はじめに
2024年、バンダイナムコネクサスはエンタープライズ規模のデータ基盤開発から、AIを活用した新たな開発手法まで、私たちの取り組みをTechBlogを通じて発信してきました。
この記事では、これまでリリースした主要な記事を振り返り、当社の技術的な取り組みを紹介します。
データ基盤開発プロジェクト
広告出稿のKPI最大化のためのデータ基盤開発 ～第1章 プロジェクト発足～
広告出稿のKPI最大化を目指したデータ基盤開発プロジェクトについて、プロジェクト開始当初の課題を踏まえて、取組やシステムの概要・定めたルール、利用者との期待値のすり合わせなどを解説しています。
広告出稿のKPI最大化のためのデータ基盤開発 〜第2章 データパイプライン開発〜
広告データを収集・加工しBigQueryに格納、Lookerで可視化するデータパイプラインの構築について、具体的な開発の流れを解説しています。
広告出稿のKPI最大化のためのデータ基盤開発 第3章 Airflowコードを型化
広告出稿データ基盤開発のうち、Airflowコードの型化を解説。データの洗い替え、処理ロジックの型化、タスクの詳細を解説しています。
広告出稿のKPI最大化のためのデータ基盤開発 第4章 型化したAirflowコード詳細
前章で紹介した広告出稿データ基盤開発におけるAirflowコードの型化について、開発のポイントをサンプルコードとともに解説しています。
ツール選定・開発環境の改善
Cloud Workstations・Gemini Code Assistを活用した開発環境構築
Google CloudのCloud WorkstationsとGemini Code Assistを活用したエンジニア向け開発環境刷新の事例より、マネージドサービスによる運用の効率化や生成AIを利用した開発の効率化を通じた開発環境の構築方法を解説しています。導入の注意点や権利侵害対策などを紹介します。
エンタープライズ規模のデータパイプラインでのツール選定 (dbt vs dataform)
ゲームタイトル横断分析ダッシュボードのアーキテクチャ改修プロジェクトにて、データ処理コストと運用負荷の課題を解決するためにdbt cloudを導入しました。導入の意思決定ポイントや具体的な導入時の工夫を解説しています。
AI/MLの挑戦
GoogleのAI Gemini ProとLooker Studioを利用した簡易チャットボット開発
GoogleのAIモデルGemini ProとLooker Studioを活用して、情報漏洩リスクを抑えた低コストなチャットボットを1時間で簡単に構築する方法を解説しています。
AI/MLシステムの量産体制を目指して（前編：課題と戦略）
当社のMLチームが、MLシステムを開発する際のPoCからプロダクション環境への移行における課題を解決するための取り組みについて、自動化・再現性・スケーラビリティなどを考慮した設計や、データ分析担当者との協働体制の構築を進める過程を解説しています。
マーケティング分析と最適化
バンダイナムコグループでマーケティング・ミックス・モデリング（MMM）を使って広告宣伝予算配分を最適化した話
モバイルゲームの広告宣伝費配分を最適化するため、マーケティング・ミックス・モデリング（MMM）を活用したプロジェクト事例を紹介。複数広告施策の影響を分析し、効果を最大化する予算配分を実現した手法や工夫を解説しています。
バンダイナムコネクサスでは、まだ誰も知らない「ワクワク」を一緒に創り出せる仲間を求めています。
エンターテインメント業界を技術で変革したい方、ぜひご応募ください。
応募ページはこちら
※記事について取材やお問い合わせをご希望の場合、以下までご連絡ください。
bnx_pr@bandainamco-nexus.co.jp
Discussion