し
発電量の予測
ROIのシミュレーション
メンテナンスのスケジュールを最適化
様々なところからデータが
リアルタイム
に発生
IBM製 商用スーパーコンピューター Firestorm
1979年以降、世界67ヶ国に44,500機の風力タービンを供給
1979年以降、世界67ヶ国に44,500機の風力タービンを供給
デンマークに本社を置く、世界最大の風力発電機の設計・製造・販売会社

1,222台の System X iDataPlex サーバーで構成
InfoSphere BigInsights
従来の構造化されたデータ
新しい種類の
非構造化データ
恒常的なデータ
変動的なデータ
InfoSphere
Streams
Streams が InfoSphere Warehouse の分析モデルを再利用
Streams が入ってくる
データをフィルタリング
InfoSphere
BigInsights
Hadoopだけでは問題は解けない
3つのエンジンが連携して分析が可能なのはIBMだけ
3週間かかっていた計算が15分で完了し、
素早く、正確な意思決定が可能になった
顧客に近づくための
ヒント
日本アイ・ビー・エム株式会社
~情報分析に基づく”実行”こそがこれからの企業の競争力に~
iTunes アルバム 2,000万枚分
全国128のテレビ局の全番組をデジタル録画で10万年分
2000年から2003年まで4年連続プレーオフ出場の快挙を達成
メジャーリーグチーム
私たちが目指す大きなビジョン
N.Y証券取引所
ビッグデータの
特徴
ビッグデータ時代の経営戦略とは…?
アナリティクス活用の結果
変化を味方
にする経営戦略
増え続けるインターネットユーザー数
増え続けるインターネットユーザー数
分析から得られたこれまでとは異なる
洞察
過去を見るだけでは
「洞察」
は得られない
ユーザー数(百万人)
世界のインターネット普及率
潮汐データ
世界の情報量
Netezza
Let's build a
Smarter Planet

~分析を武器にするための~
IBMのビッグデータソリューションで未来の脅威はビジネスチャンスに
超大量の情報ストリーム
1日5時間で4500分
300分の1
アスレチックス
インディアンズ
N.Y ヤンキース
アスレチックス
すべての領域をフルカバー
リーマン・ショック
サブプライム
ローン問題
2008/09/15
2007~
日経平均 12,400円
日経平均 6,900円
バブル崩壊後
最安値更新
日経平均株価 42% 下落
顧客価値増加に結びつく
付加サ
|ビスの有無
機能的価値
プレミアム
サービス
コモディティ
サービスにおける「プレミアム」の可能性




東日本大震災
ギリシア危機
円高/ドル・ユーロ安
2009/10/24
2011/03/11
サブプライムローン問題
低迷する国内株式市場
カブドットコム証券様
インターネット上の膨大なデータを収集・分析し、株価との関連性に基づいた新サービスの提供
既存サービス
の高機能化
(価格競争)
過去にない
他社にない
新サービス
Twitterを分析することで投資家にとって参考になる情報を提供できるのではないか?
非構造化データであるTwitterの膨大なつぶやきを効率よく分析するシステムの独自開発は困難
IBM Content
Analytics
IBM InfoSphere
BigInsights
BigInsightsから収集されたデータを、慣用句や表現なども含めてさらに詳細に言語解析を行う
非構造化データを含む、超大規模なデータから Content Analytics で指定されたキーワードを元に、データを選別し、さらに分類を行う
IBM Smart Business Cloud - Enterprise
索引データ・統計データ
数百テラ~数ぺタバイト
顧客データ・
独自データ
IBM SPSS、他
分析ソフトウェア
株価と解析結果との相関関係の検証
社内環境(既存)
より高度な分析の実行環境
これまでにない切り口での分析情報の提供
銘柄選びの精度向上
売買のタイミングをサポート
注目銘柄の抽出
46銘柄、
900万ツイート/日
を収集、選別、分類。

最終的には約3,600銘柄、
3,400万ツイート/日
を分析予定
重要キーワードの
フィードバック
指定したキーワードを元に収集したデータ
解析済みの
分析対象データ
お客様が損をするリスクを極限まで抑える
他社にない顧客情報サービスを提供する
簡単で手軽に扱えるインタフェースを提供する
kabu.comの特徴
kabu.comの特徴
新しいサービスとして提供
これまで通りのカブドットコムらしいサービスとして提供する
IBMのビッグデータ
ソリューションに着目
既存ビジネス
アナリティクス
ビッグデータ
アナリティクス
Twitter
深い洞察
将来に渡る
効果予測
ディープ・
アナリティクス

InfoSphere
BigInsights
3つのVのうち「Volume」「Variety」が
高いものをより深く分析するためのエンジン
迅速な判断
リアルタイムの意思決定
リアクティブ・アナリティクス
蓄積された
データ

流動する
データ

InfoSphere
Streams
3つのVのうち「Volume」「Velocity」が
極端に高いものを高速に処理するためのエンジン
これまでは諦めるしかなかったデータ
© 2008 Wagner T. Cassimiro Aranha
© 2007 CERN
膨大な
センサー情報
Netezza
Full transcript