昔、ある中国人の経営コンサルタントとアジアと欧米の商習慣の違いについて会話していた際、彼らの口からこんな意見を聞いたことがあります。 中国人は誰かとビジネスをするときに、初めから相手を１００％信頼することはない。時間をかけながら相手の人となりを知り、徐々に信頼関係を構築していく。だからこそ、会話のために中国語を学ぶこともそうだが、夜の宴席等、共にいる時間の長さはとても重要である。一方、我々からすると欧米の人は、ビジネスの時に契約でお互いを縛ることで、最初から相手を１００％信頼しているようにみえる。しかし、もし期待通りの結果が出なかった時、徐々にその信頼度が下がっていく。その意味で、出発地点となる信頼度が１８０度違う。要は、相手から「私は○○ができます。一緒に仕事をしましょう」と言われた時に、「本当にこの人物は信頼に足る人物だろうか？誰か共通の知人はいないか？もう少し話をしてみないことにはわ
コンテンツマーケティングの評価や分析を行う際、ある程度まとまったコンテンツ分類がなされていると全体像や傾向を把握しやすくなります。ここでは、グーグルが以前に発表した「Hero / Hub / Help」というコンテンツ戦略の分類に対して、ふさわしい評価指標を定めていく手法を紹介します。 「Hero / Hub / Help」とは何か 2014年にグーグルが発表した「Hero / Hub / Help」という考え方があります。「3H戦略」「HHH戦略」などと称されたりもしますが、企業がコンテンツマーケティングを推し進める際に「Hero / Hub / Help」のそれぞれの軸で顧客にアプローチするというものです。 Build your @YouTube programming strategy around Hero, Hub, and Help content: https://t.co/
こんにちは。Ubieでアナリティクスエンジニア/データアナリストをやっているむらなかです。 2024年5月に入社し、2ヶ月半の育休を挟んで10月に復帰しました。 医療ドメインは想像以上に奥深く、プロダクトの幅広さやデータの複雑性も相まって、毎日が新たな学びと挑戦の連続です。入社して間もない私にとって、新しい概念や膨大な情報を整理する作業は、大きな認知負荷となりがちでした。 Ubieでは全社的に生成AIの活用に力を入れており、BIチームでも互いの生成AI活用事例を共有しながら生産性向上を図っています。生成AIをうまく使うことで、前述の認知負荷も軽減できそうだと感じていて、実際、プロンプトの工夫次第でSQLやデータモデルの理解、分析要件整理など、日常的な業務をスムーズに進められるようになりました。 私のチームではスクラムを採用し、story pointを振ってベロシティを計測しているのですが、
本記事では、Google Maps API から取得したラーメン店のクチコミデータに対する定量分析手法をご紹介します。 従来の BigQuery による感情分析の有用性を踏まえつつ、Gemini 1.5 Pro の導入によって可能となった、より柔軟なデータの構造化や特定タスクの実行方法を解説します。 分析の背景と目的 可視化イメージ 分析の流れとアーキテクチャ クチコミデータ取得と BigQuery への保存 API キーの取得 データ取得のサンプルコード クチコミ数の制限と緩和策 料金 感情分析とデータパイプライン Dataform の利点 Dataform を使った感情分析のパイプライン定義例 感情分析の結果解釈 ML.GENERATE_TEXT（Gemini 1.5 Pro） 関数を使用した高度な分析 ユースケースに応じた独自の評価観点によるクチコミの定量化 クチコミに対する自動返信
どの媒体の純広告が認知獲得に貢献しているの？ DSPによるリマーケティングは購買に寄与しているの？など、 各種広告の正しい貢献度を簡単に評価。刈り取り以外の広告強化が可能に！ アトリビューション分析について詳しく コンバージョンに効くのはアフィリエイト、 そう思ってました。間接効果を測定するまでは ・申し込み獲得に効いた広告を間接効果を含めて分析 ・複数代理店のパフォーマンス評価 ・基幹システムの顧客データとひもづけて分析 どの施策からどれくらいの費用対効果でどんな成果が出たのか、容易に把握できるように ・キャンペーンの改善を1か月→1週間単位へ ・さまざまな流入経路別の成果を数分で把握 ・流入経路別のニーズがわかり、成果につながる施策へ
AI 主導の分析情報を活用してサイトとアプリのユーザー エクスペリエンスを理解し、自信を持って行動しましょう。
株式会社プラスアルファ・コンサルティング（本社：東京都港区、代表取締役社長：三室克哉、証券コード：4071）は、 顧客の声をはじめとする定性データ活用支援において、11年連続国内シェアNo.1(※)のSaaS型テキストマイニングツール「見える化エンジン」に音声認識・チャットボットの会話データ活用を支援する新機能を搭載しました。 ※富士キメラ総研「ソフトウェアビジネス新市場2022年版」より ■提供背景 「見える化エンジン」は、多様な生活者ニーズ・インサイト把握を行えるマーケティング支援ツールとして、累積1,600社以上に導入され、企業のデータ活用を支援しております。デジタル化の流れの中で、企業に寄せられるお問合せ、メール、チャット等のVOCデータを有効活用したいと考える企業は引き続き増加しており、更なる顧客の声活用のご支援に向け、新機能を搭載しました。 下記JUASの調査では、企業が分析に
hightouchの特徴 Reverse ETL データウェアハウスへとデータを同期させる通常の ETL とは逆方向の処理を行います。 データウェアハウスで分析をした結果を、再びビジネスツールに同期します。
すべて 受付中 受付終了 視聴可能 視聴終了 すべて 動画 配信セミナー オンラインカンファレンス
はじめに 本記事はソフトウェアテスト Advent Calendar 2023やソフトウェアテストの小ネタ Advent Calendar 2023にエントリーできなかった、アドベントカレンダーとは関係ない通常投稿です*1。 岸田首相の方針表明を要求定義、今回公表された「こども未来戦略」案を設計とすると、色々なレビュー指摘事項やテスト設計が想像できて面白そう。 https://t.co/63fLBtumb7— broccoli (@nihonbuson) 2023年12月12日 ということで、実際に考えてみることにしました。 なお、本記事は政策の批評を目的としておらず、あくまでもレビューやテスト設計の題材として利用しているだけです*2。 目次 はじめに 目次 政府方針 要求の抽出 要件定義 要件定義レビュー 要件が曖昧になっていないか 「子どもの大学授業料などを無償化する」の「など」には何
BI Product チームの野本です。 メルカリでは Google BigQuery 監査ログと Google Workspace ログイベントを BigQuery にエクスポートして、データ分析環境の管理に活用しています。アクセス履歴を詳細に調べられる BigQuery 監査ログは、分析環境のコスト最適化やテーブルの変更時の影響範囲調査などの管理業務にとても便利です。 BigQuery の利用が増えてくると、過剰に高頻度なクエリジョブや、使われずに放置されたテーブルなどにかかる無駄なコストも増大していきます。これらの使われていないジョブやテーブルを抽出し削減することで、BigQuery の計算やデータの保管にかかるコストを削減することができます。 メルカリでは、BigQuery 監査ログ、Google Workspace ログイベントを活用して、分析環境の管理業務に役立てていますので、
メルカリ Analytics Infra チームの na0 です。この記事では、メルカリにおける BigQuery クエリの改善によるスロット需給バランスの改善について紹介します。 2023-03-30 には、新料金体系 BigQuery Editions も発表されています。こちらには、読み取りデータ量課金（オンデマンド モデル）の値上げも含まれており、スロット量課金（BigQuery Editions）との損益分岐点の変化から、クエリのパフォーマンスについて意識する組織は増えていくことでしょう。 今回紹介するクエリの改善は、データ利用者が意識することで、メリットとなる施策です。この記事をきっかけに、BigQuery 利用者がパフォーマンスを意識してクエリを書くことや、必要に応じて詳しい人に相談できるようになることを期待しています。 「クエリが遅い！」問題メルカリ社内の BigQuery
データセット手にしたら、数理モデルを作ったりする前に、通常はEDA（探索的データ分析）を実施します。 端的に言うと、データと仲良くなるための会話です。 ざっくり次のような流れになります。 データコンディションチェック（欠測値や基本統計量など） 単変量の分析（各変数の分布など） 多変量の分析（変数間の関係性など） 正直、EDA（探索的データ分析）はほぼ半分は似たような分析を実施します。 そこで、EDA（探索的データ分析）の中で似たような分析は自動化しようということで幾つかのライブラリーがあります。 今回は、「データセット手にしたら、Pythonでサクッと半自動EDA（探索的データ分析）をしよう」というお話しをします。 Rに関しては「Rでシンプル半自動EDA（探索的データ分析）」で紹介しています。 半自動EDAライブラリー 色々な半自動EDAライブラリーがあります。 今回紹介するのは、以下の3
本ページはSQLを覚えることを目的にしたページではなく、SQLを使ってGA4のBigQueryからよく使いそうなSQLをまとめたものになります。対象は今までSQLを使ってデータをだした事が無い方、昔一度試して挫折あるいはどうすればよいか分からなくなってしまった方が対象です。そのため「とりあえず使ってみる」事を意識しております。必要な限りコメントを入れて、わかりやすさ優先の記述となっています。そのため必ずしも効率的書き方では無いことをご了承下さい。また本SQLの内容等に関してはサポート対象外となりますので、自己責任でご利用ください。 作成ご協力：@macchaice・@kirin0890・他皆様（感謝！） 利用前の確認事項 自分のデータセットを指定する 例えば以下のようにデータが格納されている場合 fromの部分は以下の通りとなります。保存データごとに変わるので、必ず自社のプロジェクトIDに
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
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
