社会人MBA-技術者編

August 30, 2007

Wekaを起動する(記憶ベース推論①)

今回は、wekaで記憶ベース推論を取り扱う。

最近傍アプローチは、過去に経験した類似の状況を元に分析を行う手法。分類、推定、予測などの問題を解くために用いられるもので、そのなかの:

①記憶ベース推論とは、過去に起こった事例に基づいて次に起こる事象を予測する場合などに用いられる。
例1)過去の不正のパターンに類似する傾向を発見する。
例2)過去の反応した顧客のパターンより次に反応しやすい顧客を特定する。
例3)過去に効果があった治療法が類似している特徴の患者に効果的。
②協調フィルタリングは、ある人に類似した人の好みを利用して、その人の好みを予測する場合などに用いられる。
例1)Amazonの書籍推薦など(「この商品を買った人はこんな商品も買っています」のあれです)。


とにかく、前回同様、「習うより慣れろ」である。

データは以下をCSV形式にて作成した(参考図書p239表6.12より)。

ある顧客の番号、性別、年齢、収入のデータがあり、それぞれの購入可否(yes or no)を示しており、図中、赤で示した顧客がyesなのかnoなのか予測する。予測の項目には"?"を入力する。



分析は、まず、Preprocess:Open files...でファイルを読み込み、Classify:lazy:IBkを選択。More optios..をクリックし、Output predictionsを選択し"OK"。分析の設定は図のように設定し、"Test option"はデータ数の関係から、"Use training set"を選択し"start"。


すると、下の画面のアウトプットが現れ、予測は"yes"であることがわかる。



次回は分析を若干解説します。

(「Wekaを起動する(記憶ベース推論①)」了)
--> 次回は「記憶ベース推論分析の解説」です。

*ブログ中の図はクリックすれば、拡大されます。
*本ブログ記事の下「Labels」の「データマイニング」をクリックすると、データマイニングに関する記事が一括掲載されます。


<参考>

Labels:


August 27, 2007

Wekaを起動する(決定木分析④因果関係を知る)。

wekaを使用し決定木分析を行い、その因果関係を知ることが今回の目的である。前回まで、ゴルフをplayするか否かJ48を使用し分類、また、こちらが指定する条件での予測を行った。

さて、今回は、例において、「温度」は分類にはいらないのか?という疑問である。
結論からすれば、分析でそうなっていないのだから、分類の因子には入らない。
では、どのような因果関係にあるのであろうか?

その分析は"Bayesian"を使用し行う。ベイズの法則を利用したものである。
が、ここで特にベイズの法則を理解する必要はない。Wikipediaでの検索で十分である。

なぜなら、日頃エクセルで使用している線形グラフ(一次関数:y=ax+bに代表される)で、y=ax+bのa,bは最小二乗法で算出されているが、その数式や概念を理解して使用している人は・・・

下の図が手順である:
Classify:BaysNet:GeneticSearchを選択している。HillClimberでもよい。分析条件はデフォルトのまま行った。


下の結果を見比べてみると、J48で「温度」が分類されなかった理由が一目される。
「play」に関しては、「windy(風)」「humidity(湿度)」「outlook(天気)」が矢印で向かっているので、因果関係が存在する。「temperature(温度)」は湿度、天気に因果関係があり、playに寄与しにくいのである。



ここまでの分析では、企業実務では、データを分類、ある条件下での予測、モデルの精度を表明し、その解説として、「それは○○は△△な関係があるためです」とまで言えるのである。


Bayesianに関してはBayesianの使い方のページにて詳細に説明されています。ご参考ください。


(「Wekaを起動する(決定木分析④因果関係を知る)」了)
--> 次回は「記憶ベース推論」です。

*ブログ中の図はクリックすれば、拡大されます。
*本ブログ記事の下「Labels」の「データマイニング」をクリックすると、データマイニングに関する記事が一括掲載されます。

Labels:


August 26, 2007

Wekaを起動する(決定木分析③予測する)。

wekaを使用して決定木分析を行うが、これまではデフォルトの設定で分析したが、詳細な分析条件の設定は以下の図で行うことが出来る。



画面の"more"をクリックすると説明がなされているが、おおまかには:
binarySplits=属性データ(例では天気、風など数値でないデータ)で決定木を作成する。
minNumObj=リーフごとのinstancesnの最小数。
seed=seed数を設定。
subtreeRaising=刈り込みの際の設定
unpruned=刈り込みを行うかどうか。

などであるが、種々の設定を行って分析して、アウトプットの"Correctly Classified Instances"における%の表示でモデルの精度が高い設定がよい。

さて、モデルを構築したら、企業実務では「予測」がメインワークとなる。
「この条件が○○で、あの条件が○○のとき、ゴルフへは行くのか?」である。

下のCSV形式ファイルは、weather.arffをweather.csvに保存し、エクセルで編集、CSV形式で保存したもので(「Wekaを起動する。」参照;wekaが使用しやすいのは、エクセルでデータ入力が行える点である→データ数がエクセルの行数(約6万桁)を超えない場合)、赤字の部分は予測したい条件を追記したものであり、"play"の部分には"?"を入力している。追記したファイルは"westher_2.csv"として保存している。このファイルを読み込み、分析を開始する。



ファイルを読み込んだら、上の設定で、あらかじめ、"Correctly Classified Instances"が高い条件を設定し、下の図のように、"More options..."をクリックし、"Output predictions"にチェックを入れ、"OK"をクリック、分析をstartする。




すると、上図がアウトプット画面に挿入されている。"actual"は実際のデータで、"predicted"は分類(予測)されたデータのことで、予測する際に"?"と入力した項目には"?"がアウトプットされていることがわかる。

従って、この条件での予測は"yes"である。

(「Wekaを起動する(決定木分析③予測する)。」了)
--> 次回は「因果関係を知る」です。

*ブログ中の図はクリックすれば、拡大されます。
*本ブログ記事の下「Labels」の「データマイニング」をクリックすると、データマイニングに関する記事が一括掲載されます。

Labels:


August 25, 2007

Google Mapはスグレモン。

Google Japan Blog: Google マップを自分のサイトに貼り付けようによると:

「ブロガーやサイトオーナーの皆様に朗報です。JavaScript や Maps API の知識がなくても、簡単にGoogle マップの一部を切り抜いてコピペするような感覚で、自分のページに地図を埋め込むことができるようになりました。」

ということらしい・・・。

ということで、素人の私も挑戦!早速、岡山県岡山市の吉備津神社周辺を試して見た。


拡大地図を表示

本当に出来ちゃうんですね、これが。


August 23, 2007

Wekaを起動する(交差検証法)。

今回はモデルの精度についてである。分類モデルの生成では、その精度(Accuracy)が非常に重要であることは前回までに述べた。今後、種々の分析手法を紹介するが、それらは、何らかの方法でデータに対するモデルの精度を推定してやらなければならない。その代表的な方法が交差検証法(モデルの精度を推定する) である。下図で四角に囲んである部分がその設定である。


この方法では、まず元のデータをn個のブロックに分割し(通常10~20の値が用いられる)。その際、各ブロックに割り当てられる件数が同程度になるようにする。

と、ここで、「トレーニングデータ」と「テストデータ」の概念が必要である。
例で、ゴルフをplayするかどうかの決定木分析を行なったが、このデータ件数は14件である。

仮にこれを10件と4件に分割し、10件でモデルを作成する。作成されたモデルと4件を比較すると正答率が把握できる。このときの10件をトレーニングデータ、4件をテストデータと呼ぶ。訓練データ、教師データと呼ぶ場合もあるみたいである。

このようにしなければ、精度が求まらないのである。このことを交差検証法(モデルの精度を推定する) ではうまく表現していて:

「これは、受験勉強に例えることができます。参考書の問題を「解答をみながら」解いていけば、参考書に載っている問題ならばどのような問題でも100%正解できるようになるでしょう。だからといって、本番のテスト(解答は見れない!!)でも良い結果が得られるとは限りません。そこで、何らかの方法で未知のデータに対するモデルの精度を推定してやる必要がでてきます。受験勉強で言えば、「あなたは○○大学に合格できる確率は60%です」といった目安が必要になってきます」」

だそうである。

要は、例えば100件のデータを10件ごとに、A,B,C,D,E,F,G,H,I,Jと区切り、A~Iでモデルを作成し、Jで答えあわせを行なう。次に、B~Jでモデルを作成しAで答えあわせを行なう。更に、B以外でモデルを作成しBで答えあわせを行なう、更に・・・を続けて精度を算出しているのである。実務上は、決定木分析といえども、種々に条件を変えて行なうが、アウトプットで表示される「Correctly Classified Instances」の%に着目して、モデルの精度が高いものを採用すればよいのである。

(「Wekaを起動する(交差検証法)」了)
--> 次回は「決定木分析で予測」を行ないます。

*ブログ中の図はクリックすれば、拡大されます。
*本ブログ記事の下「Labels」の「データマイニング」をクリックすると、データマイニングに関する記事が一括掲載されます。

Labels:


August 21, 2007

Wekaを起動する(決定木分析②-2)。

Wekaを起動し決定木分析を行い、Wekaでの結果の一部の意味を説明した(前回まで)。Wekaは種々のサイトでも説明されているので、あわせて参考にしてください。

今回は前回のアウトプットの解説の続きである。



図(クリックすると拡大されます)のように、種々の計算項が並んでいる。図中の「(Kappa statistic)κ統計量)」は一致率の検定に使用されるもので、この場合に限らず使用するものである。

図では、Confusion Matrixを示し、TP Rateなどが計算されている。これは、yes(ゴルフをする)をPositiveとした場合である。
モデルの精度に関しては、通常「Accuracy」(図ではCorrectly Classified Instances "9"の右に示される64.2857%)と呼ばれるもの示され、全データ(例は14件)中、9件(yesの場合)を正解している、というものである。

企業実務家が使用する指標はこれらである。

(Kappa statistic)κ統計量やTP Rateなどは、○○以上であればよい、という数値はない。取得しているデータの性質(趣向なのか、売れ行きなのか)により、高低があるからである。これは統計解析と異なる点である。

決定木分析は、あるデータ群において、目的変数を説明変数で分類し、傾向を把握する、というものである。

(「Wekaを起動する(決定木分析②-2)」了)
--> 次回は「交差検証法」です。

*ブログ中の図はクリックすれば、拡大されます。
*本ブログ記事の下「Labels」の「データマイニング」をクリックすると、データマイニングに関する記事が一括掲載されます。

Labels:


August 20, 2007

Wekaを起動する(決定木分析②-1)。

Weka を起動し決定木分析を実行することを前回掲載した。今回は下の画面に示される結果の意味を掲載する。


今回の掲載分は下の部分である。

お気付きの様に、決定木分析は単なる分類である。

例えば、晴れて湿度が75%以上の時は、ゴルフをplayするのである(図では左のyes(2.0))。また、決定木の一番上が「outlook」からはじまることから、「天気」で分類することが最も分類しやすい、のである(これについては、「Greedy Algorithm」で検索して参考にしてください)。結局、下の図は「このようなデータを、このような方法(アルゴリズム)を用いて分類しました」と述べているに過ぎない。


Weka起動からここまでの操作、及びJ48以外のアルゴリズム、決定木の設定などは、WEKA と樹木モデル にも解説されているので参考にしてください。

(「Wekaを起動する(決定木分析②-1)」了)
--> 次回は結果の解釈のつづきです。

*ブログ中の図はクリックすれば、拡大されます。
*本ブログ記事の下「Labels」の「データマイニング」をクリックすると、データマイニングに関する記事が一括掲載されます。

Labels:


August 19, 2007

Wekaを起動する(決定木分析①)

このシリーズ(データマイニング入門-weka)はこちらにPDF化しています。ご参照ください。
データマイニングの分類と簡単な説明はこちらです。

まず、「習うより慣れろ」だと思う。今回は、とりあえず、決定木を作成する手順を紹介する。データは、weather.arffを用いる(この投稿のシリーズでも掲載したが、csv形式でもファイルを読めるので実用上はエクセルでデータ作成→csv形式で保存→wekaで読み込みの流れになるが、説明のためインストールするとお試し用に作成されているデータを用いている。記事の投稿の最後のほうに"Labels"があり"データマイニング"を選択すると関連記事が並んで表示されます)。

ファイルの読み込みは、下のとおり(クリックすると拡大されます)。
wekaを起動し、"Explorer"をクリック、"Open file..."をクリックし、指定のファイル(weather.arff)を開く。


次に、"Classify"タブをクリック、"Chooes"タブをクリックし"tree"の"J48"を選択する。


下の画面の設定で"start"をクリックする。すると、アウトプット画面に結果が表示されていることが確認できる。


さらに、下の画面の操作に従い、操作すると、決定木が作成されていることが分かる。データマイニングの決定木分析が完了したのである。あまりにもあっけないので拍子抜けするかもしれない。


--> 次回はこの分析結果の解説を行います。

(「Wekaを起動する(決定木分析①)」了)

データマイニングに関する種々のサイト
http://www.weka-jp.info/
Wekaの日本語情報のページ
http://www.kdnuggets.com/
データマニングのためのフリーソフトを紹介する有名なページ(英語)。
http://www.mindware-jp.com/kdnuggets/index.html
上の関連サイト(日本語)
http://bruch.sfc.keio.ac.jp/course/DM01/man-a.html
相関ルールの分析が行えるフリーソフトaprioriがダウンロードできる。
大学関係のページで使用法が詳しい。
http://www1.doshisha.ac.jp/~mjin/R/200611_40.pdf
相関ルール分析の報告(同志社大学 金明哲教授による)
*報告関係はこれ以外に検索サイトで多くヒットします。
http://musashi.sourceforge.jp/
MUSASHIのページ。「MUSASHIは、当初、ビジネスにおけるデータマイニングの実施に必要となる、大量データ処理のために開発されたコマンド群です。MUSASHIが処理対象とするデータはXMLで記述されたXMLtableもしくはPlain Textによる表構造のデータです。マシンのスペックにもよりますが、数百万件~数千万件のデータ処理が可能です」本文より。

*本ブログ記事の下「Labels」の「データマイニング」をクリックすると、データマイニングに関する記事が一括掲載されます。

Labels:


August 17, 2007

Wekaを起動する(補足)。

前回掲載したarff形式のデータはどのように作成されているのか?
下の画面がその答えとなる。前回掲載(このブログの前の記事)のcsv形式のデータと比較すると違いがよくわかる。


「あープログラムなのかぁ」と思われるかも知れないが、私もこの分野は素人であるが、使うことが出来ているので、安心(!?どういう意味で!?)である。確かXML形式でもこのような形式だったと思う。

仕組みは以下である。

一行目の@relation weather は名前とする。ちなみに、プログラムに関係のないコメントを挿入する際は、文頭に「%」をつけて記入していることが多い。
次に、「@attribute」で属性や因子を宣言する。「outlook」の場合「{sunny, overcast, rainy}」のいずれか、という属性データになる。「temperature」の場合"real"としてあるのは、数値が入る宣言である。このように属性や因子を宣言していけばよい。
そして、@data以下に「,」を区切りとしてデータが入力されているのである。
ズボラな私は、このデータの上書きで分析対象ファイルを作成し、活用している。素人なのでこの方法が手堅い。これだと、(汎用PCであっても)データが数万桁であろうが対応できる。

「で、あなたは、上の画面をどうやって見てるの?」

これは「TeraPad」というテキストエディタを使用している。これもフリーソフトなので非常に便利である。

データマイニングは統計解析のように論理的に回答が算出されるわけではない。あぁいう傾向、こうゆう傾向、など、分析の方法を変化させれば、百人が百人同じ行動をするわけでない様に種々に傾向が見つかるものである。それを踏まえてどのような行動をするかは戦略である。

今後紹介する分析が「サラリーマンのお小遣い」程度の出費で行なえる(いやネットをサーフすれば、投資はほとんどいらないかもしれない)のであれば、結局は、取得しているデータの傾向がつかめればいいのであれば・・・「安いにこしたことはない*」

本ブログ記事の下「Labels」の「データマイニング」をクリックすると、データマイニングに関する記事が一括掲載されます。(本文中の*はその昔、(全盛期の頃の)ダイエーの中内氏が膨大なデータを分析するシステムの提案を受けていた時、そういったそうです)

(Wekaを起動する(補足)了)

次回は決定木分析です。

Labels:


August 16, 2007

Wekaを起動する。

Weka ページにてダウンロード、インストールが終了したら、Wekaを起動する。起動すると右のような画面が現れる。"Explorer"が実際のマイニングを行なうコマンドである。"knowledgeFlow"はマイニング作業のフローをアイコンを使用し、実際に計算も実施することができる。

が!使用したことはない。"Explorer"からで問題ない。
試しに、適当でよいのでアイコンを配置してみると・・・そういえば、提供企業がマイニング作業の説明にこの画面に似た画面を使用して説明してくださった。

問題は、使用者が「どのようなデータを用いて、何をマイニングしたいのか」である。
例えば、ショップのレシートからどの商品と、どの商品の組み合わせがよく売れているのか?(ちなみに一般的にこの分野で言われているのは”ビール”と”おむつ”です)、またある商品を購入した人は、次にどのような商品を購入している確率が高いのか?などである。

典型的には、コンビニエンスストアにて、レジ打ちの際に、性別と年代を入力している(よーくレジを見てみて下さい。受け取った金額を入力したあとに押すボタンです)。これと天候などの情報を組み合わせて、発注する商品を決定する。これこそ、マイニングである。また、現在はポイントカードを使用する店も多く性別などの属性、購入商品履歴が店に保存されているため、大手電器量販店などの棚の配置換えはそのデータに基づいて行なっているのである。

さて、作業に戻り、次に"Explorer"を押すと下の画面が出てくる。

画面左の"Open file.."をクリックしファイルを読み込み、分析を開始させるのである。おそらく、最初の起動時には、Wekaをインストールしたドライブのprogram filesフォルダ内にあるWekaフォルダが参照され、その中のdataフォルダ内が見えるはずである。ファイルの拡張子はarffである(***.arffとなっていて鳥のようなアイコン)。

とここまでくると、「じゃ、arffデータはどうやって作るのか」と知りたくなるが、分析すべきデータが6万桁以下の場合は、csvファイルで行なえる。ちなみに、"Open file.."をクリックし"weather.arff"を開き、上の画面の右上"Save"でファイルをcsv形式に変更して保存してみる。これを立ち上げたものが、下の画面。


この画面から、このデータは、「天気」「温度」「湿度」「風」により「Play」するかどうかのデータである(*playはゴルフ)。逆に言うと、一行目に属性や因子、それ以降にデータを入力する形をとれば、エクセル内でデータを作成し、csv形式で保存したファイルを使用することが可能である。

とりあえず、今後の分析はこのデータを使用していきますのでご確認ください。

(「wekaの起動」了)

*データマイニングに関しては学術分野での活用は進んでいますが、企業実務では?なのですが、本当に参考になる日本語の参考図書はあまりありません。当然、Wekaのようなソフトを使用しての解説本は皆無です。ただ、大よその分析の原理などを丁寧に記載してあるのは下の図書ですので、よければ参考にしてください。

Labels:


August 14, 2007

Weka どうマイニングする?

Data mining --- データマイニングはといえば、大量のデータを取り扱う、特別なPC、指導が必要である、など思われているかも知れないが、企業の実務レベルにおいては、これだけインターネットが普及し、情報が溢れている状況では、特別な手法ではなくなってきている。

これを使用していくのに、統計をマスターしなくては!?ということもいらない。やっていくうちにわからない用語が出てくれば、調べればいいだけのことである。ネットで調べるもよし、いやテキストがなくては・・・と考える方は下のテキストは参考になる。

考えてみれば簡単なことだが、製造業で開発設計者が利用する「実験計画法」は最適解を求めるために使用するが、彼らが、数量化理論を理解しているだろうか?彼らは、何かひとつの方法をマスターしていき、そこを基点として、種々の方法や理論をマスターしているのである。

確かに数学的素養は必要である。が、それは、車の運転に慣れてから車の仕組みに詳しくなっても問題がないレベルの話である。

ビジネス実務は出来た者勝ちである。英語はしゃべれたほうがいいし、数字の分析に強いほうが得である。同時に、出来る者を知っていることも重要である。ならば、高額に位置づけられているデータマイニングを最小限の投資(サラリーマンのお小遣いの範囲)で手元に置くことは確かな情報ソースへアクセスすることである。

それは、釈迦に説法だが、ソフトには必ずフリーが存在することを知ることである。かつ、このケースの場合、日本ではソフトウェアの開発は学術的に評価が低いことが現状であるが、ならば、それが「高い」国や地域へアクセスすればよい。

私が使用しているのは、Weka と呼ばれるニュージーランドの大学で開発されたソフトである(フリーソフトです)。テキストは下にあるとおりで、やや高額な書籍(かつ英語)であるが、云百万(いやPC込み、ネットワーク構築云々といって更に高い金額)かかることを考えると、企業の実務レベルでの使用では、経費すら落ちない価格かもしれない。

ネットをサーフすると、使用の仕方をブログ等で指南したり、実施例の報告などされており、時間とともにその使用方法を理解するであろう。

そこで、あなたは必ず落胆する。決定木分析、ニューラルネットワーク、リコメンデーション(k-nnによる)、相関ルール・・・これらはソリューションを提供するものではないのである。

例えば・・・
高度成長期の日本のGDPを年代ごとにプロットすると右肩あがりであることがわかる。この「右肩あがり」がマイニングした結果なのである。

あなたのショップで、ある企業の商品Aと別の企業の商品B、Cが同時に購入されている割合が高いことが判明した。この判明したことがマイニングなのである。

商品A,B,Cを同じページ(ネットショップだとすると)に掲載することも、Aを選択する人にBを薦めることも、また、amazonのように「このような商品を購入された方は・・」とCを紹介することも・・・あなたの経営判断なのである。

ここまで注目されるようになったのは、企業の実験室レベルでの数十から数百レベルのn数ではなくて、百貨店で発行したレシート総数を分析できるなど、マスデータを取扱い、かつ傾向を分析できるからである。(ご存知のようにエクセルでは6万桁程度しかないのでそれ以上の数を取り扱うことは難しい)

と、ここまでくれば、それらに膨大なコストをかけるのは馬鹿らしくなってしまう。実際、私もデータマイニングを提供してくれる企業と幾度が打ち合わせを行い、自社への導入状況(より拡大するかなど)を検討してきたが、答えはNoである。イニシアティブをこちら側へ移行できないので、いつまでも保守点検費などを支払わなければならず、また、システム自体が眠ってしまっている・・・(従業員が使わない、使えない、わからない)。

結局、何が出来て、何を実現できるかを把握していないという本質的問題なのである。(提供企業の問題ではありません)

従って、本ブログでは、まず簡便にソフトを使用いただくため、Weka を使用した代表的な分析の方法を順次公開し、皆様のお役に立てればと考えています。


・・・私もデータマイニングを銀の弾丸と考えていたんですよ・・・。

<参考図書>

Labels:


August 5, 2007

オキシライド乾電池の自動車

ascii.jpによると、オキシライド乾電池の自動車による「走行記録会は、ギネス世界記録認定員の立ち会いの元に行なわれており、この記録は“乾電池を動力源とした車両の最高速度”のギネス世界記録として認定される」。乾電池で自動車が走るとは、素晴らしい。

社団法人電池工業会によりまとめられている「一次電池販売数量、金額長期推移」を見ると、近年、「アルカリ電池」の数量の落ち込みに対して、販売金額の落ち込みが著しい。

つまり、大きなトレンドとして単価下落が甚だしい、ことが背景にある。

アルカリ電池の主な製造企業は、松下電池、東芝電池、FDKエナジー、SONY、日立マクセルである。株主構成を見ると、FDKエナジーでは東芝電池、SONY(ソニー・エナジー・デバイス)や三菱電機(東京商工リサーチ情報)があることから、OEMなど業務上の関係が深いことがわかる。また、業界では長年、松下電池が約四割の市場占有率を保ち、トップ企業である。つまりは、業界は二極化しつつあるといってよい。おそらくは、近年の東アジア諸国による低価格品に対抗したハイエンド品であることが伺える。

企業がこのような局面にあるとき、①ハイエンド化、②ローエンド品の切捨て、が考えられるが、なぜ、マンガン電池をやめないのだろうか?

オキシライド電池がさらに長寿命に!――松下電器産業、従来品より1.2倍長持ちのオキシライド/アルカリ乾電池を発表/2006.1.16 では、「松下電池工業(株) 一次電池社 社長の梶川陽二氏は乾電池需要の現状と今後について語った。乾電池需要全体は、2008年まで全世界で180億個前後と横這いの一方で、オキシライド乾電池を含むアルカリ乾電池の割合が徐々に増加すると見ている。特に現在は乾電池需要の低い国々での需要増加が期待できるため、アルカリ乾電池は今後も「2~3倍伸びる可能性がある」(梶川氏)としている」と述べられている。

それほど市場があるならば、余計に、これまで日本の市場で信頼を得てきた「アルカリ電池」を販売すればよいのではないかと勘ぐりたくなってしまう。さらに、(いずれはそうなるだろうが)現在のところ、オキシライド乾電池はJISやIECの規格品ではない。また、名前の由来となっている「オキシ水酸化ニッケル」という素材も安価なものではない。市場ではアルカリ電池とのカニバリゼーションを制御することは大変難しいことであろう。

これだけの要因を含んだオプションを選択するとは、やはり、業界トップでしかわからない戦略があるのであろう。

・・・このケース、皆様はどのような議論をなさいますか?

Labels: