GISや因果推論でビジネス課題を解決：GO Inc. データアナリストによる実践事例

Slide 1

Slide 1 text

GO Tech Talk #26 GISや因果推論でビジネス課題を解決 GO Inc. データアナリストによる実践事例 2024年5月20日

Slide 2

Slide 2 text

Slide 3

Slide 3 text

© GO Inc. 3 自己紹介 GO株式会社 AI技術開発部分析グループ / 島田哲朗ユーザ分析・デジタルマーケティングをメインに組織の意志決定を進化させるため、機械学習、計算統計学、ベイズ統計学、統計的因果推論に関心を持つ 2012年よりAccentureで通信・金融・アパレル・小売クライアントのセールスマーケティング部門でデータ分析をサポートしたのち、2017年から株式会社トレタにて飲食店の予約データ分析に従事 2019年からDeNAのオートモーティブ事業本部でタクシー配車アプリ『MOV』の分析を担当し、事業統合によりGO株式会社（旧・Mobility Technologies）に転籍

Slide 4

Slide 4 text

Slide 5

Slide 5 text

© GO Inc. 5 分析グループの役割 § 事業戦略の意思決定をデータ分析で主導するプロダクト機能評価 BIツール PdM本部データインテリジェンス部 AI技術開発部分析グループ経営計画機能変更時のシミュレーション CLTV 依頼主依頼内容担当統計的因果推論機械学習統計・数理モデル時空間モデルベイズモデルシミュレーション • 経営 • 事業推進 • マーケ • 渉外 • PdM 専門性 SQL BI DWH リサーチ分析環境構築ユーザーリサーチユニットエコノミクスタクシー供給戦略広告効果測定

Slide 6

Slide 6 text

Slide 7

Slide 7 text

Slide 8

Slide 8 text

© GO Inc. 8 自己紹介 GO株式会社 AI技術開発部分析グループ / 佐竹功次メーカー、受託分析会社にて、クライアントのデータ分析に基づく意思決定支援に従事。 2022年にGO株式会社（旧・Mobility Technologies）に中途入社し、タクシーアプリ『GO』のユーザー分析、施策効果の検証などの業務を担当。ビジネスの意思決定支援のための機械学習の活用や統計的因果推論への関心が高い。

Slide 9

Slide 9 text

Slide 10

Slide 10 text

© GO Inc. 10 GISについて § 地理情報システム GIS：Geographic Information System o 地理的位置を手がかりに、位置に関する情報を持ったデータ（空間データ）を総合的に管理・加工し、視覚的に表示し、高度な分析や迅速な判断を可能にする技術出典：GISとは・・・ | 国土地理院 (gsi.go.jp) 言い換えると時間や場所の情報を地図上に可視化することで、場所同士の関係性や違いをよりわかりやすく

Slide 11

Slide 11 text

Slide 12

Slide 12 text

© GO Inc. 12 アジェンダ § GISデータの表現方法 o 行政区ポリゴン、地域メッシュ、H3など目的に合わせた表現 o 『GO』の分析ではH3を重視 o 『GO』ではH3をBigQueryで利用 § BigQueryを用いたGISデータ処理 § 可視化の方法 o 『GO』ではH3が利用できるkepler.glを重視 § 事例紹介 o 事例1：タクシーに乗れる比率の改善 o 事例2：駅周辺の引き込みスポットの設置 § まとめ

Slide 13

Slide 13 text

Slide 14

Slide 14 text

© GO Inc. ポイントデータラインデータ 14 GISデータの表現方法行政区ポリゴン H3 地域メッシュ © kepler.gl © Mapbox © OpenStreetMap cotributors (x, y) (x1, y1) (x2, y2) ポリゴン(面)データ (x1, y1) (x2, y2) (x3, y3) GISデータの基礎表現ポリゴン、メッシュ、H3で区分し地図上に表現出典：・『GO』アプリの地理空間データを扱う工夫・H3 | kepler.gl

Slide 15

Slide 15 text

© GO Inc. 15 GISデータの表現方法ポイントデータラインデータ行政区ポリゴン H3 地域メッシュ © kepler.gl © Mapbox © OpenStreetMap cotributors (x, y) (x1, y1) (x2, y2) ポリゴン(面)データ (x1, y1) (x2, y2) (x3, y3) GISデータの基礎表現ポリゴン、メッシュ、H3で区分し地図上に表現出典：・『GO』アプリの地理空間データを扱う工夫・H3 | kepler.gl GISデータを利用する際、ポイントやラインは利用しづらい • データサイズが大きくなる • 可視化した際に見づらい • ある地域のアプリの利用傾向を把握したい、などの統計分析に向かない分析では、ポリゴン、メッシュ、H3など、利用しやすい表現で取り扱う

Slide 16

Slide 16 text

© GO Inc. 16 行政区ポリゴン § 都道府県や市区町村などを行政区画別に表現 o 対象は全国 o 国土数値情報 | 行政区域データからダウンロード o Shapefile形式※等で提供 o 以下の用途などで利用 § 配車エリアの判定 § 市区町村別の需給集計 § etc. © kepler.gl © Mapbox © OpenStreetMap cotributors ※形式の詳細は以下参照 https://www.zenrin.co.jp/product/article/Shapefile-benefits/index.html

Slide 17

Slide 17 text

© GO Inc. 17 H3(Hexagonal hierarchical geospatial indexing system) § Uber社開発の地理空間インデックスシステム o グリットを六角形で分割 § 近接するグリットの中心までの距離が均等 § 四角形で分割する場合と比較し、エリア特性を均一に評価できる出典： https://h3geo.org/ https://www.uber.com/en-JP/blog/h3/ 四角形で分割六角形で分割

Slide 18

Slide 18 text

© GO Inc. 18 『GO』の分析ではH3を重視 § H3を重視する理由 o 近接するグリットの中心までの距離が均等 § グリット間やエリア特性を均一に評価できる § タクシーの移動をデータで扱う場合の距離等を求める時に適当 o 分析用途に応じてグリットの大小をきめ細かく変更できる § 地域メッシュと比較し、サイズ変化がきめ細かい § 階層構造でサイズを0〜15まで変更可能上記含め、その他の理由は以下を参照：『GO』アプリの地理空間データを扱う工夫 p24「『GO』でのH3の活用」

Slide 19

Slide 19 text

Slide 20

Slide 20 text

Slide 21

Slide 21 text

© GO Inc. 21 BigQueryの地理関数（Geography functions） § 緯度経度のパラメータからポイントやラインを作成 § GEOGRAPHYと呼ばれる空間データ型を取り扱う参考：https://cloud.google.com/bigquery/docs/reference/standard-sql/geography_functions • ST_GEOPOINT 経度と緯度のパラメータからポイントを作成し、 GEOGRAPHY型で返す • ST_DISTANCE 2 つのGEOGRAPHYの間の最短距離をメートル単位で返す ST_GEOGPOINT(longitude, latitude) ST_DISTANCE(geography_1, geography_2[, use_spheroid]) geography_1 geography_2 距離d[m] geography ポイント複数のGEOGRAPHY型の値を他のパラメータとして利用

Slide 22

Slide 22 text

© GO Inc. 22 H3の変換を行うUDF（ユーザ定義関数） § CARTO社がBigQueryでH3の処理を行うUDFを公開参考：https://docs.carto.com/data-and-analysis/analytics-toolbox-for-bigquery/sql-reference/h3 SELECT `carto-os`.carto.H3_FROMLONGLAT(-3.7038, 40.4168, 4); -- 84390cbffffffff ←h3インデックス • H3へ変換 H3_FROMLONGLAT H3_FROMLONGLAT(longitude FLOAT64, latitude FLOAT64, resolution INT64) → h3index STRING 緯度経度のFLOAT64と指定したresolution（0〜15）からh3インデックスを返す • 境界ポリゴン H3_BOUNDARY H3_BOUNDARY(h3index STRING) → shape GEOGRAPHY H3インデックスから、境界のポリゴンを返すサンプルはリージョンがUSの場合 SELECT `carto-os`.carto.H3_BOUNDARY('84390cbffffffff'); -- POLYGON((-3.57692743539573 40.6134385959352 … ※BigQueryのUDFとしてSQLまたはJavascriptなどが提供されている

Slide 23

Slide 23 text

Slide 24

Slide 24 text

© GO Inc. 24 可視化方法 § 有料で使えるツール o ArcGIS o ZENRIN GIS § 無料で使えるツール o QGIS o Kepler.gl § BigQueryと連携して利用 o BigQuery Geo Viz o Looker Studio タクシーアプリ『GO』の分析において、H3のセル単位でそのまま可視化できる等の理由からkepler.glを用いるケースが多い参考：https://cloud.google.com/bigquery/docs/geospatial-visualize?hl=ja

Slide 25

Slide 25 text

© GO Inc. 25 kepler.glを用いた可視化 § Uber社開発の地理情報可視化ツール § H3インデックスをカラムとして渡すことで可視化できる § Jupyter Notebookでコードベースの可視化もできる出典：https://docs.kepler.gl/docs/keplergl-jupyter © kepler.gl © Mapbox © OpenStreetMap cotributors Jupyter Notebookでの可視化例右図で利用したcsvデータ H3インデックスのカラム

Slide 26

Slide 26 text

Slide 27

Slide 27 text

Slide 28

Slide 28 text

© GO Inc. 28 事例1：タクシーに乗れる比率の改善 § いつどこでタクシーが足りないのか、アプリで配車できるタクシーがどの程度あればタクシーに乗れる比率が改善するか？ • 例えば通勤時などにタクシーが乗りづらい傾向 • 局所的に乗りづらい場所も可視化により特定できるタクシーに乗れる比率をH3ごとに算出（赤色になるほど乗りづらい場所）タクシーに乗れる比率の目標に対して、アプリで配車できるタクシーがどの程度必要か※を推定 ※タクシーの営業可能なエリア全体での車両数 © kepler.gl © Mapbox © OpenStreetMap cotributors

Slide 29

Slide 29 text

Slide 30

Slide 30 text

© GO Inc. § 駅周辺ではタクシーアプリ『GO』での配車禁止エリア※があります § 一方で利用者も多いため、配車禁止エリアに引き込みスポット設置し、タクシーに乗れるユーザーも増加！ 30 事例2：駅周辺の引き込みスポットの設置 © kepler.gl © Mapbox © OpenStreetMap cotributors 可視化その2 配車依頼数が多い場所を可視化し、利用が多く、タクシーが捕まりやすい場所に引き込みスポットを設置緑点が濃く集まっている箇所が利用が多い可視化その1 配車禁止エリアでの利用判定のため、エリア判定のポリゴンを可視化黒枠が配車禁止エリア ※タクシー乗り場などに対し各駅ごとに独自ルールがあり、それらに配慮して禁止エリアを設定

Slide 31

Slide 31 text

© GO Inc. 31 まとめ § タクシーアプリ『GO』ではGISを用いることで解決できる課題が数多くあります o GISをBigQueryを用いて加工し、H3インデックスで可視化課題 GISの活用方法事例1：タクシーに乗れる比率の改善特定の地域における需要量と乗れない比率を可視化し、必要台数を地域別に推定事例2：駅周辺の引き込みスポットの設置駅周辺でタクシーが捕まりやすい場所を可視化し、引き込みスポットとして設定

Slide 32

Slide 32 text

Slide 33

Slide 33 text

© GO Inc. 33 自己紹介 GO株式会社 AI技術開発部分析グループ / 秋月達樹工場勤務から海外駐在を経験したのち、SIerと広告事業においてデータ分析や機械学習エンジニアリングを担当。 2021年4月にGO株式会社（旧・Mobility Technologies）に中途入社し、タクシーアプリ『GO』のユーザー、乗務員に関する分析や施策効果の検証、経営上の意思決定に関与する分析業務を担当。組織・個人の抱える課題や仮説をデータによって定量化する手法に関心をもつ。

Slide 34

Slide 34 text

Slide 35

Slide 35 text

Slide 36

Slide 36 text

© GO Inc. 36 分析方針について § 屋外広告を設置する施設と類似する施設を探し比較対象施設を設定 § 類似とは施設の規模、施設周辺でのアプリの利用回数が近く、施設同士が近くに存在する事 § 広告設置施設と比較対象施設での利用回数を比較して効果量を推定する広告設置施設比較対象施設前後差分屋外広告設置前屋外広告設置後 100件 100件 105件 120件この差分を効果量として推定したい +20件 +5件

Slide 37

Slide 37 text

© GO Inc. 37 DID（差分の差分法）で効果量を求める § 広告設置をしなかったら比較対象施設と並行に推移をする仮定 (並行トレンド仮定)を置いて効果量を推定する § DIDは重回帰の交互作用項の係数として効果量を求めることができる y = β! + β" T + β# S + β$ (T ( S) + ϵ 介⼊ : 広告設置施設コントロール : ⽐較対象施設アプリ利用回数時間経過広告設置開始 (介入) 推定したい効果量介入群の介入がなかった場合の推移をコントロール群の推移を参考に想定値を作る。実際の値と想定値の差分を推定することで効果量を表現する。

Slide 38

Slide 38 text

© GO Inc. § statsmodelsを利用することで係数と95％信頼区間を取得する事ができる 38 DIDを実行する事で得られる結果⽇付 Unit(施設名) 結果(y) 2024-05-20 A 10 2024-05-21 A 15 2024-05-20 B 20 # Import Package import pandas as pd import statsmodels.api as sm ## 広告設置後のデータにフラグを立てる df[‘b1'] = (df.ts_day >= '2024-05-21').astype('int’) ## 広告設置施設にフラグを立てる df[‘b2'] = (df.unit == 'A').astype('int') ## 広告設置後 * 広告設置施設の交互作用項を作る ## この特徴量で出てくる回帰係数が効果量となる df[‘effect'] = df.b1 * df.b2 ## 線形回帰を実行する x = df.loc[:,[‘b1’,b2’,effect’]] x = sm.add_constant(x) y = df.loc[:,['y']] model = sm.OLS(y, x) res = model.fit() 0 1 2 3 4 5 推定結果効果量の推定結果の可視化 95%信頼区間上限 : 3.64 下限 : 1.44 係数 : 2.54 真の効果量は分からないため区間推定をした上で有意差の判定や分析結果の解釈を行う必要がある

Slide 39

Slide 39 text

Slide 40

Slide 40 text

© GO Inc. 40 分析対象となるポリゴンの設定 § 施設周辺のアプリ利用を捕捉するためにGISポリゴンを設定する Kepler.glで必要な範囲のポリゴンをマウス操作で定義 SELECT ST_GEOGFROMGEOJSON( """{ 'type': 'Polygon’, 'coordinates': [ [ [139.76475767054816,35.68167989557063], [139.76899624307535,35.68062531715443], [139.76982359206661,35.681793623782255], [139.76899624307535,35.68221751841838], [139.76959448003805,35.68392341308572], ... ] ] }""" ) AS polygon 設定したポリゴンのGeometry情報を BigQueryで取り扱えるように変換 selectツールの機能を使って集計対象としたい範囲の頂点を選択しポリゴンを設定 © kepler.gl © Mapbox © OpenStreetMap cotributors ①データ集計 ②設置前効果検証 ③設置後効果検証 ※…実際の広告設置場所ではありません緯度経度を調べてpolygonを作る必要がなく geojsonを貼り付けるだけで作業が終わる Google earthやgoogle mapなどでも同様のことができるが、自社データとの相性が良いためkeplerを利用する

Slide 41

Slide 41 text

© GO Inc. 41 ポリゴンを利用したデータ集計 § アプリ利用時の位置情報データと作成したGISポリゴンを利用してアプリ利用データを集計範囲内のアプリ利用を特定アプリ利用回数を集計 Geography関数を利用して、設定したポリゴン内に含まれるアプリ利用を特定範囲内のアプリ利用回数を集計し以降の分析に利用する © kepler.gl © Mapbox © OpenStreetMap cotributors アプリ利用回数時間経過 ①データ集計 ②設置前効果検証 ③設置後効果検証 ※…実際の広告設置場所ではありません

Slide 42

Slide 42 text

© GO Inc. 42 プラセボ検証 § 屋外広告を設置していない期間のデータでDIDによる効果推定を実施 § 設置していない期間の効果量を推定すると得られる結果は0に近しくなる § このような検証を一般的にプラセボ(プラシーボ)検証と呼ぶアプリ利用回数時間経過広告設置開始 A’ A • A’とAの期間を利用してDIDの効果推定を実施(プラセボ検証) • プラセボ検証の結果が0に近いと、実際の効果推定で出てくる結果の頑健性が高いことが分かるプラセボ検証期間 ①データ集計 ②設置前効果検証 ③設置後効果検証

Slide 43

Slide 43 text

© GO Inc. 43 プラセボ検証の結果 § プラセボ検証による推定効果量は0に近い値が得られた § 実際の推定時に得られる結果の頑健性が高いことが分かった -0.3 -0.05 0.2 0.45 プラセボ検証で得られた結果推定効果量 : 0.143 95%信頼区間 : -0.177 ~ 0.463 プラセボ検証による結果は0に近い値が出てきた実際の効果推定時に得られる結果の頑健性が高いことが期待できる。 (実際のプラセボ検証は期間をズラして複数回実施することが推奨される) ※…数字はダミーです上限 : 0.468 下限 :-0.182 係数 : 0.143 ①データ集計 ②設置前効果検証 ③設置後効果検証

Slide 44

Slide 44 text

Slide 45

Slide 45 text

© GO Inc. 45 広告効果の推定で得られた結果 § 広告効果は大きくポジティブな影響がある結果にはならなかった § 下限信頼区間が0を下回っており分析結果が有意であるとは言い辛い -0.3 -0.05 0.2 0.45 広告効果の推定で得られた結果推定効果量 : 0.162 95%信頼区間 : -0.127 ~ 0.451 広告効果の推定結果は有意に効果があったとは言い辛い、DID以外にもいくつかの手法を利用して同様の推定を行ってみたが結果としては同じような内容となった。 ※…数字はダミーです上限 : 0.451 下限 :-0.127 係数 : 0.162 ①データ集計 ②設置前効果検証 ③設置後効果検証