データサイエンスの基本
【ハリー】どうもハリーです。【ヤマン】どうもヤマンです。【ハリー】ゴロゴロ起業ラジオは、教育外を紹介しているハリーとデザイン外を紹介するヤマンがお届けする起業やスタートアップに関する話を緩く紹介する番組です。
【ヤマン】はいよ。【ハリー】海賊が減ると地球温暖化が進むっていう話あるんですけど、知ってますか?【ヤマン】海賊が増えると?減ると?【ハリー】減ると。【ヤマン】減ると?【ハリー】減ると。
【ヤマン】なんで?【ハリー】なんでかという話をしていこう。【ヤマン】いきましょう。【ハリー】ということで今回もねデータについての話をしていきたいんですけど、前回はね現代野球めちゃくちゃデータ分析進んでるよっていう話をねしてきましたけど、今回は実際にデータを活用する方法の話をしていきたいなと思うんですよ。
これがねデータ分析とかデータサイエンスみたいな言葉でよく使われるあれです。聞いたことありますよね?データサイエンス。意味はわかりますか?【ヤマン】わかってないです。【ハリー】意味はまあいいや。何ができるかというと、データを使って世の中の問題を解決する仕組みみたいなことですね。
特にね最近この分野暑いのでね、ぜひチェックして覚えていってほしいんですけど、最近だとやっぱりAI関連の文脈で使われること多いですよね。【ヤマン】うんうん。いっぱい聞きますもんねだって。【ハリー】例えばそのYouTubeでおすすめの動画を表示してくれるとか、Amazonのおすすめ商品を教えてくれるとか、Googleマップで最短経路を教えてくれるとか、スマホの顔認証とか、あと飛行機やホテルの値段が変わるじゃないですか。日によって。
【ヤマン】変わりますね。【ハリー】あの辺とかもこのデータサイエンスによってその値段が決まっていってるみたいなね。いろんなところで使われているわけですよ。【ヤマン】うんうんうん。【ハリー】ということでデータサイエンス今ね暑いんですけど、ただこのデータサイエンスってデータを分析していろいろ考えてるわけじゃないですか。【ヤマン】うん。【ハリー】分析本当に必要かって思わないですか?【ヤマン】分析必要。
【ハリー】データあるんだったら別にそれ見てりゃ答えわかるんじゃねと考えてもいいんじゃないかと思うんですよ。【ヤマン】うんうんうん。【ヤマン】難しいね質問が。分析は必要なんじゃないの?必要じゃないの?【ハリー】なるほどですか。じゃあじゃあ例えば、じゃあこやもさんがアイスクリーム屋さんをやってるとしましょう。【ヤマン】おお、いいね。
【ハリー】はい。で、アイスクリーム屋さんが今年広告を出そうかどうか考えているけど、もし広告出したらどのくらいの効果が見込めそうか考えてほしいと。【ヤマン】うん。【ハリー】まあこういう状況でしたと。【ヤマン】うん。【ハリー】で、調べてみたところ、去年はなんと広告を出していました。で、おととしは広告を出さなかったみたいです。【ヤマン】うん。
【ハリー】広告を出した去年は広告を出していなかったおととしと比べて売り上げが40%増加していました。【ヤマン】うん。【ハリー】はい。広告を出していたときのほうが売り上げが高いと。【ヤマン】うん。【ハリー】じゃあ広告を出せば売り上げ40%増加が見込まれますと言っていいのか。【ヤマン】うんうんうんうん。【ハリー】どうか。【ヤマン】いいんじゃないですか?【ハリー】いいですか?【ヤマン】うん。【ハリー】その心は。
【ヤマン】去年広告出して40%伸びたから、今年も出せば40%伸びるんじゃないかっていう。【ハリー】なるほど。【ヤマン】単純な考えです。【ハリー】はいはい。じゃあやっぱりデータを見ればもうそれでわかるじゃんということですね。【ヤマン】うんうんうん。【ハリー】はい。が、本当にそうかというのを答えを出すのがデータサイエンスですよ。【ヤマン】なるほど。そんな単純な話じゃないと。
【ハリー】単純な話じゃない可能性もある。単純な話の可能性もある。【ヤマン】そこを見極めるというかね。【ハリー】そこを見極める。これ結構やっぱりあるあるだと思うんですよ。なんかこれやったら良さそうだけれども、確証はないけど、そんな気がするみたいな状況。【ヤマン】あるねー。なんか時代の流れによって違いますもんね。必ずしもその去年と同じ条件じゃないですもんね。【ハリー】そう。【ヤマン】商売って。【ハリー】そう。条件が違うじゃないですか。
この違う条件下で本当に同じ結果になるのかっていうのにヒントを与えてくれるのがデータサイエンスっていう話ですよ。【ヤマン】なるほどね。【ハリー】だからね本当にこのデータサイエンス力がめきめき上がっていくと解決したい課題があって、それに一番影響を与えているやつは何だっていうのが見極めることができるので、頑張る方向性っていうのがもうそれで判断できるんですよね。
データ分析の必要性
逆に言えば無駄なことに頑張らなくて良くなるんですよ。【ヤマン】なるほどね。それいいな。【ハリー】ね、いいでしょう。そんなあなたにオススメなのがデータ分析ですよ。【ヤマン】データ分析ねー。【ハリー】直感でいくと変な方向性に頑張っちゃうことって今に限らずちっちゃい頃からあるじゃないですか。【ヤマン】あるある。
僕もやっぱ学生時代クールキャラに憧れてね。あの性に合わずに、おーみたいな感じで。【ハリー】髪の毛もロン毛だったしね。【ヤマン】ただの愛想悪いやつと思われて評価下がってましたからね。そういうね間違った方向に頑張って悲しむ人をなくすことができるというのがね。
【ハリー】なるほどね。あの時のハリーさんは分析力が足らなかったと。【ヤマン】分析力が足りなかったです。まあデータね本当に便利なんですけど使い方間違えると良くない結果を表してしまうこともあるんですけど有名な話がね疑似相関ってやつがあるんですよ。【ハリー】うん。【ヤマン】疑似相関って聞いたことあります?
【ハリー】いや聞いたことないんですけど、なんか想像はできますよね。【ヤマン】想像はできますか。【ハリー】嘘の相関関係に騙されるみたいな感じ。【ヤマン】あーそうそうそうそれです。結構本でもね一時期流行りましたよね。
疑似相関っていうのは本当は関係ないんだけどたまたま何らかの要因でデータの動きが似てしまって関係があるように見えてしまうっていうやつなんですよ。これがね最初に言った海賊が減ると地球温暖化が進む。
【ハリー】なるほど。【ヤマン】ですね。これ本当に何の関連もないんだけどたまたま海賊の数と地球温暖化の進み具合っていうのかなそれが告示していますと。いうのが出てきてしまってあれこれ関係あるんじゃないっていうふうに思ってしまう。
【ハリー】なるほど。【ヤマン】でも他に有名なやつだとアイスが売れると熱中症になる人の数が増えるとか。これも関係ないですよね。ただそれは夏にどっちも起こる現象じゃん。【ハリー】はいはいはいはい。【ヤマン】はい。別にアイスと熱中症は関係ないですよとか。あとちょっと変わったやつだと電気をつけて寝ると視力が悪くなるっていうのもありましたね。
【ハリー】あーはいはい。なんなり言うねーみんな。【ヤマン】あとは一人当たりのチーズ消費量が増えると就寝中にシーツが絡まったせいで死亡する人数が増える。【ハリー】なんでやねん。【ヤマン】この辺が疑似相関ですね。
【ハリー】えーこんなの言ったもん勝ちみたいな感じだよね。【ヤマン】いやそうそう。だってデータなくても作れるもんあって、お金持ちになりたいんですかと。それだったらなんとタワマンの最上階に住むと収入が増えるらしいですよと。タワマンの最上階に住んでる人みなさん年収数千万円ですよと。それは逆ですよと。収入が高い人がタワマンの最上階に住んでるんですよって話なんで。無限に作れますよ。
これ疑似相関ね結構有意識問題で、データの量が増えたり精度が上がったりしてもあんまり関係ないんですよね。もっといいデータがあればこういう疑似相関起きないかっていうと、ちゃんと取ってもやっぱアイスが売れると熱中症になる人の数は増えると思うんで。
この辺のね見極めも結構難しい。データをただ見ていても結構よくわからないし、間違えて使ってしまうこともある。だけれどもデータサイエンスというフィルターを通すことでこんな特徴がありますとか、こんな傾向があるとか、今まで気づかなかった特徴傾向に気づくこともできるし、間違いに気づきやすくなる。疑似相関見抜けるのかな?ちょっとここ調べてないけど。もしかしたら関係ないかも。
まあまあいいでしょう。でこのね意外な特徴みたいなのね。これも有名なやつだとおむつとビールが同時に売れるとかは有名じゃないですか。そういうのがね気づけるようになるかもしれないっていう話ですね。
実践的なデータの使い方
なるほどなるほど。でもその分析するのが難しくない? 分析するのねー難しいです。なんかデータ渡されてこれ分析しろって言われてもさ、なんとなくやった気分になって仮説立ててやるんだけど途中でわからんってなる。やっぱりわからんってなる。
なるでしょう。それはね分析を習ってないから仕方ないんですよ。学校で教えてもらってないですもん。ですよね。でもね学校でやってもいいぐらいだと思うんですよね。高校生ぐらいだったら。大学だったらねまあ学部によってはやると思うんですけど。
なんかこれからさらになんか大切になってきそうなスキルですよね。 うん、ですです。特にやっぱりAI関連もうデータサイエンスの塊なんで、これ知っといた方がいいと思うので僕も勉強しようかなと思っていろいろ調べていますが難しい。
なぜ難しいかというと覚えなきゃいけないことがいっぱいあるんですね。ちょっと数学っぽいこととか、あとはプログラムもこの辺使えなきゃなーっていうのはいっぱいあるんで、今それこそパイソンで分析とかねできるんですけど、データサイエンスやろうかと思ったらパイソンから始めなきゃいけないのか、なると一般の人には苦重いのかなとは思いますが。
でもこのアナリストってなんかかっこいいよね。うん、やりましょう。分析館ってね。なんかあのアマゾンプライムでそんな映画なかった?何だろう。分析館のドラマだったかな。日本の?いや、洋画ですね。洋画で?全然知らない。ちょっと待って何だったかな。ドラマ?映画?えっと海外のドラマで。海外のドラママジで知らんな。Xファイルぐらいしか知らないかも。ジャックライアンです。全然知らないね。
マジで?ジャックライアンノーチェックですか?これあのもし良ければハリさん見てください。アマゾンプライムどうなんかね。CIA分析館って書いてますね。そうそうCIA分析館が主人公の犯罪者の海外ドラマです。いいじゃないですか。うん、頭いいですよねこいつ分析館だから。
結構前?原作が古いのか。古いですね。これ面白かったですけどね結構。でも長いんでねちょっとね。そうなんですかチェックしてみます。分析館かっこいいと思いますし、最近だと結構高収入なんじゃないですかデータサイエンティストっていうのは。
重要ですよねその物販とかやっててもその広告のアナリストってやっぱり欲しいですもんね。専門家。そうですよ。データの力でこれどれぐらい今在庫を持っておけばいいのかとかもピタリと出してくれるわけですから。
だから前回さぁハリーさんが言ってくれたあの野球の映画マネーボール見ましたよ。見ましたか。見ましたあの分析館いいキャラしてたねちょっとぽっちゃりしててね。ちょっとオタクっぽい感じでモデルになった人はねいや俺はこんなんじゃねえって言って怒ってたらしいですけど。
あの分析館もすごいよね。あれすごい人ですからね。あれすごい人だったね。野球一つであそこまで分析できるんだっていうね。ねー野球今すごいですから本当に。ぜひね前回聞いてない人はどちらも聞いていただいて。
でまぁそういうふうにね実際じゃあどういうふうに使っていけばいいのかというところなんですけどまずやりたいのは本当に因果関係があるのかどうかというところですよ。でさっき言ったアイスクリーム屋さんの例で行くともう一回行きますと広告を出したら売り上げにどう影響するのか知りたい。
でデータとしてあるのが去年は広告を出したおととしは広告を出さなかった。で去年は売り上げがおととしと比べて40%上がっていた。じゃあ今年も広告を出せば売り上げが上がるのかどうかということなんですけど当然その小山さん上がるんじゃないかというふうにおっしゃってましたけど上がらない可能性も考えられますよね。
うんうん考えられる。
はい例えば何かありますか。
なんか同じ商品でクレーム出ちゃったりとかね。
そういうのか。
うん。
はいはいまあ何らか今年悪いことが起きる可能性もある。
もあるし競合店が隣に出てきたとかね時代の流れがアイスクリームじゃなくてクレープだとかね。
うんうんうん。
うんそんなんも関係してくるじゃないですかね。
そうですねありますし他にも例えばその去年とおととしを比較した時だけ見ても実は去年の方がめちゃめちゃ猛暑だったのでそのせいでアイスクリーム売れたんじゃないかとか。
あーそうね天候も関係あるか。
あるいはなんか全然関係ない去年はめっちゃなんかネットでこのアイスクリームがバズったので売れたかもしれないとかそういう広告じゃない要素で売れた可能性とかっていうのも考えられるんですよね。
うんうんうん。
でこれ大きく二つ理由があって一つはさっき言った他の要因が影響してた可能性があるっていうところでその広告以外のところで何かが起きたのでそれによって売上が変わってたんじゃないか。
でそれを考えると去年と今年で違う部分っていうのもまたあるのでじゃあその去年とおととし通りの結果にはならないんじゃないっていう可能性もある。
もう一つ成立しない可能性としては因果関係が逆だった説っていうのも考えられますと。
これさっきのタワマンの最上階の話と大体一緒なんですけどこれ実は広告を出したから売れたのではなく今年なんか売れてるなと思ったから広告出したかもしれないとかね。
そんな可能性もありますよねと。
などなどですね。
仮説検定の重要性
こんな感じで実は広告と売り上げの因果関係を立証するというのはめちゃくちゃ難しいんですよね。
難しいね。
でそんな時にそれがどれぐらい正しいのかあるいは正しくないのかというのを調べるのがデータサイエンス力ですね。
はいはいはいはい。
これね本当はね一個ぐらいなんかそのいろいろあるんですよ。
なんとか検定って呼ばれるあのT検定とか解二乗検定とか仮説検定とかいろいろあるんですけどこれを音声で伝えるのは非常に難しいと思いましてバッサリカットしました。
がちょっとエッセンスだけお伝えしますと考えやすいのは仮説検定っていうやつですね。
仮説検定っていうのは思いつくじゃないですかそれこそ広告を出したら売り上げ上がるんじゃないかなとかこんなことをしたらこんな風になるんじゃないかなっていう思いつきでもいいんですけどこれを仮説と呼びます。
その仮説が本当に正しいかどうかを知りたいという時に使うのが仮説検定ですね。
なるほどなるほど。
そんな検定があるの?
仮説検定って別に検定試験じゃないですよ英語検定とか漢字検定とか。
1級2級とかあるんじゃないの?
1級2級とかではないですね。
検定手法みたいなことですね。
で仮説検定によって仮説が間違っている可能性がどれぐらい低いか。
低いか。
間違っている可能性がどれぐらい低いかを示すことができるんですよ。
これ正しさの証明ではなくて間違っている可能性がどれだけ低いかっていうことなんですけど。
正しさの証明というのはめちゃくちゃ難しくて。
そのAとBを比べた時にそのアイスクリーム屋さんの例でもそうでしたけど違う場合があったら絶対に正しいとはもう言い切れなくなっちゃうじゃないですか。
全く同じ条件で比較しない限り絶対に正しいですみたいなのは言えないんで正しさの証明っていうのは難しいんだけれども。
あまりに違う部分があったとしてもその違う部分っていうのが確率的にかなり低いということがわかれば大体この仮説でうまくいきそうだよねっていうのがわかるっていうのが仮説検定です。
むず。
むずいでしょ。自分で言ってても。
途中でわからなくなった今。
あのまあいっかこの辺にしとくか。
わからなかった人はちょっと聞き直してほしいよね。
そうですよね。仮説検定でね調べてもらった方がわかりやすいかもしれないですね。
でまあこれを使うと例えばまあそのアイスクリーム屋さんもそうですし例えば何でもいいんだけどこういう教育を実践したらこれぐらい成績が上がるんじゃないかとか。
まあそういういろんなことがどれぐらい正しそうかっていうのが調べることができるんでちゃんと調べたかったらそういう手法がありますっていう紹介ですね。
間違ってる可能性を出して成功率上げるっていう方法要は。
まあそんな感じですね。
正しいっていう証拠をつかむより間違ってるっていう証拠をつかむ方が簡単だからそっちから消していくっていう方法なのかな。
えーと間違っているまあこれが正しいということを示したいんだったら間違っている可能性が限りなく低いっていうことがわかればほぼ正しいと言えるじゃないですか。
はいはいはい。
いやなんとなくようやくなんとなくわかりかけてる今。
だからなんかイメージとしてはこのベルカーブってあるじゃないですか山なりのグラフみたいなのがあってこの左右のこの5%ぐらいってちょっと外れ値みたいなところにあるんでこれは可能性だいぶ低いよねと。
この真ん中はぐんと上がってて大体ほぼここに収まるよねというのがわかってたらもうこの端っこの方っていうのは切ってしまってもいいじゃないかと。
もちろんそれによって間違う可能性はあるんだけどその可能性は結構低いですよねっていう風に積もれるみたいな形でこう尻尾を切っていくことで正しい。
成功率高めると。
そういうことですね。
なるほどなるほど。
でそれを頑張ってやっているのが現代のいろんな会社たちでありデータサイエンティストであると。
まあでもそのやり方ってミスる可能性かなり低くなるってことですよね要は。
データ集約の必要性
エイヤで直感でやるよりはかなり角度が高く。
ミスったとしても6割7割60.70点は狙えるような選択肢しか残ってないから極端に赤点は取りませんよっていうことですよね。
まあそう言っていいのかないいかもしれないです。
難しいな。
正しく言おうとするとねこういう濁した言い方になっちゃうんですけどなんかさこれよくないらしいですねやっぱYouTuberとかポッドキャスター的には断言した方ができますと言った方が。
間違ってもね訂正すればいいから。
じゃあできます。
まあそんな感じでねちょっとねこの辺ちゃんとやろうとすると難しいんですけど最近はその辺を代わりにやってくれるツールもあったりとか。
エクセルでもねある程度できるんで。
ある程度というかだいぶできますね。
いや難しいですねでもね。
それこそなんかねスプレッドシートで書いたのこのGoogleのデータスタジオって今言わないのかなんだっけルッカースタジオみたいなねグラフをバーっていろいろ並べてデータ見れるみたいなやつとかがあるんで。
そこからやってみたりするとだいぶ良くなるんじゃないかなと思いますね。
企業ラジオなんでね仕事の話で行くと仕事って基本的には課題を見つけてこれに困ってる人がいるなということに対してそれの解決策っていうのを考えて実際に実行するという流れだと思うんですよ抽象化すると。
でその課題を見つけるとか解決策を見つけるの部分でかなり役立つんじゃないかなと。
なるほどね。
多分皆さん大なり小なりデータ取ってるとは思うんですよ。
うん。
じゃあなんかサイトのアクセス解析今月分これです出されても先月より良かったかなとかそれぐらいしか正直わかんないじゃないですか。
難しいよねその本当に専門家がちゃんと分析しないとわからないことが多すぎて。
はい。
なんか言いますよねメディアクロスっていうかその例えば僕この前の打ち合わせしたハイチャさんの話ばっかりだし申し訳ないですけどその時もこういう話したんですけどチラシで来たLINEインしたお客様そしてインスタでLINEインしたお客さんでグーグルからLINEインしたお客さんとか口コミでLINEインしたお客さんとか全部数字取ってるんですよね。
はい。
だけどさ全部クロスしてるよねっていう話になったんですよじゃあチラシが効果低いかチラシやめるとグーグルから来る人も下がるしインスタから来る人も下がるみたいなね。
そのチラシ見た人が興味を持ってインスタを見てインスタから来たって答えてるかもしれないしそのよく言うじゃないですかそのテレビのコマーシャルで続きはwebでみたいなことでメディアをクロスさせるみたいな。
はい。
分析しなきゃいけない要素が多いんですよね。
あーはいはいはい。
例えばそのグーグルアナリティクスでグーグルをばっかり分析して今月なんかすごいpv高いねみたいな。
うん。
今月すごいコンバージョン高いねみたいな感じになってそのグーグルだけで考えてグーグルアナリティクス上だけで分析したとてそれが果たして正しいのかどうかっていうのはもっと全体で考えなきゃいけないと思うんですよ。
考えることが多すぎて。
はいはい。
何が言いたいかというとですね素人には無理ってことですね。
でもその課題データサイエンスが解決してくれます。
ね。
だからそういうね本当にちゃんと見てくれる人欲しいもん。
今言ったやつとかだと僕が調べた中ではランダム化比較試験などで解決できそうな気がしますね。
あーそうなんだ。
それ以上は説明しないですけど。
その説明があるのかなって今待ってたんですけど。
あるんですよランダムにお客さんを2つに分けて一方は何かをする人一方はこれまで通りの人っていうのを比べてどっちがどうだったかっていうのを調べるっていうざっくり言うとそういう話なんですけどいわゆるABテストみたいな感じですね。
はいはいはいはい。
そうなんですねだから集客する時とかもさ何かこれだけ1個やっとけば必ず集客できるっていう時代じゃなくなってきてるような気がしてて。
うん。
なんか全体的にちょっとずつ全部やるみたいな。
はいはいはい。
が一番効果高いんじゃねっていうのが今のところの僕の見解ですね。
あーでもそれまだ仮説ですからね。
仮説です仮説です。
まあわかりやすくさっきのアイスクリーム屋さんで行くとお客さんもっと呼びたいってなった時にじゃあインスタで広告打ってみようかなってやる。
まあ例えば月に10万かけてやるっていうのもありなんですけどインスタもやってチラシもやってグーグル広告もやるみたいな。
うん。
ことの方が効果でんじゃねえかなっていうふうに思いますね。
うーんなるほど。
だからそのデータサイエンス的にそれどっちがいいのかっていうのがね。
いやそれが正しいかどうかっていうのをねこの後調べてもらって。
素人にはできないっていう。
本当にちゃんとやろうとするとねそのデータサイエンスの知見もいるしデータを集めるのにもしかしたら結構コストがかかる可能性もある。
でなかなか難しいんですけど。
でもこれ例えば仕事だったら売り上げを伸ばしたいみたいな課題があった時にそれを分解してどのデータがあればそれを解決できそうかというのから考えて必要なデータを集めてもらうとまず始めやすいんじゃないかなと思うんですよ。
なんとなくアクセス解析見てますとか売り上げの月別のデータとか見てますとかって言ってもそれだけだとなかなかわからないんで。
データサイエンスの必要性
そうそうそうただ見て終わりっていうね見て自分の感想をなんとなく自分で落とし込んで納得して終わるっていうね。
それって個人の感想ですよねっていう。
そうそうそうそうそれで終わりがちなんで。
それをどう生かせるのかっていうのはこのデータサイエンススキルが物を言いそうですね。
だからあんまりね遠いものだと思わないでほしいなというのは今回勉強してちょっと思ったことなんですよね。
今あるデータだけでもそれなりに分析かけたら使えるものにはなるんじゃないかなと思いますんで。
基本としてはさっきも言いましたけどその解決したい課題から逆算してどのデータがあればそれに正しい施策を打てるのかっていうのを考えてこのデータ集められるかどうか。
集められるんだったら集めましょうっていう話だし。
それをちょっと考えてもらうと始めの一歩としてはいいんじゃないかなと。
なるほどね。
思いました。
いやいいですよね。
僕もそれはねあのやらなきゃいけないとは思ってるんですよ。
はい。
だけど何からやっていいか分からない。
そうですねだから何をしたいかからまずは考えてもらうといいと思いますね。
もうデータの時代ですから。
そうなんよね。
やれビッグデータだなんだ言ってますからね。
言ってますしね。
何ですかビッグデータって。
いやでも成長してる企業全部そこ使いこなしてるからね。
amazon とかは分かりやすくすごいですよね。
すごい。
本当にすごい。
結構前なんですけど予測発想っていうのを多分今もやってると思うんですけど。
例えば僕がAmazonで家電のあのなんか分かんないですけどじゃあ洗濯機とかをよく見てるなというのを見たら過去のデータからこいつ多分この洗濯機そろそろ買うぞってなったら先に大阪送っとけと。
僕大阪なんでっていうね予測発想買う前に送ってしまえっていうアホなっていう。
いやでもねあの僕Amazonやってるじゃないですか。
はい。
で在庫補充するじゃないですか。
在庫補充する時に結構な量送るんですよね。
そのアパレル商材をもう1000点とか1200点とかそのぐらい送るんですけど。
色んなカラーバリエーションがあってよく売れるこの色この色はここの倉庫にこんだけ置いて残りはここの倉庫にこんだけ置くっていうの全部その過去のその売れ具合から全部こう配送先をばらけさすんよね。
Amazonがやってくれてるんですか。
Amazonがやってくれるんですよ。
へー。
同じ商品でもこの色はよく売れてるからこっちの埼玉の倉庫に送りますと。
でこっちは大阪のフジーデーランの倉庫に送りますと。
過去のその売れ筋からばらけさすんよね。
はいはいはい。
よくできてるなーと思いながら。
だからその注文してから1日2日で届くみたいなね。
そうですよね。
ことが実現してると思う。
そのAmazonの今買えば今日の8時までに届きますみたいな。
そうそうそうそう。
それもね。
あれもねやっぱ売れ筋はそのいろんな倉庫に散らばさせてるんだよねあれ。
そうそうそうそう。
あれもデータサイエンスがもたらす効果かなと思いますよ。
そうですよ。
ほんとAmazonはねもうデータにはお宝が眠ってるみたいなこと言ってた気がしますよ。
でもねそうなんか結構やっぱデータデータみたいなこと言うといやそんなことよりちゃんとお客さんと向き合ってみたいな。
みたいな派もいるじゃないですか。
もちろんねそれを否定するわけではなく、
むしろそのデータっていうのはいろんなお客さんのありとあらゆる行動の集積の結果だと思うんで、
どんな人がどんな行動をしたのかっていうのを知るためのツールとして使うと、
より解像度高くその人の行動とかっていうのがわかるんじゃないかなと思うんですよね。
すごいどれぐらい悩んで買ったのかとか、あるいはパッと来てもう目的のものだけパッと買ってすぐ買いに行きたい人なのかとか、
その辺をね知るための手段として活用することで一人のお客さんの姿というのがリアルにイメージできるようになるんじゃないかなというツールとしてデータをね使っていただきたいというところですね。
まあこれまでねえいやという感じで決めてた方もねぜひデータの力というのをね少し試してみてはいかがでしょうかという話でした。
Amazonの活用事例
いい話だ。
ということで今回の感想をメールまたはアップルポッドキャストのレビューやボイシーのコメントでお待ちしております。
二人でコメント欄を全て読んでいますので今後の番組をより良くするためにあなたの感想をお待ちしています。
それでは今週も聞いていただいてありがとうございました。また来週お会いしましょう。
さよなら。
