業務プロセス改革とデータマイニング－2010年度LBIビジネス講演会

Linux Business Initiative
2010 年度ビジネス講演会
2010/05/07

業務プロセス改革とデータマイニング

濱田晃一
INCS INC.
NEWS NIHONBASHI HORIDOMECHO 3F
1-9-11 Nihonbashi Horidome-Cho Chuo-Ku, Tokyo, JAPAN.
Tel : +81-3-5651-0019 Fax: +81-3-5651-0120
www.incs.co.jp INC. ALL RIGHTS RESERVED.
COPYRIGHT 2010 BY INCS

AGENDA
◆講師紹介
◆数理解析手法の実ビジネスへの適用
◆インクス会社紹介
◆プロセス改革ソリューション
◆プロセス改革フレームワーク
◆業務実績の統計解析・データマイニング
◆データマイニング＋ＷＥＢ
◆最後に
COPYRIGHT 2010 BY INCS INC. ALL RIGHTS RESERVED. 2

AGENDA
◆講師紹介
◆最後に

濱田晃一
hamadakoichi


自己紹介：hamadakoichi 濱田晃一



理論物理博士
量子統計場の理論
Statistical Field Theory Spontaneously
Time-Reversal Symmetry Breaking

Anisotropic Massless Dirac Fermions

博士論文(2004/03)： http://hosi.phys.s.u-tokyo.ac.jp/~koichi/PhD-thesis.pdf


毎週末３時間ダンスコーチをしています

■HIP HOP/House ダンス歴１３年ダンス開始後 1年半でL.A.でプロダンサーに褒められる
■東京と京都でダンス部を創設創設者、部長兼コーチ
東京大学京都大学
駒場物理ダンス部基礎物理学研究所ダンス部
部長兼コーチ部長兼コーチ

Youtube Channel： http://www.youtube.com/hamadakoichi


データマイニング+WEB勉強会＠東京を主催しています
(#TokyoWebmining)

Google Group： http://groups.google.com/group/webmining-tokyo

AGENDA
◆講師紹介
◆最後に

思い


濱田の思い

数理解析手法を用い
実世界の活動の課題を解決したい


行動


数理解析手法の実ビジネスへの適用

2004年博士号取得後



プロセス改革コンサルティングのベンチャー企業へ



プロセス改革コンサルティングのベンチャー企業へ

※写真：会社紹介パンフレットより引用

プロセス改革ベンチャー企業
・ベンチャー・オブ・ザ・イヤー2002受賞
・小泉首相工場見学
・第１回ものづくり日本受賞-経済産業大臣賞受賞
COPYRIGHT 2010 BY INCS INC. ALL RIGHTS RESERVED.
INCS INC. : http://www.incs.co.jp 15


数理解析手法を実ビジネス適用する
方法論・システムを作り上げてきました

※画像：HPより引用 INCS INC.: http://www.incs.co.jp

開発・構築
・業務の数理モデル化・解析手法
・業務プロセス分析手法／再構築手法
・業務プロセス制御システム・解析システム
…など
INCS INC. : http://www.incs.co.jp 16

AGENDA
◆講師紹介
◆最後に

会社概要

名称株式会社インクス
設立 1990年7月27日
資本金 1,000万円
代表者古河建規
従業員 1,157名（連結）
(株)インクス 369名
◇関連会社
(株)インクスエンジニアリング 730名
(株)IPM 57名
INCS INC.USA 1名
所在地東京都中央区日本橋
使命
既存の量産開発工程の情報工業化
⇒ 日本発の情報工業産業の創出

※）2009年12月現在


事業内容

新しい方法論・仕組みを自社で実践し
プロセス改革ソリューションを提供

設計試作金型

プロセスソリューション、コンサルティング


事業内容

設計ソリューション

設計試作金型
・CADエンジニア派遣
・製品設計者派遣
・受託設計、解析

要素技術要素技術要素技術



事業内容

試作ソリューション

設計試作金型
・CADエンジニア派遣・光造形品製作
・製品設計者派遣・粉末造形品製作
・受託設計、解析・造形機販売




事業内容

金型製造ソリューション

設計試作金型
・CADエンジニア派遣・光造形品製作・試作金型製作
・製品設計者派遣・粉末造形品製作・量産金型製作
・受託設計、解析・造形機販売・ホットランナー販売




事業内容

新しい方法論・仕組みを自社で実践
プロセス改革ソリューションを提供

設計試作金型
・CADエンジニア派遣・光造形品製作・試作金型製作
・製品設計者派遣・粉末造形品製作・量産金型製作
・受託設計、解析・造形機販売・ホットランナー販売



業務分析、業務改革製品設計業務改革金型設計業務改革金型製造内製化


AGENDA
◆講師紹介
◆最後に

プロセス改革ソリューション

幅広い業界のお客様の課題解決の
実績があります

日本が世界に誇る製造業で培った方法論と実績を元に、他の産業界の生産性向上に貢献する。



幅広い経営課題を解決してきました

工数削減

企画開発力強化
コスト削減 Process Technology
組織改革
期間短縮
アウトソーシング内製化

機械化・自動化

フロントローディング適正スキル人材強化

品質改革技術伝承
不具合削減サービスレベル向上育成期間短縮



効果実証・洗練されてきたプロセス改革手法で
お客様の業務プロセスを革新する

プロセス改革手法




自社工場

設計 CAM 段取り加工

適用
プロセス改革手法

実証
手法洗練




自社工場お客様
改革前
製品設計
設計 CAM 段取り加工生産技術
金型設計
金型製造
適用
プロセス改革手法量産準備

実証
手法洗練




自社工場お客様
改革前
製品設計
設計 CAM 段取り加工生産技術
金型設計
金型製造
適用
プロセス改革手法量産準備

改革後
実証製品設計

手法洗練生産技術

金型設計
Value
金型製造
大幅な開発期間短縮
量産準備
製品開発効率アップ




サーベイ＆アセスメント




新業務構築
プロダクト

プロセスリソース




新業務構築
プロダクト

システム構築


AGENDA
◆講師紹介
◆最後に

プロセス改革フレームワーク


新業務構築
プロダクト

IT化




新業務構築
プロダクト

IT化


サーベイ＆アセスメント：現状工程分析

人の“判断”の単位まで業務を詳細分析
暗黙の課題・あるべき姿を導き出す

“判断”単位の詳細分析・再構築が
修正する劇的な改革効果を実現する




“判断”単位の詳細分析・再構築が
修正する劇的な改革効果を実現する

お客様がインクスが
定義したプロセス再定義したプロセス

60工程 300工程

⇒劇的な再構築を可能にする



“判断”の構造を解明し再構成。非熟練者でも業務実行できるようにする
本当に熟練者しか“判断”できないプロセスは全業務の10%程度（※）

判断 10％

選択的
50％
判断と作業作業
混在

作業 40％

熟練者

※弊社事例平均



新業務構築
プロダクト

IT化


新業務構築：プロセス再構築

目的に合わせ業務再構築
お客様に最適なプロセスを実現

判断工程
現状作業工程

判断と作業に
工程を分解

分析後
目的に合わせた
スキル業務再構築
高
再構築後
中

低


新業務構築：プロセス再構築

目的に合わせ業務再構築
お客様に最適なプロセスを実現

“判断”を削減し非熟練者でも業務実行できるようにする

ナレッジ構築

独自の標準化手法を用いて
再構築後詳細手順・判断基準を解明
スキル
高
中

低熟練同等の時間・品質で
ナレッジを業務実行可能なナレッジを準備します。
プロセスに紐付け


新業務構築：リソース再構築

最適プロセスにあわせた
組織・人材改革を実施

再構築したプロセス、組織に合わせて、
再構築プロセススキル必要な人材を育成。
高
オフショア化
中
アウトソース化・カリキュラム策定
低自動化・効率化ツール構築 …

ス人員再構築したプロセスをもとに
キ目的に合わせ組織を最適化
ル
項可視化、最適化されたプロセスが
目スキルアップあらゆる経営課題解決の基盤となる
教育




新業務構築
プロダクト

IT化


IT化：システム構築

新プロセスを確実・効率的に実行する
ITシステムを構築

ITシステムはお客様に最も適したシステムを選定します。
設計・製造業務では、弊社パッケージソフトも準備しております

PLAN 1 PLAN 2
御社既存システムカスタマイズシステム

PLAN 3 PLAN 4
弊社システム他社システム

開発設計NAVI® SETOOL

KATANAVI® 型連動




新業務構築
プロダクト

IT化


課題解決実績

幅広い経営課題を解決の実績があります

工数削減


期間短縮


課題解決実績


工数削減


期間短縮

フロントローディング

品質改革
不具合削減サービスレベル向上


課題解決実績


工数削減

組織改革
期間短縮


フロントローディング

品質改革
不具合削減サービスレベル向上


課題解決実績


工数削減

組織改革
期間短縮





業界実績

幅広い業界のお客様の課題解決を
行ってきました


AGENDA
◆講師紹介
◆最後に

背景

企業のシステム導入が行われ
活動実績情報が蓄積されてきている

ERPや生産管理ソフトで実績データを蓄積する企業が増加


背景

企業のシステム導入が行われ
活動実績情報が蓄積されてきている

ERPや生産管理ソフトで実績データを蓄積する企業が増加

■トレーサビリティ確保のために
ISOで業務履歴記録の義務化 (ISO9001: 2008 規格要求事項)
⇒約5万1000社

■内部統制強化のために
業務実績の記録が上場企業に義務化（JSOX法・2008年)
⇒約3800社


課題

膨大な生産実績データが蓄積されているが
継続的な活動進化・経営に活かしきれていない

課題
■スキル丌足：
１．統計解析・データマイニングのスキル
２．経営視点
３．全体プロセスの分析・再構築のスキル
の全てを併せ持った人材が確保が難しい


課題


課題
２．経営視点
⇒十分な解析ができていない。


課題


課題
２．経営視点

■分析が丌十分：
Business Intelligence までにとどまり、
データマイニングや予測まで行えていない。


課題


課題
２．経営視点

■分析が丌十分：
Business Intelligence までにとどまり、
データマイニングや予測まで行えていない。
⇒継続的な活動進化や経営判断にまで活かしきれていない。

蓄積データの有効活用

独自のデータ解析方法を作り上げ
実証してきました

生産現場で洗練された解析・課題発見ノウハウ
１月100型以上10年生産してきた工場でも効果を上げてきた各種統計分析の
ノウハウと手法を持ったエキスパートが解析。

一品一様の業務に適した解析
２一般的な手法では分析困難な一品一様の毎回異なる業務
＇金型製造、ソフトウェア開発、サービス業など（も解析。

独自のプロセス・リソース統計解析モデル
３理論的・学術的な裏づけのある独自の統計解析モデルで
お客様の業務プロセス・リソースに適した統計解析。



一品一様の業務プロセスの変動性

従来の多量生産一品一様の業務プロセス
変動性なし大きな変動性を扱う必要がある

プロダクト構成プロダクト構成

毎回同じ毎回異なる

毎回同じ毎回同じ毎回異なる毎回異なる
作業時間業務プロセス作業時間業務プロセス

組立ライン金型製造ソフトウェア開発サービス業

…
ヘンリー・フォード：ベルトコンベアー方式 COPYRIGHT 2010 BY INCS INC. ALL RIGHTS RESERVED. 65


一品一様性・変動性は
広範な業務の特徴
従来の多量生産一品一様の業務プロセス
変動性なし大きな変動性を扱う必要がある

プロダクト構成プロダクト構成

毎回同じ毎回異なる

毎回同じ毎回同じ毎回異なる毎回異なる
作業時間業務プロセス作業時間業務プロセス

組立ライン金型製造ソフトウェア開発サービス業

…
ヘンリー・フォード：ベルトコンベアー方式 COPYRIGHT 2010 BY INCS INC. ALL RIGHTS RESERVED.
… 66


一品一様の業務プロセスの
動的な工程数理体系を構築

変動性から生じる動的な課題
・リソースの競合・滞留・納期遅延 …

一品一様な業務プロセスを含む
統計解析・制御数理モデル
・統計的な有効変数算出
・統計数理モデル化
－優先順位制御
－実行タイミング制御
－統計フィードバック
－適正リソース量算出
・予測数理体系
論文（体系の一部）
M.Nakao, N. Kobayashi, K.Hamada, T.Totsuka, S.Yamada,
“Decoupling Executions in Navigating Manufacturing Processes for Shortening Lead Time and Its Implementation
to an Unmanned Machine Shop”,
CIRP Annals - Manufacturing Technology Volume 56, Issue 1, Pages 171-174 (2007) 67


一品一様の業務プロセスの
動的な工程数理体系を構築

効果実績例
全体生産リードタイム中央値を 1/2.7に短縮
設計開始～頭だし出荷リードタイム開始日時の箱ひげ図
設計開始～頭だし出荷 CT対週集計体系適用
500
適用後
設計開始～頭だし出荷CT

400

360.4h(15.0日)
1/2.7
300

200

100

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
141.6h(5.9日)
00 00
9: 9: 9: 9: 9: 9: 9: 9: 9: 9: 9: 9: 9: 9:
0 7 4 1 8 5 1 8 5 2 9 6 3 0
/2 /2 /0 /1 /1 /2 /0 /0 /1 /2 /2 /0 /1 /2
/ 09 / 09 / 10 / 10 / 10 / 10 / 11 / 11 / 11 / 11 / 11 / 12 / 12 / 12
04 04 04 04 04 04 04 04 04 04 04 04 04 04
20 20 20 20 20 20 20 20 20 20 20 20 20 20
週集計開始日時



活動の統一グラフモデルを構築
Unified graph representation of processes
for scheduling with flexible resource assignment
青字：割付モデル属性
[ ] : Optional
Node ・priority(優先度) Edge
・duration(予定時間)
[・earliest(再早開始日時) ] Process Edge
Process [・deadline(納期) ]
[・or(条件集約数) ]
前プロセスの終了後に後プロセスが
プロセスを表す開始できること表す
・attributes（属性）
preemptable(中断可否),
successive(引継ぎ可否)
Uses Edge
workload(作業負荷) Processが使用する
uses uses uses uses uses uses Assign Region を表す

Assign Region Assigns from Edge
同一Resourceを割付け続ける Assign Regionに
assigns from assigns from 指定Resourceの子Resource集合の
範囲を表す
assigns assigns 中から割付けることを示す
工場01 [process]
has has [startDate(開始日時)]
[endDate(終了日時)] Assigns Edge
型01 仕上WG StartDateからEndDateまでの間
Resource has Assign RegionにResourceを
割付対象要素を表す has has has has has has 割付けることを表す
・capacity(容量)
・calender(カレンダー)
CAVI01 CORE01 … 山田さん田中さん鈴木さん・attributes(属性) Has Edge
東さん Resourceの所有関係を表す

AGENDA
◆講師紹介
◆最後に

※本項目は株式会社インクスとは一切関係ありません

72

データマイニング+WEB

思い

74


思い

蓄積データを活用し

75


思い

蓄積データを活用し
継続的に活動進化できる
世界を作りたい
76


ひとりでは世界は創れない

77


みんなの協力が必要

78


蓄積データを有効活用したい人が

79


蓄積データを有効活用したい人が

それを実現できるようにしたい

80


データマイニング+WEB勉強会＠東京
(#TokyoWebmining)

始めました

81

目的：データマイニング+WEB勉強会＠東京

82

データマイニングの方法論を用い
蓄積されたデータを有効活用していく方法を学ぶ

83

統計解析
Web API
データマイニング

最適解探索
アルゴリズム
84

統計解析
Web API
対応分析時系列分析
回帰分析クラスター分析
判別分析
主成分分析因子分析
カーネル法
樹木モデル
ニューラルネットワーク
サポートベクターマシン
…

最適解探索
アルゴリズム
85

統計解析
Web API
Amazon Web Service
楽天 Web Service 対応分析時系列分析
Twitter API Recruit Web Service 回帰分析
Yahoo! Web Service クラスター分析
はてな Web Service 判別分析
(Bookmark/Graph/Keyword,…)
カーネル法
Google Data API 樹木モデル
(Calendar/Maps/BookSearch/
FinancePortfolioData,…) ニューラルネットワーク
… …

最適解探索
アルゴリズム
86

統計解析
Web API
Amazon Web Service
カーネル法
… 免疫型最適化 Particle Swam …
Memetic Ant Colony
遺伝的熱力学的
シミュレーテドアニーリング
力学モデルによる最適化
タブーサーチグラフ
…
最適解探索
アルゴリズム
87

統計解析
Web API
Amazon Web Service
カーネル法
Memetic Ant Colony
…
最適解探索
アルゴリズム
88

３つの進行方針

89

データマイニング+WEB勉強会＠東京を

90


発表者・参加者にとって
より有意義な場にしたい

91


発表者・参加者にとって
より有意義な場にしたい

92


充分な時間を充て
理解・議論を優先する
１．充分な時間：
各テーマごとにしっかり時間を充てる
（浅く多くではなく、少ないテーマでも深く）

２．理解：
進行を急がない。分からないところはすぐ質問。
講師・各メンバーからの返答で、みなで理解を深めることを優先する。

３．議論：
議論時間をしっかりとる。
各分野の意見の共有、皆での発想・創造を優先する。
全員でのフラットな議論。講師にとっても有意義な場となるようにする。

93

次回開催
5/16(日) 第４回データマイニング+WEB勉強会
ＷＥＢ祭り
です

AGENDA 5/16(日) 12:00 - 21:00
-ソーシャルウェブとレコメンデーション (講師:@hamadakoichi) (60分)
-レコメンデーション活用編-実開発者が語る：画像、広告、そして未来へ-(講師:@karubi)(60分)
-はじめてでもわかるWEB行動マイニング (講師:@kur) (60分)
-Hadoop！-入門とクラウドでの活用-(講師:@yanaoki)(60分)
-はじめてでもわかるYahoo! Web API入門(講師:@yokkuns) (60分)
-Wikipediaによるテキストマイニング入門(講師:@nokuno) (60分)
-Webと物理的な世界をつなぐ－WebとGainerの連携－(講師:@oga_shin) (60分)
-参加者の声・ディスカッション：WEBの未来へ」 (進行:@hamadakoichi) (30分)

参加登録 ATND ： http://atnd.org/events/4319
アナウンス Google Group： http://groups.google.com/group/webmining-tokyo
Twitter ： http://twitter.com/hamadakoichi
95

次回開催
ＷＥＢ祭り
です

AGENDA 5/16(日) 12:00 - 21:00
-参加者の声・ディスカッション：WEBの未来へ」 (進行:@hamadakoichi) (30分)

96

次回開催
ＷＥＢ祭り
です

AGENDA 5/16(日) 12:00 - 21:00
-ディスカッション：WEBの未来へ (進行:@hamadakoichi) (30分)

97

次回開催
ＷＥＢ祭り
です

98

次回開催
満員御礼！
広い会場探索中。ＵＳＴＲＥＡＭ配信も行います

99

次回開催
満員御礼！
ＵＳＴＲＥＡＭ配信も行います

100

内容紹介

R言語によるクラスター分析
-活用編-

理論から実行可能なR言語ソースコードまで

101

R言語によるクラスター分析

クラスター分析が容易に行えます

ソースコード

実行結果

102

位置づけ
統計解析
Web API
Amazon Web Service
カーネル法
Memetic Ant Colony
…
最適解探索
アルゴリズム
103

位置づけ

クラスター分析

統計解析
Web API
Amazon Web Service
カーネル法
Memetic Ant Colony
…
最適解探索
アルゴリズム
104

位置づけ
第３回データマイニング+WEB勉強会＠東京の
開催内容です
内容講師 Twitter Id
Opening Talk (15分) @hamadakoichi
自己紹介 (25分) @hamadakoichi
理論 R言語によるクラスター分析 - 活用編 (90分) @hamadakoichi
休憩(10分)
市場細分化とクラスター分析 (30分) @bob3bob3
実践
検診データへのクラスタリング適用例(30分) @dichika
休憩(10分)
理論機械学習入門 – SVMによる画像分類(60分) @yokkuns
休憩(10分)
参加者の声・発表者募集＋バファー (20分) @hamadakoichi

105

位置づけ
第３回データマイニング+WEB勉強会＠東京の
開催内容です
内容講師 Twitter Id
Opening Talk (15分) @hamadakoichi
自己紹介 (25分) @hamadakoichi
理論 R言語によるクラスター分析 - 活用編 (90分) @hamadakoichi
休憩(10分)
市場細分化とクラスター分析 (30分) @bob3bob3
実践
検診データへのクラスタリング適用例(30分) @dichika
休憩(10分)
理論機械学習入門 – SVMによる画像分類(60分) @yokkuns
休憩(10分)
参加者の声・発表者募集＋バファー (20分) @hamadakoichi

106

内容抜粋紹介

107

クラスタリングとは

データを類似度に従い
グループに分けること

108



クラスタリングA

109




クラスタリングB

110




クラスタリングB

111

クラスタリング手法の種類

手法と帰属度の分類軸がある

分類種類内容
手法階層的手法 ①各データそれぞれを一つのクラスタとする
②状態を初期状態とするクラスタの距離、類似度で２つのクラ
スタを逐次的に併合していく
③目的のクラスタ数まで併合が行われたときに処理を終了す
る

非階層的手法 ①データの良さを表す評価関数を設定する
（分割最適化） ②評価関数に対する最適解（最適分割）を探索する

帰属度ハードクラスタリ各データは一つのクラスタのみに所属する
ング
ソフトクラスタリ各データが複数のクラスタリングに所属することを許す
ング（※最も帰属度が高いクラスタを抽出すると、ハードクラスタリ
ングとなる）
112


各クラスタリング手法

種類ハードソフト
階層的・群平均法
・単連結法
・完全連結法
・ウォード法
・重心法
・メディアン法
非階層的・k-means ・混合分布モデル
・スペクトラルクラスタリング・次元縮約
（LSI/pLSI/NMF)
・Fuzzy c-means
※LSI: Latent Semantic Indexing, pLSI: Probabilistic LSI, NMF: Non-Negative Matrix Factorization

113


階層的手法

分類種類内容
手法階層的手法 ①各データそれぞれを一つのクラスタとする
②状態を初期状態とするクラスタの距離、類似度で２つのクラ
スタを逐次的に併合していく
③目的のクラスタ数まで併合が行われたときに処理を終了す
る

非階層的手法 ①データの良さを表す評価関数を設定する
（分割最適化） ②評価関数に対する最適解（最適分割）を探索する

帰属度ハードクラスタリ各データは一つのクラスタのみに所属する
ング
ソフトクラスタリ各データが複数のクラスタリングに所属することを許す
ング（※最も帰属度が高いクラスタを抽出すると、ハードクラスタリ
ングとなる）
114

階層的手法：特徴

古典的で直感的にも自然な手法
最終的に一つのクラスタにまとまる

115

階層的手法：アルゴリズム

アルゴリズム

①各データが自身をクラスターと考え
データ数のクラスターを作る

②クラスタ間の距離を測り
クラスタ間の距離行列を作成する

③最も距離の近いクラスタを併合する

④クラスタ間の距離行列を作成する

⑤最も短い距離のクラスタを併合する

※ひとつのクラスタになるまで繰り返し
116

階層的手法：アルゴリズム

アルゴリズム

①各データが自身をクラスターと考え
データ数のクラスターを作る

②クラスタ間の距離を測り
クラスタ間の距離行列を作成する

③最も距離の近いクラスタを併合する

④クラスタ間の距離行列を作成する

⑤最も短い距離のクラスタを併合する

※ひとつのクラスタになるまで繰り返し
117

階層的手法：手法とクラスタ間距離

クラスタ間距離の種類

クラスタリング手法クラスタ間距離
群平均法クラスタ間の全てのデータ組合せの距離の平均値
(Group Average method )
単連結法クラスタ間の最小距離を与えるデータ対の距離
(Single Linkage Method )
完全連結法クラスタの最大距離を与えるデータ対の距離
(Complete Linkage Method）
ウォード法クラスタ内の平方和の増加分
(Ward Method)
重心法クラスタの重心間の距離の自乗
(Centroid Method)
メディアン法重心法と同じ。クラスタ併合時に、新たな重心を元の
(Median Method) 重心の中点にとる。

118

階層的手法： Rによる解析

階層的クラスタリングの関数
Hierarchical Clustering

hclust(d, method=“complete”, member =NULL, ...)

d:距離行列
method: 階層的クラスタリング手法を指定
members: 通常は指定しない。
※テンドログラムの途中から
クラスタリングを行いたい場合に用いる

119

階層的手法：手法とクラスタ間距離

クラスタ間距離の指定引数

クラスタリング手法クラスタ間距離 method
群平均法クラスタ間の全てのデータ組合せの距離 “average“
(Group Average method ) の平均値
単連結法クラスタ間の最小距離を与えるデータ対の “single”
(Single Linkage Method ) 距離
完全連結法クラスタの最大距離を与えるデータ対の距 “complete”
(Complete Linkage 離（Default）
Method）
ウォード法クラスタ内の平方和の増加分 “ward”
(Ward Method)
重心法クラスタの重心間の距離の自乗 “centroid”
(Centroid Method)
メディアン法重心法と同じ。クラスタ併合時に、新たな “median”
(Median Method) 重心を元の重心の中点にとる。
120

Rプログラム例：クラスター分析（階層的手法）

各種クラスター分析が容易に行えます

ソースコード

実行結果

121


ソースコード

122


実行結果

123

蓄積されたデータを有効活用してきたい

125

蓄積されたデータを有効活用してきたい

連絡

126

データマイニング+WEB勉強会
発表者を募集しています

連絡
127

AGENDA
◆講師紹介
◆最後に

最後に
幅広い経営課題を解決してきた
実績・ノウハウがあります

工数削減

組織改革
期間短縮





最後に

幅広い業界のお客様の課題解決を
行ってきました


最後に

ソフトウェア業界での
プロセス改革実績もあります

ソフトウエア IT運用業務
開発業務

さらに多くの活動をよりよく出来ると


さらに多くの活動をよりよく出来ると
私は信じています


世界中のプロセスを


世界中のプロセスを
よりよい形にしていきたい


ご清聴ありがとうございました
世界中のプロセスをよりよい形にしていきたい

インクスのプロセス改革に興味を持たれましたら下記までご連絡下さい

お問合せ株式会社インクスプロセスソリューショングループ
MAIL : marketing@incs.co.jp
TEL ：03-5651-0019
HP ：http://www.incs.co.jp


業務プロセス改革とデータマイニング－2010年度LBIビジネス講演会

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Viewers also liked

Viewers also liked (20)

Similar to 業務プロセス改革とデータマイニング－2010年度LBIビジネス講演会

Similar to 業務プロセス改革とデータマイニング－2010年度LBIビジネス講演会 (20)

More from Koichi Hamada

More from Koichi Hamada (20)

Recently uploaded

Recently uploaded (10)