ビッグデータ分析を用いた未来予測で企業のDXを支援するサービスがリリース
2020/6/18
株式会社DATAFLUCTは、“ビッグデータ分析を用いた未来予測による、企業経営上の意思決定を推進するためのデジタルトランスフォーメーション（以下「DX」）“を支援するDXサービス事業を強化すると発表した。本事業では、サービス群を「DATAFLUCT DX series.」（データフラクト ディーエックス シリーズ）として展開するという。「DATAFLUCT DX series.」の第1弾として、飲食店や小売店、サービス業を主な対象とし、クライアントが保有しているデータと気象データや商圏情報、イベントによる人流の変化などの多様な外部データを組み合わせた、機械学習による高精度の需要予測で在庫管理の改善や人員配置の最適化などを支援する『DATAFLUCT forecasting.』（データフラクト フォアキャスティング）の提供を、2020年6月17日（水）から開始する。
■「DATAFLUCT DX series.」開発の背景
・日本企業におけるDXの取り組み状況
2018年9月に、経済産業省は『DXレポート～ITシステム「2025年の崖」の克服とDXの本格的な展開～』を発表した。レポートでは、「企業における既存システムの複雑化やブラックボックス化といった問題を解消してデータを活用できない場合、新たなデジタル技術を活用したビジネスモデルの創出が実現できず、2025年から2030年までの間で、毎年最大12兆円の経済損失が生じる可能性がある」と言及され、大きなインパクトを与えた。
DXレポートから約1年半が経過した2020年5月に、経済産業省が所管する独立行政法人情報処理推進機構（以下「IPA」）が発表した『DX推進に向けた企業とIT人材の実態調査』によると、DXに取り組んでいる企業は全体の41.2％となったが、企業規模によって取り組み状況に格差がみられた。また、DX取り組み比率の高い従業員規模1,001名以上の企業における取り組み内容は「業務の効率化による生産性の向上」が中心で、「新規製品・サービスの創出」や「現在のビジネスモデルの根本的な変革」などは低い結果となった。IPAは今回の調査を通じて、日本企業のDXでは「既存のビジネスモデルや業務スタイルから脱却できておらず、デジタル型ビジネスモデルへの転換が進んでいない」などの課題を挙げており、「2025年の崖」が刻々と近づくなか、DXの推進状況は遅れているといえそうだ。
・データを活用した「未来予測モデルの構築」への期待と課題
そのような状況下ではあるものの、「クラウド上のデータをリアルタイムで活用する新たなビジネスの創出」に対する企業の関心は、日に日に高まっている。なかでも、あらゆるデータを収集したデータレイクを活用した「未来予測モデルの構築」に対するニーズはとくに増えている。しかし、最適な人材やノウハウの不足により、多種多様なデータを収集できるデータ基盤や分析環境の構築、データの収集・加工、データ分析とアルゴリズムの構築、オペレーション・システムの構築、そしてサービス開発までを自社で一気通貫に取り組むのは困難といえるという。
・DATAFLUCTのこれまでの活動と「DATAFLUCT DX series.」の展開
2019年1月の創業以来、同社はさまざまなデータの収集、蓄積・分析、活用など、データに関するフルスタックのテクノロジーを駆使し、データ活用におけるクライアントのあらゆる課題を解決、ビジネスの創出を支えてきた。その間に培った、埋もれているデータから新たな価値を生み出し続ける技術・知見・経験を、日本企業のDX推進に活かせると考え、新たに「DATAFLUCT DX series.」を開始することになったという。業務の効率化はもちろんのこと、新規製品・サービスの創出や企業のデジタル型ビジネスモデルへの転換に寄与するなど、DXにおける企業のさまざまな課題の解決を目指す。
2018年9月に、経済産業省は『DXレポート～ITシステム「2025年の崖」の克服とDXの本格的な展開～』を発表した。レポートでは、「企業における既存システムの複雑化やブラックボックス化といった問題を解消してデータを活用できない場合、新たなデジタル技術を活用したビジネスモデルの創出が実現できず、2025年から2030年までの間で、毎年最大12兆円の経済損失が生じる可能性がある」と言及され、大きなインパクトを与えた。
DXレポートから約1年半が経過した2020年5月に、経済産業省が所管する独立行政法人情報処理推進機構（以下「IPA」）が発表した『DX推進に向けた企業とIT人材の実態調査』によると、DXに取り組んでいる企業は全体の41.2％となったが、企業規模によって取り組み状況に格差がみられた。また、DX取り組み比率の高い従業員規模1,001名以上の企業における取り組み内容は「業務の効率化による生産性の向上」が中心で、「新規製品・サービスの創出」や「現在のビジネスモデルの根本的な変革」などは低い結果となった。IPAは今回の調査を通じて、日本企業のDXでは「既存のビジネスモデルや業務スタイルから脱却できておらず、デジタル型ビジネスモデルへの転換が進んでいない」などの課題を挙げており、「2025年の崖」が刻々と近づくなか、DXの推進状況は遅れているといえそうだ。
・データを活用した「未来予測モデルの構築」への期待と課題
そのような状況下ではあるものの、「クラウド上のデータをリアルタイムで活用する新たなビジネスの創出」に対する企業の関心は、日に日に高まっている。なかでも、あらゆるデータを収集したデータレイクを活用した「未来予測モデルの構築」に対するニーズはとくに増えている。しかし、最適な人材やノウハウの不足により、多種多様なデータを収集できるデータ基盤や分析環境の構築、データの収集・加工、データ分析とアルゴリズムの構築、オペレーション・システムの構築、そしてサービス開発までを自社で一気通貫に取り組むのは困難といえるという。
・DATAFLUCTのこれまでの活動と「DATAFLUCT DX series.」の展開
2019年1月の創業以来、同社はさまざまなデータの収集、蓄積・分析、活用など、データに関するフルスタックのテクノロジーを駆使し、データ活用におけるクライアントのあらゆる課題を解決、ビジネスの創出を支えてきた。その間に培った、埋もれているデータから新たな価値を生み出し続ける技術・知見・経験を、日本企業のDX推進に活かせると考え、新たに「DATAFLUCT DX series.」を開始することになったという。業務の効率化はもちろんのこと、新規製品・サービスの創出や企業のデジタル型ビジネスモデルへの転換に寄与するなど、DXにおける企業のさまざまな課題の解決を目指す。
出典元：プレスリリース
■『DATAFLUCT forecasting.』について
出典元：プレスリリース
『DATAFLUCT forecasting.』は、気象や商圏情報、SNSなど、構造化・非構造化を問わず外部の様々なビッグデータにクライアントの保有するデータを組み合わせることで、高精度な需要予測を実現する。さらに強化学習によって、新型の感染症の発生・蔓延や異常気象などの外部要因による急激な変化にもアルゴリズムが対応するため、信頼性の高い需要予測を提供可能。これまで従業員やスタッフの暗黙知や勘によって対応されてきた商品発注や人員配置、生産数管理などの業務を効率化できるだけでなく、外部要因による急激な変化が起きた場合にも最適な対応の選択が可能となる。また、クラウドサーバーでの需要予測システム構築後は、自動発注システムへの接続や予測モデルのWEBアプリ化など、クライアントの要望に合わせた実装にも対応し、収益の最大化に貢献するという。
【想定利用業態等サービス概要】
・利用が想定される業態：小売・流通、サービス業、飲食業、製造業 など
・インプットデータ：気象、商圏情報、人流、市場データ、アクセスログ、イベント情報、SNS など
・クライアントデータ：POS、予約データ、アクセスログ など
・アウトプットデータ：売上、客数、発注量 など
・ユースケース：経営管理、自動発注、消費電力、エネルギー負荷予測、近い将来の特定時点における数値予測 など
【利用事案（想定）】
〔業種〕全国のサッカースタジアムの最寄り駅前に出店している飲食店チェーン
〔課題〕試合開催日における食材発注数と従業員配置数の最適化
〔インプットデータ〕
・過去の試合開催日時
・過去の試合開催日の天気
・過去の試合の来場観客数
・試合開催日の天気予報
・過去の試合の勝敗
・試合会場周辺の過去の人流
・試合会場周辺の当日のリアルタイム人流
・過去の試合開催日の食材発注数と従業員人数（クライアントより提供） など
〔手段と効果〕
上記データから算出した来客数の予測に基づき、過不足ない量の食材調達と多くの来客で混雑する時間帯に合わせた最適な人員配置を実現。
【想定利用業態等サービス概要】
・利用が想定される業態：小売・流通、サービス業、飲食業、製造業 など
・インプットデータ：気象、商圏情報、人流、市場データ、アクセスログ、イベント情報、SNS など
・クライアントデータ：POS、予約データ、アクセスログ など
・アウトプットデータ：売上、客数、発注量 など
・ユースケース：経営管理、自動発注、消費電力、エネルギー負荷予測、近い将来の特定時点における数値予測 など
【利用事案（想定）】
〔業種〕全国のサッカースタジアムの最寄り駅前に出店している飲食店チェーン
〔課題〕試合開催日における食材発注数と従業員配置数の最適化
〔インプットデータ〕
・過去の試合開催日時
・過去の試合開催日の天気
・過去の試合の来場観客数
・試合開催日の天気予報
・過去の試合の勝敗
・試合会場周辺の過去の人流
・試合会場周辺の当日のリアルタイム人流
・過去の試合開催日の食材発注数と従業員人数（クライアントより提供） など
〔手段と効果〕
上記データから算出した来客数の予測に基づき、過不足ない量の食材調達と多くの来客で混雑する時間帯に合わせた最適な人員配置を実現。
