産業インサイト・課題解決 | ページ 4 | SCI総合研究所株式会社

ホーム
産業インサイト・課題解決

データ分析の前にデータ品質はどこまで改善すべき？欠損・表記揺れ・異常値を直す優先順位

データ分析の前にデータ品質はどこまで改善すべき？欠損・表記揺れ・異常値を直す優先順位

データ分析前の欠損・表記揺れ・異常値・マスタ不整合は、すべて直す必要があるのでしょうか。利用目的から必要なデータ品質を決め、旧新商品コードなど優先して改善すべき問題を見極める方法を解説します。

機械学習の精度が高すぎる？実運用前に確認したいデータリーケージと評価方法

機械学習の精度が高すぎる？実運用前に確認したいデータリーケージと評価方法

AI・機械学習PoCで想定以上の高精度が出たときは、データリーケージを確認する必要があります。予測時点、未来情報、前処理、時系列・Group分割など、本番導入前に見直したいポイントを解説します。

売上上位顧客＝優良顧客とは限らない？粗利・物流費・営業工数で見る顧客別採算の分析方法

売上上位顧客＝優良顧客とは限らない？粗利・物流費・営業工数で見る顧客別採算の分析方法

売上1位の顧客が最も利益に貢献しているとは限りません。粗利に加え、物流・注文処理・営業工数・サポートなどのCost-to-Serveを整理し、顧客別採算を経営判断へつなげる方法を解説します。

需要予測は「精度が高いほど良い」のか？RMSEだけでは見えない欠品・在庫コストの評価方法

需要予測は「精度が高いほど良い」のか？RMSEだけでは見えない欠品・在庫コストの評価方法

RMSEが低い需要予測モデルなら業務でも最適とは限りません。繁忙期の大外れ、過小・過大予測、欠品、在庫保有費、Service Levelまで含めて需要予測を評価する方法を解説します。

データが少なくても機械学習は使える？少数データでPoCするときの判断方法

データが少なくても機械学習は使える？少数データでPoCするときの判断方法

機械学習に最低何件のデータが必要なのでしょうか。月次36点の需要予測を例に、少数データでPoCする際の問題設定、Baseline、時系列評価、不確実性、追加データ取得の考え方を解説します。

その業務、本当にAIが必要？ルールベース・統計・機械学習の選び方

その業務、本当にAIが必要？ルールベース・統計・機械学習の選び方

AI導入を求められているものの、本当に機械学習が必要でしょうか。ルールベース・統計・機械学習を、データ、説明性、誤判定リスク、開発・保守費用から比較する方法を解説します。

AI PoCで高精度なのに本番導入できないのはなぜ？運用設計まで含めた移行条件

AI PoCで高精度なのに本番導入できないのはなぜ？運用設計まで含めた移行条件

AI PoCで精度92%を達成しても、本番導入できるとは限りません。データ更新、実行方法、例外処理、モデル監視、再学習、責任者まで、本番移行前に確認すべき条件を解説します。

ダッシュボードを作ったのに誰も使わないのはなぜ？会議・意思決定から逆算するBI設計

ダッシュボードを作ったのに誰も使わないのはなぜ？会議・意思決定から逆算するBI設計

BIダッシュボードを導入したのに月次会議ではExcelを使い続けていませんか。KPIを増やすのではなく、会議・判断・アクションから逆算して使われるダッシュボードへ見直す方法を解説します。

同じ「売上」なのに部署ごとに数字が違うのはなぜ？KPI定義を統一する方法

同じ「売上」なのに部署ごとに数字が違うのはなぜ？KPI定義を統一する方法

営業・経理・経営企画で「売上」の数字が違う原因とは。受注額・出荷額・請求額などの意味を整理し、KPI定義書、Business Glossary、データ辞書へ落とし込む方法を解説します。

紙・自由記述の保全履歴は機械学習に使える？故障分類・コード化・時刻紐付けの方法

紙・自由記述の保全履歴は機械学習に使える？故障分類・コード化・時刻紐付けの方法

紙やExcelの自由記述で残る保全履歴は予兆保全に使えるのでしょうか。「異音あり」「軸受交換」などの記録を、設備ID、時刻、症状、故障、処置へ整理し、センサーデータと結び付ける方法を解説します。