[Modern Cloud Day Tokyo 2019] 【ビジネスをさらに加速させる!!】Oracle Cloud を活用したデータドリブンユースケースのご紹介（機械学習と予実管理）

Copyright © 2019, Oracle and/or its affiliates. All rights reserved. |Copyright © 2019, Oracle and/or its affiliates. All rights reserved. | 1
【ビジネスをさらに加速させる!!】
Oracle Cloud を活用した
データドリブンユースケースのご紹介
（機械学習と予実管理）
イデア・コンサルティング株式会社
クラウド営業部営業技術グループグループ長矢原荘悟氏
株式会社システムエグゼ
BI ソリューション本部ミドルセールス安田正秋氏
日本オラクル株式会社
クラウド事業戦略統括ビジネス推進本部井上聖吾

Copyright © 2019, Oracle and/or its affiliates. All rights reserved. |
以下の事項は、弊社の一般的な製品の方向性に関する概要を説明する
ものです。また、情報提供を唯一の目的とするものであり、いかなる
契約にも組み込むことはできません。以下の事項は、マテリアルや
コード、機能を提供することをコミットメント（確約）するものでは
ないため、購買決定を行う際の判断材料になさらないで下さい。オラ
クル製品に関して記載されている機能の開発、リリースおよび時期に
ついては、弊社の裁量により決定されます。
2
OracleとJavaは、Oracle Corporation 及びその子会社、関連会社の米国及びその他の国における登録商標です。
文中の社名、商品名等は各社の商標または登録商標である場合があります。

Copyright © 2019, Oracle and/or its affiliates. All rights reserved. | 3
データ活用（データドリブン）
今、企業に求められるデータ活用による変革の波
これまでハードウェアは資産として扱われていたが、
データは同じように資産として考えられていなかった。
今、ハードウェア（環境）はリアルタイムに購入する
サービス（クラウド）となり、永続的に扱われる資産
は「データ」であり、イノベーションの源泉である。
– Erik Brynjolfsson, Director, MIT Initiative on the Digital Economy
出展）http://www.oracle.com/us/technologies/big-data/rise-of-data-capital-wp-2956272.pdf

データドリブンなビジネスに向けたロードマップ
ビジネス
価値
① アナログ的なプ
ロセスやデータ
のデジタル化
デジタル化自動化
③ 業務への組み込み
② データ資産への
理解と将来予測
① デジタル化（データの資産化）
デジタル化はスタート地点。構造化・非
構造化を問わず、アナログ的なプロセス
をデジタル化し、データ資産として蓄積
していくことが重要
② データ資産への理解と将来予測
蓄積されたデータから多くのインサイト
（気付き）を獲得。そのことにより今を
理解し将来を予測。もちろん、過去のト
レーサビリティも広義の理解と言える
③ 業務への組み込み
獲得した気付きと予測から、プロセスを
効率化。さらに自動化へと発展させ、省
力化と効率化を実現。顧客向けの価値提
供に注力します。データを活用し続ける
ためには、その自動化をメンテナンスし
ていくことも重要

データドリブンを簡単気楽身近に!!
Oracle Autonomous
Data Warehouse Cloud
Oracle Analytics Cloud
• 世界初の自律型データベース
• Self-Driving（自己稼働）
• Self-Securing（自己保護）
• Self-Repairing（自己修復）
• Exadata テクノロジーを最大限活用した
高性能データウェアハウス
• 業務担当者によるセルフサービス BI
– ユーザーフレンドリーな直感的な操作性
– データの準備・加工（データ・フロー機能）
– 機械学習（Python 連携可能）
• ビジネス状況を直感的に把握するエンター
プライズ BI
– 定形ダッシュボード（パーソナライズ可能）
– 定型レポーティング（帳票出力 & 配信機能）
– Office 連携 & モバイル対応

ご講演者
データドリブンユースケース
機械学習
クラウド営業部営業技術グループ
グループ長矢原荘悟氏
データドリブンユースケース
予実管理
BI ソリューション本部
ミドルセールス安田正秋氏

© Copyright iDEA Consulting Inc. 2019
2019年08月06日
矢原荘悟
Oracle Cloud を活用したデータドリブンユースケースのご紹介
(機械学習)
Modern Cloud Day Tokyo
【B-4】

1. 会社紹介
8

1-1. 弊社のご紹介
◆ 商号イデア・コンサルティング株式会社sulting Inc,)
◆ 設立 2010年6月1日（旧：ダイヤモンド富士ソフト株式会社）
◆ 本社所在地東京都千代田区神田松永町19 秋葉原ビルディング6F
◆ 社員数約140名
◆ 資本系列富士ソフト株式会社
◆ 事業内容 ERPの導入コンサル～開発・保守、受託開発
データ分析の高度化をご支援
◆ 取扱プロダクト Oracle E-Business Suite (ERP)
JD Edwards Enterprise One (ERP)
Oracle ERP Cloud
Oracle Data Integrator (ODI)
OracleBIEE、Oracle Analytics Cloud、DVD
DBCS、ADW、APEX、SOA Cloud
Oracle Hyperion Planning、Essbase
Oracle PBCS、Oracle CX Cloud
PBCS
EBS
<会社沿革>
1999年 4月ダイヤモンドコンピューターサービス㈱（三菱総研DCS㈱）
と富士ソフトABC㈱（現富士ソフト㈱）との合弁により
「ダイヤモンド富士ソフト㈱」設立
2010年 6月 Oracleソリューション部を独立
イデア・コンサルティング株式会社を設立
2018年 7月 Oracle Award 2018 を受賞いたしました!!
9
JDE
BI
URL: http://www.ideacns.co.jp
【お問い合わせ先】
mail: idea_eigyou@ideacns.co.jp

1-1. 弊社のご紹介～データ分析サービスメニュー～
10
『上流設計、開発、保守、基盤系』と幅広いサービスメニュー
分類サービスメニュー
導入
要件定義
保守保守サービス
研修研修サービス
内容
DWH概念設計、データ収集I/F設計、機械学習シナリオ検討
改善要望対応、アプリケーション保守、ライセンス保守
BIEE研修、OAC研修、DVD研修、APEX研修
コンサルティング
要求分析要求分析、RFP・基本計画作成、製品選定、PDCA・分析提案
BIEEバージョンアップ BIEE 10g⇒12c、 BIEE 11g⇒12c
基盤更改
(OracleBI)
経営管理支援現状分析、KPI定義、事業計画支援、マーケティング支援
設計・開発 DWH設計・開発、BI設計・開発、機械学習モデル開発
クラウド移行 BIEE ⇒ OAC、 Essbase ⇒ OAC、 BICS ⇒ OAC

2. アジェンダ概要
11

2-1. アジェンダ概要
アジェンダの概要は以下の通りです。
12
＜ビジネスユーザの視点＞
・マーケティング業務のデータ分析のユースケース
・データドリブン：データに基づいたPDCA活動
・BIを使ったデータの可視化と機械学習を併用（デモあり）
⇒ 【Oracle Analytics Cloud + Oracle Machine Learning】
・機械学習による予測アルゴリズム
⇒ 【分類（ディシジョン・ツリー）】
＜データサイエンティストの視点＞

2-2. マーケティング業務とデータ分析
マーケティング業務においてデータ分析は重要な構成要素となっています。
13
1.市場分析 2.戦略立案 3.施策立案
デ
ー
タ
分
析
例
赤字：データマイニング系
・市場把握
・ニーズ調査
・アンケート
・ターゲット顧客
・ポジショニング
・サービス／商品企画
・体制、役割分担
・スケジュール
・アクション立案
・プロモーション企画
・データ活用方法検討
・アクション実行
・広告、宣伝
・WEBサイト構築
・キャンペーン
・イベント、セミナー
・施策評価
・KPI測定
・アンケート
・アンケート分析・ABC分析
・クラスタ分析
・デシル分析
★RFM分析
・優良顧客抽出
・アソシエーション分析
・販売予測
★マップマーケティング
・PV
・来場者数
・アンケート結果
★キャンペーン効果
・クリック率
・顧客満足度
・クレーム数
・販売分析
4.施策実行 5.分析・改善
＜マーケティング業務のステップ＞
★：本日ご紹介
主
な
タ
ス
ク
「顧客に支持され続けるための施策実施、売れる仕組みを作る」マーケティングとは？
どのような顧客層にどのような製品・サービスを届けるかを立案
マーケティング戦略に基づいた具体的な活動の立案

2-3. ADW/OACの構成イメージ
ADW/OACの構成イメージは、以下の通りです。
14
ADW OAC EE
OML
Notebook
DV
BI
DWH
Oracle Cloud
セルフサービスBI
利用者
定型レポート
利用者
DVD
Dashboard
Desktop
Developer Client Tool
(Administration Tool)
機械学習
利用者
ADW
機械学習
OAC
OAA
ADW : Autonomous Data Warehouse Cloud
OML : Oracle Machine Learning
OAA : Oracle Advanced Analytics
OAC EE: Oracle Analytics Cloud Enterprise Edition
DVD : Data Visualization Desktop
BI : Business Intelligence (エンタープライズBI)
DV : Data Visualization (セルフサービスBI)
今回使用

3. Oracle Machine Learning の紹介
15

3-1. OML Notebook 概要
Oracle Machine Learning についてご紹介します。
16
高度なSQLユーザー向けに設計されたノートブック・スタイルのアプリ
ケーションを提供し、洗練されたアナリティクスとデータ・モデルに基づい
てレポートを開発、文書化、共有、自動化するインタラクティブなデー
タ・アナリティクスを提供します
① WebベースのSQLツール、ブラウザからすぐに実行可能
② 共有されたノートブックやテンプレート、権限、スケジューラなどへの簡単アクセス
③ SQLやPL/SQLのスクリプト言語をサポート
④ Oracle Advanced Analyticsの機械学習アルゴリズムがデータベース内に含まれており、ADWCで機械学習メソドロジーを
ビルド、評価、デプロイ可能
Oracle Machine Learning (OML) とは？
Oracle Machine Learning (OML)でできる事
インタラクティブに機械学習を実行するインターフェース
オラクルはApache Zeppelinを組み込んでいる
Workspace -> Project -> Notebook の順で作成
OML Notebook とは？

3-2. OML Notebook 操作イメージ
Oracle Machine Learning Notebook の操作イメージを紹介します。
17
ホーム画面
PL/SQL,SQLを実行
実行結果も含めノートブックとして保存

3-3. OML Notebook テンプレート
Oracle Machine Learning Notebook のテンプレートを紹介します。
18
異常検知相関ルール特徴の抽出分類
クラスタリング最初のノートブック回帰統計ファンクション

3-4. OML のマーケティング業務での活用例
Oracle Machine Learning をマーケティング業務に活用する例をご紹介します。
19
No 大分類分類要望アルゴリズムマイニング機能アルゴリズム名テンプレート
1 教師あり分類 DMを送付してそのキャンペーンに反応頂
ける確率を予測したい
ロジスティック回帰分析 CLASSIFICATION ALGO_GENERALIZED_LINEAR_
MODEL
2 分類同上(樹形図) 決定木分析同上 ALGO_DECISION_TREE 分類
3 分類,回帰既存顧客の分類結果を学習し、新規
顧客の分類を行う
サポート・ベクター・マシン CLASSIFICATION ALGO_SUPPORT_VECTOR_MAC
HINES
4 回帰気温など１つの条件の変動から売上額
を予測したい
線形回帰分析 (SQL) REGR_R2等, CORR
5 分類,回帰キャンペーン効果があったかどうかを調べた
い
一般化線形モデル REGRESSION ALGO_GENERALIZED_LINEAR_
MODEL
回帰
6 時系列売上予測を行いたい時系列分析 TIME_SERIES ALGO_EXPONENTIAL_SMOOTH
ING (指数平滑法)
7 教師なし相関ルール同時に購入されやすい商品を知りたいアソシエーション分析 ASSOCIATION ALGO_APRIORI_ASSOCIATION
_RULES (Apriori)
相関ルール
8 異常検出顧客の基準から大きく外れる購買行動
を発見する
One class SVM CLASSIFICATION ALGO_SUPPORT_VECTOR_MAC
HINES
異常検知
9 クラスタリング顧客をグループ分けしたいクラスタリング CLUSTERING ALGO_KMEANS (k-Means) クラスタリング
10 その他予測販売額に影響を与える顧客属性を知り
たい
予測分析 (PA) DBMS_PREDICTIVE_ANALYTICS.EXPLAIN 特徴の抽出
11 予測販売額に影響を与える顧客属性を使っ
てプロファイルを作成する
予測分析 (PA) DBMS_PREDICTIVE_ANALYTICS.PROFILE
12 検定男性と女性の販売額を比較し、有意な
差が出ているかを判断
T検定 (SQL) STATS_T_TEST_INDEP 等統計ファンク
ション
記号 (SQL):分析SQL関数、 (PA):予測分析、未記入:DBMS_DATA_MINING.CREATE_MODEL[モデル作成]
参照：https://docs.oracle.com/cd/E96517_01/dmapi/data-mining-basics.html#GUID-208DD1B9-4B6E-4D51-A1C2-C58356DECE4E

3-5. OML Notebook 参考になるサイト
Oracle Machine Learning Notebook について参考となるサイトをご紹介します。
20
No 分類タイトル URL
1 プレゼンテーション OMLノートブック紹介資料 https://www.oracle.com/technetwork/jp/database/options/advanced-
analytics/oraclemachinelearning4otn2-4479753-ja.pdf
2 Oracle Cloud
公式ブログ
OML Notebookの使い方 https://community.oracle.com/groups/oracle-cloud-japan-blog/blog/2018/08/29/autonomous-
data-warehouse-cloud-oracle-machine-learning-
notebook%E3%81%AE%E4%BD%BF%E3%81%84%E6%96%B9?sr=search&searchId=646db6d3
-1987-4e77-9030-d82254e95ad1&searchIndex=7
3 チュートリアル OMLチュートリアル https://docs.oracle.com/cd/E60665_01/tutorials_ja.htm#OML
4 マニュアル OMLの概要 https://docs.oracle.com/cd/E83857_01/paas/autonomous-data-warehouse-
cloud/business_analyst.html
5 マニュアル OMLの使い方 https://docs.oracle.com/cd/E83857_01/paas/autonomous-data-warehouse-cloud/user/create-
dashboards.html#GUID-56831078-BBF0-4418-81BB-D03D221B17E9
赤字：お薦めサイト

4. OMLを使用した機械学習
21

4-1. マーケティング分析シナリオ
分析シナリオの概要は以下の通りです。
22
100均SHOPのキャンペーン企画担当
（ポイントカードで顧客情報も保有）
・主要な顧客層は、30～40歳台だが、実は10～20歳台の頃にどの100均SHOPがファンかが決まる
・ 10～20歳台向けにSNSと連動した『100均アイテム活用アイデア投稿キャンペーン』を行うことでファンを10%増やすことができる
① 試験用の店舗で本キャンペーンを実施。データを収集する。
② 上記の結果をもとに全店舗を対象に実施するが、キャンペーンに反応して頂けそうな顧客を予測し、その顧客のみメールを送る。
【仮説】
【キャンペーン実施企画】

4-2. 機械学習 (1/5) ～分類モデル(概要)～
分類モデルの概要は以下の通りです。
23
分類モデル
キャンペーンの反応有無(1 or 0)のように、どのクラスに属するかを
予測するためのモデル。既知の結果を学習し、予測モデルを生成す
るため、教師あり学習と呼ばれる。ディシジョン・ツリー、Naive
Bayes、一般化線形モデル、ランダム・フォレスト、サポート・ベクター・
マシンのアルゴリズムを選択可能。
ディシジョン・ツリー(決定木) アルゴリズム
人間が理解可能なルールの形で予測情報を抽出できる。
即ち、if-then-else式で表現できるようなルールを生成する。
業種活用例
小売業キャンペーンへの反応有無を予測
製造業故障発生時の原因を予測
金融業顧客の支払能力を示す３つの分類への所属を予測
（分類モデルの活用例）

4-2. 機械学習 (2/5) ～分類モデル(準備)～
モデル作成時の設定テーブルは以下の通りです。
24
n1_build_settings モデル作成時の設定テーブル
アルゴリズムにディシジョン・ツリーを指定

4-2. 機械学習 (3/5) ～分類モデル(モデル作成)～
モデル作成時の流れは以下の通りです。
25
予測結果
(N1_APPLY_RESULT)
モデル作成
モデルをテスト用データに適用
DBMS_DATA_MINING.CREATE_MODEL
('N1_CLASS_MODEL01',
'CLASSIFICATION',
'N1_TRAIN_DATA',
'CUST_ID',
'AFFINITY_CARD',
'n1_build_settings');
DBMS_DATA_MINING.APPLY
('N1_CLASS_MODEL01',
'N1_TEST_DATA',
'CUST_ID',
'N1_APPLY_RESULT');
モデル：データから発見した法則
適用：モデルを新しいデータに適用し予測すること
学習用データ
(N1_TRAIN_DATA)
テスト用データ
(N1_TEST_DATA) モデル名
マイニング機能の名前
ケースIDのカラム名
パラメータ格納表
入力データのテーブル/ビュー名
ターゲットのカラム名
モデル名
入力データのテーブル/ビュー名
ケースIDのカラム名
適用結果保存先テーブル
モデル
N1_CLASS_MODEL01
CUST_ID AFFINITY_CARD
0011 1
0012 0
0013 1
0014 0
CUST_ID 予測値
0011 1
0012 0
0013 1
0014 1
CUST_ID AFFINITY_CARD
0001 1
0002 1
0003 0
0004 0

モデルのルール確認方法は以下の通りです。
26
SET PAGESIZE 1000
SET LINESIZE 1000
SET TRIMSPOOL ON
SET HEADING OFF
SET long 2000000000
column dt_details format a320
spool C:¥Temp¥dt_rule.xml
SELECT
DBMS_DATA_MINING.GET_MODEL_DETAILS_XML('N1_CLASS_MODEL01')
AS DT_DETAILS
FROM dual;
spool off
＜ディシジョンツリーのルールをXML表示＞
＜SQL*Plus コマンド＞
XML出力
IF HOUSEHOLD_SIZE in (“3“, 4-5“) THEN

モデルの情報を確認するスクリプトを紹介します。
27
%sql
SELECT model_name, mining_function, algorithm ,algorithm_type, creation_date
FROM user_mining_models
WHERE model_name = ‘N1_CLASS_MODEL01';
【モデルの存在を確認】 USER_MINING_MODELS
で存在するモデルが確認できます
WHERE model_name
で、モデル名を指定します
%sql
SELECT * FROM user_mining_model_views
WHERE model_name = 'N1_CLASS_MODEL01';
【モデルビューを確認】 USER_MINING_MODEL_VIEWS
でモデル・ビューの説明を確認できます
WHERE model_name
で、モデル名を指定します
DM$VP<モデル名>

5. BIを使った分析
28

5-1. 分析① (1/3) ～RFM分析～
RFM分析を使って顧客のセグメンテーションを行います。
29
RFM分析：顧客の購買行動・購買履歴から優良顧客などのセグメンテーションなどを行う顧客分析手法
R (Recency) 最終購入日最近いつ買ったのか？
F (Frequency) 購入頻度購買の頻度は？
M (Monetary) 累積購入金額今までの購買実績は？
R F M
最終購入日からの
経過日数
購入頻度
(直近2年)
累積購入金額
(直近2年)
ランク１ 1ヶ月以内 12回以上 50,000円以上
ランク２ 3ヶ月以内 9回以上 20,000円以上
ランク３ 6ヶ月以内 6回以上 10,000円以上
ランク４ 1年以内 3回以上 1,000円以上
ランク５ 1年以上 3回未満 1,000円未満

5-1. 分析① (2/3) ～RFM分析～
RFM分析による顧客セグメンテーション手法の例です。
30
R(最終購入日)とF(購入頻度)の２つに着目し、以下の様に顧客をセグメンテーションする
事としました。
スキップ

5-1. 分析① (3/3) ～RFM分析～
RFM分析による顧客セグメンテーション結果です。
31

5-2. 分析② (1/4) ～マップマーケティング～
キャンペーンの試験実施店舗を決めるため店舗配置、人口分布を確認します。
32
【試験実施店舗の検討】マップマーケティング・・・以下の既存店舗データをDVDに取り込む

DVDで既存店舗の配置を確認可能です。
33
【試験実施店舗の検討】マップマーケティング・・・以下の様に地図上で検討できる
以下を参照 (上記はAuto-Cluster Map Plugin を使用)
https://community.oracle.com/groups/oracle-cloud-japan-blog/blog/2017/01/05/oracle-data-visualization%E3%81%A7%E5%A4%96%E9%83%A8%E5%9C%B0%E5%9B%B3%E9%80%A3%E6%90%BA

DVDで人口分布の分析も可能です。
34
【出店地の検討】マップマーケティング・・・ 2020年の人口分布
国立社会保障・人口問題研究所報告の『日本の地域別将来推計人口』
http://www.ipss.go.jp/pp-shicyoson/j/shicyoson18/3kekka/Municipalities.asp
出典：国立社会保障・人口問題研究所ホームページ
（http://www.ipss.go.jp/）
以下を参照
https://community.oracle.com/groups/oracle-cloud-japan-
blog/blog/2018/11/01/%E6%97%A5%E6%9C%AC%E3%83%9E%E3%83%83%E3
%83%97%E3%81%8Coracle-analytics-
library%E3%81%AB%E5%85%AC%E9%96%8B
【人口分布データ】
【DVDの日本地図データ利用方法】
Oracle Analytics Library
https://www.oracle.com/solutions/business-analytics/data-visualization/geo-
layers.html
※JSON利用の制約：DVDで１つの地域が複数行の場合、最初の行のみしか使用
できない様なので、不要な行を削除すると良い
東京都23区の場合、江東区、品川区、大田区、港区が該当する

DVDで人口分布の分析を行っている画面です。
35
【試験実施店舗の検討】マップマーケティング・・・以下の様に地図上で人口分布を確認できる

5-3. 分析③ (1/3) ～予測結果～
キャンペーン反応の予測結果確認のイメージとなります。
36
反応有(1)と予測される顧客

5-3. 分析③ (2/3) ～キャンペーン効果～
キャンペーン効果確認のイメージとなります。
37
34%増を達成できました!!

5-3. 分析③ (3/3) ～キャンペーン効果～
キャンペーン効果確認のイメージとなります。
38
2736人増
717人増

6. まとめ
39

6-1. 本日お伝えしたかったこと～ポイント～
本日お伝えしたかったポイントは、以下の通りです。
40
マーケティング業務と
データ分析
・・・マーケティング業務の中でデータを活用するときのケーススタディと
なれば、嬉しい !!
RFM分析・・・ RFM分析で顧客セグメンテーションを実施するケースを紹介した
い。
（Oracle Data Visualization Desktop）
マップマーケティング・・・地図を使って試験店舗を検討するケースを紹介したい。
（Oracle Data Visualization Desktop）
分類・・・分類モデルの使用により、顧客の反応を予測し、効果的なキャン
ペーンを実施できるケースを紹介したい。
（Oracle Autonomous Data Warehouse Cloud – OML Notebook）

6-2. マーケティング業務とAutonomous DB
以下の通り、マーケティング業務とAutonomous DBの相性は良いと感じています。
41
機械学習
✓ マーケティング業務で必要なアルゴリズムが整備されている
✓ テンプレートが準備されている
✓ SQL, PL/SQL が理解できる人は入りやすい
簡単にスケールアップ
✓ 簡単に立ち上げ
✓ DB稼働中にCPU数、StorageのUp/Downが可能
✓ 機械学習モデル作成前にCPU数をUpすると便利スケジュール実行も可 *1
大量データ
✓ 大量データの検索が高速
✓ 大量データのロードも高速
✓ 圧縮機能によりStorageも節約可能
*1 右記のblog参考：https://blogs.oracle.com/datawarehousing/managing-autonomous-data-warehouse-using-oci-curl

<Insert Picture Here>
本書に含まれる情報は、貴社内部でのご検討、評価の目的のために提供されるものです。
貴社内でのご使用、複製、開示は、この目的のために必要な範囲でのみお願いいたします。
貴社との間で正式な契約が成立した場合には、当該契約に従い本書をお取り扱いいただきます。
なお、貴社にて既に取得されている情報については、これらの制限は及びません。
42

Oracle Cloud を活用した
データドリブンユースケースのご紹介
(予実管理)
BIソリューション本部
安田正秋

自己紹介
BIソリューション本部
安田正秋
経歴：
株式会社システムエグゼ 2014年入社
入社後エンジニアとして管理会計パッケージの導入、保守に従事
2019年よりセールス担当としてBI案件のコンサル、営業活動に従事
保有資格：
・基本情報技術者
・応用情報技術者
・Comptia Cloud Essential など

会社紹介
会社概要 / 事業内容
DBソリューション紹介 / BIソリューション紹介
Oracle Cloudサービス紹介

システムエグゼ（会社概要）
社名：株式会社システムエグゼ
設立：1998年2月（第22期）
資本金：4億7,500万円
代表者：大場康次
社員数：581名（2019年4月見込）
平均年齢：33.9歳
関連会社：株式会社エグゼソリューションズ
SYSTEMEXE VIETNAM COMPANY LIMITED
（システムエグゼベトナム）
SystemEXE（Thailand）Co., Ltd
（システムエグゼタイランド）
SystemEXE Myanmar Company Limited
（システムエグゼミャンマー）
ホームページ：http://www.system-exe.co.jp/
拠点一覧：
■本社〒104-0028
東京都中央区八重洲2-7-2
八重洲三井ビルディング 5階
TEL: 03-5299-5351 FAX: 03-5299-5354
■京橋オフィス〒104-0032
東京都中央区八丁堀4-3-3 Daiwa京橋ビル 8階
■府中オフィス〒183-0056
東京都府中市寿町1-1-3 三ツ木寿町ビル 6階
■千葉オフィス〒260-0045
千葉市中央区弁天1-5-1 オーパスビルディング9階
■名古屋オフィス〒460-0003
愛知県名古屋市中区錦2-20-8 東栄ビル 7階
■関西オフィス〒530-0005
大阪府大阪市北区中之島3-3-3
中之島三井ビルディング 20階 2006号室
■長野オフィス〒390-0811
長野県松本市中央2-1-27
松本本町第一生命ビルディング 7階
■株式会社
エグゼソリューションズ
〒104-0028
東京都中央区八重洲2-7-2
八重洲三井ビルディング 5階
■システムエグゼベトナム（ホーチミン市）
■システムエグゼタイランド（ノンタブリー県）
■システムエグゼミャンマー（ヤンゴン市）

システムエグゼ（会社概要）
1998年 2月株式会社システムエグゼ設立
（資本金1,000万円）
2004年 3月資本金 5,000万円に増資
2005年 4月府中オフィス開設
2005年 7月千葉オフィス開設
2005年 12月資本金 8,800万円に増資
2006年 4月名古屋オフィス開設
2006年 6月プライバシーマーク認証取得
2006年 12月資本金 1億円に増資
2007年 4月株式会社エグゼソリューションズを設立
ISO/IEC27001:2005認証取得
（府中オフィス）
2008年 1月エコステージ1の認証取得
2008年 8月資本金 1億9,000万円に増資
2010年 10月ベトナムホーチミン市に子会社:
システムエグゼベトナムを設立
2011年 1月 ISO9001:2008認証取得
（千葉オフィス）
2013年 7月関西オフィス開設
2013年 10月本社と都内の拠点を現住所に統合移転
2013年 11月長野オフィス開設
2014年 1月タイチョンブリ県シラチャ市に子会社:
システムエグゼタイランドを設立
2014年 8月千葉県市原市姉崎に姉崎オフィスを開設
2016年 1月代表者変更
代表取締役社長酒井博文、会長佐藤勝康
2016年 12月大阪市北区中之島に関西オフィスを移転
名古屋市中区錦に名古屋オフィスを移転
ミャンマーに現地法人 SystemEXE（Myanmar）Co., Ltd.設立
2017年 4月東京都中央区八丁堀に京橋オフィスを開設
2019年 3月代表者変更
代表取締役社長大場康次
沿革：過去10年間の売上・収益・社員数推移：
過去3年間の収支：
2016年（19期） 2017年（20期） 2018年（21期）
売上高（億円） 68.23 71.41 77.21
経常利益（億円） 4.90 4.05 5.07
社員数（名） 470 506 539
0名
50名
100名
150名
200名
250名
300名
350名
400名
450名
500名
550名
600名
0
1
2
3
4
5
6
7
8
売上（単位：10億円）
経常利益（単位：億円）
社員数（単位：名）

システムエグゼ（事業内容）
コンサル～保守・運用管理までの
一貫したソリューションの御提供
⚫ クラウドインテグレーション
⚫ データベース
⚫ ビジネスインテリジェンス
⚫ セキュリティ
⚫ AI・RPA
技術
ソリューション
⚫ 損保・生保ソリューション
⚫ 不動産ソリューション
⚫ 製造ソリューション
⚫ 医療ソリューション
業務
⚫ オフショア
（ベトナム、ミャンマー）
⚫ 海外進出支援
グローバル

BIソリューション紹介
【サービスの特徴】
①Oracle製品をはじめ、マルチツール対応で最適な分析システムをご提案
②製品選定⇒診断⇒設計・構築⇒運用⇒保守まで、ワンストップで対応可能
③10年以上のノウハウで様々な分析ニーズに対応可能
④ご要望に応じて選べる豊富なオプション
• 製品移行
• バージョンアップ
• ログ見える化
• チューニング
• レポート追加
• システム準最適化
• 設計・構築
• 予実管理
• DWH分析
• 仕様解析
• ボトルネック分析
• ドキュメント改修診断
サービス
導入
サービス
移行
機能追加
業務改善
コンサル

DBソリューション紹介
【サービスの特徴】
①Oracle製品をはじめ、マルチ・データベース対応
②診断⇒設計・構築⇒運用⇒改善まで、ワンストップで対応可能
③オンプレミスでもクラウドでも対応可能
④ご要望に応じて選べる豊富なオプション
• DB監視
• DB監査
• DBマスタメンテナンス
• DBチューニング
• バックアップ・リカバリ
• 運用・保守
• 設計・構築
• DB冗長化構築
• クラウドバックアップ
• ヘルスチェック
• コンサルティング
• DBセキュリティ診断診断
サービス
設計・構築
サービス
運用サポート
サービス
運用改善
サポート

DBへの取り組み
中立の立場から各種DBに対して独自の項目で性能試験を行ったり、各種ストレージとDB性能という観点で
性能試験を行うことで、お客様に最適なデータベースをご提案するための検証を行っています。
0
5000
10000
15000
100セッション300セッション500セッション
T
P
S
多重度
A
B
C
D
E
オンライン系処理（多重実行）
0
10
20
30
40
50
登録更新削除
処
理
時
間
(
秒
)
処理名
A
B
C
D
E
バッチ処理（大量データ処理）
DB比較検証結果：
ストレージ性能比較検証結果：
0
100
200
300
400
500
処
理
時
間
(
ミ
リ
秒
)
A
B
C
D
平均IOレスポンスタイム
0
20000
40000
60000
80000
T
P
S
A
B
C
D
大量トランザクションを想定した処理

データの
活用・分析
データを
溜める
Oracle Cloudサービス紹介
Oracle Cloudのメリットを最大限に活用し、短期間で最適な分析基盤を実現！
運用までをトータルケアするサービスです。
また、Autonomous機能によるAIや自動運用により、運用コストの最小化を実現します。
クラウドへ
引越・繋ぐ
INTEGRATION DATA WAREHOUSE ANALYTICS
基幹システム
他クラウド
ファイル類
保守サービス
Oracle Database機能や
GoldenGateを使用した
データベース同期・移行
自動でデータを溜める
仕組みを構築し、
低価格かつ
高性能なクラウドで運用
定型分析や
シナリオへの仮説検証等
日々動き続けるデータの
動向を見える化

弊社のクラウドへの取り組み
2012年サービス開始

目次
１
OACの提案
・システム化概要
・選定理由
２
要件定義のポイント
・既存業務の理解
・システム化範囲の明確化
3
設計時の課題と解決策
・同一科目の登録
・組織ツリーとは異なる集計単位の実現
・その他苦労したことなど

OACの提案
システム化概要
選定理由
1

■提案顧客
• 流通サービス業
業種
• 約100名
利用ユーザ数
• 国内外（アメリカ、香港）
利用拠点

■As-Is
経営管理
経理担当者
経営層
子会社
大量のExcelデータを別々に収集し、毎月人手で集計していた。
集約
開示

■To-Be
経営管理
経理担当者
経営層
子会社
OAC上でデータを一元管理、自動計算する仕組みを実現。
OAC
基幹システム
データの一元管理

■データフロー
クライアント OAC 基幹システム
予算
見込
内部取引
コメント
実績
付帯データ
集約
計算
レポート

■問題点と改善点
【問題点】
・予算策定時に1次提出版、2次提出版・・・と大量のブックが作成される。
・年度ごとにブックが分かれており、複数年度に跨るような分析が実現できない。
・ブックの日付がデグレしていた場合、何が最新データか判断できない。
など
【改善点】
・データのバージョン管理を行うことで、1画面から複数データにアクセス可能。
・複数年度、複数組織など任意の視点で分析が可能。視点切り替えも簡易。
・実績連携の自動化により、毎月の報告作業が効率化。
など

選定理由
■選定基準とポイント
• 管理会計からBIまでをサポートしたクラウドサービス
• ドリルスルーや起動停止スケジュールも標準機能で実現可能
オールインワンサービス
• 利用中のフォーマットをそのまま移行可能
• コメント登録やグラフ追加も可能
Excelライクなインターフェース
• 信頼性の高いクラウドサービス
• 利用時間に合わせた従量課金
オンプレミス環境の脱却

要件定義のポイント
既存業務の理解
システム化範囲の明確化
２

既存業務の理解
■業務理解のステップ
業務ヒアリング
業務画面共有
マスタ情報共有
移行情報共有
社内ポリシー共有
要件定義ステップ
新旧業務フロー
画面一覧、機能一覧
マスタ一覧、次元構成
移行計画書
非機能要件定義書
成果物

システム化範囲の明確化
もちろん既存の業務＋αの便利機能をシステム化できる
ことが理想です。とは言えコスト的な話や期間的な話も
あるので、MUSTとBETTERに機能を分けて、
BETTERの取捨選択をすることが一般的です。
あえて「システム化しないほうが便利」な場合もありま
す。システム化するということはある程度定型化すると
いうことなので、非定形な作業はそのままに、最終的な
データをシステムに保管するなどですね。
既存の業務をすべてシステム化する訳ではないの？
予算が許せばどんなことでもできる？

設計時の課題と解決策
同一科目の登録、組織ツリーとは異なる集計単位の実現
その他苦労したことなど
３

同一科目の登録
■Essbaseでは一つの勘定科目に一つの値を投入します。
売上高
10,000
仕入高
5,000
社員給与
3,000
■今回の要望では一つの勘定科目に複数の値を投入する必要がありました。
売上高
10,000 5,000 3,000
合計
18,000

同一科目の登録
■そこで、摘要を任意に登録し、その情報で別々にレコードを保管しました。
売上高
10,000 5,000 3,000
合計
18,000
内訳○○ 内訳○○ 内訳○○
■これを実現するため、ユーザ→ADW→Essbaseの順でデータを保管しました。
クライアント ADW Essbase
内訳金額
AA収入 10,000
BB収入 5,000
CC収入 3,000
内訳金額
AA収入 10,000
BB収入 5,000
CC収入 3,000
収入計 18,000
自由なルールでコメントを保管することが可能に
Essbase側には集約することでマスタの煩雑化を回避

組織ツリーとは異なる集計単位の実現
■Essbaseでは組織や勘定科目などの各マスタを階層構造で保持します。
全社
営業部
人事部
営業1部
営業2部
人事1部
人事2部
粗利
総売上高
売上原価
○○収入
△△収入
販売原価
仕入原価
■基本的にはツリーの下から上へ集約する計算処理が実行されます。

■今回の要望ではツリーに沿わない形での集約計算が必要でした。
全社
営業部
人事部
営業1部
営業2部
人事1部
人事2部
■以下の図であれば、営業1部＋人事2部のような計算です。
ツリー構造だけでは実現でき
ず、逆にツリーを要望に合わ
せると組織図に合わせた集計
ができなくなる。

■そこで、共有メンバという仕組みを実装し実現しました。
全社
営業部
人事部
営業1部
営業2部
人事1部
人事2部
■ビューやショートカットのように、仮想的にデータの保管先を参照します。
データ保管ツリー
全集約
集約A
集約B
営業1部
人事2部
人事1部
営業2部
データ参照ツリー
保管ツリーを1種類にすることで入力時に意識する必要はなし
参照ツリー側のメンテナンスを行うことで動的に集約ルールの
変更が可能

その他苦労したことなど
項目内容解決策
製品マニュアル
製品のバージョンアップ速度にマ
ニュアル更新が遅れるケースがあっ
たり、英語マニュアルが多く詳細な
バージョンアップ内容を確認する事
に苦労した。
日々環境のバージョンアップ状況を
チェックし、代表的な機能に大きな
変更がないか注意深く確認した。
機能拡張の速度
クラウド特有の良さでもあるが、機
能拡張やUI変更速度が早く、事前検
証作業環境と実際の案件環境のバー
ジョンが異なるケースがあった。
確実に実装する代表的な機能につい
てプロジェクトと並行して再検証作
業を行った。
インフラ関連
SaaSで対象機能だけ使うのではな
く、PaaSのサービスとなるためク
ラウドインフラの知識も最低限必要
となった。
社内のインフラ部隊にもヘルプを要
請し、非機能面で確認すべきポイン
トを漏れないように対応した。
CPU課金の形態となるため利用ユー
ザ数や利用方針とシステム予算のバ
ランスを考えたスペック選定が必要
となった。
ユーザアクセス数とCPU数の指標は
あるが、計算同時実行数やマスタ構
成による指標がないため我々Sierと
してもナレッジを蓄積していく。
エラー対応
環境起因のエラーが発生した場合、
OracleManagedの部分となるため
サービスリクエストを発行し、対応
を待つしか無い場面があった。
サービスリクエストの優先度を上げ、
電話応対による早期の解決を図った。

[Modern Cloud Day Tokyo 2019] 【ビジネスをさらに加速させる!!】Oracle Cloud を活用したデータドリブンユースケースのご紹介（機械学習と予実管理）

Oracle Digitalは、オラクル製品の導入をご検討いただく際の総合窓口。
電話とインターネットによるダイレクトなコミュニケーションで、どんなお問い合わせにもすばやく対応します。
もちろん、無償。どんなことでも、ご相談ください。

[Modern Cloud Day Tokyo 2019] 【ビジネスをさらに加速させる!!】Oracle Cloud を活用したデータドリブンユースケースのご紹介（機械学習と予実管理）

More Related Content

What's hot (20)

Similar to [Modern Cloud Day Tokyo 2019] 【ビジネスをさらに加速させる!!】Oracle Cloud を活用したデータドリブンユースケースのご紹介（機械学習と予実管理） (20)

More from オラクルエンジニア通信 (20)

Recently uploaded (11)