データでサービスのイノベーションを起こす！ビジネスバーティカル型組織へのシフト

ABEMAでは、今までデータエンジニアが複数のデータ組織に分散していました。今後のデータ活用を考えると、データエンジニアを集束させ、ビジネス的にもわかりやすい活用ドメインで自律的に意思決定しつつ、組織全体で最適化、アサインコントロールなどをしていく形にシフトする必要がありました。

また、MDTSやAIラボと言った対外データ組織とのフロント役も担いながら、データでサービスのイノベーションを起こしていく為の意気込みを紹介します。

https://developer.abema.io/2021/sessions/BWwcBgQYDu/?utm_medium=social&utm_source=slideshare

Transcript

2. Abema 開発本部 / 開発局 Abema Data Center Manager IT業界大手企業でのソフトウェア開発、 3G携帯網の開発を経て、 2011年株式会社サイバーエージェント入社。 「アメーバブログアプリ」、「 Simplog」の開発、「755」でCTOを担当。 2018年2月より「Abema」開発本部に参画。 岸　良 (Makoto Kishi) Profile
3. アジェンダ
 1.データ活用の土台
 2.スケールする組織
 3.イノベーションの布石
 4.まとめ

4. 1.データ活用の土台

5. データ活用のポイント
 1.データ活用の土台
 戦略
 環境
 組織

6. 戦略
 1.データ活用の土台
 現状分析を元に経営戦略が決定され、経営戦略 を実現するためのデータ戦略が策定されている
 経営戦略 データ戦略 データマネジメント
7. 環境
 1.データ活用の土台
 データガバナンス
 データ品質
 データ設計
 データ統合と相 互運用性
 システム
 マスターデータ
 データウェアハウス データを利活用する関係者が一様にデータを 理解し、安全に利活用できる 
 
 ビジネスインテリジェンス/分析 
 依 存 関 係
 ・
 ア ウ ト プ ッ ト
 データマネジメント知識体系ガイド 第二版より
8. 組織
 1.データ活用の土台
 データ戦略を実現するためのガバナンスが成立し、 データ活用のコンテキストの増加に伴って組織をス ケールすることができる
 
 
 Business
 Analyst
 Data Scientist
 Engineer
 Search
 Recommend
 Ads
 Premium

9. 2.スケールする組織

10. 直面する組織課題
 •分析が先か施策が先か分からない
 •データエンジニアが適切にアサインできない
 •データ基盤のデータ仕様がよく分からない
 •精度向上施策のステークホルダーが多くて実装リソースが確保できない
 •他のデータ組織とのやり取りが単発になり広がらない
 2.スケールする組織

11. 直面する組織課題
 •分析が先か施策が先か分からない
 •データエンジニアを適切にアサインできない
 •データ基盤のデータがよく分からない
 •精度向上施策のステークホルダーが多くて実装リソースが確保できない
 •他のデータ組織とのやり取りが単発になり広がらない
 2.スケールする組織
 データ組織として一つにまとめ 組織内でビジネスコンテキストでグループ化する
12. ビジネスバーティカル組織
 Business
 Analyst
 Data Scientist
 Engineer
 • 活用ドメインに基づいて 自律的に意思決定、行 動計画を立てる体制
 • サービスの注力箇所以 外でも必要な場所は速 度が落ちるが立ち止まら ず進む事が可能
 2.スケールする組織
 Business
 Analyst
 Data Scientist
 Engineer
 Business
 Analyst
 Data Scientist
 Engineer

13. 適用例 AbemaDataCenter
 2.スケールする組織
 Abema Abema Data Center MDTS (旧秋葉ラボ) データ基盤 ログデータ (データレイク) マスタ データ 整形データ (データウェアハウス ) 集計データ (データマート) DS,ML ◯　　◎　　◯ DE 　　　　　　◯ DM ◯　　◯　　◯ DSC DS,ML DMC DM,DD 検 索 広 告 推 薦 外部データ 組織 AIラボ 他研究機関 AWS 兼務 • データ利活用の関連組織を一つのレポートライ ンに収束する管理体制に変更
 • データ業務全体での最適化、人員計画、アサイ ンコントロールの実施
 • 活用ドメインに基づいて自律的に意思決定、行 動計画を建てる体制へのシフト
 • データ基盤の保守開発を1フロー化する
 • 対外組織とのフロントとなりえる体制の構築
 データ関連組織が集約され 
 ニーズに応じた対応を促進 

14. 3.イノベーションの布石

15. データ分析の課題
 1. サービス課題を施策に落とし込む部分に協力できてい ないので、依頼された背景などが分からない
 2. 意思決定の際に全体の施策に対する分析者の意見が 主張できていない
 3. 効果測定の段階でサービス指標側への効果の分析 や、次の打ち手の提案まで分析者が一貫して担えてい ない
 
 3.イノベーションの布石
 運用 分析 サービス課題
 施策検討
 意思決定
 実装
 効果測定

16. データ分析の促進
 1. サービス課題を自ら取りに行き、施策検討に参 加して施策検討側の意図に沿った分析から提案 までを行う。 2. 機械学習のコーディングや計測ログの設計を含 めて実装に参加する。 3. 効果測定を実施し、データ分析者の判断と今後 の提案をセットで伝えPDCAを牽引する。
 
 3.イノベーションの布石
 分析 サービス課題
 運用 施策検討
 意思決定
 実装
 効果測定
 見つける 解く 使わせる
17. ユーザクラスタ分析 ユーザー 普遍属性 性別 年齢 パーソナリティ 協調性 誠実性 ライフスタイル 朝ニュース クラスタA クラスタB クラスタC クラスタD アンケート 行動ログ 嗜好性 スポーツ好き 恋リア好き 日中暇 ・1週間の行動パターンが同じユーザの好んでいるコンテンツ群 ・月毎に他サービスと課金で行き来している浮遊クラスタ 詳細分析 クラスタに対する 視聴時間の推測 新しいクラスタを生む 編成プランの検討 3.イノベーションの布石

18. レコメンドマッチング精度向上
 行動ログ
 興味
 視聴
 レコメンド精度
 外れる
 不足
 ユーザの興味
 運用
 ・運用バイアス
 ・不要バイアス
 
 ログ
 ・再表示
 ・CH切り替え
 ・分割視聴
 
 メタ
 ・付加精度が低い
 ・ユーザ属性がない 
 
 運用 開拓
 • バイアスを抜いたデータとの比較 • 正確な行動把握をするためのログ収集 • コンテンツ開拓させるための仕組み • メタ精度の向上 • ユーザクラスタの活用 データへのノイズ 
 メタデータ

19. ポートフォリオ コンテンツ戦略 Abema内 Abema外 ＋ Abema内
 ・視聴・課金獲得実績 
 ・運営評価
 Abema外
 ・ユーザーアンケート 
 ・コンテンツ類似度 
 コンテンツ評価データ コンテンツデータ 制作による コンテンツ 調達による コンテンツ 可処分時間の Abema移行 ライフサイクル への浸透 コンテンツ戦略に基づいた 制作や調達でコンテンツを拡充しポート フォリオの精度を上げる 実績を積んだ ユーザー └基礎メタ/テーマ └視聴実績 └ユーザー評価 └運営評価 └コスト ・昼間韓流層 ・朝ニュース層 ・深夜アニメ層 ・恋リア特化層 ユーザーセグメント ユーザーデータ ユーザ属性 視聴・行動ログ クラスタ リング └性別 └興味ジャンル └アンケート └性別 └興味ジャンル └アンケート └トレンド └視聴率 └話題性 ・性別 ・年齢 ユーザ属性 デモグラ コールドスタート ユーザー コンテンツマッチしたユーザーを増やす データの活用フロー
 3.イノベーションの布石

20. まとめ
 • スケールするデータ組織
 ◦ ビジネスバーティカルにグループを切り、自己完結型の組織にする事でシームレス にスケールできる状態を作れる
 ◦ 1つの組織内でビジネスバーティカルを実現することで、レポートラインやリソースコ ントロールを管理する事ができる
 • イノベーションへの布石
 ◦ 分析者が積極的に課題設定から、効果測定まで関わっていきサービス全体に データ活用を浸透させる
 ◦ データを活用し、ユーザの可処分時間のAbemaシフト、ライフサイクルへの浸透を 創出する