機械学習による予測・検知の仕組みづくり
機械学習を試したが本番で使えていない会社が、予測や検知を日々の業務の判断に組み込めるようにします。
こんなお悩みはありませんか
- 試行(PoC)はしたが、本番の業務で使うところまで進まない
- 予測の精度が十分なのか、客観的に判断できない
- モデルをつくった後、見直しや改善をする人がいない
できること
関連する事例
需要予測・異常検知・最適化・レコメンドなど、機械学習を活用して意思決定と業務を高度化します。 PoCで終わらせず、本番運用と継続的な改善までを見据えたモデル開発を支援します。
※掲載事例には、代表者が当社設立以前または当社外で担当・参画した事例を含みます。
料金の目安
小さな改善から、部門をまたぐ見直しまでニーズに合わせたご支援が可能です。
クイック改善プラン
5万円〜(税抜)
目の前の業務を、手軽に改善。
課題解決プラン
30万円〜(税抜)
自社の課題に合わせた、本格的な解決を。
業務変革プラン
100万円〜(税抜)
部門・組織を横断し、より大きな成果へ。
よくある質問
データがどのくらいあれば始められますか。
目的によって変わります。最初に手元のデータで何が予測できそうかを確かめ、足りない場合は集め方からご提案します。
試行で止まったプロジェクトの続きを頼めますか。
はい。試行から本番運用への移行を支援した実績があります(掲載事例: PoCから本番運用への移行)。
費用はどのくらいかかりますか。
需要予測モデルの構築などは30万円〜、複数の業務にまたがる仕組みは100万円〜です(いずれも税抜の参考価格)。
関連するコラム
- ロジスティック回帰で解約の確率を出し、係数を読む方法ロジスティック回帰は、顧客の情報に係数を掛けて足し、S 字の関数で解約の確率に変える仕組みです。架空の顧客で確率を手計算して Excel の式で再現し、しきい値の決め方と、係数を原因ではなく関係の目安として読む理由を説明します。
- 混同行列とは?正解率だけでモデルを選ぶと失敗する理由見つけたいものが少ないデータでは、何も見つけないモデルでも正解率は高く出ます。混同行列で見逃しと空振りを分けて数え、適合率・再現率と損失からしきい値を決める手順と、外注先の報告で確かめる 4 つのことを説明します。
- 決定木とは?条件をたどって予測する仕組みと、業務での使い方決定木とは、質問を順にたどって結果を予測する仕組みです。過去の記録から条件を作る流れ、必要なデータ、使える業務、メリットと注意点を、営業部の問い合わせの例で数式なしで説明します。
まずは無料でご相談ください
何も決まっていなくても構いません。楽にしたい業務をお聞かせください。






