LHit|Alteryx導入事例5:広告代理店

ホーム
導入事例
LHit|Alteryx導入事例5:広告代理店

定型帳票作成における、「集計効率化」と「分析の高度化」を１つのソフトウェアで実現

課題1解決：Alteryxを使った処理の共通化

顧客データマート、商品注文データマート、商品発注データマート、在庫データマートなど、
それぞれ集約単位の異なるマートを受領した変数名で作成し、マート作成以降の処理を共通とした。
上記対応で、マート作成以降の処理は自動化させているため、チェックポイントが減り、削減工数（時間が）が目標を超えて実現できた。

課題2解決：66種の機械学習（AI）向けツールが追加費用なしで利用可

AlteryxDesignerには、幾つもの機械学習のツールが実装されているが、ひと月あたりのコストは約5万円(*1)と安価に利用することができる。

*1　Alteryx Designer 1年ライセンスを12（か月）で割った場合の価格。為替レートにより実際の価格に多少の変動がございます。
ライセンスの期間は1年間 or 3年間単位でのご契約となります。（詳細はこちら）

Alteryxで利用できる機械学習の種類

“+”マークをクリックすると内容をご確認いただけます。

Predictive R-based tools （予測）カテゴリのツール

ツール名	アイコン	詳細
DataRobot Automodelツール（DataRobot自動ツール）		予測モデルを作成するDataRobotマシン学習プラットフォームにデータを直接アップロードします。 AlteryxDesingerを使ってDataRobotに投入するためのデータを作成することが出来ます。
DataRobot Predict Tool （DataRobot予測ツール）		DataRobotで生成されたモデルを使用して、データにスコアを付けることができます。そのスコアを元にAlteryxDesinger内でさらなる分析をしたり、作成されたスコアをAlteryxDesingerやTableauを使ってグラフ化をすることが出来ます。
SVM		サポートベクターマシン（SVM）、またはサポートベクターネットワーク（SVN）は、分類問題に使用される普及した監督された学習アルゴリズムであり、データ（すなわち、観測）が直線的に分離不能であるとみなされる場合に適応することを意味します。
入れ子型テスト		2つのモデル(その1つのモデルが他のモデルに含まれる変数のサブセットを含む)が、その予測能力に関して統計的に同等であるかどうかを調べます。
ガンマ回帰		ターゲット変数に影響を及ぼすと予想される1つ以上の変数（説明変数）に、関心のある厳密に正の変数（ターゲット変数）を関連付けます。
クロスバリデーション		クロスバリデーションのプロセスを使用して、1つまたは複数のAlteryxで生成された予測モデルのパフォーマンスを比較します。 Naive Bayesを除くすべての分類モデルと回帰モデルをサポートしています。
スコアリング		モデル内の目的変数の予測値を計算します。
ステップワイズ		線形、ロジスティック、およびその他の従来の回帰モデルの潜在的な説明変数のより大きなセットから、モデルに含める最適な説明変数を決定します。
スプラインモデル		Friedmanの多変量適応回帰（MARS）アルゴリズムの2ステップアプローチを使用して、1つ以上の変数に説明変数に基づいて関心のある変数（目的変数）を予測します。
生存スコアリング		このツールは、Survival Analysis Toolを使用して推定できるCox比例ハザードモデルに基づいて、推定相対リスクと制限平均生存時間の両方を提供します。
生存分析		Survival Score Toolで相対リスクと制限平均生存時間を推定するために使用できる生存モデルを生成します。
ナイーブベイズ分類器		説明変数のセットとカテゴリの目的変数との間の関係の二項または多項確率的分類モデルを作成します。
ニューラルネットワーク		単一の隠れ層を持つフィードフォワードニューラルネットワークモデルを作成します。
ネットワーク分析		要約統計量とノード中心性測定値の分布とともに、ネットワークの対話型視覚化を作成します。
ブーストモデル		Friedmanの勾配ブースト法に基づいて一般化されたブーストされた回帰モデルを作成する。※単純な決定木モデルをモデルアンサンブルに順次追加して、適切な損失関数を最小限にします。
フォレストモデル		決定木モデルのセット（意思決定ツリーモデルの「アンサンブル」）を構築し、組み合わせることにより、目的変数に影響を及ぼすと予測される1つ以上の説明変数を使用して、目的変数を予測します。
ポアソン回帰		ポアソン回帰、準ポアソン回帰、または負の二項回帰を用いて、カウントデータ（例えば、顧客が1年に行う店舗訪問の回数）に関する回帰モデルを推定します。
モデル係数		カスタマイズされたレポートまたは下流の計算で使用するために、モデル係数を標準的なAlteryx Count、Gamma、Linear、またはLogistic回帰モデルから抽出します。
モデル比較		検証（またはテスト）データセットの使用に基づいて、1つまたは複数の異なる予測モデルのパフォーマンスを比較します。
リフトチャート		さまざまなモデルが提供する改善（またはリフト）と「ランダムな推測」を比較して、どのモデルが「最良」であるかを判断するのに役立ちます。
ロジスティック回帰		ターゲット変数に影響を与えると予想される1つ以上の変数（説明変数）に、関心のある変数（目的変数）とバイナリ（はい/いいえ）変数を関連付けます。
決定木		条件を最適化するif-then分割ルールのセットを構築することにより、ターゲット変数に影響を与えると予想される1つ以上の説明変数を使用して、ターゲット変数を予測します。
線形回帰		関心のある変数（目的変数）を、目的変数に影響を及ぼすと予想される1つ以上の変数（説明変数）に関連付けます。（線形モデルまたは最小二乗回帰とも呼ばれます）。
分散拡大係数		モデルインターセプト以外のすべての変数（常にVIFまたはGVIFが1に等しい）の分散インフレ係数またはVIF（GVIF）の一般化バージョンを含む係数要約レポートを作成します。
平均テスト		コントロールグループと1つ以上の治療グループの間の数値応答フィールドの平均値の差を比較します。

AB Testing（ABテスト）カテゴリのツール

ツール名	アイコン	詳細
AB分析		2つの異なるグループ（処理グループとコントロールグループ）の1年前の同じ期間での測定（可能性のある季節的影響を管理する）またはユーザーが指定した期間のいずれかでのパーセンテージ変化を比較します。
AB制御		季節パターンや主要業績評価指標の成長傾向（例えば、季節変動や季節変動など）に基づいて、過去に選択されたテストユニットの各メンバーに1〜10のコントロールユニット（店舗、顧客など）他のユーザが提供した基準（例えば、貿易地域または人口統計学的特性）と一緒に使用することができるツールです。
AB処理		どのグループがABテストに最適かを判断します。
AB傾向		処理をA/Bテストのコントロールユニットに一致させるのに役立てるために使用できるトレンドと季節パターンの尺度（店舗や顧客などのテストユニットごとに1つの値）を作成します。

Time Series（時系列）カテゴリのツール

ツール名	アイコン	詳細
ARIMA		自己回帰統合移動平均（またはARIMA）法を用いて単変量時系列予測モデルを推定します。
ETS		指数平滑法を用いて単変量時系列予測モデルを推定します。
TS_Compare		ETSまたはARIMAツールを使用して作成された1つ以上の単変量時系列モデルを比較します。
TS共変量予測		共変量を使用するARIMAモデルからの予測を提供します。予測する期間の数は、提供される共変量データの期間の数によって決定されます。
TSフィラー		時系列の期間が欠落しているかどうかを評価し、補完、または、欠損を埋めます。
TS予測		ARIMAまたはETSモデルの予測を、特定の将来の期間にわたって提供します。
TS予測ファクトリー		このツールは、ARIMAまたはETSモデルのグループから、ユーザーが指定した将来の期間についての予測を提供します。
TSモデルファクトリー		このツールは、自己回帰移動平均法（ARIMA）または指数平滑法（ETS）を使用して、複数のグループの時系列予測モデルを一度に推定します。
TSプロット		時系列データの理解を助け、予測モデルの開発方法を決定するために、さまざまな単変量時系列プロットを作成します。

Predictive Grouping （予測グルーピング）カテゴリのツール

ツール名	アイコン	詳細
クラスター付加		K-Centroids Cluster Analysisツールからのクラスタ割り当てを、元のクラスタソリューションの作成に使用された一連のフィールド（名前は同じですが、必ずしも同じ値である必要はありません）を含むデータストリームに追加します。
近傍探索		ユークリッド距離に基づいて、「クエリ」ストリーム内の各レコードに対応する「データ」ストリーム内の選択された数の最近傍点を見つけます。
Kセントロイドクラスター解析		K-Means、K-Medians、またはNeural Gasクラスタリングを使用して、クラスタメンバーシップを割り当てることによって、重心を中心に「Kグループ」に記録されます。
Kセントロイド診断		データと選択された予測グループ化アルゴリズム(K-Means, K-Medians, or Neural Gas)が与えられれば、指定する適切なクラスター数を評価します。
MBアフィニティー		同一のアクションまたはトランザクションの一部である可能性に関して、異なるアイテム間のアフィニティメジャーのマトリックスを構築するために使用されます。
MB検査		マーケット・バスケット分析のステップ2：MBルール・ツールの出力を取り出し、数または返されたルールまたはアイテム・セットを管理可能な数に減らすために、いくつかの基準でフィルタリングできるルールのリストおよび分析を提供します。
MBルール		マーケットバスケット分析のステップ1：トランザクション指向のデータを取り、関連ルールセットまたは頻出アイテムセットのいずれかを作成します。トランザクションデータとルール/アイテムセットの概要レポートが、MB Inspectツールでさらに調査できるモデルオブジェクトとともに生成されます。
多次元スケーリング		多次元スケーリング（略してMDS）は、分散に基づいて単変量データを分離する方法です。概念的には、MDSはデータに記述されている項目間の相違点または距離をとり、項目間にマップを生成します。このマップのディメンション数は、アナリストが生成する前に提供されることがよくあります。通常、最高の分散次元は、データに記述されている最大の距離に対応します。マップソリューションは単変量データに依存しているため、マップディメンションの回転と方向は重要ではありません。 MDSは、原則コンポーネントと同様の次元分析を使用します。
主成分分析		元のフィールドセットを、データ内の分散の大部分（すなわち、情報）を占めるより小さいセットに変換することによって、データベース内の次元（数値フィールドの数）を減らす。新しいフィールドは、ファクタまたは主成分と呼ばれます。

Prescriptive （規範）カテゴリのツール

ツール名	アイコン	詳細
最適化		マトリクス、手動、およびファイル入力モードを使用して、線形計画法（LP）、混合整数線形計画法（MILP）、および二次計画法（QP）最適化問題を解決します。
シミュレーションサンプリング		分布から、入力データから、または分布に最も適した組み合わせとしてパラメトリックにデータをサンプリングします。分布のパラメータが不明で、データが不足している場合は、データを「描画」することもできます。
シミュレーションスコアリング		モデルオブジェクト誤差分布の近似からのサンプル。標準スコアリングは平均予測値を予測しようとしますが、シミュレーションスコアリングは誤差分布が考えられる値の範囲を提供すると考えています。
シミュレーション要約		シミュレートされたディストリビューションとそのディストリビューションの操作による結果を視覚化します。また、入力変数と出力変数の視覚的および定量的分析も行います。