IBM SPSS Modeler

アナリティクス

IBM SPSS Modelerは、分かりやすいインターフェースと高度な分析で、ビッグデータに潜む知見を引き出す、データマイニング・予測分析ツールです。

予測分析BA（ビジネス・アナリティクス）によって
データから未来を予測し
結果の最適化を実現します

製造業のデジタル化が急速に進み、これまで蓄積したビッグデータが活用されてきています。
IBM SPSS Modelerは、この蓄積されたビッグデータを、予測分析BA（ビジネス・アナリティクス）によってパターンや傾向を発見し、ビジネス課題に対する画期的なアイデアを追求することができます。

Point1

予測分析BAにより
意思決定を自動化
Point2

データマイニングで
パターンや傾向を発見
Point3

分かりやすい
インターフェース

予測分析BA（ビジネス・アナリティクス）により意思決定を自動化します

予測分析BAとは現状分析BI（ビジネス・インテリジェンス）の分析結果をベースに、データマイニングや統計分析といった手法によって、未来予測から次に行うべきアクションを提案し、結果を最適化することで、意思決定の自動化を実現することです。

データマイニング（仮説発見）
膨大な顧客データやPOSデータからビジネスによって有効的なルール（事実）を見つけ出します。
統計分析（仮説検証）
分析者が「こういうことが言えるだろう」という仮説を立てて、それをさまざまな分析手法を用いて検証します。

データマイニングでパターンや傾向を発見できます

BAの中でも、ビッグデータから未知の法則を発掘（マイニング）するデータマイニングが注目を浴びています。
IBM SPSS Modelerは、このデータマイニングに特化した構造化データ・非構造化データのパターンや傾向を発見できるワークベンチです。

パターン発見
蓄えられた膨大なデータから有益なパターンや組み合わせを発見します。
予測
過去のデータから最適なモデルを算出させ、未来を推測します。
分類
似たような顧客グループや商品グループをスピーディに求めます。

分かりやすいインターフェースですぐに利用を始められます

分かりやすいビジュアル・インターフェースにより、あらゆる形式のデータのアクセス・整理・モデリングを実現します。

IBM SPSS Modelerは分析機能をもつアイコンを
つなげるだけで分析プロセスを構築できます

IBM SPSS Modelerは、120以上の分析機能アイコンと40以上の分析手法があり、
この分析機能アイコンを矢印でつなげることで分析プロセスを構築できます。
IBM SPSS Modelerは、使いやすさと特長的な多機能によってあらゆる分析業務に対応できます。

さまざまな特長的な機能によってデータマイニングを実現します

高度な分析要件を満たす豊富な多変量解析手法をサポートします。
数値予測、判別予測、分類などの様々な予測ニーズに対応した予測モデルを作成できます。
データ読込み、加工、集計、グラフ作成など分析に必要な機能を搭載しています。
分析結果をMicrosoft OfficeドキュメントやHTML、PDF形式で出力ならびにDBMSへ書き込みができます。
分析ジョブをバッチスケジュール設定することによって必要な分析を自動更新できます。

分かりやすいインターフェースでカンタンに分析プロセスを構築できます

IBM SPSS Modeler基本操作の流れは1. データ読込、2. データ加工、3. グラフ作成、4. モデル作成、5. 結果出力です。

① データ読込: ODBC（Open Database Connectivity）によるDB接続、固定長、可変長ファイル、Excel等の豊富なインターフェースを保有しており、既存の情報資産と連携した適材適所な構成が可能です。
② データ加工: データマイニングでは分析可能な状態に整備されたデータを用いることが重要です。IBM SPSS Modelerではデータの検査・加工機能を保持しており外部ツールを用いることなくマイニング用データを準備することができます。
③ グラフ作成: データの傾向を把握するためのグラフが多数準備されています。グラフを表示させながらマウスで分析対象範囲を指示することができます。
④ モデル作成: IBM SPSS Modelerでは多種なデータマイニング機能を保有しています。自動モデリング機能を併用することで最適なモデリング手法へのクリティカルパスを実現します。
⑤ 結果出力: 複数の予測モデルの精度を比較、エクセル帳票として出力、バッチ・ルーチン化して業務への展開ができます。

CAEプロセスにおける機械学習の活用例

CAEプロセスにおける機械学習適用の可能性

最適化の知識が必要かつ手間がかかる従来の手法に対し、機械学習による支援によって、専門知識がなくてもロバスト解の探索の省力化・効率化を期待することができます。

設計解探索プロセスへの機械学習の適用効果

作業負荷の低減/計算時間の短縮

設計解探索のエリアを絞り込むことで計算数を軽減できます。
計算エラーが生じるINPUTパラメータの組合せを排除できます。
コンター図確認等の目視判断が伴う作業が低減できます。

SPSSとWatsonによる設計解探索プロセス効率化の可能性を検証した事例

① SIMULIA Isightによる実験計画法（ラテン超方格実験）
- 実験回数を任意に指定することでINPUTパラメータの組み合わせが生成されます。
- SIMULIA Isightを計算ソルバーと連携し結果群を自動的に取得します。
②クラスタ分析
- 解析結果からクラスタ分析に用いる指標を選定します。
- 今回は変位量-反力の過渡特性を指標としてクラスタリングを行います。
③クラスタ予想モデルの作成
- 指定された指標にて全解析結果をクラスタリングします。
- クラスタリングされた結果群のINPUTとOUTPUTの関係をSPSSに学習させます。
④クラスタ予想モデルによって設計テーブルをスクリーニング
- ①より実験回数の多い設計テーブルを用意します（計算処理は行いません）。
- ③にて生成された識別器にて各INPUTがどのクラスタに属するか予測させます。
⑤指定されたINPUTによる計算処理および画像取得
- 画像取得用のコンポーネントを組み込むことで自動的にコンター画像を取得します。
⑥コンター図OK/NG予測モデルの作成
- ⑤にて取得された画像を数点選び、人間の判断にてOK/NGを判定します。
- OK/NGの判断結果をWatsonに学習させます。
今回の検証を通じて確認できたこと
- 比較的少ない実験回数であっても、変位量-反力の過渡特性による結果群のクラスタリング処理が行える。
- INPUTとOUTPUTの関係性を学習させることで、任意のINPUTパラメータ組合せからOUTPUT値を予測できる。
- コンター画像を学習させることで、結果確認作業の負荷を軽減できる。