顧客データに隠された洞察を解き放つには
•0 j'aime•24 vues
Signaler
Partager
Télécharger pour lire hors ligne
お客様はつねに、取引先が自分のプロファイルや取引履歴、好みを承知していることを期待しています。この重要な顧客情報を持っていないと、お客様との関係性に悪影響を及ぼしかねません。 お客様を理解し、良い関係を築き、お客様に対して適切に振る舞いながら効果的なクロスセルを行えるよう、適切な機能を備える必要があります。 このウェビナーでは、顧客データに素早くアクセスし、お客様についてより深く知るために何が必要かをご紹介します。
![JPC2018[F2]Microsoft がビジネスアプリ分野に投資するワケ ~Microsoft Dynamics 365 と Power Platfo...](https://cdn.slidesharecdn.com/ss_thumbnails/f2-180906032617-thumbnail.jpg?width=384&fit=bounds)
Contenu connexe
Similaire à 顧客データに隠された洞察を解き放つには
Similaire à 顧客データに隠された洞察を解き放つには (20)
![JPC2017 [Keynote] Where the People Meets to Inspire the Business](https://cdn.slidesharecdn.com/ss_thumbnails/jpc2017keynotewherethepeoplemeetstoinspirethebusiness-170912103427-thumbnail.jpg?width=768&fit=bounds)
![[INSIGHT OUT 2011] C23 「RDBMS」はコモディティーかする？クラウド環境に対応する実装とは(Goto)](https://cdn.slidesharecdn.com/ss_thumbnails/insightout2011c23rdbmshara-111114012626-phpapp01-thumbnail.jpg?width=768&fit=bounds)
Plus de Precisely
Plus de Precisely(20)
Dernier
Dernier(7)
顧客データに隠された洞察を解き放つには
- 3. • データ分析・管理分野での革新的なデジタルトランスフォーメーショ ンが、さらに多様なインサイト活用の基盤を提供 • 物理学と統計分析に根ざした「信号」と「ノイズ」の概念でデータを 理解－背後の無関係な／混乱した多くの入力（ノイズ）から、どれだ け明確なインサイト（信号）を取り出すことができるか • パーソナライズされた方法でお客様にリーチする、さまざまな手段の 登場 • COVID-19の挑戦で世界はよりデジタルに－直接対面は当分の間、非 主流となる • お客様は、マーケティング・コミュニケーションのノイズを常に捨て ている • 収集したデータに混入するノイズは、アナリストにとっても有害 • 企業全体のデータを収集・管理・統合する最新のアプローチにより、 効果的なパーソナライゼーション戦略を推進 モダンデータアーキテクチャの時代に データからインサイトを得るには
- 4. 企業の抱える課題 85% 66% • 出典: Experian 『2020年のデータ マネジメントのトレンドTOP10』 の企業が、データを最も価値 のある資産のひとつと見なし ている の企業が、滞留する未処理 データが AI、機械学習、ア ナリティクスなどの新しい データ構想に悪影響を及ぼ すと回答している 28% 77% の企業が、保有する顧客・ 見込み客データが何らかの 形で不正確であると考えて いる の企業が、より多くの社員が データインサイトを活用でき るよう積極的に取り組んでい る
- 5. パーソナライゼーションの トレンド • パーソナライゼーションを通じたマーケティング とセールスの効率化が、戦略的指標における成長 と改善のカギを握る • 個々のお客様にフォーカスしたメッセージが、お 客様との関係構築の基盤となる • 強固で包括的なデータ品質が前提 • 引き出したインサイトを利用して、個々のお客様 に適切なレコメンデーションを作成 • ロケーションコンテキストの重要性が増している • プライバシーとセキュリティの考慮－どの程度ま でのインサイト活用なら適切なのか?
- 6. Customer 360 & Graph: 顧客情報の 新しい整理方法 データやその相互関係に隠された本質 的な価値を解き放ち、お客様のニーズ を適切な文脈に結びつけ、理解のス テージを進める
- 8. グラフはコンテキスト理解の基盤となる データ データ管理およびロケーション インテリジェンス 顧客への働きかけ アイデンティティ データ 位置データ 企業側データ サードパーティーデータ 位置/アイデンティティ データ ポートフォリオ データセット 400+、地域デー タ 250+、ジオコード済み建物 1 億件以上 数十億件以上のトランザクション データを統合・修正・エンリッチおよび管理 顧客データのシングル ビュー 位置情報を付与され強化された顧客インサイト 各業界向けデータとソリューション 数百万件の B2C コミュニケーションを 処理 納品、契約、エンリッチメント キット、 マーケティング、 取引照合、コールセンター通話、 セルフサービス、チャット、ビデオ データ統合と 連結 データ品質と ロケーションによる データ強化 エンティティ解決と Customer 360 知識のグラフ化 業務プロセス 分析: Precisely、 サードパーティ双方 マーケティング リスク 不正検知
- 9. グラフはデータの読解性を 高める • メタデータを中心に整理されたデータファ ブリックで、データリテラシーを高める • データの意味がグラフによって可視化され、 理解を促進 • データの要件（品質、セキュリティ）を明 確に把握できる • グラフを中心とした会話とデザインセッシ ョンにより、反復開発を加速 • エンタープライズ360の簡易な図式設定は 、唯一の不変のものである「変化」を可能 にします
- 10. グラフによるビジュアル化がインサイトを促進 顧客 取引 店舗 コード コード コード コード コード コード コード コード コード コード キーコピー キーコピー キーコピー キーコピー キーコピー 追加コピー 追加コピー 追加コピー 追加コピー 追加コピー 製品 製品マスター
- 12. 位置情報は空間的なコンテキ ストを加える • 地図上の位置だけでなく、拠点間の関係、物 流ネットワーク、顧客との関係も把握できる • 地理的な位置と境界線が、さまざまな次元の コンテキストを拡張 • 顧客の位置と移動の把握がパーソナライズ戦 略に有効 • 例: 顧客がオプトインした際に、位置情報を 使ってコンタクトやオファーを選択
- 13. Blue Dolphin Construction BUS 3420 Pump Road Richmond VA 23233 8042333232 200040 Big Eats Catering BUS 3420 Pump Road Richmond VA 23233 Jeff@BigEats.com 8049285333 200050 名前 タイプ アドレス 都市 州 郵便番号 email 電話番号 アカウン ト番号 Jeffrey Nelson IND 5805 Grayley Court Glen Allen VA 23059 jeff.s.nelson@pb.com 8045274950 100030 Nelson, Jeff S. IND 5805 Grayley Court Glen Allen VA 23059 jeff.s.nelson@pb.com 8049285333 100031 Jeff and Natalie Nelson IND 5805 Grayley Court Glen Allen VA 23059 jeffnelson@hotmail.com 8049285333 100032 Natalie Nelson IND 5805 Grayley Court Glen Allen VA 23059 natalienelson@gmail.com 8049288889 100033 Natalie Evans IND 11357 Nuckols Road Glen Allen VA 23059 natalienelson@gmail.com 8045274950 100034 Natalie Evans Florist Shop IND 11357 Nuckols Road Glen Allen VA 23059 8049288889 100035
- 15. 代表的な Enterprise 360 アーキテクチャ CRM ERP Transaction Manager Precisely Spectrum アウトバウンドKafkaトピック アウトバウンドKafkaトピック アウトバウンドKafkaトピック チェンジデータキャプチャ (CDC) Kafka Consumer Kafka Consumer Kafka Producer エンタープライズサービスバス エンタープライズサービスバス API インバウンド ワークフロー インバウンド Trafo データフロー REST Webservice インバウンドワークフロー インバウンド データフロー MDMサービス データフロー Neo4j ワークフロー Kafka Consumer Kafka Consumer ERP Kafka Producer REST Webservice REST Webservice REST Webservice REST Webservices
- 16. 資料について
- 17. Q&A
- 19. Thank you
Notes de l'éditeur
- 皆様こんにちは。本日はウェビナーにご参加いただきまして誠にありがとうございます。 本日のウェビナーは、「顧客データに隠された洞察を解き放つには」と題してお送りします。 ウェビナーを始める前に、Webinarの画面の使用方法についてご説明いたします。
- まずPreciselyの会社紹介をさせていただきます。弊社はデータ完全性のグローバルリーダーです。2019年にPitney Bowes Software and DataとSyncsortとが合併したあと、2020年にPreciselyという新社名となりました。私どもは、お客様が組織内においてデータの完全性を実現し、データを付加情報で強化し、データに対する信頼性を構築するためのお手伝いをしております。正確で矛盾のないデータに裏付けされた、ビジネスにおける自信に満ちた意思決定を実現します。 現在弊社には全世界で2,000人以上の従業員がおり、弊社の製品は100カ国以上、12,000社以上のお客様にご利用いただいております。また、Fortune 100のうち90社が弊社のお客様です。
- まずは、現代のデータアーキテクチャの中で、データからインサイトを引き出すための課題についてお話しします。 近年のデジタル・トランスフォーメーションや、アナリティクスとデータマネジメントの領域で起こったさまざまな革新的変化は、データに基づいてお客様をより深く理解するための強力な基盤となりました。 たとえば、物理学や統計解析に由来する「信号/ノイズ」という考え方があります。さまざまなエンドポイントから得られる雑多なデータ、すなわちノイズから、方向性を持ったインサイト、すなわち信号を得る方法です。 現代の私たちは、お客様に対するマーケティングの手段をこれまでにないほど多く持っています。「超パーソナライズ」と呼ばれる、お客様ごとにコンタクトを大幅にカスタマイズする手法もそのひとつです。 また、コロナによってデジタル化が進み、対面での交流は当面のあいだ例外的なものとなっています。 お客様は、日々受け取るさまざまなマーケティング・コミュニケーションから、自分に必要でないノイズを捨てています。 アナリストも同様に、お客様とのコミュニケーションからのデータを分析し、ノイズを捨てる必要があります。 すなわち、企業全体のデータを収集、管理、統合し、マーケティング活動を推進し、効果的なパーソナライゼーション戦略を確立するための現代的なアプローチが必要です。
- 私たちは、データに関するビューには課題がたくさんあるということを認識しています。データ管理について最近行われた統計結果についてご紹介します。 エクスペリアンが行った経営動向調査では、85％の企業がデータを最も貴重な資産の1つとして捉えています。 また66％の企業が、処理し切れていない山のようなデータがあると答えており、これは人工知能や機械学習を使ったデータ分析にも悪影響を及ぼしていると言えます。 三分の一の企業は自分たちの顧客、または見込み顧客のデータに不正確なものが含まれていると考え、 77%の企業は、データから得られる洞察を社内のより多くの人が利用できるよう取り組んでいると答えています。 これはどの業界を見ても同じような結果がでています。
- 改善されたデータ管理プロセスから得られる大きな利点のひとつが、パーソナライゼーションです。 店頭でも電話でも、お客様とのやりとりのパーソナライズは、マーケティングとセールス活動を効率化し、ひいては戦略的指標の成長と改善につながるためとても重要です。 お客様との強い関係を築くには、個々のお客様にフォーカスしたメッセージを提供する必要があり、そのためには目的にかなった、包括的で高品質な顧客データを持たなければいけません。 たとえば、個々のお客様に最適なレコメンデーションを送信するケースを考えてみましょう。この場合、適切な提案を行うためにはお客様の位置情報が必要になるでしょう。 もちろん、これはプライバシーやセキュリティに関する情報なので、お客様に悪印象を与えないようしっかり一線を引いて取り扱うべきです。 近年多くの業界でパーソナライゼーションが一般的になっています。そのため小売業界においても、お客様は企業に対して、自分の好みを知っていてほしいという期待をするようになりました。 電話で話したり、お店に入ったりするときにも同じように、お客様は自分のことを少しは知っていてほしいという期待をしています。 このようなことが、現在のこの業界でのトレンドになっています。
- 次に、Customer 360 & Graph の活用についてご紹介します。Customer 360 & Graphは、顧客情報を整理するための新しく、よりよい方法を提供します。 私たち Precisely は、これまでもずっとCustomer 360 & Graphをマスターデータ管理の中心的な存在として取り扱ってきました。さまざまなお客様がこの製品を長年ご活用くださっています。 Customer 360 & Graphを通じて顧客やそのコンテキストの理解を進化させ、データに隠された本質的な価値を解き放ってその相互関係を理解できるようになります。 そういったデータに対する深い理解は、最終的には競合他社に一歩先んじたアクションにつながります。 グラフデータベースで構築されたCustomer 360ソリューションは、このような問題を解決するために必要なものです。
- データから価値を引き出す Enterprise 360の導入プロジェクトに際して、どの企業にも存在する課題についてご紹介します。 まず、各種の情報がサイロのようにばらばらなシステムに保管されています。さらに、各種の情報をシステム間でやりとりするためのシステムもあります。 従来のマスターデータ管理システムの多くでは、名前、誕生日、ID、社会保障番号といった個人に関連するマスター情報だけが管理されています。 しかしグラフデータベースや可視化技術、クエリ技術の登場によって、私たちは今、お客様の関係性を以前よりもはるかによくモデル化できるようになりました。 お客様間の関係、家庭内の関係、組織内の人事関係やそれ以外の組織、たとえばクラブなどのメンバーシップ、ソーシャルメディアとの関係、場所や地域との関係など、さまざまな関係性を、進化し統合されたビューで一括して表示できます。 そしてこのビューには、取引やサービスを始めとするお客様と自社とのさまざまなやりとりも、全て統合して表示することができます。 電子メールやウェブ、お客様がソーシャルメディア上で公開している好み、お客様がお持ちのさまざまなご希望や、取引履歴から作成された提案、例えばクーポンに対して、お客様がどのような対応を取ったか、 このようなさまざまな関係性から、お客様の個々のプロファイルを造り上げることができます。そして、このプロファイルを他のさまざまな側面からのデータ(たとえば他のお客様との関係や取引履歴など)と組み合わせると、 そのお客様からの収益性、ライフタイムバリュー、ウォレットシェア、ロイヤルティなどの重要なインサイトを得ることができます。 これらのインサイトは、そのお客様を繋ぎ留めるのに最適な方針の立案につながります。また、お客様が持つ全く新しいニーズの掘り起こしにもつながるかもしれません。 企業とお客様との接触はさまざまなポイントで行われます。Webサイト、対面、店舗、Eメールなど、さまざまなコンテキストでおこなわれた接触を統合し、お客様の真の最新の状況を理解することができます。 このようにCustomer 360 と Enterprise 360 は顧客ビューを劇的に進化させますが、その詳細な実装について次にお話しします。Customer 360 と Enterprise 360 はデータファブリック、またはデータハブと呼ばれるアーキテクチャを採用しています。 このアーキテクチャは、より進化したデータやメタデータ間の関係性やその閲覧方法を提供し、データに対する理解を深め、企業がデータに基づいてより機敏にアクションを起こすことを可能にしてくれます。
- 次のスライドでは、グラフデータベースがこのようにコンテキストアウェアな基盤をどうやって提供しているのか、少し見てみましょう。 Enterprise 360 や Customer 360 の「360」とは、円周の 360 度です。データファブリック型アーキテクチャによって組織全体の全てのコンテキストと知識を円のように繋げ、意味的な分析をおこなって多次元的に表示するため、ユーザーはすぐにデータを理解して行動を起こすことができます。 企業にはさまざまなデータソースやデータサイロが存在することは先にお話ししましたが、Enterprise 360 はまず、インテグレーション、フェデレーションや仮想化などの各種レイヤーを通じて全てのデータを統合します。 これによって、データをコアとなるナレッジグラフに取り込まずにデータへのアクセスを抽象化することができます。 リンクによってアクセスを抽象化すると、その後の処理がより簡単になります。多様なレジストリタイプやパターンを適用したり、データ品質ルール、転送変換、エンリッチメントプロセスをデータに適用するなどの処理が簡単におこなえます。そして、そのデータを充実させ、質の高いものにすることができます。 また、多くの企業システムにおいてデータの重複が大きな問題となっていることはご存じの通りですが、リンクを使うことで、不要な重複を生むことなしに多様なエンティティやシステム間のアクセスを解決することができます。 次に、データ統合、データ品質、エンティティ解決といった中核的なプロセスに基づいて、ナレッジグラフを構築します。 このとき、弊社が提供するさまざまな外部データセットも併せて利用可能です。ジオコーディングデータセット、空間データセット、クライアントデータセット、人口統計データセットなど、さまざまな外部データを付与して自社データを強化できます。 このようにして、お客様を360度あらゆる方向から見渡すシングルビューが実現します。もしここで気付きが得られれば、お客様とつながるさまざまなチャネルを通じてすぐに行動に移すことができます。
- ここでは、グラフデータベースが、データファブリック・アーキテクチャを通じてどのようにデータを読解しやすくするかを見てゆきます。 データが読解しやすくなると、企業内のさまざまな職種の従業員が、特に専門知識がなくてもデータを仕事に活用できるようになります。 データファブリックがさまざまなデータサイロに存在するデータを統合し、意味的な分析を行ってくれますので、ユーザーはそれぞれの職務に応じた切り口でデータを表示させれば、知りたい分析結果がすぐに得られます。 ユーザー自身が複雑なデータベーススキーマを取り扱ったり、SQLクエリやレポートを発行する必要はありません。 ローレベルのクエリを書かなくてすむため、ユーザーはハイレベルな分析とデータの理解、それに理解したデータを自分の仕事にどう活かすかに集中できます。 データのグラフ化はさらに、データソースそのものの理解も深めてくれます。どのような品質、どのようなセキュリティが必要で、どのような変換や強化を行うべきかを明確に理解できます。 理解が進むことによって、より適切にデータをグラフ化するためのセッションもはかどるようになり、このようなセッションを重ねてゆけば、現代のあらゆるITプロジェクトにおいて極めて重要である反復開発が可能となります。 今の時代、唯一変わらないものは変化そのものだけです。 データベースの中のさまざまなエンティティとその関係性をグラフ化することによって可能となるデータベースの簡易な図式設定が、 Enterprise 360が企業のさまざまなデータサイロからキーとなる情報を取り出し、それを実際の企業活動に役立てるための決め手となっています。
- データをグラフで可視化することで、クエリやSQLでデータを整理するよりもずっと、データのつながりや関係性を深く知ることができます。 グラフは、明白でない関係などを視覚化するのにとても優れています。たとえば、小売業ではお客様に関する情報をアンケートで収集することがあります。アンケートによって、お客様がなにかのレクリエーションに関連したクラブの会員であることが分かるかもしれません。 それは、関連するアウトドア用品や衣料品の小売業者にとっては、非常に重要な情報になります。 このように、異なる顧客間の関係や、自明でない関係を明らかにして、その情報をさらに製品などに関連付けることができれば、クロスセルの可能性が開けます。 人間は視覚的な動物です。データが他のデータとどのように関連しているかを理解するために、ジョイントテーブルやSQLクエリによるデータ分析だけを使っていては、重要だけれども見つけにくいデータの関連性を見逃してしまいがちです。 一本道をただ進んでいくようなシンプルなビジネスでは、データのただひとつの側面だけにフォーカスしたシンプルな分析は効果的ですが、ここでは先ほど述べた例について焦点を当てます。 先ほど述べたクラブについて、私たちの顧客ベースの誰がこのクラブとつながりを持っているのか、そしてそのつながりはどのようなものなのかを理解したい。 それを理解することによって、お客様へのよりパーソナライズされた働きかけや効果的なマーケティングが明らかになるのです。 このように、製品データと顧客データを総合し、お客様の社会的な背景や地理的な背景とともに理解することが重要です。 例えばある特定の郵便番号や都市にいる顧客、そこにあるソーシャルネットワークやその影響について分析することにします。 こういう複雑な分析では、グラフのようなインターフェイスによるデータの可視化は非常に強力なツールになります。ビジネスの中の重要なエンティティ間の関係性を分かりやすく表示し、重要な関係性を正しく理解することが可能になります。
- さて、グラフとは、ノード、エッジ、エンティティなどから構成されています。グラフの中での関係性とは、ノードとエッジ、またはあるノードと別のノードやエンティティの接続などで表現されます。 16:22 あるノードから別のノードへの移動、あるいはあるエンティティから別のエンティティへの移動は、エッジまたはリレーションシップの横断によって表現されます。 16:30 グラフの構造やグラフデータベースに格納されたデータの分析には、さまざまな種類の分析アルゴリズムが使用されますが、 グラフデータベース内に保存された、さまざまな関係性を評価する指標に焦点を当てるのが一般的です。 16:41 エンティティやノードの関係性や、エッジ間のリンク、およびそれらのエッジをまたぐリンクなど。これらをさまざまなアルゴリズムを使って分析してゆきます。 例えば、2つのノードを選ぶと最短経路がわかるというような単純なアルゴリズムです。 16:53 あるネットワークにおいて、あるノードから他のノードに移動するために必要な最小のホップ数はいくつか。 これはネットワーク攻撃を分析する際、特定の既知の攻撃者と疑惑のあるユーザーとがどれだけ近接しているかを知るために使われる手法です。 17:06 「中間性」とはこの場合、一連の最短経路のことですが、これによってグラフやネットワークの別の点のあいだに、どのノードやエンティティが存在するかがわかります。 これはネットワーク障害のユースケースの場合障害点の特定や、 ネットワーク攻撃の場合、どのアクターが攻撃の異なるパーツをつなぐのに最も重要であるかを判断するのに使えます。 「近接性」というアルゴリズムを使うと、グラフの中で最も効率的に情報を拡散できる最も近いノードを知ることができます。 これはパンデミックの場合、スーパースプレッダーの特定などに使えます。 「度数」とは、入力・出力双方の関係性の回数を示すものです。 グラフ内の特定のノードが持つ影響力を測ろうとすると、それは基本的に度数を取ります。また、入出力の質と量、双方を測定できますので、 その測定は、このネットワークやグラフの中である部分がどの程度よくつながっているかを測る指標となります。 これはソーシャルネットワークや人口統計データを分析し、マーケティング活動の促進や効率化を図るのに非常に適しています。
- ロケーションを利用することで、全く新しい関係や文脈を追加することができます。グラフやネットワークの地理空間情報の中に、多くの追加的な視点を重ねていくことができます。 データセットから追加の情報を付加することはもちろん、単に地図上に可視化するだけでも、多くの興味深い情報を得ることができます。 お客様が特定の場所とどのような関係にあるかを理解するための情報です。 「どこに住んでいるのか」「どこで働いているのか」「どこで買い物をしているのか」ということが、お客様にパーソナライズされた体験を届けるためには重要なポイントになります。 このように、位置情報とは地図上の一次元の点としてだけでなく、人や組織がさまざまなノードとエッジでつながった、大きな情報エコシステムの一部として捉えることができます。 お客様の位置と動きをすべての文脈で理解することは、パーソナライゼーション戦略にとっても大きな手がかりとなります。。 たとえば、お客様がオプトインした際に、お客様のいる特定の市町村や店舗に応じたリアルタイムなリレーションシップ・マネジメントが可能となります。 このようなインターフェイスを利用することで、さらなるインサイトやパーソナライゼーションを実現することができます。
- 次に、データをグラフにモデリングするための典型的なプロセスを、実例を挙げながらご紹介します。 19:42 キーとなるエンティティ、エンティティ同士の関係、エンティティのあいだで異なっているもの、その他さまざまな事柄がデータには格納されています。 19:48 さらに、データが社内のさまざまなデータソースにばらばらに格納されており、それを引き出して統合するために手間がかかるということもあり得ます。 20:00 さまざまな種類の一連のデータ要素がここにあります。これらをお互いに結びつけ、可視化していくにつれて、このデータに対する私たちの見方自体を進化させてゆくことができます。 20:15 ここに名前で区別されたデータセットがあります。とはいえ名前が重複しており、これらは実は同一人物である可能性が高いので、ハイレベルビューを表示してみます。 それぞれのレコードは別のエンティティとして表現されていますが、これに位置情報をリンクさせてみます。位置情報とはここでは、住所や郵便番号などのいくつかのプロパティです。 このように、個人のレコードとビジネスのレコードを特定のアドレスにリンクできると、これらが実際に同一人物であることがすぐにわかります。
- このような機能が、会社全体のビジネスプロセスを継続的に改善してゆくためにどのように機能するかについて次に見てみます。 21:02 たとえば、すぐ前のスライドで紹介したプロセスは2番のデータ品質にあたります。 データのプロファイリングを行い、データがどのデータソースにどのような形で格納されているか理解します。 それをさまざまなルールに関連付けたり、住所を割り当てたり、重複を解決したり、 そのためには位置情報や空間情報の付加、すなわちデータエンリッチメントが必要な場合もあります。 また、当社の用意するさまざまなデータセットからその他の情報を付加することもできます。 さらにそれらをマッチングさせ、リンクさせることで、最終的にはすべての情報を統合した、お客様のたった一つのビューを導き出すことができます。 ユーザーはこのシングルビューをベースにデータの分析を行い、キーとなる洞察を引き出して行動に移します。 このようにグラフデータベースが、継続的なビジネス改善のループの中心になっていることがわかります。 会社のなかのさまざまなデータベースを統合し、全てのデータをグラフ化してお客様のシングルビューを実現するこのアーキテクチャにより、反復開発を継続的な改善に結びつけ、データで得た洞察をすぐに行動に移せる、マーケットに対する本当のアジャイルなアプローチが可能になるのです。
- ここではグラフデータベースの真の運用を実現するために、企業レベルで必要となる各種のコンポーネントについて説明します。 企業内の複数のソースシステム間でのリアルタイムの統合や同期、異なるソースの間でデータの読み出しと書き込みが必要となる双方向パターンの代表的な例です。 従来、マスターデータ管理には集中型が採用されていました。それが、さまざまなCRMとERPシステムが近代的なものに更新されるにつれ、 エンタープライズ・サービス・バスを介するkafkaキューやトピック、ミドルウェア層でおこなわれるトランザクションなどを 分散トランザクションマネージャを通じてデータベースのクラスタに保存するという、分散型アーキテクチャに移り変わってきました。 スライドに示した例では分散トランザクションマネージャはビジネスオブジェクトレベルでの制御を効率的に行うことができます。 複数のノードとエッジをロックしながら同時更新を行い、複数のシステムからの更新に優先順位をつけます。 データは、グラフに格納され、他のエンタープライズアプリケーションと統合されています。 この例では2つの異なるフロントエンドからデータをマスタリングしていますが、これを単一のナレッジグラフィックとして一元化します。 一元化したデータに対して、さまざまなクエリ、グラフ化サービス、ビジュアル化の手段を適用することで、企業は取得したデータを最大限に分析し、活用することができます。
- 弊社ウェブサイトのリソースセンターでは、Context Graph やその他のPrecisely Spectrumプラットフォーム製品の各種情報を公開しています。 下記の資料、リンクよりご確認ください。 Spectrum Context Graphは現在英語のみで提供を行っておりますが、日本語での提供のため現在ローカライズを進めております。 これでスライドは最後になります。本日はWebinarにご参加いただきまして誠にありがとうございました。 こちらのウェビナーはこの後、オンデマンドで視聴が可能となります。視聴へのリンクはメールでご配信予定ですので、ぜひご確認ください。
- それではQ&Aセクションに入ります。質問が入っておりますので、藤田さん宜しくお願い致します。