意思決定に繋がる Intelligence とは 1 - 第２回 データアーキテクト（データ整備人）を”前向きに”考える会 - アマゾンジャパン合同会社 ぶんけい @bunkei_DA

2 資料の写真撮影も禁止とさせていただきます （後日、資料の一部を公開予定です） この内容は個人の見解であり、 所属組織とは一切関係がありません

3 PRさせていただきます。

自己紹介（ぶんけい @bunkei_DA） 4 • 経済産業省等の統計調査（7年） Excel, Access, SAS • マーケティングリサーチ（2年） Excel, SPSS Stats • アドテク（4年） SQL ＋ Python + Tableau Biz側のデータ分析組織立ち上げ • 現職 BI Engineer（1年弱） SQL + QuickSight（AWS） 創業120年 3000名 創業20年 1000名 創業13年 150名 創業20年 ？？？名 新規事業系に関わることが多く Business側とEngineering側の 間に立つことが多かった （とりあえずコイツつっこんどけ、的な扱い）

職能 / Position 文系総合職 ＆ 非エンジニア出身 -> 専門性に乏しい 5 Biz Engineering Science Data Architect Data Engineer AI / ML Engineer Data Analyst / Scientist

Agenda • 外部環境の整理 • 「目を奪い、人を動かす」ということ • Intelligenceとは 6 • 外部環境の整理 • 「目を奪い、人を動かす」ということ • Intelligenceとは

外部環境1:dataの増大 7 https://news.mynavi.jp/photo/article/20190723-863987/images/001l.jpg

外部環境2: 国内のIT人材は枯渇 8 https://www.meti.go.jp/policy/it_policy/jinzai/27FY/ITjinzai_report_summary.pdf

外部環境2: 国内のIT人材は枯渇 9 https://www.meti.go.jp/policy/it_policy/jinzai/27FY/ITjinzai_report_summary.pdf 2019年 総就業者数、6700万人 （労働力調査 / 平均（速報）より） ホワイトカラー人口 3500万人程度？（※） IT人材、約90万人 IT人材は、ホワイトカラーの2.5%程度…？ ※独立行政法人 労働政策研究・研修機構 職業別就業者数（2018年平均）https://www.jil.go.jp/kokunai/statistics/chart/html/g0006.html 厚生労働省：職業別雇用者構成の推移 https://www.mhlw.go.jp/shingi/2006/09/s0929-7b.html（2004））を参照

外部環境3：企業の構造 10 経営 情報システム部門 IT Business側 営業 企画 Corp 1次請け 2次請け 3次請け … vs 構造 ①経営 vs 部門長 ②部門長 vs 部門長 ③部門長 vs 各Leader ④各Leader vs 経営までの すべてのルートで ITへの理解がないと 資本投下されにくい ① ② ③ ④

11

外部環境の整理 • Dataを活用する機会は増大していく • IT人材は依然、不足している • しかし、日本の大半の企業は、経営層にITやData出身の人材がいない • そのため、IT人材のなかで、しかもDataに関わる人材、 例えば Data Architect（SQL整備のみ）等では、 企業構造上、価値が実感されにくい職能であると推察される → 結果、需要は高いが、評価され難いポジションになっている 12

ではどうするか • 理解のある上司を得る（自分では選び難い） → 転職しましょう • 組織の壁を越えられるような、プラスアルファ（付加価値）が必要 13

Agenda 14 • 外部環境の整理 • 「目を奪い、人を動かす」ということ • Intelligenceとは

SQLはなぜ必要なのか あまり詳しくない人たちも、なぜDataを欲しがるのか 要するに、「意思決定」 をしたいから Dataが欲しい ↓ 課題やテーマがあって、それを可視化したいから ↓ 可視化されたものを見て、何らかの施策を講じたいから いわゆる、Information → Intelligence の話 15 意思決定を支援 ≒ Intelligenceを 効果的に創出できれば、価値を 認められやすくなるのではないか

16 Intelligenceってなんだっけ？ BIを使っていれば、Intelligenceって生み出せるんだっけ？

「目を奪い、人を動かす」ということ 17 ここからはフィクションです

「目を奪い、人を動かす」ということ 18 SQL と Excel しか使っていません プラスアルファの価値提供 （意思決定可能なIntelligence）の一例

Business Issue • あるショッピングモールでの万引き率 • これまでも一定数あったが、とうとう上層部の目にとまった • 利益換算したところ、馬鹿にならない数値らしい • とりあえず、「現状を可視化してほしい」（ ≒ なんかいいものだしてくれ） 19

Data Set • 各商品にはICタグがついている • セキュリティゲートもあるが、精度が低く、万引きができる状況 • ICタグの棚卸chkは、昼前、終業前等、1日2~3度実施 • 店舗コード、商品コード、サイズ、棚卸スキャン日時、購買履歴 等 （購買なし × 在庫あり→なし ≒ 万引き と判定） 20

Failuer1 – GT & Cross - 21 Store 1 aaaa 0.072% Size 1 ~ 100cm3 0.283% 2 bbbb 0.198% 2 100 ~ 1000cm 0.131% 3 cccc 0.040% 3 1000 ~ 5000cm3 0.347% 4 dddd 0.055% 4 5000 ~ 10000cm3 0.205% 5 eeee 0.084% 5 10000 ~ 50000cm3 0.066% 6 ffff 0.043% 6 50000 ~ 100000cm3 0.033% 1 2 3 4 5 6 Product 1 book 0.163% Time × Product 2 stationery 0.155% 3 clothes 0.023% 4 Accessories 0.051% 1 10-13 0.312% 0.121% 0.079% 0.075% 0.035% 0.091% 5 food & drink 0.066% 2 14-17 0.418% 0.265% 0.019% 0.007% 0.062% 0.099% 6 hobby 0.062% 3 18-21 0.062% 0.136% 0.042% 0.002% 0.013% 0.033% book stationery clothes Accessories food & drink hobby 0.000% 0.050% 0.100% 0.150% 0.200% 0.250% 0.000% 0.050% 0.100% 0.150% 0.200% 0.000% 0.050% 0.100% 0.150% 0.200% 0.250% 0.300% 0.350% 0.400%

Failuer1 – GT & Cross - 22 Store 1 aaaa 0.072% Size 1 ~ 100cm3 0.283% 2 bbbb 0.198% 2 100 ~ 1000cm 0.131% 3 cccc 0.040% 3 1000 ~ 5000cm3 0.347% 4 dddd 0.055% 4 5000 ~ 10000cm3 0.205% 5 eeee 0.084% 5 10000 ~ 50000cm3 0.066% 6 ffff 0.043% 6 50000 ~ 100000cm3 0.033% 1 2 3 4 5 6 Product 1 book 0.163% Time × Product 2 stationery 0.155% 3 clothes 0.023% 4 Accessories 0.051% 1 10-13 0.312% 0.121% 0.079% 0.075% 0.035% 0.091% 5 food & drink 0.066% 2 14-17 0.418% 0.265% 0.019% 0.007% 0.062% 0.099% 6 hobby 0.062% 3 18-21 0.062% 0.136% 0.042% 0.002% 0.013% 0.033% book stationery clothes Accessories food & drink hobby 0.000% 0.050% 0.100% 0.150% 0.200% 0.250% 0.000% 0.050% 0.100% 0.150% 0.200% 0.000% 0.050% 0.100% 0.150% 0.200% 0.250% 0.300% 0.350% 0.400% 店舗別 商品別 サイズ別 商品 × 棚卸時間帯別 雑貨系の お店 書籍と文房具 が高い ここは 書籍が影響 小物類が やはり高い

23 なんか、わかるんだけどね。うん。 もうちょっと、こう、わかりやすくさー

Failuer2 – Summary Report - （※ただし、店舗別にみると、同じ商品カテゴリなのに万引き率が低いお店もある…） 24 書籍系 0.163% 文具系 0.155% お菓子系 0.066% 玩具系 0.062% 服飾系 0.023%

25 おお、わかりやすくなったわー なんかやってみるわー

26 結果、2カ月経っても、万引き率が改善せず・・・

27 なんかこれ…店番号に 規則性があるような By 現場をよく知る担当者

Successの種 28 1 0.072% 2 0.024% 3 0.040% 4 0.055% 5 0.084% 6 0.043% 7 0.198% 8 0.069% 9 0.041% 10 0.080% 11 0.075% 12 0.015% 13 0.058% 14 0.044% 15 0.070% 16 0.077% 17 0.049% 18 0.039% 19 0.052% 20 0.163% 21 0.155% 22 0.023% 23 0.051% 24 0.066% 25 0.062% 26 0.086% 27 0.066% 28 0.018% 29 0.077% 30 0.057% 31 0.080% 32 0.026% 33 0.003% 34 0.157% 35 0.034% 36 0.004% 37 0.131% 38 0.347% 39 0.205% 40 0.066% 41 0.056% 42 0.091% 43 0.009% 44 0.017% 45 0.077% 46 0.087% 47 0.283% 48 0.074% 49 0.084% 50 0.015% 51 0.099% 52 0.037% 53 0.052% 54 0.062% 55 0.054% 56 0.043% 57 0.055% 58 0.056% 59 0.080% 60 0.080% 61 0.007% 62 0.077% 63 0.043% 64 0.097% ?

Success 29 24 0.066% 25 0.062% Parking 26 0.086% 0.155% Toilet 22 0.023% 23 0.051% 0.039% 19 0.052% 20 0.163% 21 0.087% Food Court 15 0.070% 16 0.077% 17 0.049% 18 9 0.041% 14 0.044% 10 11 12 13 0.080% 0.075% 0.015% 0.058% 7 8 0.198% 0.069% 29 0.077% 28 0.018% 27 0.066% 64 33 0.003% 32 0.026% 31 0.080% 30 0.057% 52 53 54 55 0.131% 37 0.004% 36 56 0.080% 0.056% 0.055% 0.043% 0.037% 0.052% 0.062% 0.054% 5 0.084% 0.043% 6 0.043% 0.077% 0.007% 0.080% 0.074% 0.084% 0.015% 0.099% 59 58 57 0.034% 35 47 48 49 50 51 0.283% 39 0.205% 38 0.347% 60 0.077% 45 0.024% 2 3 0.040% 0.055% 4 1 0.072% 0.157% 34 46 0.066% 40 0.017% 44 63 62 61 0.009% 43 0.091% 42 0.056% 41

Success 30

Success 31 24 0.066% 25 0.062% Parking 26 0.086% 0.155% Toilet 22 0.023% 23 0.051% 0.039% 19 0.052% 20 0.163% 21 0.087% Food Court 15 0.070% 16 0.077% 17 0.049% 18 9 0.041% 14 0.044% 10 11 12 13 0.080% 0.075% 0.015% 0.058% 7 8 0.198% 0.069% 29 0.077% 28 0.018% 27 0.066% 64 33 0.003% 32 0.026% 31 0.080% 30 0.057% 52 53 54 55 0.131% 37 0.004% 36 56 0.080% 0.056% 0.055% 0.043% 0.037% 0.052% 0.062% 0.054% 5 0.084% 0.043% 6 0.043% 0.077% 0.007% 0.080% 0.074% 0.084% 0.015% 0.099% 59 58 57 0.034% 35 47 48 49 50 51 0.283% 39 0.205% 38 0.347% 60 0.077% 45 0.024% 2 3 0.040% 0.055% 4 1 0.072% 0.157% 34 46 0.066% 40 0.017% 44 63 62 61 0.009% 43 0.091% 42 0.056% 41

Success 32 24 0.066% 25 0.062% Parking 26 0.086% 0.155% Toilet 22 0.023% 23 0.051% 0.039% 19 0.052% 20 0.163% 21 0.087% Food Court 15 0.070% 16 0.077% 17 0.049% 18 9 0.041% 14 0.044% 10 11 12 13 0.080% 0.075% 0.015% 0.058% 7 8 0.198% 0.069% 29 0.077% 28 0.018% 27 0.066% 64 33 0.003% 32 0.026% 31 0.080% 30 0.057% 52 53 54 55 0.131% 37 0.004% 36 56 0.080% 0.056% 0.055% 0.043% 0.037% 0.052% 0.062% 0.054% 5 0.084% 0.043% 6 0.043% 0.077% 0.007% 0.080% 0.074% 0.084% 0.015% 0.099% 59 58 57 0.034% 35 47 48 49 50 51 0.283% 39 0.205% 38 0.347% 60 0.077% 45 0.024% 2 3 0.040% 0.055% 4 1 0.072% 0.157% 34 46 0.066% 40 0.017% 44 63 62 61 0.009% 43 0.091% 42 0.056% 41 駐車場近辺 人通り 少ない トイレ付近

Success 33 24 0.066% 25 0.062% Parking 26 0.086% 0.155% Toilet 22 0.023% 23 0.051% 0.039% 19 0.052% 20 0.163% 21 0.087% Food Court 15 0.070% 16 0.077% 17 0.049% 18 9 0.041% 14 0.044% 10 11 12 13 0.080% 0.075% 0.015% 0.058% 7 8 0.198% 0.069% 29 0.077% 28 0.018% 27 0.066% 64 33 0.003% 32 0.026% 31 0.080% 30 0.057% 52 53 54 55 0.131% 37 0.004% 36 56 0.080% 0.056% 0.055% 0.043% 0.037% 0.052% 0.062% 0.054% 5 0.084% 0.043% 6 0.043% 0.077% 0.007% 0.080% 0.074% 0.084% 0.015% 0.099% 59 58 57 0.034% 35 47 48 49 50 51 0.283% 39 0.205% 38 0.347% 60 0.077% 45 0.024% 2 3 0.040% 0.055% 4 1 0.072% 0.157% 34 46 0.066% 40 0.017% 44 63 62 61 0.009% 43 0.091% 42 0.056% 41 駐車場近辺 人通り 少ない トイレ付近 万引きしやすく、逃走しやすいお店が狙われていた

Success 34

Success Biz側から、以下のActionが自発的に発生 • 警備員の配置や巡回ルートの変更 • このレイアウトに沿った、時間帯別の実績がほしい • 棚卸スキャンの時刻もできるだけ定点で、かつ、増やしてみよう → 1か月後に万引き率が改善 結果、1枚のOutputで、目を奪い、人を動かすことができた 35

工夫したことは何か 36 フロアマップ （現地調達） レイアウト作成 店舗コード手入力 Vlookupで 万引き率と レイアウトを結合 SQLで集約 Excelに出力 万引き率 関連data 24 0.066% 25 0.062% Parking 26 0.086% 0.155% Toilet 22 0.023% 23 0.051% 0.039% 19 0.052% 20 0.163% 21 0.087% Food Court 15 0.070% 16 0.077% 17 0.049% 18 9 0.041% 14 0.044% 10 11 12 13 0.080% 0.075% 0.015% 0.058% 7 8 0.198% 0.069% 29 0.077% 28 0.018% 27 0.066% 64 33 0.003% 32 0.026% 31 0.080% 30 0.057% 52 53 54 55 0.131% 37 0.004% 36 56 0.080% 0.056% 0.055% 0.043% 0.037% 0.052% 0.062% 0.054% 5 0.084% 0.043% 6 0.043% 0.077% 0.007% 0.080% 0.074% 0.084% 0.015% 0.099% 59 58 57 0.034% 35 47 48 49 50 51 0.283% 39 0.205% 38 0.347% 60 0.077% 45 0.024% 2 3 0.040% 0.055% 4 1 0.072% 0.157% 34 46 0.066% 40 0.017% 44 63 62 61 0.009% 43 0.091% 42 0.056% 41 1～2h程度の表現の工夫

「目を奪い、人を動かす」ということ 37 あくまでも、フィクションです。

Agenda 38 • 外部環境の整理 • 「目を奪い、人を動かす」ということ • Intelligenceとは

Intelligenceとは • 意思決定に繋がらないと無価値 • Intelligence ＋ Insight ＆ Intuition（直観） ？ → 読み手に、体感、半強制的な当事者意識を植え付けられると理想か 39 data Data Engineer Data Architect Data Analyst Information Intelligence Decision Making Intuition Insight

Intelligenceとは 40 24 0.066% 25 0.062% Parking 26 0.086% 0.155% Toilet 22 0.023% 23 0.051% 0.039% 19 0.052% 20 0.163% 21 0.087% Food Court 15 0.070% 16 0.077% 17 0.049% 18 9 0.041% 14 0.044% 10 11 12 13 0.080% 0.075% 0.015% 0.058% 7 8 0.198% 0.069% 29 0.077% 28 0.018% 27 0.066% 64 33 0.003% 32 0.026% 31 0.080% 30 0.057% 52 53 54 55 0.131% 37 0.004% 36 56 0.080% 0.056% 0.055% 0.043% 0.037% 0.052% 0.062% 0.054% 5 0.084% 0.043% 6 0.043% 0.077% 0.007% 0.080% 0.074% 0.084% 0.015% 0.099% 59 58 57 0.034% 35 47 48 49 50 51 0.283% 39 0.205% 38 0.347% 60 0.077% 45 0.024% 2 3 0.040% 0.055% 4 1 0.072% 0.157% 34 46 0.066% 40 0.017% 44 63 62 61 0.009% 43 0.091% 42 0.056% 41 Intuition Insight Decision Making

Agenda & 今日お伝えしたかったこと 41 • 外部環境の整理 → 需要は高いが、組織構造的に価値が伝わりにくい環境 • 「目を奪い、人を動かす」ということ → 体感的なoutputにより、意思決定に繋げることができる • Intelligenceとは → Insight や Intuition も考慮できると理想か（個人的に挑戦中）

42 ご清聴ありがとうございました