データ解析をするには統計学やAI（機械学習・ディープラーニング）の専門知識が必要となります。
専門家の指導の下、取り組むことで効果的な打ち手を見つけることができます。
CASE１：Webアクセスから収益拡大につながった事例
会員データを基にターゲティング
Webアクセスログの解析によって顧客のニーズや行動パターンを深く理解し、それに添った形の情報提供や顧客層のターゲティングを行うことで、収益拡大に寄与した事例を紹介します。
◆ ある衛生用品メーカーでは、顧客のWebアクセスデータを解析し、子供の月齢や育児中の子供の出生順位、地域の平均所得、母親の年齢によって、購入されやすいおむつに違いがあることが判明しました。おむつの種類ごとにターゲット顧客の明確を図り、子供の月齢や育児中の子供の出生順位、母親の年齢ごとに異なるメッセージの発信とプロモーション、Webページへの誘導を行うことで、ターゲット層へのリーチを大幅に向上させ、製品の売上を大きく伸ばしました。
◆ ある調味料メーカーでは、会員顧客がWeb上に掲載した動画視聴データを解析し、顧客ごとに好みに応じた他の動画のリコメンド（推薦）を行いました。視聴履歴、視聴時間、視聴パターンなどを基に、ユーザーが興味を持ちそうなコンテンツを的確にターゲティングして提示することで、顧客の複数の動画視聴率や満足度を向上させ、オンライン販売の売上高を8%以上増加させることができました。
CASE２：アンケートから改善につながった事例
アンケートから顧客の潜在的志向を探る（定量回答）
アンケートは通常、項目ごとの集計、２項目の関連性で結果をまとめられます。
しかし、弊社の解析ではすべての項目の関連性の強さを評価することができます。日用品メーカーのアンケートでは、ターゲット（専業主婦、学生、ビジネスパーソン）の特定と各ターゲットの嗜好性まで評価できました。
例えば、専業主婦は肌の質の良さと価格の安さの２つを重視することが明確になり、新製品の開発に活用できました。
アンケートから顧客の潜在的志向を探る（記述回答）
Web上で実施したアンケートの記述コメントから、中学生や高校生、社会人などのグループごとに記述した内容を要約して抽出することができます。同様に関東と関西のアンケートコメントを比較して、地域ごとの好みや嗜好の違いを把握するなど、いろんな切り口で顧客の考えの違いを知ることができます。これにより、製品開発においてそれぞれのターゲット層に合った商品やサービスを提供することができました。
従業員エンゲージメントの改善事例
ある飲食チェーン店ではアルバイトの離職率が年間35%を超えていました。そこで、社内で実施したeNPS調査から、従業員が長く働きたいと感じる会社になるための条件について解析し、項目間の関連性の数値をもとに関連図を描きました。
原因となった項目に対し、数年かけて打ち手を施したところ、離職率が約10%低下することができました。
従業員アンケートの質問項目間の関連
主要評価項目「友人に勧めることができる」と因果関係をもつ質問項目を評価し、図示しました。
関係する項目の打ち手を検討することで従業員のモチベーションが向上します
【豆知識】主要評価項目を0~10点、それ以外の項目をYes,Noではなく、1~5 点でスコア化すれば、キャリアアップの機会のスコアが0. 7 上げることで、主要評価項目を0.3％あげることができるように打ち手に対する期待効果を数値化して出すことができます。
CASE３：企業データを活用した改善事例
ベテランのノウハウを数式で可視化し、若手に引き継ぐ
データ解析は、人間の勘と経験といったノウハウを見える形で残すことを可能にします。
ある自動車メーカーでは、長年にわたって人間の勘と経験に基づいて行われてきた冷房機の操作切替作業について、人間の操作を98%の精度で再現できる数式を構築しました。
この数式を活用することで、入社2年目の若手社員でも、30年の経験を持つベテランとほぼ同じタイミングで操作できるようになり、ノウハウを失うことなくスムーズに世代交代することができました。
1次選考のタスク軽減
新人採用活動において、過去の入社後の成果（ハイパフォーマー、ローパフォーマー）と入社時SPIスコア（得点と性格）や属性（性別、学科）等を組みあわせて解析することで、面接希望者ごとにハイパフォーマーとなりそうな度合いを数字で出すことができます。自動車メーカーでは、人事部の1次選考タスクを30%軽減しただけでなく、採用の失敗の軽減につながっています。
得られた結果を3年前の新入社員に当てはめ、２年間観察したところ、86%の確率でパフォーマンスを正しく予測することができました。採用時の重要指標として使われています。
売上高や適正在庫の予測精度を向上
売上高や適正在庫の予測では、多くの会社が前年比の上昇率や予算達成率だけで予測されています。しかし、比率だけでは予測精度がそれほど高くなりません。過去のデータからピーク、ボトム、そして2次ピークを正確に捉えることが、生産計画の精度向上につながります。ピークやボトムの時期や量を的確に把握することで、需要の変動に柔軟に対応し、適切な生産計画を立てることを可能にします。下記は大手うどんメーカーの事例です。
