データの洪水が来た、溺れないように注意。
空港は、様々なデータソースにアクセスできるようになります。 この進化には、これらのデータセットが提供する可能性のある分析的な機会を調査することが必要です。 しかし、データが多ければ多いほど、自動的に価値が高まるわけではありません。 得られたデータは、すべて適格に変換され、価値ある資産に生まれ変わらなければならない。 結局のところ、「今あるデータからいかにして価値を生み出すか」という大きな問いは常に同じです。
そのデータはどこから来るのですか？
まず、そのデータがどこから来ているのかを見てみましょう。 90年代後半、航空部門にも影響を与える技術革新が起こることは明らかでした。 当時はまだ、膨大な量の書類に囲まれて仕事をしていましたが、コンピュータシステムが旅客や航空機の取り扱いを変えていきました。 日々の業務でスピードと信頼性を得ることができたことが効果的でした。 さらに、作成したデータをより効率的に保存することができるようになりました。 やがて、レポーティング、分析、調査に対するメリットが確認されました。 しかし、特に端末環境では、適切な対策を立てることは長い間、複雑なことでした。 手作業による測定や紙の報告書をデータシートに変換する作業は非効率的であり、継続的な作業ではなかった。 そして、ようやく10年ほど前から、旅客の流れをカウントする自動検出技術が登場したのです。 さらに、シームレスな旅が始まり、チェックイン、手荷物預け、搭乗のためのセルフサービスカウンターの利用や生体認証技術により、乗客の行動に関するさらなる洞察が生まれました。 これらの文字列を組み合わせると、論理的に聞こえるが、概念的なアプローチが必要である。
データが増えれば、自動的にインテリジェンスが高まるというわけではありません。 データをスマートにする必要があるのです。
データ分析を始めるには？
ビッグデータは、ここ2、3年の間にIT業界でもてはやされた大きなフレーズの1つです。 実際には、大量のデータをいかにして保存し、いかにしてデータの問い合わせを迅速に処理するかということを意味していた。 業界では、これらの技術をBIの巨大な能力で売り込もうとした。 正直なところ、BIは問題そのものを解決するものではありません。 潜在的な解決策に辿り着くための土台を作るのです。 ビッグデータをスマートデータにするためには、まだまだ分析能力が必要です。 そこで、以下では、大きく分けて4つの分析手法に焦点を当てたい。 これらの方法論は、競合するアプローチとしてではなく、むしろお互いを補完し、ビジネスインテリジェンスの真の力を発揮するための基盤としてとらえる必要があります。
- データ集計やデータマイニングを用いて、過去を洞察し、答えを出す「記述的分析（Descriptive Analytics）」。”何が起こったのか？”
- また、データマイニングを利用して過去の出来事について根本的な原因分析を行い、答えを出す「診断アナリティクス」。「なぜそうなったのか？
- 統計モデルや予測技術を使って未来を理解し、答えを出す「プレディクティブ・アナリティクス（予測分析）」。”何が起こり得るか？”
- 最適化とシミュレーションのアルゴリズムを使って、起こりうる結果をアドバイスし、答えを出す「プリスクリプティブ・アナリティクス」。「どうすればいいのか？
ディスクリプティブ・アナリティクスで過去を理解する
記述的分析、統計学は、その名の通り、生のデータを記述し、要約し、解釈可能なものにするものです。 1分前、1年前など、ある事象が発生した任意の時点を指す、過去を記述する分析である。 記述的分析は、過去の行動から学び、それが将来の結果にどのように影響するかを理解することができるため、有用です。
空港業界の例を見て、より掴みやすいものにしましょう。 あるプランナーが、あるチェックポイントでの処理を最適化したいと考えています。 まず、プロセスやデータセットを分析することが必要です。 フライト、乗客、チェックポイントに関連する情報は、関連するKPIを決定するためのプロセスに関する洞察を与えてくれます。 このデータマイニングという作業は、最初の一歩として非常に重要です。
診断アナリティクスで原因の把握
診断アナリティクスは、過去を記述する以外に、作成されたデータの原因となった効果やプロセスの変化を理解する、記述のステップに対する熟考のアプローチと見なすことができます。 乖離や例外は、記述モデルを作成する際に統計的に除外することができるが、理解するためには、さらに分析することが必要である。
チェックポイントの最適化で言えば、KPIを説明するだけでは不十分で、なぜその数値がその時々で異なるのかを説明できることが必要です。 特定の条件を判断する機能は、将来のシナリオ評価の後段で役に立ちます。
プレディクティブ・アナリティクスで未来への変革
予測分析のルーツは、将来何が起こるかを見通す能力にある。 これらのアナリティクスは、未来を理解するためのものです。 予測分析は、データに基づいた実用的な洞察を企業に提供します。 予測分析は、将来の結果の可能性を推定するものです。 ここで忘れてはならないのは、どんな統計アルゴリズムも100%確実に未来を「予測」することはできないということです。 これは、予測分析の基本が確率に基づくものだからです。
セキュリティチェックポイントの例に戻ると、パラメータを記述することで、例えば、あるチェックポイントでの乗客の需要を予測する統計モデルを設定することができます。 これを将来のトレンドに変換することで、現在のルール定義に基づいてプロセスがどのように実行されるかをビジネスオーナーに示すことを意図しています。
プリスクリプティブ・アナリティクスアドバイスの作成
比較的新しい分野であるプリスクリプティブ・アナリティクスでは、ユーザーがさまざまな可能性のあるアクションを定義し、解決策へと導くことができます。 一言で言えば、これらの分析はアドバイスを提供することです。 処方的アナリティクスは、将来の意思決定の影響を定量化し、実際に意思決定が行われる前に、起こりうる結果についてアドバイスすることを目的としています。 処方的アナリティクスは、何が起こるかを予測するだけでなく、なぜそれが起こるのかも予測し、その予測を生かした行動を推奨するものです。
さて、チェックポイントプランナーの分析の最終段階がやってきました。 シミュレーションの手法を用い、データの記述や予測のアウトプットを行動に移すことで、さまざまなシナリオや設定についての知見を得ることができるだろう。 この評価は、今後の変化を考える上で、潜在的なアクションに直面したときに、非常に有効です。 これらの変更は、端末のレイアウト、プロセスの変更、またはリソースの制限で発生する可能性があります。 可能性のあるアクションは、フライトの再配置、フロアスペースの確保、リソースの調整などです。 このような変化に対応するためには、さまざまなシナリオを想定して、最適なアクションを判断することが必要です。
これらの分析的アプローチを組み合わせることで、お客様のビジネスを次のステージに導く強力なコンセプトが生まれます。
機械学習はどのように役立つのでしょうか？
BIの初期には、上記のような分析ステップを実行するために、集中的な作業、技術的、分析的なスキル、そして多くの時間が必要だった。 データサイエンティストは、数学的なスキルだけでなく、ソフトウェアやSQLクエリ、あるいはBaseのような特定のプログラミング言語に関するIT知識も持っていなければならないのです。 しかし、技術的な進化により、ユーザーはより早くこの話題に触れ、自分自身の分析を手にすることができるようになったのです。 最近、私たちはデータ分析の新しい時代に入ったところです。 キーワー ドは機械学習」です。 機械学習のアルゴリズムは、複雑な数学と統計式に基づいており、予測ルールセットの設定プロセスを自動化することができます。 機械学習の良いところは、正しく構築すれば、誰にも理解されないブラックボックスにならずに、真のエンドユーザー支援になることです。
機械学習により、ブラックボックス化しないルール設定のスピードアップを実現
空港業界にシミュレーションソフトウェアを提供するエキスパート企業であるAmorph Systems社は、エンドユーザーの能力を最適化するために、同社のAMORPH.aeroプラットフォームに機械学習を統合する利点に注目しました。 これにより、最高の技術を組み合わせたNextgen予測のためのユニークで業界最先端のプラットフォームが誕生したのです。
もっと詳しく知りたい方は、info@amorph.comまでご連絡ください。
