- 次世代型データマイニング技術Viscoveryを国内で唯一弊社が提供して12年の経験（データマイニング・コンサルタントとしても国内最長）を持ちます。この技術により、変数同士が複雑に関係しあう巨大データ（たとえば100万人規模の顧客の数千点の商品に関する購買データ）を効率よくモデリングし、新しいセグメンテーションを定義したり、顧客1人ひとりのスコアリングを高速に実行したりして、マーケティング・キャンペーンの最適化を図れます。

- Microsoft Excel®で動作し、今や代表的な統計・多変量解析ソフトの1つとして数えられているXLSTATの国内発売元でもあり、SAS®やIBM SPSS®などの高額製品とそん色のないデータ解析を、簡単な操作かつ、お手頃な価格で提供しております。もちろん、ソフトウェア・ライセンスのみならず、活用のコンサルティングも承ります。

- データマイニングで成功できない企業様の多くは、実践性に欠ける総花的・教科書的なデータマイニング手法・ツールやその解説者の権威に呪縛されています。弊社は、先端技術のアナリストとしての経験を生かして、世界中のデータマイニング技術を調査し、個別のデータマイニング手法の世界的トップランナー、独自性の高いデータマイニング技術の開発者・コンサルタントと提携しています。これにより、世界のトップ・レベルのノウハウを貴社に伝授することができます。

新技術 CCR: Correlated Component Regression 登場

XLSTATから新技術CCR： Correlated Component Regression（この用語の訳語がないようですので、弊社では「相関成分回帰」としました）のモジュールが登場しました。これは、通常の線形回帰、PLS回帰、ロジスティック回帰、線形判別分析の代替で、多数の変数が相関している場合、変数の数が標本サイズよりも大きい場合に使用できます。CCR手順には正則化が内在しており、予測値の分散（不安定さ）を低減し、また予測変数が中程度から高い相関を持つ場合の予測値の平均2乗誤差をより低くします。

XLSTATに本格的なコンジョイント分析が登場

本格的なコンジョイント分析を実行できるツール"XLSTAT-Conjoint"が登場しました。完全プロファイル・コンジョイント分析とCBC（選択ベース・コンジョイント分析）に対応しています。実験計画法を用いたコンジョイント分析の設計から、収集された回答からのコンジョイント分析の実行、新製品の市場投入シミュレーションまで、すべての作業を行うことができます。コンジョイント分析には、通常の線形回帰に加えて、応答変数が順序データの場合に適した単調回帰（説明変数が量的変数）やMONANOVA（説明変数が質的変数）も装備しています。また、被験者にそれぞれ異なる条件（たとえば、時間とコスト）が説明変数として与えられて、選択肢のどれを選ぶか（たとえば、どの交通機関を選ぶか）という場合に使用できる条件つきロジット・モデルも使えます。これらの特別なモデル手法は、コンジョイント分析の中で使用する他に、単独でも使用できるようになっています。

11Ants Model Bulder/Predictorで失敗しないデータマイニング導入を

これまでデータマイニングの導入には、高価なシステムと、さらにその導入のためのコンサルタント料、導入後の運営のために専任技術者の配置など、莫大な費用をかけることが必要で、それでも成功しているとは言えないケースを見かけることが多いものです。これでは、多くの企業様がデータマイニングの導入に二の足を踏んでしまうのも無理がありません。

データマイニングに熱心な企業様では、さんざんいろいろな苦労をされて、最終的に、弊社が提供する次世代型SOMデータマイニング（Viscovery)の技術的優位性を理解できるようになられる頃には、10年もの年月を経て、すでに多額の出費をしてしまった後ということは少なくありません。皆様が異口同音に「もっと早い時期にマインドウエア総研に相談すればよかった」と悔やまれます。しかし、正直、弊社にはそれほどマンパワーがありませんので、深くお付き合いできるクライアント様の数が限られます。申し訳ありません。

そこで、まず、データマイニングについて経験の浅い企業様にお薦めするのが、11Ants Model Builderです。

11Antsを使うと、最低限Excelの基本操作ができるだけの初心者でも、たったの数分から数10分で、熟練したデータマイニング・エキスパートと比べて、80％ぐらいの成果は確実に達成することができます。つまり、Excel上でデータを選択するだけで、あとはエキスパートがやるのと同じすべての作業を11Antsが自動でやってくれます。

厳密さを必要としないほとんどのビジネス領域では、このレベルか、さらに若干のチューニングをする程度で十分です。もちろん、我々にコンサルをご依頼くだされば、さらにプロフェッショナル・レベルのモデル品質を提供できます。

「多額の費用を投資するのは不安だ」とおっしゃられる企業様には、11Ants Model Builder/Predictorがおすすめです。まずは評価版（ゼロ円！）で、データマイニングの自動化をお確かめください。11 Ants Model Builderの導入に必要な費用は、わずか35万9,000円（税別）です。安心して確実に成果を確かめながらステップアップが可能です。

11Ants Customer ChurnAnalyzer - 顧客維持キャンペーン実施ソリューション

予測・分類型のデータマイニングを自動化する11Ants Model Builderの技術をベースに、顧客離反分析のソリューションが開発されました。つまり、顧客離反分析のための“自動化データマイニング”を提供するということにとどまらず、自動化データマイニング技術をベースにして“顧客離反分析のそのもののプロセス”または“顧客維持キャンペーン実施”のための完全なソリューションを提供します。これにより収益を最大化するキャンペーンのターゲット数を自動計算して、最適なキャンペーン計画を作成し、顧客データベースから収益性への貢献が期待できる顧客だけを抽出することができます。

従来、このような事業部門レベルのデータマイニング・ソリューションを導入するには、高額で一定期間のコンサルティング・プロジェクトまたはトレーニングを必要とするのが通常でしたが、11Ants Customer Churn Analyzerにより、通常のパソコン・ユーザー・レベルの知識・経験だけで、ユーザーが必要とする結果を即座に実現できます。企業におけるデータマイニング導入の時間とコストを大幅に削減します。

Viscovery Profiler/Predictor　-　顧客行動モデルの統一的アプローチ

従来のデータマイニング技術の大きな問題点の1つとして、その統一性の欠如があります。1つの会社の同じ顧客の集合をモデルするために、目的によってさまざまなツール（手法）を使い分けなければならないと信じられています。たとえば、顧客セグメンテーションを発見するにはクラスタ分析を、消費品のクロスセリングの可能性を発見するにはアソシエーション・ルールを、クラス分類モデルには決定木を、予測・スコアリングには重回帰分析を使用するというような（多少、論者によって代替手法が入れ替わりますが）ことが常識として刷り込まれています。

しかし、それぞれのツールで構築されるモデルは、顧客についてのそれぞれ断片的な知見を表現しているだけであり、たとえ1つのデータマイニング・システムに統合されているかのように見えても、各ツール（手法）は、お互いに本質的に全く別個のものなので、それぞれの知見をつなげて理解することが困難です。つまり、従来のデータマイニング・システムは、全体的な統合された知見をユーザーに提供することが得意ではありません。

Viscoveryは、このような問題について、じつにエレガントな解決を提供しています。市販の解説書では、自己組織化マップ（SOM)は、多次元データの次元削減による可視化やK-meansに似た非階層型クラスタリングに使用できるというようなことが書かれています。100％間違いというわけではないのですが、率直に言って「データマイニング」と呼べるようなレベルの説明になっていない本がほとんどです。Viscoveryは、SOMについてのより深い見識により、他社とは全く異なる発想で、90年代から開発されてきました。それは「統計コンパチブルに改良されたSOMを知識表現基盤とする統一的データマイニング」です。

Viscovery製品の安価版であるSOMineでも顧客セグメンテーションはもちろん、クロスセル/アップセルやマーケットバスケット分析も、さらにはクラス分類モデルの構築もできます。しかし、多くのユーザーがこのレベルに止まるのはたいへんもったいないことです。なぜなら、ViscoveryにはSOMローカル回帰モデルという強力な予測・スコアリング手法もあるからです。これは上位製品のProfiler/Predictorでしか使用できません。

たとえば、顧客セグメンテーションにはクラスタ分析を使えばよいか？といえば、じつはそんなに容易いことではありません。なぜならクラスタ分析というのは、どの変数（属性）をモデルに組み込むか？どのように重みづけするか？で無数のモデルが可能だからです。クラスタ分析を成功させるには、確固とした「視点」を据えなければなりません。

ViscoveryにはSOM-Ward法という通常のクラスタ分析よりも高度で強力な階層型クラスタリング手法があり、好評を博しておりますが、さらに高度なレベルを目指す場合、これを単独で使用するのではなく、予測モデルと組み合わせることが重要になります。たとえば、顧客ロイヤルティまたはライフタイム・バリューを目的変数としてSOMローカル回帰モデルを作成して、そのSOMの上で、顧客セグメンテーション・モデルを作成するという、他社には絶対に真似できない離れ技を実現しています。つまり、自社の競争力を増大させる視点に立った顧客セグメンテーションができます。