![IT & ワークフォース ソリューション | Dell Technologies Japan](https://cdn-ak-scissors.b.st-hatena.com/image/square/050d3364eb2ae06bdb81a6af775ba31c726c1850/height=288;version=1;width=512/https%3A%2F%2Fi.dell.com%2Fsites%2Fimagecontent%2Fapp-merchandizing%2Fresponsive%2FShop%2FBrowse%2FPublishingImages%2Fdell-social-logo.jpg)
About UsMenu Toggle Our Story Our Team Our Community For Media Our WorkMenu Toggle Our Approach DataDive Events Landscaping the Future Resources Our DomainsMenu Toggle Frontline Health Humanitarian Data Insights Climate & Environment Economic OpportunityMenu Toggle Student Success Join UsMenu Toggle Events Volunteer Partner Support UsMenu Toggle Fund our Work
前回「POSデータによる店舗分析で『自分の店がどんな店か』を知る」では、POSデータの3つの基本分析の中でも基本中の基本となる「店舗分析」について解説した。今回は残る2つ、「商品分析」と「顧客分析」について解説を進めていく。 商品分析の基本 商品分析は、単品ごとの分析やトランザクションともいわれる販売単位(レシート)ごとに分析する考え方である。店舗分析で店舗のビジネスの大きな傾向をつかんだ後で、品ぞろえなどの具体的な施策を実行に移す際に不可欠な分析である。ACE分析などで「この商品は死に筋のような気がするがどうだろうか?」と想定したら、商品分析をすることで判断できる。 商品分析は、商品単体ごとの売り上げを見ていくように思えるが、それだけで見てはいけない。重要なのは、「売り上げ全体やほかの商品と関連してどうなっているのか」という視点を常に持ちながら分析することである。例えば、ある商品の売り上
モデライズは、公的研究機関・弊社での長年の「人工知能技術」の研究開発・実用化の様々な分野における豊富な成果・実績を基に、ビッグデータ時代を迎え量や質が変貌する各種データを効果的に利活用し、利益や利便性等の観点から現場での従来技術や手作業による運用より効果の高い、スマートな先進的サービス/ソリューションをマーケティングやヘルスケア等の様々な既存・新興分野で提供します。 「人工知能の現状・課題とAI実用化事例」 情報機構のセミナーで講演しました。 2017.08.21 「人工知能の実践的活用法」 技術情報協会セミナーで講演しました。 2017.06.16 「AIのプロに聞く! ~ AI実用化のために ~」の講演をGlobis EMPコース受講者と関連メンバに行いました。 2016.12.07 ガリバーインターナショナル様(7/15に株式会社IDOMに社名変更)主催の「ビジネスでのAI活用」 の
20128月3 Python:決定木の作成 Pythonを用いたデータマイニング事例として決定木の作成をまとめる。 これまでの事例は、ある変数とある変数の一対関係が中心だった。それに対し本手法は、ある目的変数に対し複数の説明変数がどのように組み合わさった関係があるのかを探索するための手法である。 決定木の強み•弱みは以下のページが参考になる。 http://scikit-learn.org/stable/modules/tree.html 上記ページはpythonのデータマイニングライブラリのscikit-learnのもので、 機能の多様さでいえばこれが一番良さそうに感じる。 ただし、結果の可視化方法まで含めた調査がスムースにいかなかったため、 機能の数はやや劣るが内容は十分にあるOrangeライブラリを用いた例を紹介したい。 scikit-learnは精度勝負の時には自由度と種類があ
画面1●電通Drafficで熱海への旅行者の導線を分析したところ 混雑統計データ:(C)2012 ZENRIN DataCom 地図データ:(C)2012 ZENRIN Z12LE第367号 電通は2012年10月中旬から、ゼンリンデータコム、シンクエージェントと共同で、統計的に処理した位置情報データベースを活用したマーケティング支援サービス「Draffic(ドラフィック)」の提供を始める。現実の人の導線を集計したデータを提供し、観光地や商業施設の集客策や周遊促進などの施策を検討するための基礎資料として使えるようにする。価格は個別見積もりだが、基礎的な分析の場合は数十万円から請け負う。 「既存のマス広告だけでは集客が難しい時代になっている。人の導線に関する“ビッグデータ”をうまく活用して新たな集客経路を作り、それを検証する手段が必要だ」と電通コミュニケーション・デザイン・センター次世代コミ
Summary. Reprint: R1112E Shoppers once relied on familiar salespeople to help them find exactly what they wanted—and sometimes to suggest additional items they hadn’t even thought of. But today’s distracted consumers, bombarded with information and options, often struggle to find products or services that meet their needs. Advances in information technology, data gathering, and analytics are makin
Machine Learning that Matters Kiri L. Wagstaff kiri.l.wagstaff@jpl.nasa.gov Jet Propulsion Laboratory, California Institute of Technology, 4800 Oak Grove Drive, Pasadena, CA 91109 USA Abstract Much of current machine learning (ML) re- search has lost its connection to problems of import to the larger world of science and so- ciety. From this perspective, there exist glar- ing limitations in the da
2018年05月07日00:30 2018/05/02,Alphabet,2017 Founders’ Letter,WIRED, カテゴリ参考情報人工知能 Alphabet社の2017年度 Founders’ Letter(創業者からの手紙)です。 https://abc.xyz/investor/founders-letters/2017/index.html# WIREDが以下の記事で取り上げています。 グーグル共同創業者のセルゲイ・ブリンが考える、人工知能の「ダークサイド」 https://wired.jp/2018/05/02/sergey-brin-warns-ais-dark-side/ 「創業者の手紙」はディケンズの「二都物語」の引用から始まります。 ”It was the best of times, it was the worst of times, it was t
手順距離関数Dist()で類似度を求め、hclust()でクラスタリングし、heatmap()のColv,Rowvオプションにdendrogram()を指定して出力する。プログラム例 library(amap) # Heatmapグラフ作成 # # ファイルの読み込み data <- read.table("test.txt", header=TRUE, row.names=1, sep="\t") # # PDFに出力する pdf() # # 距離関数で類似度のアルゴリズムとしてCosine係数を使用する # (method="pearson")は(1 - cosine)と同義である d1<-Dist(data, method="pearson") d2<-Dist(t(data), method="pearson") # # クラスタリングでAverage Linkageを使用する c
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く