データ・コミュニケーションツール としてのExploratory活用法 株式会社リクルート まなびデータソリューション部 後藤真理絵 

❖ 自己紹介 ❖ 会社紹介・業務の背景 ❖ ビジネス課題 ❖ 活用機能 ❖ 効果 アジェンダ 

自己紹介 

大学時代 社会人1−2年 社会人3-10年 社会人10年〜 慶應SFC デザイン思考 エスノグラフィ Flashプログラミング Web広告制作会社 ディレクター見習い プロジェクト進行管理 マーケティングリサーチ会社 ＜データ収集＞ ・文献、各種統計情報 ・Webアンケート ・インタビュー調査 ・有識者インタビュー ・ビジネスエスノグラフィ ＜分析・報告＞ ・多変量解析、マイニング ・顧客向け報告会 ヤフー株式会社 ＜広告効果分析＞ ・広告効果分析 ・全社マーケティング最適化 ＜サービス利用状況分析＞ ・既存サービス分析支援 ・新規サービス立ち上げ伴走 2020〜 株式会社リクルート 『スタディサプリ』 サービス利用状況分析 自己紹介 

大学時代 社会人1−2年 社会人3-10年 社会人10年〜 慶應SFC デザイン思考 エスノグラフィ Flashプログラミング Web広告制作会社 ディレクター見習い プロジェクト進行管理 マーケティングリサーチ会社 ＜データ収集＞ ・文献、各種統計情報 ・Webアンケート ・インタビュー調査 ・有識者インタビュー ・ビジネスエスノグラフィ ＜分析・報告＞ ・多変量解析、マイニング ・顧客向け報告会 自己紹介 クリエイティブ系に憧れていた時期 営業・調査・分析の基礎 データサイエンスな世界 ヤフー株式会社 ＜広告効果分析＞ ・広告効果分析 ・全社マーケティング最適化 ＜サービス利用状況分析＞ ・既存サービス分析支援 ・新規サービス立ち上げ伴走 2020〜 株式会社リクルート 『スタディサプリ』 サービス利用状況分析 

弊社のご紹介 

スタディサプリ https://studysapuri.jp/ 

日本 インドネシア フィリピン 対象学年 小・中学校 高校 大学・社会人 高校 高校 オンラインビデオ (B to C) オンラインビデオ& アセスメント (B to B to C) オンラインコーチング 各国で様々なサービスラインナップにて事業展開をしています パーソナルコーチプラン サービスラインナップ 広報資料より 

営業 学校・先生 (クライアント) 生徒 (カスタマー) 年単位で導入・活用支援を行うコンサル型営業スタイル 

2020年に直面したビジネス課題 

学校の一斉休校 2020年3月 

『スタディサプリ』のニーズが急上昇 

顧客接点の数 ＝ フォローする先生の人数 × 学校数 

データでどう解決するか？ 

求められていたゴール ● 合格点の対応品質の担保 ● 継続率の維持 

ソリューション ● どの学校に優先フォローをすればいいかわかる ● 瞬間理解できる ● 誰が見ても納得できる 学校ごとの継続可能性を予測し、必要なフォロー内容を データからサジェストする 

データ活用面での課題 

乗り越えるべき壁 時間的制約 短期間でデータをかき集め、予測モデルを作るため、 試行錯誤期間が限られている 精度＜明瞭 精度よりもわかりやすさ。誰もが瞬間で理解でき、 解釈の余地がないアウトプット 用途ドリブン 営業が納得感を持ち、アクションが打てるものに しなければならない 

ドメイン知識の習得 ・業務フローの理解 ・事業課題の把握 初期問題定義 ・目的、ゴール ・前提条件の整理 ・実施する範囲の設定 データ調査＆収集 ・ユーザー利用データ ・マーケティングデータ ・売上データ ・オープンデータ 現状把握分析 ・基礎統計 ・ユーザー利用状況 ・目的変数との関連性 ・企画者とのすり合わせ 問題定義完了 予測モデル検討 ・予測アルゴリズム選定 ・特徴量エンジアリング ・データセット追加 ・予測モデルでの 変数重要度算出 ・評価方法 ・予測結果のアウトプッ ト イメージ ・企画者とのすり合わせ ・予測モデル ブラッシュアップ ・データ追加 ・システム実装 ・システムリリース ・エンドユーザーへの コミュニケーション ＆フォローアップ 企画・構想 現状調査 施策検討 施策実装 リリース 必要な対応策 プロジェクト運営プロセス（一例） ここを特に綿密にやる 

対応手段 ➢ 問題定義に関係者全員が関わり、ブレない方針を策定した ➢ 営業現場の人を巻き込み、データ分析でビジネス現場の状 況と課題を共有（営業とデータ人材の視点を揃える） ➢ 営業ヒアリングとデータ観点から、特徴量を選定（データ チーム内でも目線を揃える） 

Exploratoryの利用 

インプットデータの修正をしても 即、読み込める データインプット時 

データインプット時 DBにない関連データもクラウド上 から取り込んで可視化 

データチェック・クレンジング ● データの質（欠損値、ばらつき）の確認 ● かき集めたデータで予測できそうか一次確認 

● サマリーデータから特に重要視しているデータにフォーカ スし、継続率への影響がありそうかを確認 データチェック・クレンジング 

データに基づく議論 ● 予測に特に影響してそうな特徴量候補のデータを、様々な 角度から検証（実数、割合、分布、クロス集計など） 

手元での予測モデル作成 ● 不均衡データの調整 ● 全体サマリで一定の傾向が見えた特徴量を入れて予測 ● 新たな特徴量をステップで作成 ● 分岐の納得性を確認 

手元での予測モデル作成 ● 精度指標、変数重要度を確認 ● 不必要なもの、アンコントローラブルなものは抜いて 精度にどう影響するかを試行錯誤 

効果 

データにフォーカスした議論によりスピーディーに進捗 時間的制約 PJチーム全体でシャープな問題定義ができた。モデル 構築や精度検証を早いサイクルで回せた。 精度＜明瞭 データ可視化を通じて営業現場との壁打ちが可能に。 様々な現場の「肌感」を共有してもらえた 用途ドリブン 現場の声を取り入れたモノづくりができた。 シンプルなソリューション提供で、施策にすぐ直結。 

次年度に向けた重要な知見も得られる結果に 定量 ・リピート率の維持 ・事業への貢献 定性 ・予測結果に関する質問から改善点の抽出 ・現場の「肌感」を表すデータの不足認識と収集対策 

まとめ ➢ 現場の「肌感」を可視化結果に基づき引き出す ➢ PJメンバーとデータにフォーカスした議論を重ねる ➢ 時間的・データ的制約がある中で、問題定義を精度高く実施 すぐに有効活用されたことで、事業に貢献