アウトプット

  • コーエーテクモゲームスさんの決済短信を読む

    こんにちは。
    たこのこです。

    今、コーエーテクモゲームスさんの企画インターン中で、ゲームを企画しています。偉い社員さんに採用してもらうのが目的なので、企業の経営状況や特色、ゲーム市場の流れを把握した上でゲームを企画することが鍵だと思いました。

    そこで、2027年3月期第1四半期の決算短信を眺めて、まずは企業理解を深めていきたいと思います。

    こういう資料見るの慣れてないので、専門用語は調べながら読み進めます。

    疑問

    どうして今は2026年なのに、「2027年3月期第1四半期」って書いてるんでしょうね?別に未来のことが書かれているワケでもなさそうですし

    ChatGPTに聞いてみました。曰く、決算期の名前は年度が終わる年で付けることになっているらしいです。

    う~ん
    なんか納得できないですね

    2027年3月期に決算が行われる企業における、今年の第1四半期ってことでしょうか?ちゃんと書くなら「2027年3月に決算を迎える2026年度の第1四半期」なのでしょうか。

    ChatGPTに聞いてみました。曰く、そうらしいです。
    解決。

    (こんな些細な疑問をいちいち文字に起こしていたら調査が終わらないのでこれくらいにしておきます)

    専門用語を明らかにする

    • 売上高:シンプルな企業の売り上げ
    • 営業利益:本業の収益
    • 経常利益:本業以外も含んだ、全ての収益
    • 包括利益:純資産の変動額
    • 純資産:返す必要のない資金

    連結経営成績を見る

    引用:
    株式会社コーエーテクモホールディングス 令和9年3月期第1四半期決算短信
    https://www.koeitecmo.co.jp/ir/docs/ir1_20260727.pdf

    なるほどなるほど..

    △は前年度と比べてマイナスになったこと表しているらしいです。そうみると、売上高も営業利益も経常利益も去年度より増えててハッピーですね。

    営業利益が前年度比で51.3%増?まぁまぁ儲かってますね。
    売上高が17.4%増で営業利益は51.3%増ということは、効率よく利益を出せるようになったってことでしょうか。

    そういえば、173億円売り上げて54億の利益を出しているということは、売り上げの大体30%強が利益になっているってことですよね。これってどれくらい効率よかったりするのでしょうか。相場は分かりませんけど30%ってかなり収益性高いように思います。

    あと、営業利益が54億に対して、経常利益が157億なので、本業以外で100億近く稼いでいることになります。何事でしょうか?

    そこで損益計算書を見ました。「その他有価証券評価差額金」が100億近くあるのでコレが理由でしょうか?投資で経常利益をめちゃくちゃ稼いでいるのかもです。

    連結財政状況を見る

    総資産3339億?!
    規模がデカすぎて想像できないですね…

    総資産と純資産の差分が借金なのでしょうか?純資産に含まれない資産というのがあまりイメージが付きません。

    貸借対照表を見ましたが、コーエーテクモゲームス本社そのものや土地も資産としてカウントするみたいです。ゲーム企業のビルって数百億で建つんですね。

    純資産÷総資産の百分率が自己資本比率とのことですが、自己資本比率83.6%ってどんなものなのでしょうか。かなり高い水準にあるように思います。

    読み終わった

    なるほどなるほど

    読んだ感想としては、そこまで難しいことは書かれていませんが、その数字の意味するところまでは読み手が考えないといけないなと感じました。

    例えば、収益がいくら増減したとは書いてありますが、それが企業や市場にどんなインパクトを与えたのかまでは書かれていないです。

    難しい…

    他の企業さんの情報とも比較しながら分析できるようになりたいです。


  • 2026年8月 アークシステムワークス 2dayインターン 振り返り

    こんにちは。
    たこのこです。

    ゲームソフトウェア制作会社アークシステムワークスさんの2dayインターンに行ってきました。
    その内容と学びを忘れないうちに振り返っておきます。
    https://www.arcsystemworks.jp/

    特に言われませんでしたが、機密情報については触れていません。

    内容

    • 2dayのオフライン
    • 総参加者14人
    • 4から5人のグループワークがメイン
    • グループワークの内容
      • SWOT分析を行ってもらう
      • ゲームの市場調査をしてもらう
      • 自社の社長に採用してもらえるゲームの企画書を考える
      • テンプレートに沿ってプレゼン用のスライド3枚を用意する
    • 最終日に最大10分で企画を発表する
    • 30分の社内ツアーが用意されている

    思ったこと

    • かなり自由度の高いインターン
      • 目標とワークの進め方が30分ほど説明され、それ以降はほぼグループワーク。
      • 常駐している社員に話しかけることでワークのフィードバックを貰える。
      • 発表の方法もほぼ自由

    学んだこと

    • 市場調査やSWOT分析を基にしたゲームの企画手法
      • 強みと機会は最大限に活かし、弱みと脅威をなるべく避ける
    • 企業向けゲームの企画手法
      • 収益を特に重要視する
        • GOサインを出す人が最も懸念する事項なので
      • ゲームの売価を開発費から考える
        • ローカライズの範囲
        • 開発人数と開発期間で開発費を概算する
        • Steam
    • アークシステムワークスのSWOTのSW部分
      • 強み
        • 格闘ゲームの知見を持っていること
        • オンライン環境構築の知見を持っていること
        • 海外ゲーム市場での売り上げが8割近くを占めていること
        • 北米での影響力が大きいこと
          • EVO japanで何度も採用されている
        • コアなファンを持っていること
      • 弱み
        • ゲーム開発の規模が小さいこと
        • 会社そのものの知名度が小さいこと

    企業や採用について

    • 誰とも話さずに働ける環境が整っている
    • プランナーは人と話さないと病むので気を付ける
    • 社内にゲームを遊べる場が接地されている
    • 定期的に格闘ゲーム大会が開かれている
    • 2025年度は9名が採用された
    • アークシステムワークスは適性検査の学力面を考慮しない
    • アークシステムワークスは特殊な適性検査を活用している
    • 採用される理由は千差万別
    • ESは早く出せば出すほど良い

    おしまい

    初オフラインインターンでしたが、なかなか学びの多いインターンでした。グループで企画を考えることの難しさを感じましたし、社員さんからのフィードバックも学生視点にないものばかりで勉強になりました。

    また、アークシステムワークスさんの社内の様子や働き方についても細かく聞くことが出来て、働くイメージが具体的になりました。

    個人的には、率先して手を挙げて質問できた点で自身の成長を感じました。今後も続けていきたい習慣です。

    以上です。


  • プロトスプリントリーグ 下調べ

    @チームメンバーの皆さん
    こんにちは。
    たこのこです。

    唐突ですが皆さん、せっかくCyberagentさんのプロトスプリントリーグに参加できたのですから優勝を目指したいですよね?
    私もそう思います。

    本リーグでは1週間の準備期間が用意されています。本リーグで優勝するためには、現実的な開発計画を立てて2日間の本開発に挑み、完成度の高いゲームを確実に完成させることが重要だと思われます。

    その際、過去の参加者が何を考え、どんな計画を立て、どのような結果になったのかを把握しておくことは、実行可能な計画の立案に役立つと考えました。

    本リーグでは、おそらく、振り返り記事の投稿が参加者に推奨、許可されており、インターネット上で多くの文献を確認できました。

    ですので、本記事ではそれらを調査し、振り返りの様子と良かった点を切り抜いてまとめました。デスマーチにならないよう、傾向と対策を練っていきたいところです。

    優勝目指して頑張るぞ~~~!


    資料

    https://note.com/ca_tech/n/n718497395dfe
    https://note.com/ca_tech/n/ne439fa347a63
    https://qiita.com/hikanyan/items/c6e9e571695cd7ccc66b
    https://hackmd.io/@nulock/SJr3C-Cjh
    https://donabenabe.hatenablog.com/entry/2022/02/22/100949
    https://qiita.com/kig/items/402b469cc1b8034d031d
    https://konichallengelog.com/ca_proto/
    https://creator.game.cyberagent.co.jp/archives/8739


    資料の要約

    • 時間制限に苦労しているチームが多い
    • メンバーやメンターと密にコミュニケーションを取ると良い

    テーマ

    • かえる(2026年4月)
    • くみあわせ(2023年8月)
    • 遠隔×〇〇(2022年2月)
    • パズルゲーム(2021年7月)

    実際の作品

    • https://unityroom.com/games/cook-strike
      • 2023年8月優勝作品
    • https://unityroom.com/games/chargecat
    • https://unityroom.com/games/reincarnate

    過去の参加者の振り返り

    • 「〇〇モジュールの開発が想定の数倍時間がかかっててやばい!!」やら「もう間に合わないから△△機能は無しでいこう!!」やら、本当に時間との戦いだった
    • 後々話をしてみたところ、やはりどこのチームも制限時間にはかなり意識を持っていかれていた
    • 優勝したチームの作品がめちゃくちゃすごくて、残念ではありつつもむしろ清々しかった
    • 前日、実際に集まって準備を進めるチームもありました
    • 分刻みの細かいタイムスケジュールを引いているチームもありました
    • 2日目になると進捗に差がでてきます。完成に近づいてブラッシュアップに時間をかけるチーム、思ったように進まないチーム、コンフリクトやバグで苦しむチーム…
    • チームメンバーとのコミュニケーションが非常に重要でした
    • メンターさんからのフィードバックも、「どういうところを洗練していくか」、「一通り完成してそうなのでチーム内で早めに遊んでみる」といった開発方針的なフィードバックから、「料理時間によって差異が生まれると面白そう」といったゲーム内容的なフィードバックまで様々な意見を聞きました
    • 完全な他人と短期間開発で一つの作品を作る場合においては、個人の領域を活かすという独善的(?)な取り組みは完成を遠ざける
    • 内心半泣きになりながらも自分で手を動かし、ゴールできたのは一所懸命にゲームを作っている仲間がいたからです
    • サーバーサイドのメンバーには何回も知識の共有をしてもらったし、メンターさんに助けてもらいまくりました
    • コードフリーズする時間が定められているため、優先順位の見極めがより一層重要になってくる
    • 限られた時間の中で、タスクを洗い出し、優先順位を決めて進める力が求められました
    • メンター神を崇めましょう
    • 自信がなくても思い切って飛び込んでみて良かったなと感じています。ただ今回の開発で『自分の技術的レベルの低さ』が開発の遅れにつながり、チームへの負担になってしまっているのを感じました

    過去の参加者が学んだこと

    • 「就活真っただ中の同世代の優秀さと目指しているプロの優秀さを目の当たりにする」という強烈な経験が出来た
    • 様々な人々との交流やフィードバック交換ができたことが参加する大きなメリット
    • DOTweenやUniTaskといった技術を活用し、短期間でシームレスなゲーム体験を作る技術を学びました
    • 制限された時間内で、ゲームとしての完成度を高めるために、機能の優先順位をつける力が養われました
    • 違う視点を持つ人が集まるといろいろな課題がたくさん見つかりましたし、自分が得意だと思っていた領域でもまだまだ未熟だなと感じる部分がありました
    • 3日間でちゃんと遊べるゲームを作るという時点で大変ですがメンバーやメンターさんから様々な新しい知識を得られるというインプットとアウトプットが凝縮された3日間でした
    • サイバーエージェントさんに入社したときにどのようなことをやるのかなど具体的なお話を聞くことができました
    • 途中で担当メンターさんと10分ほど個人面談する時間があった
    • 「サイバーエージェントのエンジニアの方は、普段どんな働き方をしていますか?」など会社のことについても聞くことができた
  • 最近のゲーム市場を把握したい

    出典

    https://www.meti.go.jp/shingikai/mono_info_service/entertainment_creative/pdf/002_04_03.pdf
    https://www.meti.go.jp/shingikai/mono_info_service/entertainment_creative/pdf/012_09_00.pdf

    ゲーム市場での現状

    • 売上TOPは超大規模なAAAタイトルによるものが多い
    • すぐに技術革新するゲーム分野の調査結果は1から2年で陳腐化する
      • (この資料も陳腐化済み)
    • ここ10年でのCAGRは10%
      • モバイルゲーム、コンソールゲーム、PCゲームの順で市場規模が大きい
    • ゲーム市場の規模は、中国、アメリカ、韓国の順で大きい
    • 東南アジアや南米で新興市場が登場している
    • 各プラットフォームの割合は地域別に異なっている
      • 東アジアはモバイルゲームが約7割5分
      • 北米ではモバイルゲームが約5割、コンソールゲームが約3割
      • 欧州ではモバイル、PC、コンソールが約3割ずつ
    • コンソールゲームはPS5とNintendo Switchが市場の8割近くを占めている
      • (Nintendo Switch2 の登場で変わっている可能性はある)
    • PCゲーム市場は2023年までの15年間で320%成長。今後も成長する可能性が高い
      • 売上上位にはAAAタイトルが名を連ねている
    • モバイルゲーム市場はアメリカ、中国、日本の順で規模が大きい
    • ゲーム開発費は年々高騰しており、現在モバイルの平均開発費は4億6500万円となっている
      • デバイスの高性能化、人件費の増大の傾向を受けている
    • ゲームエンジンのオープン化による制作ハードル低下
      • Unity、Unreal Engineなど
    • グローバルPFによるインディゲーム流通のハードル低下
      • SteamやItch.ioなど
    • 総合出版社によるクリエイター向けプロジェクトの整備
      • 講談社や集英社ゲームズなど

    課題

    • 技術とゲームハードの急速な進化に伴った作業効率化
      • 高度開発人材の不足
      • AAAタイトルゲーム開発の人員不足
      • 開発コストの捻出
    • ゲーム機器のグローバル化によるローカライズの負担増加

    支援策

    • 人材育成事業
    • 学校でのゲーム分野の授業
    • 大型開発作品(300~500人規模)への開発費補助
    • 海外販売への対応
    • 海外拠点での支援活動

    思ったこと

    • CESAの目的は何なのか?
    • 支援策を施すことによって具体的にどれくらいの効果が見込めるのだろう

  • アークシステムワークス 企業分析

    資本金10000万円、設立年38年、従業員数223名の老舗な中小企業。
    アニメチックな2D作画技術やオンライン格闘ゲームに強く、「くにおくん」「GUILTY GEAR X」などのシリーズを生み出した企業。

    開発したゲーム

    自社IPシリーズと同じくらい、単発のオリジナル作品が多く、年に4から5本と比較的高頻度でゲーム開発されている。そのゲームの規模は様々である。

    インディーなゲームスタジオとの協力体制で開発、パブリッシュ、ローカライズが行われていることが多い。

    組織構成

    • 開発部は5つあり、それぞれ、格闘ゲームの開発、ダウンロード専売タイトルの開発、IPを借りてのゲーム開発、他企業とのゲーム開発、ローカライズを行っている。
    • 韓国、フランス、ロサンゼルスに拠点がある

    思ったこと

    いい意味で、アークシステムワークスらしいゲームが少ない。個々の作品に個人個人のこだわりが詰め込まれている印象。

    「Action, Revolution, Challenge」という企業理念が、高頻度のゲーム開発体制に現れているのかもしれない。

    感じた雰囲気

    • 部活動
    • インディー
    • トライ&エラー


  • 人工知能基礎 用語ノート

    クラスタリング

    • =似通ったデータを自動でグループ分けする手法。
    • 例)「水素水入りの飲み物は体に良い」
      • 似通ったデータ:体に良い飲み物
      • グループ分けする手法:水素水入り
    • エセ科学を用いた健康食品を量産できるような、自ら概念を作り出せるロボットを作るために、クラスタリングは重要な技術。
    • データ間の類似性を正しく図るためには、目的に合わせた特徴量を設定して特徴空間を設計することが重要。

    特徴空間

    • =設定した特徴量を軸にして、2次元のグラフで表現される(ことの多い)座標空間
    • 例)「人を叩くのに適した鈍器」
      • 設定される特徴量:重量、リーチ
    • それぞれのデータは点でプロットされる

    クラスラベル

    • =特徴空間上に現れるデータのまとまりを指す名称(クラスタとも言う)
    • 例)クラスラベル1
      • 金槌、レンガ、空き瓶
      • ※重量がある、リーチが短い
    • 例)クラスラベル2
      • ハリセン、ホウキ、物干し竿
      • ※重量がない、リーチが長い

    教師なし学習

    • =入力としてデータのみが与えられ、知識や傾向を自ら発見する機械学習手法
    • 対義語は教師あり学習。答え付きのデータが与えられた上で、データのパターンやルールを学ばせる

    k-means法

    • =クラスタリング手法の1つ。各データは一番近い点を選んでいくだけでシンプル。分かりやすい
    • 手順
      • 1:適当な点を決める
      • 2:各データは一番近い点を基にしたラベルを振られる
      • 3:ラベルを振られた全てのデータの重心に点の位置を更新する
      • 4:データのラベルが変わらなくなるまで、2から3までを繰り返す
      • 5:終了
    • k-means法は最適解を保証しない。データ同士の分布にあからさまな法則が見られる場合でも、適切にクラスタリングできない場合もある
      • 例)大学の人間関係をクラスタリングする際、同じサークル員の大学生が別のサークル員と友人関係を持つとクラスタリングされてしまう場合がある
    • ⇒混合分布モデルを利用して、データ分布の理由を考慮したクラスタリングをしよう

    混合分布モデル

    • データが生成されたいくつかの理由を表すモデル
    • 例)「今食べてるバナナのサイズと糖度」
      • データ:バナナのサイズ、糖度
      • データが生成されたいくつかの理由:収穫時期、土壌、品種
    • ベイズの定理を使ってデータの生成過程を逆方向に推定し、クラスタリングを行う

    混合ガウス分布(GMM)

    • =混合分布モデルを構成する要素分布のうち、ガウス分布をしているもの
      • 分布は平均パラメータと分散パラメータの2つを持つ
    • ⇒混合ガウス分布をEMアルゴリズムで探そう

    EMアルゴリズム

    • =カオスに見えるデータから、混合ガウス分布を探すことに用いられるアルゴリズム
    • 語源は、EステップとMステップの2つを繰り返すアルゴリズムに由来する
    • k-means法はEMアルゴリズムを近似したもの。親戚
    • その他、似たアルゴリズム
      • ギブスサンプリング
      • 変分推論(変分ベイズ)
    • 混合分布モデルに似たモデル
      • LDA潜在ディリクレ配分法
      • HMM隠れマルコフモデル

    表現学習

    • =学習によって、入力データを説明できるパラメータを発見し、グラフなどによって可視化すること
      • クラスタリングと横並びの概念
      • 多様体学習と似た概念
    • 高次元のデータをより低次元のベクトルで表現することが多い
      • 例)映像(3次元)
        • 映像を構成する色の分布をグラフにする(2次元)
        • 映像内の人物が話すセリフを時間軸で並べる(2次元)

    主成分分析

    • =高次元空間上のデータから軸を見出し、低次元空間を得ること
      • 例)人間の性格(?次元)
        • 内向的か外交的か(2次元)
        • 計画的か探索的か(2次元)
        • インドアかアウトドアか(2次元)
    • ガウス分布をしていると仮定して主軸を取る

    自己符号化器

    • =ニューラルネットワークを用いた表現学習の方法
      • 低次元にデータを圧縮する点で、主成分分析と似ている
    • 砂時計みたいな形をしたニューラルネットワークを用いる
    • 自己符号化器を多段階に積み重ねると「積層自己符号化器」になる

    その他表現学習の手法

    • 独立成分分析
    • カーネル主成分分析
    • MDS(多次元尺度法)
    • 自己組織化マップ
    • GPLVM
    • 変分自己符号化器
    • t-SNE

    機械学習の分類

    • 機械学習は、教師あり学習と教師なし学習、強化学習の3種類に分けられる
    • 教師あり学習
    • 模範解答が用意された上での機械学習。パターン認識や時系列データ予測、回帰問題など
    • 例)マニュアル付きのバイト
    • 正解の出力は目標値、教師信号、ラベルなどと呼ばれる
    • 教師なし学習
    • 模範解答が用意されず、あらかじめ用意されたアルゴリズムを基に進める機械学習。答えを出力するより入力データを分類することが目的。クラスタリングや低次元化、表現学習にデータマイニングなど
    • 例)野菜をサイズごとに分類するバイト
    • 強化学習
    • 報酬を最大化することを目的にした機械学習。強化学習や最適化問題、最適制御問題など
    • 例)月間売上を最大化する営業

    汎化

    • =訓練用のデータから、訓練以外のデータにも適用可能な普遍的知識を身に付けること
    • 例)過去の恋愛経験から就職活動に役立てられるノウハウを編み出す
    • 重要なのは高い汎化性能を持つ学習器を作ることである

    過学習

    • =訓練用のデータに特化しすぎて、訓練以外のデータに対応できなくなること
    • 例)話す内容を丸暗記してプレゼンに挑んだため、急遽の終了時間変更に対応できなか

    公差検証

    • n×k個のデータセットのうち、n=kのデータをテストに用いる検証方法。テストデータが行列だとすると、対角成分がテストデータになる

    LOO(Leave-one-out)法

    • n回学習させるはずなのに、n個のデータセットしかない場合は、LOO法を用いる
    • 全てのデータが1度はテストデータとして利用されるまで学習を繰り返す

    パターン認識

    • =入力データに対して行う分類処理
    • あらかじめ定められた複数のクラスのうち1つに入力データを対応させる
    • 入力データは様々で、文字認識、音声認識、画像認識などがある
    • 教師なし学習のクラスタリングとは異なり、教師あり学習であるパターン認識では、データを分類する以上にデータ間の差異に注目して学習が行われる

    回帰問題

    • =入力ベクトルに対して実数値を返す連続的な関数を学習する問題
    • 教師あり学習
    • 学習方法として、線形回帰、一般の線形モデル、ニューラルネットワーク、カーネル回帰、ガウス過程回帰などがある

    分類問題

    • =入力ベクトルに対して真か偽かを返す法則を学習する問題
    • =有限個のクラスのどれに属するかを学習する問題
    • 教師あり学習
    • 学習方法として、パーセプトロン、ニューラルネットワーク、サポートベクターマシン、ランダムフォレスト、混合ガウス分布、ナイーブベイズフィルタなどがある

    識別モデル

    • =訓練データから真か偽かを区別するための境界線を直接求めるモデル

    生成モデル

    • =訓練データがどのような確率モデルから生成されたのかをモデル化して分類するモデル

    SVM(サポートベクターマシン)

    • =線形分類器であるパーセプトロンにカーネル法を組み合わせることによって実現される仕組み
    • 次元を足すことでデータを分けやすくするイメージ

    ナイーブベイズモデル(naive Bayes model)

    • 生成モデルに基づいて分類を行うために用いられるモデルの1つ。シンプル