ブログコーナーへようこそ
Next.js は、最近オープンソース化された人気の React SSR（React サーバーサイドレンダリングフレームワーク）です。SEO フレンドリーで最小限の設定でアプリケーションを構築できます。 サーバーサイドレンダリングにより、クライアントに返す前に SEO メタタグをサーバー側で割り当てることができます。 これにより、検索エンジンは JavaScript を実行することなくデータをクロールできます。これは、ブログやニュースサイトに特に適しています。 また、サーバー側でレンダリングされるアプリケーション向けの汎用 JavaScript フレームワークでもあります。React 上に最小限の API サーフェスを提供することで、アプリやウェブサイトの開発をより快適で簡単なものにします。 Next.jsの起源 Next.js フレームワークは、ZEIT という組織によってサポートされています。2016年10月25日にオープンソース化されました。React、Bable、Webpack をベースに構築されています。 ZEIT はブログで、現在自社のサイトが Next.js で稼働していることを述べています。 next.js は、2016年10月25日にオープンソース化された際に初めてリリースされました。その後すぐに、2017年3月27日に Next.js 2.0 がリリースされ、その後もバージョンがリリースされてきました。 最新バージョンは Next.js 5.0 です。 Next.js は多くの開発者に人気があり、Typescript も同様です。そのため、最終的にはこれらを併用する人も出てくるでしょう。そして、それは既に起こりつつあると言えるでしょう。 Typescript とは何でしょうか? Typescriptは、Microsoftによって開発・保守されているプログラミング言語です。Typescriptもオープンソースであり、構文的に厳密なJavaScriptのスーパーセットです。 では、next.jsとTypescriptを併用するにはどのような選択肢があるのでしょうか？まず思いつくのは、ZEITの公式パッケージ next-typescript を使うことです。これはts-loaderを使用しており、問題なく動作します。 しかし、awesome-typescript-loaderという選択肢もあります。これを使用する主な理由はパフォーマンス最適化ですが、Babelとの統合や型チェッカーを別プロセスで実行できることも理由の一つです。 Next.js の機能の一部を以下に示します。 Next.Js アプリケーション Next.jsは現在、データベースや人工知能など、様々な分野で利用されています。以下に、その応用例の一部をご紹介します。 このフレームワークは数か月で消え去るものではなく、今後も存続するものであることは明らかです。
データサイエンスと機械学習は、最も急速に成長しています。言うまでもなく、大手企業は機械学習とデータサイエンスに投資し、新しいアプリケーションを開発しています。 IBMは、2020年までに米国のデータプロフェッショナルの求人数が36万5000件増加し、273万件に達すると予測しています。「データサイエンスと機械学習とは一体何なのか？」と疑問に思われる方もいるかもしれません。 続きを読んで、さらに詳しくご覧ください！ データサイエンスと機械学習とは何ですか? データサイエンスとは、基本的に、意味のある結果や洞察を抽出することを目的としたデータの研究です。数学、AI、統計学の分野の原理を戦略的に組み合わせ、膨大な量のデータを分析します。 機械学習は、コンピュータサイエンスの一分野、または人工知能の応用分野であり、機械やシステムが明示的に自動プログラミングすることなく、経験から学習し、改善する能力を提供します。 近年、機械学習とデータサイエンスの分野は急速な成長を遂げています。では、機械学習やデータサイエンスの仕事に就くには、どのようなプログラミング言語を学ぶべきでしょうか？ 機械学習とデータサイエンスの分野で働くには、特定のプログラミング言語とスキルを習得する必要があります。この記事では、機械学習とデータサイエンスに必要な7つのプログラミング言語を解説します。 これを実現するために、次のような機械学習用の主要なプログラミング言語と連動したスキルが検索されました。 機械学習とデータサイエンスに最適な7つの言語 パイソン Pythonは、汎用プログラミングのための対話型、インタプリタ型、オブジェクト指向の高水準プログラミング言語です。PythonのコードはGNU General Public License（GPL）に基づいて利用可能です。Intelでのマイクロチップのテストから、PyGameライブラリを使ったビデオゲームの開発、Instagramの運営まで、何千人もの人々に利用されています。 ジャワ Javaは、クラスベース、並行処理、オブジェクト指向を備えた汎用コンピュータプログラミング言語です。特定のアプリケーションの開発に広く使用されています。ブラウザでアプリを実行できるWebプラグインも提供しています。 構造化クエリ言語 SQL（構造化クエリ言語）は、データサイエンスで人気の言語です。プログラマーはSQLを使用することで、クエリを用いてリレーショナルデータベースを操作できます。さらに、データを徹底的に分析し、データのテスト環境を構築することもできます。 R Rはプログラミング言語であり、統計計算とグラフィックスのためのフリーソフトウェア環境でもあります。R Foundationによってサポートされています。また、データマイニングや統計専門家の間では、統計ソフトウェアの開発やデータ分析に広く利用されています。 C++ 汎用プログラミング言語であるC++。C言語の拡張版であり、命令型、オブジェクト指向、ジェネリックプログラミングの機能を備えています。C++は、Windows、Mac OS、各種UNIXなど、複数のプラットフォームで動作します。 スカラ Scalaは、関数型プログラミングと強力な静的型システムをサポートする汎用プログラミング言語です。Scalaの静的型は、複雑なアプリケーションのバグを回避するのに役立ちます。 Java仮想マシンとJavaScriptランタイムにより、膨大なライブラリのエコシステムに簡単にアクセスできる高性能システムを構築できます。 ジュリア Julia は、高性能な数値解析と計算科学のニーズに対応するために設計された動的な高水準プログラミング言語です。 機械学習言語の全体的な人気 Pythonは最も多く使用されており、データサイエンティストと機械学習開発者の56%が使用し、32%が開発に優先的に使用しています。 RはPythonとよく比較されますが、ユーザーベースと人気という点では大きく差をつけられています。Rは全体の使用率では3位（31%）です。優先順位は最も低く、使用している開発者のうち優先的に使用しているのはわずか17%です。これは、多くの場合、Rは第一選択ではなく、代替言語であることを意味します。 Pythonも同様の比率で56%と、他の言語の中で圧倒的に高く、Pythonの使用傾向がRとは正反対であることを明確に示しています。 Pythonは最も広く使用されている言語であるだけでなく、大多数のユーザーにとって第一選択の言語でもあります。 言語についての詳細 より高速な計算を行いたい場合、そしてアルゴリズムのベンチマークを行いたい場合、C/C++に勝るものはありません。 C/C++は、使用率（44%）と優先度（19%）の両方でPythonに次ぐ2番目の選択肢です。JavaはC/C++に僅差で続き、JavaScriptは使用率では5位ですが、Rよりもわずかにパフォーマンスが優れています。 機械学習における他の言語（Julia、Scala、Octave、Ruby、SAS、MATLABなど）についても徹底的に調査しましたが、いずれも優先度5%を下回り、使用率も26%を下回っています。 プログラミング初心者で、機械学習を始めようと考えている場合は、豊富なライブラリと使いやすさから、Pythonが最適な選択肢です。一方、IT環境での就職を夢見ている方は、Javaの使用に備えておく必要があります。 今こそ機械学習の時代です。どの言語を選ぼうとも、その道のりは素晴らしいものになることは間違いありません。こうした技術情報をより多く入手し、ブログを最新の状態に保つために、当社では最高品質のコンテンツを定期的に公開しています。
成長中のビジネスに適した B2B 電子商取引プラットフォームを選択する際のベスト プラクティスと注意すべき点について説明します。 B2CからB2Bへのトレンドの移行 B2B（企業間電子商取引）とは、Webを介してある企業が別の企業に販売する取引形態で、真にグローバルなビジネスです。 確かに、B2Cはeコマースで成功を収めているように見えるかもしれません。eコマースはあらゆる場所で見られるようになり、その約半数はミレニアル世代です。 B2B eコマース業界はB2C市場の4倍の規模と言われており、驚かれるかもしれません。 米国商務省によると、わずか数年で1兆ドル規模の市場に成長し、米国全体のB2B売上高の15%以上を占めるようになると言われています。 B2B eコマースのスタートアップ企業を選ぶ際には、注文要件、ウェブサイトインターフェース、顧客体験、決済統合に対応し、ビジネスの成長に合わせて健全な経営にも貢献できる企業を選ぶ必要があります。 この記事では、成長中のビジネスに適した B2B 電子商取引プラットフォームを選択する際に考慮すべき点とベスト プラクティスについて説明します。 必要なものだけでなく、電子商取引で知らないことや必要なものも把握する Eコマースプラットフォームを理解する そのプラットフォームはB2B eコマースに最適ですか？ 十分な機能を持つプラットフォームは、一時的な機能に過ぎず、ビジネスを成功に導くコアサービスが不足している可能性があります。B2BプラットフォームとB2Cプラットフォームの違いを理解する必要があります。 B2Bビジネスには、取引を行う際に特定の要件があります。プラットフォームは、これらの特定のニーズを満たす必要があります。 適切なプラットフォームを探す際には、次のチェックリストを念頭に置いてください。 プラットフォームは十分にカスタマイズ可能ですか? ぜひチェックしてみてください。 統合に関してはどの程度柔軟性がありますか? プラットフォームには、ERPおよびCRMとの適切な連携機能が必須です。また、既存のソフトウェアを新しいプラットフォームに統合できる必要があります。 eコマースの潜在能力と効率性を最大限に引き出すために、現在ではほとんどのB2Bプラットフォームが、プラグインを介して簡単に、あるいはすぐに使える形で連携できる機能を提供しています。 クラウドテクノロジー実務 プラットフォームがホスト型、オンプレミス、クラウドベースのいずれかであるかを確認してください。クラウド技術の活用はもはや当然のことです。企業は現在、ワークロードの80%をクラウドで実行しており、その割合は継続的に増加しています。 ある調査によると、既に多くの人がパブリックネットワークとプライベートネットワークでクラウドを利用しています。しかし、今年最も顕著な増加は、ハイブリッドクラウドへの移行でした。さらに、ハイブリッドクラウドは進化を続けており、B2B eコマースのトレンドにおいてさらに重要な要素となるでしょう。 プラットフォームは顧客に最高のユーザー エクスペリエンスを提供していますか? 適切なCMS、ブラウジング互換性、応答時間、PCIセキュリティ、そして隠れたコストなどがない透明性が不可欠です。 最適なユーザーエクスペリエンスを実現するために、一貫したパフォーマンスでモバイルフレンドリーなコマース環境を維持する必要があります。 さらに、プラットフォームのスループット、データ負荷許容量、最適化の限界にも注意が必要です。 商品カタログ、ショッピングカート、各種課税を含む決済、注文処理、そして多様な安全な決済機能は、eコマース取引を実行するための主要な構成要素です。B2B eコマースのサードパーティロジスティクスパートナーと配送オプションもご確認ください。 調査を始めるのに最も急成長している電子商取引プラットフォームは次のとおりです。 成熟したテクノロジーの普及とB2Bの台頭により、人々の期待はB2B企業に従来の快適ゾーンからの脱却を迫っています。 しかしながら、B2B eコマースはあなたの仕事への投資です。プラットフォームは、短期的にも長期的にも、あなたのビジネス戦略の達成を支援するものでなければなりません。
ビジネスプロセス・リエンジニアリングの実施 BPRは、企業の製品開発再設計プロセスにおいて、より良いアウトプット、品質、スピード、コスト効率を達成するために行われます。 ビジネスプロセス・リエンジニアリングの導入は、ゼロから既存のプロセス全体を再構築し、サイクルタイムを短縮することからスタートします。 実装は、コアなビジネスプロセスの代替フレームを評価するための分析的かつ規定的なアプローチで行われます。 この経営戦略の原点は、1990年のハーバード・ビジネス・レビューに掲載された「Reengineering Work： 元MITコンピュータサイエンス教授マイケル・ハンマーによる論文「Reengineering Work: Don't Automate, Obliterate」である。 なぜBPRを実施することが必須なのか？ この記事の中で、ハマー教授は、経営者が直面する重要な課題の1つは、テクノロジーを使って自動化することではなく、価値をもたらさないプロセスを削除することに焦点を当てることだと述べています。 これは、管理職がオートメーション技術を曖昧に使い、間違ったことに目を向けていることを意味しています。 会社のワークフローで自動化されている業務のほとんどは、何ら顧客満足に有利に働くものではなかったのです。 ですから、そのような不要な作業を自動化するのではなく、不要な作業を取り除くことに取り組まなければならないのです。組織は、正しい方向に資源配分を行う必要があるのです。 こうして、トップマネジメントの社員までもが、BPRツールを受け入れて、自分たちのプロセスを復活させ、成長していくようになったのです。 ビジネスプロセスリエンジニアリングのステップ BPRのステップには、会社のワークフローを調査・分析し、劣悪なプロセスや不適切なプロセスを探し、パフォーマンス、生産性、品質を最適化するための解決策を見出すために、それらを修正・変更する方法を考えることが含まれます。 ビジネスプロセス・リエンジニアリングのステップは、以下のように構成されています： また、Bhudeb Chakravartiが開発したINSPIREというフレームワークには、BPRの7つのステップが含まれており、さらに簡単に従うことができるモデルもあります： ビジネスプロセス・リエンジニアリング（BPR/BPRE）の課題 プロセス・リエンジニアリングの導入を決定した場合、様々な要因によって、せっかくの決定が台無しになる可能性があります。 BPRの導入は、一概に考えてはいけない。ビジネス・プロセス・リエンジニアリングを成功させるためには、十分なITインフラを整備し、継続的なプロセスと実践を明確にすることが重要である。 では、なぜBPRプロジェクトの5～7割が溝に落ちたり、約束した利益や思い描いた成長を達成できなかったりするのでしょうか。 不十分な知識 チームは、リエンジニアリングプロセスを実施する理由と場所を明確にする必要があります。さらに、リエンジニアリングの対象となるビジネスプロセスに適切な優先順位をつける必要があります。 従業員は、BPRを行うための適切な知識を、充実したビジネスプロセス・リエンジニアリングのトレーニングプログラムによって再整備する必要があります。 もし間違ったプロセスで実施された場合、その実施は資源の全くの無駄となります。適切なトレーニング、指導、知識の伝達があれば、ビジネスは正しいプロセスの実装を見ることができます。 誤った方向性と不規則な実施方法 BPREは、即座に競争優位を引き起こすことはできません。目に見える成長のためには、そのプロセスを貫き通すことが必要です。 しかし、だからといってBPREが組織のあらゆるプロセスで機能するかというと、そうではありません。リエンジニアリングは、多くの場合、不向きです。 さらに、一度でもベンチマークを達成できた場合は、BPRの実践を中止してはならない。 不規則なBPRプロセスは、それがもたらす多くの機会や成長を妨げる。目的と期待を設定し、より明確にする必要があります。 不向きなチーム編成 よく定義されたチームは、すべてのプロセスのリエンジニアリングの実践に関するあらゆる最新情報に常に目を光らせていなければなりません。 そのためには、正しい知識だけでなく、運営と管理の両面で重要な役割を担う社員がチームに加わっていなければなりません。 チームは適切に構成され、少なくともビジネスプロセスに関する適切な知識と専門知識を持つシニアマネージャーとオペレーションマネージャーを加える必要があります。 このように、製造からITまで、あらゆる分野に適したエンジニアが、一定の方向性のもとで活躍することで、チームは完成します。 リソースの配置が不十分である。 そもそも、ビジネスプロセス・リエンジニアリングに不可欠なリソースがないことは、組織とリエンジニアリングプロセスの関わりを断ち切るのに十分なことである。 必要なときに、適切なリソースが、適切なタイミングで、力のあるプロセスにすぐに利用できなければなりません。 熟練した人材、十分な予算・資金、正しいBPRツールのセット、システムの内外に関する知識ディレクトリと経験、可用性、タイムリーな承認、これらすべてがオン・オールセットで準備されている必要があるのです。 不健全な分析、サポート不足 プロセスのマイルストーンは、事前に確立され、十分に分析されていなければならない。手順に不可欠なデータおよび情報は、チームが完全にアクセス可能でなければならない。 また、貴重な時間を無駄にすることなく、何を分析し、優先順位をつけて調整作業を行うかを明確にしておく必要があります。 作業には関連性があり、表面的な知識は一切ないことが必要です。特定の作業をどのように行うかよりも、まずチームはその特定のプロセスに「なぜ」必要なのかについて、より透明性を高める必要があります。 さらに、正しい知識パッケージと従業員がいても、ビジネス・プロセス・リエンジニアリングのステップを進める上で、企業は失敗に直面しています。 チームはプロセスに専念し、時間と方法の優先順位を知っている必要があります。さらに、決定が下されると、選ばれたBPRチームだけでなく、組織もその結果に責任を持つことになります。 失敗の要因としては、組織の変革への準備不足、従来の手法やコンフォートゾーンから脱却する意思の欠如、コミットメント、計画、リーダーシップの問題などが挙げられます。 会社の従業員は、BPREの成功に対して懐疑的であったり、不安であったりするのではなく、教育を受けて、組織に対する理解を深めなければなりません。
現代では、"Data "という言葉には複数の意味があり、その抽出や解釈の仕方も様々です。このため、Google Cloud Platform（GCP）には、データ処理とウェアハウスの分野で3つの主要な製品があります。Dataproc、Dataflow、Dataprepは、さまざまなニーズに対応した大量のETLソリューションを顧客に提供しています。 Dataproc、Dataflow、Dataprepは、クラウド上のデータ処理ツールの新時代の3つの異なる部分です。これらは別々のタスクを実行しますが、互いに関連しています。 DataprocはGoogle Cloudの製品で、SparkやHadoop向けのData Science/MLサービスです。これに対し、Dataflowはデータのバッチ処理とストリーム処理を踏襲しています。データ処理のための新しいパイプラインを作成し、リソースはオンデマンドで生成または削除されます。一方、DataprepはUI駆動で、オンデマンドでスケールし、完全に自動化されています。 このDataproc、Dataflow、Dataprepの比較ブログでは、これら3つのデータ処理ツールが互いにどのように異なるかをお伝えします。 Dataproc vs. Dataflow vs. Dataprep： どっちが人気？ 上記のGoogle Trendsのスクリーンショットから、DataflowがDataprocやDataprepよりも顧客の嗜好を大きくリードしていることが確認されます。 Dataprocとは？その特徴 2004年にGoogleがMapReduceの研究論文を発表したのが始まりです。それ以来、Hadoopはビッグデータの世界で重要な役割を果たすようになりました。 2014年になると、ApacheはオープンソースでクラスタコンピューティングフレームワークであるSparkをリリースしました。Sparkは、データ並列化でクラスタ群全体で作業するための堅牢なモジュールを備えています。まもなく、Apache Sparkは人気を博し、Hadoopの代替とみなされるようになりました。 多くの企業がSparkとHadoopを並行して使い始めましたが、その結果、オーバーヘッドが発生し、構成が混乱しました。その結果、複雑でコストがかかることが判明しました。 ビッグデータで特定のクラスタを使いたくなかったとしても、そのための費用が必要になる。GCPによれば、Spark/Hadoopのデプロイメント全体をフルマネージドサービスに移行することが可能です。機械的にクラスタを作成し、Dataflowでクラスタを管理します。 レポートシステムも組み込まれていますし、何よりオンデマンドでクラスタの停止や削除も可能です。 特徴 : データフローとは？その特徴 データを最適化する際に、ETLのような主要なデータ処理技術は省かれます。Googleによると、Dataflowは、データのバッチ処理とストリーム処理を管理・運用できる。 Dataflowの主な目的は、ビッグデータを簡素化することです。プログラミングと実行のフレームワークを統合し、並列化を実現する。Dataflowでは、クラスタデータがアイドル状態になっていることはありません。その代わり、クラスタは継続的に監視され、（使用中のアルゴリズムに従って）リモデリングされます。 Dataflowでは、内蔵されたすべての機能でApache Beamタスクが可能です。また、他のツールでは低速になりがちなGoogle Cloud Platform上で実行することができます。 特徴 : Dataprepとは？その特徴 Dataprepは、データの可視化不足、冗長なデータ、処理の遅さという3大問題を解決するために作られました。Dataprepは、ファイルをCSV、JSON、またはグラフィカルな表形式に変換することで、ユーザーがデータを視覚的に探索できるようにします。 Dataprepは、TBサイズのクラスタやデータセットを容易に扱うことができます。Dataprepは、BigQueryなどでさらに利用するためにデータを加工する媒体としてのみ使用されます。 データの利用規模が大きくなると、セキュリティに問題が生じることがあります。そこでGoogle Cloudは、Dataprepに独自のIdentity and Access Managementを提供しています。 特徴 : Dataproc、Dataflow、Dataprepの違いについて Dataprocはクラスタへの手動プロビジョニングをサポートし、Dataflowはクラスタへの自動プロビジョニングをサポートします。Dataprepは、将来の使用のためにデータを準備し、きれいにするのに役立ちます。 システムがHadoopに依存している場合は、Dataprocを選択するのが賢明です。Dataprocは、Hadoopの拡張サービスとして作られたものです。 ハンズオンのDev-opsアプローチを好むのであれば、Dataprocを選ぶとよいでしょう。一方、サーバーレスアプローチを好むのであれば、Datflowを選択します。一方、DataprepはUIドリブンです。 すでに以前から見てきたように、多くの人がDataprocやDataprepよりもDataflowを好んでいます。G2のユーザーレビューによると、DataprocはDatflowに比べて使いやすいという意見が多いようです。一方、Dataprepはデータ処理ツールとしてしか捉えられていない。 HadoopやSparkとの連携機能によるリアルタイムなデータ収集は、Dataprocの方が顕著です。データレイク、データ収集、クリーニング、クラウド、ワークロード処理については、データフローが高く評価されている。ビジュアル分析、データプリの助けを借りてのデータ加工は、そのプラスポイントとして見られています。 ポータビリティの面では、データフローはプログラミングと実行モデルを融合しています。このように、データの並列化を実現し、DataprocやDataprepよりも移植性が高い。 Dataproc、Dataflow、Dataprepの共通点 Dataproc、Dataflow、Dataprepを比較しながら、いくつかの共通点があることを紹介します： Dataproc、Dataflow、Dataprepの表形式比較。 […]
BPR（ビジネスプロセス・リエンジニアリング）とは、コスト、品質、管理、スピードといった実行の主要かつ現代的な割合において、さまざまなアップグレードを達成するために、ビジネスプロセスを中心に再評価し、根本的に更新することである。 消費者ロイヤリティの向上は、頻繁に本質的なポイントになります。ビジネスプロセスリエンジニアリングには様々な長所と短所がある。 ビジネスプロセスリエンジニアリング（BPR）を効果的に活用することで、企業団体が得ることのできるメリットを以下に紹介します： BPRには様々な制約もあります。 ビジネス・プロセス・リエンジニアリングは、必ずしも容易ではありません。BPRが始まった当初から、異議、問題、課題のような、BPRの使い方にまつわる課題がありました。ビジネスプロセスリエンジニアリングのデメリットは以下の通りです： 結論 BPRの専門家は、エンドユーザーや経営者の支持、ビジネスプロセスマネジメントの全体的な視点の伝達、ビジネスシナリオのニーズの変化に対応するためのダイナミックさなどの課題に直面しています。 これらの困難は、どこにも行きません。いずれにせよ、うまく運営されたプロフェッショナルなBPR手法であれば、これらを克服するのは時間の問題である。