ID:79092さん

## 商品開発支援レビュー分析基盤（社内 Web アプリ） | 項目 | 内容 | |------|------| | **期間** | 2023 年 8 月 – 2025 年 3 月 | | **チーム** | 3 名（自身：PM・要件定義・バックエンド／検索ロジック担当） | | **目的** | 商品レビューに潜むユーザーの悩み・要望を可視化し、新商品の企画スピードと精度を高める | | **効果** | 担当者がレビュー読解に費やす時間を大幅に削減し、開発サイクルを短縮| <br> ### 背景・課題 1. 商品開発担当者が、**毎月40h以上**をレビュー読み合わせに消費。 2. 既存ツールは形態素解析とポジネガ判定のみで、**具体的な要望の言語化が困難**。 --- <br> ### 取り組み （課題 → 打ち手） | 項目| 課題 | 打ち手・技術 | |---------|------|--------------| | **検索精度** | セマンティック検索の再現率不足 | **BM25×HNSW**によるハイブリッド検索、さらに生成AIによってリランキングを行い精度改善| | **レビュー理解** | 悩み・要望が抽出できない | **生成AI・機械学習モデル** で多軸ラベリング。商品の話題(例：機能/デザイン/価格)やユーザーの感情(怒り/要望)別にレビューを集計することが可能に | | **大量レビュー要約** | 数百件のレビュー把握が困難 | **クラスタリング × 生成AI要約**で “一目での概要把握” を実現 | | **UX** | 非エンジニアには操作が難しい | 担当者の元に**毎週通い直接会話** → 生成AIを駆使して高速でプロトタイプを作る→フィードバックもらう、を何サイクルも行い、ユーザーの納得性が高いアプリに仕上げることができた| <br> ### 成果・インパクト - **利用率 80 %**（従来 BI は 20 %） - 1人あたりのレビュー調査時間 **20 h → 2 h / 月** - マーケティング部門へ横展開、社内開発アワード受賞 --- <br> ### 個人の主な貢献 - 50 名超へのユーザーインタビュー設計・実施、UI/UX 設計 - NLP アルゴリズム開発（形態素解析・重要語抽出・少数意見スコアリング） - ハイブリッド検索基盤設計・実装（OpenSearch / Python） - 開発タスク管理・進捗リード（スクラム 2 週スプリント × 16） - 社内説明会／ハンズオン講師（延べ 50 名） ---

## 生鮮食品需要・価格予測による仕入れ最適化基盤（スーパーマーケット） | 項目 | 内容 | |------|------| | **期間** | 2023 年 10 月 – 2024 年 8月 | | **チーム** | 2〜3 名（自身：データパイプライン／モデリング／可視化 担当） | | **目的** | 天候・市場動向を加味した需要・価格予測で廃棄ロスを抑制し、粗利を最大化 | | **効果** | 属人的だった仕入れ判断をデータドリブン化し、在庫適正化と発注工数を削減 | <br> ### 背景・課題 1. 天候・イベント要因で需要が大きく変動し、**廃棄率が高止まり** 2. 店舗への仕入れ時期・量の判断を各バイヤーがエクセルで管理→**作業が属人化・工数大** 3. POS／市場／気象データが分散し、**統合基盤が未整備** --- <br> ### 取り組み （課題 → 打ち手） | 項目 | 課題 | 打ち手・技術 | |------|------|--------------| | **データ統合** | POS と外部データが散在 | **BigQuery** へ ETL、農水省公開の市場価格データを Cloud Functions で自動取得 | | **生鮮食品の需要予測** |予測精度が△ | 前日との気温差から人間の体感気温を考慮して特徴量に組み込む| | **価格予測** | 卸売価格の変動が読めない | 市場価格データを **LightGBM** で時系列回帰、異常検知ロジックも実装 | | **可視化** | 担当者が数値を解釈できない | **Tableau** で予測量・最適発注量を提示 | | **定着化** | 現場がツールを使いこなせない | 週次ヒアリング→UI／用語を業務フローに合わせて改善、勉強会を実施 | --- <br> ### 成果・インパクト - 発注業務工数 **50 % 削減** - ダッシュボード利用率 **70 %** ---

## タイヤ配送ルート最適化基盤（トラック配車システム） | 項目 | 内容 | |------|------| | **期間** | 2024 年 10 月 – 2025 年 5 月 | | **チーム** | 2 名（自身：要件整理・アルゴリズム設計・クラウド運用を主担当） | | **目的** | 毎週数十店舗へのタイヤ配送ルートを自動最適化し、移動距離と積載効率を同時に改善 | | **効果** | 配車計画の属人化を解消し、作業時間と配送コストを削減 | <br> ### 背景・課題 1. 配送担当が **毎週 5〜6 h** を手動ルート作成に費やす 2. 距離短縮と積載率向上のトレードオフを **経験則のみ** で判断 3. ルート共有をメール・電話で行うため **情報伝達が非効率** --- <br> ### 取り組み （課題 → 打ち手） | 項目 | 課題 | 打ち手・技術 | |------|------|--------------| | **制約定義** | 車両台数・容量・配送順序などが明文化されていない | 現場ヒアリングで **配送量・車両スペック** を一覧化し、VRP 制約としてモデル化 | | **距離行列** | 手動計算でミス・工数が発生 | **Google Maps API** を活用し Python で距離行列を自動生成 | | **ルート最適化** | 距離最小化だけでは積載率が低下 | **OR-Tools VRP**：距離 × 積載率の複合目的を近似解アルゴリズムで解決 | | **自動運用** | 毎週手動実行が必要 | **AWS EC2 + cron** で定期バッチ、結果を S3 に CSV 出力 | --- <br> ### 成果・インパクト - 配車計画作成時間 **5〜6 h → 0.5 h / 週** - 総移動距離 **30%削減**／平均積載率 **70→90%** - 配送コストを月間 **20%** 削減、属人業務を自動化

## 社内問い合わせ対応 RAG-BOT（SharePoint × Teams） | 項目 | 内容 | |------|------| | **期間** | 2024 年 3 月 – 2024 年 6 月 | | **チーム** | 3 名（自身：RAG 設計・インフラ構築・精度改善をリード） | | **目的** | 社内規程・制度に関する問い合わせを自動応答し、人事課の工数を削減 | | **効果** | 月あたり 50〜100 件を BOT が即時回答し、担当者は確認対応のみで済む体制を確立 | <br> ### 背景・課題 1. 人事課が **毎月 50〜100 件** の同種質問へメール／電話で対応し、業務逼迫 2. ドキュメントは SharePoint 内に散在し、**全文検索が弱く回答が手間** 3. テーブル・レイアウトを含む資料が多く、従来の FAQ Bot では **正確な引用が困難** --- <br> ### 取り組み （課題 → 打ち手） | 項目 | 課題 | 打ち手・技術 | |------|------|--------------| | **ドキュメント取得** | Word/Excel/PDF 多様 → パース失敗 | **Power Automate** + Python で自動パース、メタデータ付与 | | **ベクトル検索** | 文章検索でテーブル情報が欠落 | **Azure AI Search**：行列・セル単位をチャンク化。かつメタデータ付与 | | **RAG 精度** | 回答が冗長・不一致 | LangChain で **リランキング / スライディングウィンドウ**、チャンク長を A/B テスト | --- <br> ### 成果・インパクト - 人事課の作業時間 **20 h/月削減** - Microsoft 製品のみで完結し、運用負荷を最小化 - 他部門（法務・総務）から **類似 BOT 依頼 3 件** 発生し、全社展開を推進