fez_cloud_next_tokyo2024_ブレイクアウトセッションD1-DA-07.pdf

Slide 1

Slide 1 text

Proprietary データ分析を支える Looker を用いた生成 AI + BI プロダクト

Slide 2

Slide 2 text

02 Google Cloud Next Tokyo ’24 Proprietary 小池悠太データテクノロジーグループ GM ビジネス開発海沼玲史プロダクト開発グループ GM PM/プロダクトエンジニア株式会社フェズ

Slide 3

Slide 3 text

03 Google Cloud Next Tokyo ’24 Proprietary LLM によるノーコードでのデータ加工・抽出と、独自の分析ロジックを組み合わせた意思決定のための示唆を提供

Slide 4

Slide 4 text

04 Proprietary 01 事業内容 02 ユーザー課題 03 開発課題 04 ソリューション紹介アジェンダ

Slide 5

Slide 5 text

05 Google Cloud Next Tokyo ’24 Proprietary 01 事業内容

Slide 6

Slide 6 text

06 Google Cloud Next Tokyo ’24 Proprietary 事業領域 = リテールメディア Voyageur Group Newsletter「Retail Media - The 3rd (and fastest growing?) Wave of Digital Marketing」より引用 Amazon Meta

Slide 7

Slide 7 text

07 Google Cloud Next Tokyo ’24 Proprietary リテールメディアの定義小売企業様の購買データと連携されており、小売データを活用した配信設計や顧客アプローチ・効果の検証・改善が可能なメディアや機能小売様を横断化していくことで価値が高まると考えられる TV デジタルプラットフォーム小売 EC 小売アプリ LINE メルマガサイネージ棚狭義のリテールメディア広義のリテールメディア消費者パネル小売様が保有するメディア枠小売様単独になることが多く、商品配架や販促の延長になりがち

Slide 8

Slide 8 text

08 Google Cloud Next Tokyo ’24 Proprietary リテールメディアの価値マーケティング KGI である「実店舗購買データ」の計測 / 活用 1. マーケティング効果を認知から購買までフルファネルで計測 - 特に日本国内は EC 化率が 9.3% と実店舗購買が主流 2. ID 単位で様々なデータソースと突合可能 - 広告 ID や個人情報をキーに他のマーケティングデータとの突合ができ、購買を起点に顧客の解像度を上げることが可能に

Slide 9

Slide 9 text

09 Google Cloud Next Tokyo ’24 Proprietary フェズの事業概要複数流通の購買データの収集 /横断化マーケティング活用 A 小売購買データ B 小売購買データ C 小売購買データ流通横断購買データ広告 = Urumo Ads ・デジタル広告の実店舗での購買計測・購買データを基にしたターゲティング分析 = Urumo BI ・消費者購買パネルデータの BI ツール・生成 AI ＋ Semantic Layer を活用

Slide 10

Slide 10 text

010 Google Cloud Next Tokyo ’24 Proprietary 本日ご紹介する対象複数流通の購買データの収集 /横断化マーケティング活用 A 小売購買データ B 小売購買データ C 小売購買データ流通横断購買データ広告 = Urumo Ads ・デジタル広告の実店舗での購買計測・購買データを基にしたターゲティング分析 = Urumo BI ・消費者購買パネルデータの BI ツール・生成 AI ＋ Semantic Layer を活用

Slide 11

Slide 11 text

011 Google Cloud Next Tokyo ’24 Proprietary 02 ユーザー課題

Slide 12

Slide 12 text

012 Google Cloud Next Tokyo ’24 Proprietary 購買データ活用の課題購買データを使いたい人「分析設計」ができる人「分析実行」ができる人「結果解釈」ができる人 ↓ 購買データを使う購買データを使いたい人が多くいる一方で、データ活用には「分析設計」から「結果解釈」まで多くの離脱ポイントがあり、結果として購買データを使える人がほとんどいない

Slide 13

Slide 13 text

013 Google Cloud Next Tokyo ’24 Proprietary 「分析設計」自身のミッション /業務購買データの分析手法・時系列比較・性年代別構成比・併売分析・新規/リピート分析・ターゲットの選定・訴求の選定・施策の効果検証・商談 ❓ 自身の業務と必要な分析手法をマッチングさせることを「分析設計」と定義する分析のマニュアルがあったとしても、目的や業務に適合する分析を選ぶのは簡単ではない

Slide 14

Slide 14 text

014 Google Cloud Next Tokyo ’24 Proprietary 「分析実行」新規・リピート分析手法 SQL 分析実行方法生成 AI BI / ダッシュボード・SQL 書けない直面する課題・SQL は出てくるが使える品質じゃない　(定義が異なる / チェックできない) ・BI ごとに定義が異なる (新規の期間など ) ・フィルタやディメンションが分からない行いたい分析を出力する「分析実行」フェーズでは、技術的 /環境的な問題に直面する仮に BI ツールがあったとしても、各人が共通の正しい定義で分析を実行するのは難しい

Slide 15

Slide 15 text

015 Google Cloud Next Tokyo ’24 Proprietary 「結果解釈」データ分析結果分析結果の解釈基準 Action ・新規人数が 105% 伸長・リピートが 100 伸長・新規率が 30% 新規 / リピートの伸長を見る = 目的と手段の混同新規の伸長が市場平均以下の場合、認知度に課題があるへぇ〜そうなんだ = Action に移らないスポットの CP を実施 × 多くの場合、分析はそれ自体が目的となり分析結果を解釈する基準が設定されていない分析が Action に繋がらず結果として多くの分析が使われなくなる

Slide 16

Slide 16 text

016 Google Cloud Next Tokyo ’24 Proprietary 課題の整理購買データを使いたい人「分析設計」ができる人「分析実行」ができる人「結果解釈」ができる人 ↓ 購買データを使う自分に合った分析手法のマッチング正しく共通な定義でのデータ出力分析結果と Action の紐付け

Slide 17

Slide 17 text

017 Google Cloud Next Tokyo ’24 Proprietary 03 開発課題

Slide 18

Slide 18 text

018 Google Cloud Next Tokyo ’24 Proprietary 以前の開発体制ユーザー A DB/DWH 指標の決定集計グラフ化のロジック指標の決定集計グラフ化のロジック指標の決定集計グラフ化のロジックユーザー B ユーザー C ● 複数存在するプロダクトチームや分析チームそれぞれが独立して分析ロジックを実装していた ● BI プロダクトや分析レポートを作成する統一的なフローがないので流用ができない ● 実装した分析機能が実際使ってもらえていないケースが存在

Slide 19

Slide 19 text

019 Google Cloud Next Tokyo ’24 Proprietary 必要な開発体制 ● データ定義や分析ロジックを共通化し、社内で統一的な分析フローを構築したい ● データ分析の PDCA を高速に回し、本当に必要なもののみに注力して作り込みたい ○ => データ分析、プロダクトでそれぞれの注力ポイントを明確にする必要があるユーザー A DB/DWH ユーザー B ユーザー C 共通ロジック

Slide 20

Slide 20 text

020 Google Cloud Next Tokyo ’24 Proprietary データ分析の型 1. 現状把握型過去から現在にかけての状況を把握し全体像を理解する 2. 課題特定型課題・問題点の発見と原因の特定 3. 特徴抽出型重要な特徴やパターンを抽出し新たなインサイトを得る 4. 施策評価型実施した施策・取り組みの効果を評価し改善点を見つける

Slide 21

Slide 21 text

021 Google Cloud Next Tokyo ’24 Proprietary 1. 現状把握型全体像を俯瞰し現状の状況を把握するための記述的プロセス ● 定義した KGI や KPI の構造分解、達成・乖離の確認 ● 全体像を効率よく把握できればよいため比較的型化しやすい ● ダッシュボード化して定常的に参照できる環境があることが望ましい ● 売上サマリ、カテゴリ別・ブランド別集計売上実績など

Slide 22

Slide 22 text

022 Google Cloud Next Tokyo ’24 Proprietary 2. 課題特定型データから問題点と原因を明らかにするための診断的プロセス ● ディメンション / メジャーの組み合わせによる異常値の発見 ● ビジネスミッションによって特定するべき課題が異なり型化が難しい ● 時系列比較、デモグラフィック集計、セグメンテーション集計など

Slide 23

Slide 23 text

023 Google Cloud Next Tokyo ’24 Proprietary 3. 特徴抽出型データの潜在的構造や関係性からパターンや新たなインサイトを発見するための探索的プロセス ● クラスタリングや主成分分析など比較的専門的なスキルが求められるため仕組み化が難しい ● クラスタリング分析、共起ネットワーク分析など

Slide 24

Slide 24 text

024 Google Cloud Next Tokyo ’24 Proprietary 4. 施策評価型施策が結果にどのように影響を与えたかを特定するために、因果関係を明確化し効果測定する実験・統計的プロセス ● 因果関係の特定や分析結果の解釈に高いデータリテラシが求められる ● プロモーション効果検証、ロイヤリティプログラムの効果検証など

Slide 25

Slide 25 text

025 Google Cloud Next Tokyo ’24 Proprietary データ分析は難しい BI が浸透しないのは難易度が高く効果を実感し辛いため ● データの専門家ではない多くのユーザーにデータドリブンで精度の高い意思決定サイクルを回せる体験を届けたい ● 小回りが効く分析で意思決定につながる示唆をすぐ獲得できれば BI は使われるはず ● →BI に生成 AI を組み合わせるモチベーション

Slide 26

Slide 26 text

026 Google Cloud Next Tokyo ’24 Proprietary データ分析 + AI？ AI に「POS 分析を行い示唆を出して」で実現可能？ ● 2024/06 現在、生成 AI 単体で自社のデータに合わせてすぐ使えるレベルの SQL を出力するのは難しい ○ どんなデータ群を持っていてどのように使うかを AI は知らない ● AI が精度高く分析を行うためにはメタ情報のインプットが不可欠

Slide 27

Slide 27 text

027 Google Cloud Next Tokyo ’24 Proprietary Semantic Layer データとビジネスユーザーの中間に位置する、複雑なデータを理解可能なビジネスの概念に変換・翻訳するレイヤー ● データの意味、型などのメタ情報や計算方法を提供 ● 「アクティブユーザー」などの解釈に揺れがある用語のデータ定義を統一できる

Slide 28

Slide 28 text

028 Google Cloud Next Tokyo ’24 Proprietary BI + Semantic Layer + AI AI に精度高く SQL を出力させるためのメタ情報としての Semantic Layer ● AI に事前に Semantic Layer の情報を渡しておけば AI が正しいデータ構造やカラム定義を認識できる ● Semantic Layer の知識を使ってデータ分析できればよい

Slide 29

Slide 29 text

029 Google Cloud Next Tokyo ’24 Proprietary Looker Semantic Layer（=LookML）を使ったモデリング手段と豊富な API を提供 ● API 経由で LookML の取得やクエリ実行が可能 ○ 柔軟なパラメータ設定 ● 生成 AI は「Looker のパラメータを生成すること」のみを責務にできる ● => 自然言語から Looker API 用パラメータを生成し精度の高いクエリ実行が可能

Slide 30

Slide 30 text

030 Google Cloud Next Tokyo ’24 Proprietary なぜアプリケーション開発するか一般的な BI サービスは必要十分にカスタマイズしにくい ● 仕組み上や UI 上の制約がある ○ 我々が持つデータや分析ロジックに最適な UI で表現したい ● 必要な情報だけに絞り、より直感的な体験のみを提供したい

Slide 31

Slide 31 text

031 Google Cloud Next Tokyo ’24 Proprietary 04 ソリューション紹介

Slide 32

Slide 32 text

032 Google Cloud Next Tokyo ’24 Proprietary Urumo BI（Action BI）「教育 / 伴走」と「なめらか UX」をコアコンセプトに、データスペシャリストの手助けを得つつ小回りが効く分析によってアクションが決まっていくような体験を目指した、 AI を組み込んだ BI プロダクト

Slide 33

Slide 33 text

033 Google Cloud Next Tokyo ’24 Proprietary おすすめダッシュボード自己または他の類似利用ユーザーの利用傾向から推奨される分析機能を提案 ● 定常的に何を見れば良いのかをパーソナライズ、動的にダッシュボードを生成 ● 現状把握、課題特定に寄与

Slide 34

Slide 34 text

034 Google Cloud Next Tokyo ’24 Proprietary AI チャット自然言語（日本語）で精緻なデータ分析を実行 ● インターフェースに依存しない小回りの効くデータ分析を実現 ● 現状把握や課題特定、施策評価に寄与 ※画像の置換方法グレーボックスを選択し、右クリックで「画像を置換」を選択し、配置したい画像に差し替えてください。本テキストは削除してください。

Slide 35

Slide 35 text

035 Google Cloud Next Tokyo ’24 Proprietary AI 分析出力したデータのサマリと特徴、考えられる仮説や解釈の提示、次に行う分析・アクションを提案 ● データスペシャリストに相談しながら分析を進める体験 ● 課題特定や特徴抽出に寄与

Slide 36

Slide 36 text

036 Google Cloud Next Tokyo ’24 Proprietary アーキテクチャ Backend Cloud Run Looker LangChain DataStore BigQuery PineCone Frontend Cloud Storage fez-action-bi project Cloud SQL Next.js TypeScript Claude LangSmith ChatGPT ChatGPT

Slide 37

Slide 37 text

037 Google Cloud Next Tokyo ’24 Proprietary LangChain LLMモデルを扱うための透過的インターフェースを提供するフレームワーク ● 複数モデル(ChatGPT / Claude / Gemini)をほぼ同一の実装で透過的に扱うことができ、効率的な開発が可能 ● Toolという単位でAIに関連する処理をまとめることができる

Slide 38

Slide 38 text

038 Google Cloud Next Tokyo ’24 Proprietary LangSmith LangChainを基盤としたユーティリティSaaS ● モデルの評価 / トレーシング / プロンプト管理などAIを含むアプリケーションの運用に必要な一通りの機能を持つ ● 一連のAIに関連した処理の精度向上やデバッグ、コスト管理に利用

Slide 39

Slide 39 text

039 Google Cloud Next Tokyo ’24 Proprietary RAG Retrieval-Augmented Generation AI が必要な情報を外部データベースから取得し検索を組み合わせることで AI の精度を向上させる仕組み ● AI チャット上で日本語で精度の高い分析を行うため利用 ● 商品マスタ等独自のデータを AI が自ら参照して適切な解釈を行う ○ Vector StoreとしてPineconeを採用

Slide 40

Slide 40 text

040 Google Cloud Next Tokyo ’24 Proprietary

Slide 41

Slide 41 text

041 Google Cloud Next Tokyo ’24 Proprietary 開発の成果 ● Lookerをバックエンドに配置したことで、LookML実装者とアプリケーション実装者で責務を分離でき非同期進行が可能に ● 会社内で統一的な分析ロジックの開発フローが整備され、ロジックの使いまわしが可能に ● LookMLをAIに解釈させることで精緻なデータ分析が可能に

Slide 42

Slide 42 text

042 Proprietary & Confidential Google Cloud Next Tokyo ’24 まとめ ● データ分析の各プロセス(分析設計 / 分析実行 / 結果解釈)に異なる難しさがある ● それぞれの難しさにアプローチするためにAIを使ったソリューションを開発した ● AI活用のためにLooker(=Semantic Layer)を採用することで開発効率・精度が大きく向上した

Slide 43

Slide 43 text

043 Proprietary & Confidential Google Cloud Next Tokyo ’24 目指すのは「データ分析の民主化」まとめ

Slide 44

Slide 44 text

044 Google Cloud Next Tokyo ’24 Proprietary Ask the Speaker にぜひお越しくださいセッションに関する質問にスピーカーが直接お答えします！ Ask the Speaker G213 G214 G216 G217 2F

Slide 45

Slide 45 text

Thank you 045 Proprietary