20250722_TECH TALK 事例発表 データ活用で未来を拓く！AI/機械学習が導くビジネス変革事例
- 1. データ活用で未来を拓く！ AI/機械学習が導くビジネス変革事例 Masayoshi Kurisu Enterprise Account Executive Qlik Tech Japan
- 3. 3 Qlik Predict : AI-Powered Insights at Your Fingertips レポーティングから予測アクションによる実際のROIへの移行 Predict with Confidence • 収益、需要、解約などをコードを書か ずに予測 Explain with Clarity • SHAPベースの分析を使用して、すべ ての予測を推進するものを確認 Act in the Moment • アラート、アクション、自動化をダッ シュボードから直接トリガー
- 4. 4 The Qlik Predict Workflow Qlik Cloud 内のエンドツーエンドのノーコード予測 AI モデルを適用し、将来 の結果を視覚化する Qlik Predict は、最適 なアルゴリズムをテス ト、調整、選択します 予測する必要がある KPIまたはイベントを 選択します Qlik Cloud データを安 全に取り込む、手間は 不要 Connect & Prep Data Define Business Outcome Auto-Build Model Generate Predictions 各予測に影響を与える レコードレベルの要因 を見る Explain Key Drivers アラート、ワークフ ロー、またはアクショ ンをアプリ内で直接ト リガー Act & Automate 監視と管理 (MLOps) - モデルを大規模にバージョン管理、検証、再トレーニングします
- 5. 事例紹介
- 6. • 米国の大学を卒業する低所得層および第一世代の学生の数を劇的に増やすことを使命 とする、テクノロジーベースのサービスを提供する非営利団体です。この組織は、高 校、奨学金団体、大学と提携し、学生が卒業まで順調に進み、成功できるように支援 しています。 • 主な活動内容は以下の通り 進捗状況の追跡、リソースへの接続、大学コーチによるサポート • 従業員数： 約500名以上 • 売上規模：約846万ドル(*2024年の収益) 6 beyond12 組織概要
- 7. 7 低所得の学生の進学を支援する 低所得層および第一世代の 学生の大学卒業率を劇的に 高めるという使命を果たす 上で、Beyond 12はデータ サイエンティストの不在と 成功要因の特定の課題に直 面していました。 Challenge Solution Qlik Predict を使用して、予測 分析モデルを構築し、ボランティ アとの連携を強化しました。ボラ ンティアのデータサイエンティス トと機械学習エンジニアによる無 償の取り組みを通じて、既存のエ ンジニアリングスタッフが管理す る堅牢な社内ツールが、実行可能 で拡張可能なソリューションにな り得ると認識し、これを活用しま した。 Results Results 個別最適化された支援 成功率向上要因の特定 コーチングの最適化 学生の全体像の把握 モデルの所有権と迅速な 変更 Qlikの魅力の一つは、モデ ルを所有できることです。 モデルを所有できることで す。 外部のチームに変更要 求を出して、その結果を待 つ必要がありません。 結果を待つ必要はありませ ん。 私たちは、どのような データが入力され、どのよ うなデータが表示されるか をコントロールすることが できます。 そして即座に変更を加える ことができます。 “ ” Corrina Calanoc, Data Engineer ✓ ✓ ✓ ✓ ✓
- 8. • ウェーバー州立大学は、1889年に設立されたアメリカ合衆国ユタ州オグデンに本部を 置き、学士号、修士号、そして最近では博士号も授与する公立総合大学。 • 入学希望者を選抜しない方針のため、数学や英語作文で追加のサポートが必要な学生 を含む、多様な教育的背景を持つ学生を受け入れています。大学は、こうした学生の スキルギャップを埋めることを使命としており、教員と学生の密接な交流を基盤とし た質の高い教育を重視している。 • 従業員数： 約2,500名以上 （*総学生数は約30,000人） • 売上規模： 約3億9,920万ドル(*2024年の収益) • Covid-19のパンデミック後、どの学生を優先支援すべきかの判断が重要となった。 8 Weber State University 組織概要
- 9. |学生支援と大学の持続性 州立学校であり、助成金が ほとんどないため、卒業率 と継続率が受け取る資金の 額を決定する上で非常に影 響力の大きい要因となって いました。また、学生のス キルギャップを埋めること が使命でした。 Challenge Solution Qlik Predict を通して意思 決定者は、複雑なものを理解 可能なものに変換し、技術的 なバックグラウンドの有無に かかわらず関係者と共有しや すくするQlik Predictの機能 に価値を見出しました。 Results DIFFERENTIATION ✓ 学生の入学・継続・卒業率の改善による 資金調達の改善 ✓ 学生支援とスキル格差の縮小 ✓ データサイエンスの成果の可視化と拡張性 「速さだけではありません。 正確性と信頼性 も重要です。 これにより、実際に良い結果を 迅速に得ることができます。 それらの結果は信頼できるものです。 Heather Chapman, Director, Academic Analytics “ “ • 次学期に戻ってくる学生は誰かを予測し、支援対象を特定 • 卒業に影響する要因を特定→返済不要の奨学金が判明 今後の展開 • 活用範囲を拡大し、入試や履修設計にも応用 • 分析・レポート環境とのシームレスな連携で、学内全体 の意思決定を支援
- 10. • Skullcandy Inc.は、2003年にリック・アルデンによって設立されたアメリカの音響機 器メーカーです。ユタ州パークシティに本社を置き、ヘッドホン、イヤホン、 Bluetoothスピーカーなどのオーディオアクセサリーのデザイン、製造、販売を専門と しています。音楽愛好家や若年層のニーズに応える革新的で個性的な製品で知られ、 スタイル、パフォーマンス、手頃な価格を兼ね備えたオーディオ製品の提供を使命と しています。 • 従業員数： 約３５０名 • 売上規模： 約2億1,050万ドル(*2024年の収益) 10 Skullcandy 会社概要
- 11. 目的 製品デザインと製造のイノベーションにより、顧客が期待する製品を提供し続けるため、製品 の故障がどのように発生するのか、返品を防ぎ手ごろな価格を維持できるのかを理解する 新製品の90日以内の故障率と、どの部分が故障するのかを予測し、事前に対応したい 課題 • 貴重なデータソースである保証返品情報とカスタマーレビューは大量のテキスト • 機械学習のスキル不足 • 予算と実現期間の制約 11 故障予測 Qlik Predict を採用 複雑すぎない機能、短期間で構築可能
- 12. 12 故障予測 Qlik Predict 適用上の問題点 • 必要なデータの不足 • 新製品のリリース方式とデータ収集方法により、 サンプルが少なく予測精度が出せない • データのばらつきが多く、一貫した予測が困難 解決策 • Skullcandyのビジネスと既存のデータセットを深く理解 し、月ごとの履歴データを使用して予測モデルを構築 • 数千もの顧客レビューと保証記録から繰り返されるフ レーズや単語を識別するためのカスタムNLPプログラム とダッシュボードを構築 Qlik Predict
- 13. 13 故障予測 成果 • 製品故障の予測と品質改善 o 故障する特定の部品や機能を予測し、新製品との相関関係を特定 o 市場に出る前に故障が予測される部品や機能を改良し、将来の故障の可能性と、返品に関連するコストを削減 o リアルタイムのレビューの分析やフィルタリングにより、問題が危機的状況になる前に迅速に特定して修正が 可能 • 返品差異の特定と管理 o 小売業者からの実際の返品と、保証返品に対して請求する金額の差異に対処が可能 o 「返品率は12%だが、不良品は8%だけ」なぜ差異があるのですか？」といった質問をデータに基づいて実施 今後 o 故障パーツと製造拠点との相関分析へ発展 o 製造以外の部門でも活用を拡大予定
- 14. • Naylor Association Solutionsは、米国とカナダの業界団体や専門家団体を対象に、会 員エンゲージメントの強化と非会費収入の増加を支援するソリューションを提供する 企業です。1969年に設立され、50年以上の歴史を持っています。 • 主なサービス内容 会員向けコミュニケーション＆コンテンツ、イベント管理・販売・マーケティング、 会員管理ソフトウェア＆サービス、協会キャリアセンター、フルサービス協会管理など、 約1,600以上の協会を顧客としており、80以上の業界にわたってサービスを提供してい ます。 • 従業員数： 867名 • 売上規模： 約2億9,500万ドル(*2024年の収益) 14 Naylor Association Solutions 会社概要
- 15. 15 マーケティングの効率化と最適化 • リードスコアリングのた めに営業が多数の項目を CMS入力 • 入力理由が不明確で、現 場に負担と不満 • ターゲットの精度が曖昧 で、マーケティング施策 にムダ Challenge Solution Qlik Predict を導入 • 使いやすさと導入効果の 速さを評価 • スコアリングモデルを自 動構築し、入力項目を最 適化 Results DIFFERENTIATION 営業担当者が不要なデータを 収集したり、不要なフィール ドに入力したりする時間がな くなり、リードスコアリング が最適化された。 マーケティングがより効率的 になり、理想的なターゲット 顧客を特定し、ターゲットを 絞ったメッセージを作成でき るようになった。 成約する可能性の高いリード や育成に値するリードが明確 になり、販売パイプラインに より多くの量を投入できるよ うになった。 データに基づいた洞察力と意 思決定により、満足感と自信 が得られた。 私はスーパーヒーローに なったような気分です。 組織が抱えるどんな問題 でも、より実証的かつ系 統的なアプローチで解決 できるのです “ ” Chad Lloyd, Director of Sales and Marketing Operations ✓ ✓ ✓ ✓
- 16. 組織概要 • ケンタッキー州東部とウェストバージニア州南部のアパラチア地域の住民の健康と福祉の向上に取り組ん でいる非営利のヘルスケアシステムです。起源は1950年代のマイナーズ・メモリアル病院協会の一部。 • 現在、ARHシステムは13の病院、87の診療所、小売薬局、在宅医療機関、家庭用耐久医療機器販売店な ど。 • 従業員数：6,700名以上 • 売上規模：9億4,400万ドル (*2024年の収益) 地域課題と医療課題 • 失業率が全米・州平均を大きく上回る • 約1/3が貧困ライン以下で生活 • 肺がん、糖尿病、心疾患の慢性疾患が多発 • 高齢化・オピオイド危機・医療知識の欠如・低識字率 • 移動手段・医療サービスへのアクセスが限定的 • 結果として予防医療の機会損失や予約キャンセル・無断欠席が頻発 16 Appalachian Regional Healthcare
- 17. 目的 • キャンセル・無断キャンセルを事前に予測して、 リスクの高い患者に電話やサポートでフォローアップ を行う • 地域の特性（保険未加入、メディケア・メディケイド中心）に配慮し、限られたリソースで最も効果的な 患者対応を実現 • 最終的に、患者の健康改善と収益損失の抑制を目指す Qlik Predict の評価ポイント • ML未経験者でもすぐに利用開始が可能 • Qlikのコンサルチームが導入サポートとして段階的に指導・設計 • 限られた予算に対し手頃な価格 17 予防医療
- 18. 成果 過去のキャンセルや無断欠席、クリニックまでの距離、地域の天候などの情報をもとにスコアとインサイト を生成 • 約3か月のパイロット運用で、キャンセル・無断キャンセル率を大幅に減少 • その後2年で15クリニックに展開、累計600万ドルの損失防止効果 • 患者にもスタッフにもポジティブな影響 今後の展開 ネットワーク全体への拡張を決定 地域人材と教育機会への影響 自社人材育成（Grow-your-own-talent）アプローチにより、ARHはスキルに応じたトレーニングと認定制 度を通じて、大きな可能性を実感 職場での教育支援により、機械学習やAIの経験が全くなかった職員でも、わずか数か月で成果 18 予防医療
- 19. • ドイツ北部オルデンブルク地方を拠点とする食肉産業の中堅企業で、1966年か ら高品質な製品を提供しています。国内に5つの工場を持ち、豚肉や牛肉を加工 しています。 • 従業員数：850名以上 • 売上規模：約3.7億ユーロ (*2023年の収益) 19 Sｔeinemann社 会社概要
- 20. 20 |生産計画の改善 • 賞味期限の短い肉の発注に 課題があり、材料不足や過 剰在庫が発生 • 生産計画が過去の注文と勘 に基づいていた • 過去データの確認が手作業 で非効率 • 原材料不足による納品リス クが存在 Challenge Solution Qlik Predict を導入 • 過去3年間の販売データでモ デルをトレーニング • 最新2週間のデータで予測モ デルを検証 → 90%以上の精度を実現 詳細な分析と根拠ある意思決定が 可能となった Results >1,000 • 年間数千トンもの食品 廃棄物を削減 • 収益・生産性の向上 • 動物福祉・環境配慮の 観点で高い持続可能性 DIFFERENTIATION スケーラブルで手頃な価格の予 測分析 迅速なデプロイのためのロー コード開発 既存のERPシステムとのシーム レスな統合 リアルタイムの意思決定が可能 手動プロセスへの依存を削減 AIが生成した予測と実際 の売上データを比較した とき、私自身もその数字 がどれほど近いのか信じ られませんでした. “ ” Ralf Lenger, Head of IT, Steinemann Holding GmbH & Co. KG ✓ ✓ ✓ ✓ ✓ • 曜日、製品番号、顧客情報など の詳細データを追加 • 季節要因、販促、祝日なども加 味 → 販促が最大の影響要因で、天 気は意外と影響小 • 出荷先（中央倉庫、スーパー、 海外）によって予測をさらに最 適化 ERPとの連携と運用 • Qlikの予測データを既存ERP へ統合 • 生産計画・調達担当者が直 接活用可能に • 異常検出時は担当者が介入 し、改善に反映
- 21. Thank You!