これは、コールセンターの人員計画やバリスタのシフト作成などのサービス業で使われる Erlang-C 公式の出力です。1列目は30分ごとの時間間隔を表します。続いて、各時間間隔ごとに、ドリンクの予測数、利用可能なバリスタ数、許容できる待ち時間を実現するために必要なバリスタ数が示されています。
この情報は、どのタイプのデータドリブンな目的を支援しますか?
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
この章では、データドリブン意思決定のフレームワークに慣れていきます。複数のデータ分析手法とその目的を学びます。章の終わりには、各意思決定がフレームワークのどこに当てはまるかを把握できるようになります。
現在の演習
マーケティングの文脈でデータドリブンな意思決定を適用してみましょう。広告費の最適化、ウェブサイト流入のアービトラージ機会の発見、限られたが関連性の高いデータを用いた新製品の需要予測まで、データを活用して取り組みます。
ファイナンスにおける意思決定にデータを活用する方法を学ぶことは、有益で収益性も高い取り組みになり得ます。この章では、消費者信用、不動産、さらにはコレクティブルという非伝統的な市場まで、データを使って投資機会を検討します。
最終章では、スタートアップ向けのTAM(Total Addressable Market)を算出し、スタッフ配置に使われる需給曲線を学び、顧客の声から改善の余地を見つける方法を扱います。最適化の機会を見極め、既存のビジネスオペレーションを支える実践的な経験が得られます。