はじめに
技術の進歩は日進月歩。日々アンテナを高くして最新情報を取り入れていたいのですが、どうしても日常業務に追われてしまいがち。
そこで、せめて１ヶ月に１回は情報を振り返ろうと意識しています。
今回は、2020年1月のニュースの中から、小売 × Technology だったり、Google Cloud Platform（主にBigQuery）だったり、個人的に気になる目線で、まとめてみたいと思います。
（2月も半ばを過ぎた今更ですが、いいんです。Qiitaを始めたのは今週からなのですから）
参考にしているサイト
-
[月刊 Google Cloud ニュース / 2020 年 1 月]
(https://cloud.google.com/blog/ja/products/gcp/last-month-today-january-at-google-cloud-2020) -
[Future Tech Blog : GCP連載]
(https://future-architect.github.io/articles/)
どうしても仕事柄、GCPが多めですね。
気になるニュース
GCSでColdlineよりも保管費用が安い、Archivelineが誕生
いきなりの、節約のためのニュースですが、GCSの保管費用が安くなるのは助かります。
料金表を下記のように整理してみると、保管は極端に安いけど、データを持ってくる費用がColdlineより高いので、その名の通りArchiveしたデータを保管しておく用ですね。
| 種類 | 保管費用(GB) | 取得費用(GB) |
|---|---|---|
| Multi-Regional Storage | $0.03 | - |
| Regional Storage | $0.02 | - |
| Nearline Storage | $0.01 | $0.01 |
| Coldline Storage | $0.004 | $0.02 |
| Archive Storage | $0.001 | $0.05 |
うちでも、年単位で触っていないデータがGCSに結構あるので、移動を考えないといけないですね。
GoogleがAppSheetを買収
こちらは、当初「ふ～ん」程度だったのですが、AppShhetで出来ることを見てみると、かなり自分がやりたいことに近くてビックリ。
買収した（＆元々の社内のApp Makerというサービスは諦めた）ということは、これが今後Googleが提供するアプリ作成サービスになるのだろうと信じて、現在勉強中です。→作ってみました
2020年はスマートカート元年？九州のトライアルが米国進出
トライアルさんは、本当にテクノロジーの活用に積極的で尊敬しています。
当初は、どの小売も冷ややかに見ていたのが、今や多くの小売が「真似したい！」となってますね。
とはいえ、どのテクノロジーも同じで、スマートカートを入れたら売上が上がるなら苦労しないもの。
そこで得たデータをどの様に活用していくかが、これからのポイントでしょうね。
とか思ってたら、このニュースの通り、米国進出ですか。日本発のAIソリューションが、米国を席巻していくことを期待したいですね。
野村証券、POSデータを基に消費者心理や価格動向の指標を開発
直接小売ということことではないですが、小売のPOSデータを、株価の予測に使うというのが進んでいるみたいですね。
どこまで予測可能なのかはわかりませんんが、非常に面白い取り組みだと思います。
様々なクラウドにアクセスできるPythonライブラリ「Apache Libcloud 2.8」が公開
最近、マルチクラウドというキーワードがよく言われていますね。
GCPでもAnthosというプラットフォームで提供しているようですが、こういうPytohnライブラリでマルチクラウドを実現することもできるんですね。
すぐにGCP以外のクラウドを使う予定はないですが、覚えておきましょう。
BigQueryの新しい機能
もしかしたら、全部が2020年1月のリリースじゃないかも。。。
BigQuery : パーティション分割テーブルの概要
テーブルのパーティショニングを整数値に基づいてできるようになりました。
下記のように設定するようです。
bq mk \
--range_partitioning=customer_id,0,100,10 \
mydataset.mypartitionedtable \
"customer_id:integer,value:integer"
顧客や商品のランキングを、整数値で分けておくと使えそうです。
データ定義言語ステートメントの使用
BigQueryを使い始めた当初は、TABLEのUPDATEもできなかったですが、色々とDML/DDLが充実してきていますね。
CREATE TABLEや VIEW, FUNCTIONなどは結構使いますが、PROCEDUREというのもあるんですね。
ざくっと見る限りは、FUNCTIONよりも複雑な処理を作れる感じでしょうか。ぜひ試してみたいです。
BQ ML用の探索的データ分析
BQ MLは、Pythonを使わずともかなり簡単に回帰分析や、k-meansを使えますね。
その際に、重要なのはやはりどの変数を使うことですが、Auto Data Exploration and Feature Recommendation Toolを使うと、どの変数が重要かを自動判定することができるらしいです。これも試してみたいですね。