活用事例

PDFをダウンロードする

BGISは、ファシリティマネジメント、プロジェクトデリバリ、エネルギー＆サステナビリティ、アセットマネジメント、ワークプレイスアドバイザリー、不動産サービスの提供におけるグローバルリーダーです。世界各地に7,000人以上のチームを擁するBGISは、クライアントに価値を創造する革新的なサービスソリューションを提供することに全力で取り組んでいます。

BGIS は世界各地で、政府機関、高等教育、公益事業、通信、金融サービス、石油・ガス、ヘルスケア、クラウド・エンタープライズなどの市場において、30,000 を超える施設、合計 3 億 4,000 万平方フィート以上を管理しています。BGIS は、企業のオフィス、小売店、大学、病院、産業用資産の多様なポートフォリオを管理するだけでなく、データセンターやその他の重要な環境の管理においても世界をリードしています。

30,000件の作業指示書を手動で読む必要を無くす

BGIS はクライアントのために大規模な資本プロジェクトを管理していますが、その中には、効率化を促進するために建物システムや設備の最適化を目的としたものも含まれており、同社の持続可能性に焦点を当てた取り組みとよく一致しています。このケースでは、クライアントの何百もの小売施設で実施された照明の改修に焦点を当てています。レトロフィット後、クライアントは、提供された価値が正確に計算されているかどうかを評価し、その結果を当初のビジネスケースと比較し、調査結果を利用して更なるレトロフィットの決定に役立てたいと考えていました。

クライアントは、照明の改修によって、電力消費量の削減、GHG排出量の削減、作業指示サービスコールの削減など、いくつかのメリットを得ることができます。電力とGHG排出量の削減量は、メーター請求書を通じて測定したり計算したりするのは比較的簡単ですが、作業指示の削減の結果として得られる節約量を定量化するのは、いくつかの理由から複雑です。この場合、作業指示とは、技術者が建物の現場に出向いて、影響を受けた照明のサービスや交換を行うことです。この情報は、数値データとテキストデータで構成されています。物事をより複雑にするために、照明の改装は、常に完全に新しい電球に変更することについてではありません。同じタイプの電球の新しいモデルにアップグレードすることもありますが、ここでは蛍光灯タイプA1からA2にアップグレードしました。これは、単純に分析しやすいように分類されていないレベルの詳細な情報であるにもかかわらず、その情報はテキストの中に隠されています。

この情報を理解するためには、従来のアプローチでは、手作業で作業指示書の問題記述（正確には3万件）を読み、主観的に分類する必要がありましたが、このような情報を理解するためには、作業指示書の問題記述を手作業で読み、主観的に分類する必要がありました。さらに、すべてのサイトが改修プロジェクトに参加していたわけではなく、プロジェクトは複数年にわたっていたため、すべてのサイトが同時に改修されたわけではありませんでした。このような大量のデータを分析する際の典型的なアプローチは、顧客レベルで情報を集約することであり、その結果、テストサイトでの節約効果はコントロールサイトによって希釈されてしまいます。

一言で言えば、データはデータベースに存在していても、大量の作業指示書とそれに対応するテキストフィールドから情報を抽出するのは複雑でした。レトロフィットの節約を証明するのは、見た目ほど簡単ではありませんでした。

クライアントは、将来の照明のメリットを伝えるための詳細な分析を頼りにしていたため、正しい判断を確実にするためには、分析が正確でなければなりませんでした。

データサイエンスを用いてトピックを深く掘り下げ、正確性を確保する

削減量を定量化する客観的かつ効率的な方法を定義するための最初のステップは、ベースラインを特定することでした。いつレトロフィットが行われ、どのサイトがレトロフィットされたのか？テストサイトのベースラインの両側にあるコストを、後付けサイトと後付けサイトの両方で見ると、後付けの影響を特定することができます。

蛍光管の光をタイプA1からタイプA2に変更したことが原因であることを証明することが次の課題でした。これを解決するには、データサイエンスの応用が必要でした。教師なし自然言語処理（NLP）技術であるトピックモデリングを使用して、すべての作業指示書の説明と解決策を読み解き、どのような問題が発生し、現場でどのような作業が行われたかを理解しました。この技術では、サービスコールを客観的に分類し、統計情報を提供してトピックを深く掘り下げて正確性を確保しました。あるケースでは、トピックモデリングによって、天井の高さにある蛍光灯の交換のためにサービスコールが開始された作業指示のカテゴリ（「天井、高さ、標準、蛍光灯」）が検出されました。これは明らかに改修プロジェクトの目的の範囲内にある活動であり、このようなタイプの作業指示を減らすことを目的としたプロジェクトであった。レトロフィット前に発生したサービスコールの他のいくつかのテーマも特定されました。

トピックモデリングは、レトロフィット前とレトロフィット後の両方のフェーズで実施され、

1. 作成された作業指示の種類と数
2. 根本的な問題がレトロフィットが対処するように設計されたものであるかどうか
3. 各種類のトピック内での関連コストを特定

といった例のように、レトロフィット後の量と全体的な優先順位が劇的に減少しました。非改装サイトと比較すると、改装がコスト削減につながったことがさらに明らかになりました。トピックモデリングにより、BGIS は、これらのコスト削減を、改修で交換された特定のタイプの電球に帰属させることができました。

結果

照明改修プロジェクトには約400万ドルの予算が計上されていました。

削減は、電力消費量と保守・修理コスト（M&R作業指示）の両方の削減を組み合わせたものでした。エネルギーの節約は請求書から測定可能でしたが、M&Rの節約はトピックモデリングアプローチが必要でした。したがって、M&R作業指示だけで42万ドル（年率換算）の節約は、プロジェクト全体の予算に占める割合としては相当なものであり、プロジェクト全体のコストを正当化するのに役立ちました。具体的な結果は以下の通りです。

• 年間42万ドル相当のコストを削減
• 平均月間作業指示コストを35,000ドル削減

さらなる節約の可能性

サービスプロバイダーとして、この分析では、すべてのサイトに改修を行っていれば、より高いコスト削減効果が得られた可能性があることが実証されました（改修を行わなかったサイトは、実際にはベースラインよりも時間の経過とともにコストが増加しました）。

さらに、将来の改修は、コスト回避のメリットを享受するために、より短い期間に凝縮され、より強力なビジネスケースと顧客のための節約につながる可能性があります。分析の観点から見ると、最新のテクノロジーは、客観的で透明性があり、再現性のある方法で、一般的なビジネス上の問題に迅速に対処することができます。集計レベルで実施される分析のリスクは、そのような分析が誤った方向性を容易に提供してしまうことです（シンプソンのパラドックス）。

なぜ「KNIME」を選ぶのか？

独立した研究論文のレビューにより、KNIMEはガートナーの2018 Magic Quadrant for Data Science and Machine Learning Platformsでリーダーに選ばれました。さらに、KNIMEの総所有コストは、同じQuadrant内の他のソフトウェア・プロバイダーよりも劇的に低くなっています。

組織にとって真新しいツールであるKNIMEは、豊富なサンプルライブラリ、複数の無料および有料オンラインコース、賑やかなオンラインコミュニティ（多くのオープンソースツールによく見られる）、そして迅速なサポートチームのおかげで、習得するのが簡単でした。KNIMEを選んだ主な理由は、無料でワンクリックでダウンロードできることでした。他のデータサイエンスツールも検討しましたが、ライセンス料が高いため、総所有コストを考えると、すぐに納得がいかなくなってしまいました。また、KNIMEは既存のツールと競合するのではなく、既存のツールと並行して動作するため、Access、SQL、Tableauなど、ビジネスで使い慣れたツールをそのまま使用できるという安心感がありました。

KNIMEを使い始めるのも非常に簡単でした。オンラインで利用できる無料のリソースのおかげです。BGISのBI&アドバンストアナリティクス担当ディレクターのParas Gupta氏は、「経験ゼロから2週間も経たないうちに上級ユーザーになった」と語っています。

「KNIMEは、セルフサービスのETLとデータサイエンスに対するアプローチに新たな興奮と変化をもたらしました。これにより、大幅な時間の節約、監査可能性の向上、他のプロジェクトを経由した情報の一元化が実現しました。ワークフローはビジネスユーザーがKNIMEで開発するのが非常に簡単で、クライアントからの分析依頼を短時間で、従来のオフィスソフトウェアでは不可能なレベルの粒度と精度で処理することが可能です。」- BI & アドバンストアナリティクス担当ディレクター、パラス・グプタ氏

さらに、このケースでは、クライアントは更なるビジネスケースを遡って正当化することができ、BGIS が価値を証明し、クライアントに価値を提供し続けることができるようになりました。

テキサス州オースティンで開催された KNIME Fall Summit 2019 での Paras Gupta氏によるこの事例を紹介するプレゼンテーションはこちらでご覧いただけます。講演のスライドはこちらです。

また、以下のインタビューで、この事例についてParas Gupta氏のトークをご覧いただくことができます。

原文：https://www.knime.com/quantifying-retrofit-roi-using-natural-language-processing-in-knime