広告クリエイティブ最適化の実際 TokyoWebmining 22nd 発表資料

24,591 views
24,711 views

Published on

第22回 データマイニング+WEB @東京 ( #TokyoWebmining 22nd) -広告最適化・アクセス解析・可視化 祭り-

Published in: Business
0 Comments
53 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
24,591
On SlideShare
0
From Embeds
0
Number of Embeds
19
Actions
Shares
0
Downloads
136
Comments
0
Likes
53
Embeds 0
No embeds

No notes for slide

広告クリエイティブ最適化の実際 TokyoWebmining 22nd 発表資料

  1. 1. 第22回 データマイニング+WEB @東京( #TokyoWebmining 22nd) -広告最適化・アクセス解析・可視化 祭り-広告クリエイティブの最適化の実際 2012年9月23日 菅 由紀子
  2. 2. 自己紹介菅 由紀子 @kan_yukiko 株式会社ALBERT データ分析部 チーフマネージャー中央大学経済学部卒業。2004年株式会社サイバーエージェント入社。株式会社インタースコープとの協業でネットリサーチ事業を立ち上げ、広告の販売や企 画などに携わる。2006年3月に株式会社ALBERTに転じ、消費者向けWebサイトの立ち上げ、マーケティングリサーチ等に関わる。2008年8月頃 より、ALBERTにてデータ分析業務を担当。近年では、携帯キャリア、大手総合通販サイト、デジタルコンテンツ配信企業の顧客行動分析を担当しています。大規模/小規模、多種多様な業種のデータを分析しています。 1 (C)株式会社ALBERT
  3. 3. 目次 1.はじめに(CRMビジネスマップと最新のディスプレイ広告) 2.インターネット広告市場について 3.直交表を用いたクリエイティブの最適化配信について 2 (C)株式会社ALBERT
  4. 4. CRMビジネスマップ 3 (C)株式会社ALBERT
  5. 5. 最新のディスプレイ広告 4 (C)株式会社ALBERT
  6. 6. インターネット広告市場日本のインターネット広告費の推移予測(単位:億円) 2017年には1兆円規模に達する見込み 5 (C)株式会社ALBERT
  7. 7. 広告業界カオスマップ Ow.ly – Landscape_1024_ver2.pdf uploaded by @hirohirokon (Hiroshi Kondo (近藤洋司氏)) 6 (C)株式会社ALBERT
  8. 8. 次世代広告配信プラットフォーム【i-Effect】i-Effectは自動最適化技術を用いてクリエイティブ最適化、配信先最適化を行い、広告主のネット広告におけるROIを最大化する次世代広告配信プラットフォームです。さらにその配信実績をALBERTの分析力を用いてPDCAを回しながら効果の最大化を行います。 ①配信先最適化 ②クリエイティブ最適化 DACが提供する日本最大規模DSP キャッチコピーやロゴの位置、背 広告【MarketOne】と連携し、 景色など数種類のテンプレートを 配信効果が期待できるユーザーに 利用し、最も効果の高いクリエイ 対しての広告配信を自動で行いま ティブを発見します。 す。 ③効果分析 曜日別、サイト別、OS別など様々な 角度から分析することはもちろん、 アトリビューション分析で間接効果 も図ることが可能です。 ALBERTの最適化技術とDACの配信技術を組み合わせた最新のアドテクノロジーサービス 7 (C)株式会社ALBERT
  9. 9. 新しい広告手法の導入 【配信最適化】 ①今まで広告配信(アドネットワーク) 効果 ■入札単価 媒体 良い 効果が良い媒体、悪い媒体でも同じ価格で配信 AD すべて同じ ■配信先 媒体 悪い 価格で配信 NW アドネットワーク1つで30億imp、約500サイト 媒体 悪い ■配信方法 ユーザー情報は加味しない。配信できる媒体に次々と配信 ※ADNW=アドネットワーク ②DSPによる広告配信 効果 :配信する ■入札単価 :配信しない 媒体 良い 効果が良い媒体であれば入札し、配信を行う。 AD 効果が悪い媒体には配信しない。 媒体 悪い NW ■配信先 AD 複数のアドネットワークを束ねており、約250億imp保有 DSP 媒体 悪い NW AD NW 媒体 良い ■配信方法 ユーザー情報(媒体、地域、時間etc)を加味し、効果が 媒体 悪い 高いであろうユーザーに配信を行う。 ※ADNW=アドネットワーク 8 (C)株式会社ALBERT
  10. 10. 最適化配信のしくみ発生する1インプレションの価値を15以上の項目から多変量解析を用い判定し、配信の最適化を実施しています。 ②インプレッション情報が配信システムへ システムが自動学習を して判断し、配信 ①ユーザーがサイトに訪問 媒体 × 地域 × フリーク エンシー × 時間 配信決定! ③分析した結果元に配信指示 各ユーザーの行動データ (変数)を元に効果のあり 変数の一例 そうな広告を選定し媒体側 サイト・プレースメント・コンテンツ・地域・曜日 へ配信指示。 ・時間・フリークエンシー・デバイス・ブラウザ 広告ページ・広告タイプ・OS 15以上の項目を元に配信するべきか判断。配信効果が見込める場合、配信を決定 9 (C)株式会社ALBERT
  11. 11. クリエイティブ生成方法枠 生成時のレイヤー構造 コピー ボタンキャッチコピー メインビジュアル 背景サブキャッチ 完成イメージロゴメインビジュアル 10 (C)株式会社ALBERT
  12. 12. 直交表を用いた実験計画法とはコンジョイント分析には、直交表を用いた実験計画法を使います。実験計画法とは1920年代に英国のR.A.フィッシャーが開発した統計手法の1つです。費用や時間をあまりかけずに効率的にデータを取り、解析し、試験・仮説などを得る手法です。 広告クリエイティブの最適化にも、この実験計画法を使います。膨大な組合せになる広告クリエイティブをいかに効率的に配信し、早期にCTR、CPCを上げるかが課題です。広告の組合せが膨大になるということは、即ち1クリエイティブあたりのクリック数が小さくなることを意味しており、統計的に優位差があり各パーツの効用値を算出するのに時間がかかることを意味します。従って、広告クリエイティブの最適化を短期間で行なうためには、初回配信クリエイティブ数を絞り込む必要があるわけです。ALBERTでは、広告クリエイティブを直交表を用いて絞り込み、重回帰分析によって、最適なクリエイティブを短期間で特定する技術を確立しております。 11 (C)株式会社ALBERT
  13. 13. コンジョイント分析とは(1)コンジョイント分析とは、最適な商品コンセプトを決定するための代表的な多変量解析を用いた分析方法で、個別の要素を評価するのではなく、商品全体 の評価(全体効用値)することで、個々の要素の購買に影響する度合い(部分効用値)を算出する手法です。店頭でテレビを買うことを考えてみましょう。画面の大きさ、画素数、メーカー、録画機能の有無、3Dの有無、価格などの数多くの要素や機能(コンジョイント分析ではこれを属性と呼ぶ)があり、迷ってしまいます。個々の要素を個別に評価すれば、画面は大きいほうがよいし、画質がよくて機能も多いほうがよい、しかし価格は安いほうがよいということになってしまい、そんな商品は存在しません。消費者は、いくつかあるテレビの中から、トレードオフ関係にある要素に妥協をしながら商品を選択するわけです。その時の選択は、1インチがいくらに相応するかとか細かい計算をするのではなく、様々な要素があるが、結論として商品全体を評価し、これにしようと決めて購入するわけです。 12 (C)株式会社ALBERT
  14. 14. コンジョイント分析とは(2)どの商品をより欲しいかを考えたときに、「商品Aは、3Dがないことは-30点、しかし価格が安いことは+20点なので合計90 点」。「商品Bは価格が高いことが-20点なので80点」。この結果から「100点ではないけれど、どちらがよいかといえば、商品Aだ」。という結論を出すことができます。このように個々の要素や機能(属性)の有無や値(水準)の良し悪しを質問し、その合計から全体の価値を定量的に計ろうというモデルを期待価値モデルといいます。それに対し、コンジョイントモデルは、いくつかの商品を提示して全体としてどれが一番欲しいかを質問し、その結果から各属性の重要度や水準の効用値を算出しようとするものです。広告クリエイティブの最適化には、このコンジョイントモデルを応用することで、各パーツの効用値や影響度を算出しています。 13 (C)株式会社ALBERT
  15. 15. コンジョイント分析とは(3) コンジョイントカードは、通常は直行表を用いて作成します。ここでは買いたい順に順位を付けてもらう ので、説明変数は順序尺度(序数)になります。そのほかに、買いたい度合いを点数で書いてもらったり スライダーで答えてもらったり、一対比較法で聞いていく方法もあります。 (例)コンジョイントカード . (例)コンジョイント分析の結果 順序尺度(質的変数)で回答してもらう場合は、MONANOVA、LINMAP、ジョンソントレードオフ法な どが用いられ、点数(量的変数)など回答してもらう場合は最小二乗法や数量化Ⅰ類、一対比較データの 場合はLOGITモデルなどが用いられることが多いといわれています。 14 (C)株式会社ALBERT
  16. 16. 重回帰分析とは回帰分析のうち、単回帰分析というのは1つの目的変数を1つの説明変数で予測するもので、その2変量の間の関係性をY=aX+bという一次方程式の形で表します。a(傾き)とb(Y切片)がわかれば、X(身長)からY(体重)を予測することができるわけです。単回帰分析が、1つの目的変数を1つの説明変数で予測したのに対し、重回帰分析は1つの目的変数を複数の説明変数で予測しようというものです。多変量解析 の目的のところで述べた、身長から体重を予測するのが単回帰分析で、身長と腹囲と胸囲から体重を予測するのが重回帰分析です。式で表すと以下のようになります。これを広告クリエイティブの最適化に用います。以下が、その概念的式です。 (C)株式会社ALBERT 15
  17. 17. 直交表について 直交表には様々な種類があります。属性、水準の大きさによって、最適な直交表を選択しますが、極力実 験回数が少なくなるように属性、水準を絞ったほうが精度の高い分析になります。 3属性2水準の場合実験回数は4回が最小となります。また同様に4属性3水準の場合の実験回数は9回、 5属性4水準の場合の実験回数は16回になります。 3 4 5L4(2 ) 直交表 L9(3 ) 直交表 L16(4 ) 直交表 水準数 2 2 2 水準数 3 3 3 3 水準数 4 4 4 4 4 1 2 3 1 2 3 4 1 2 3 4 5 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 2 0 1 1 2 0 1 1 1 2 0 1 1 1 1 3 1 0 1 3 0 2 2 2 3 0 2 2 2 2 4 1 1 0 4 1 0 1 2 4 0 3 3 3 3 5 1 1 2 0 5 1 0 1 2 3 列1 列2 列3 6 1 2 0 1 6 1 1 0 3 2 列1 1 7 2 0 2 1 7 1 2 3 0 1 列2 0 1 8 2 1 0 2 8 1 3 2 1 0 列3 0 0 1 9 2 2 1 0 9 2 0 2 3 1 10 2 1 3 2 0 列1 列2 列3 列4 11 2 2 0 1 3 列1 1 12 2 3 1 0 2 列2 0 1 13 3 0 3 1 2 列3 0 0 1 14 3 1 2 0 3 列4 0 0 0 1 15 3 2 1 3 0 16 3 3 0 2 1 列1 列2 列3 列4 列5 列1 1 列2 0 1 列3 0 0 1 列4 0 0 0 1 列5 0 0 0 0 1 16 (C)株式会社ALBERT
  18. 18. 実際のクリエイティブを例とした直交計画 説明を簡略化するために、ここでは以下の全組合せは8種類の展開になるもの(2属性2水準)を、 直交表により半分の4回に実験回数を減らす方法をご説明します。 v_バイナリーコード v_電卓折れ線グラフ c_One to one 実現 c_大量データ分析 f_枠黒 f_枠赤 緑 白 NO 1 1 0 1 0 1 0 2 1 0 1 0 0 1 3 0 1 1 0 1 0 4 0 1 1 0 0 1 5 1 0 0 1 1 0 6 1 0 0 1 0 1 7 0 1 0 1 1 0 8 0 1 0 1 0 1 各素材 4 4 4 4 4 4 の出現回数 (C)株式会社ALBERT 17
  19. 19. すべての組合せ画像 前ページの展開案を元に作成した全8種類のクリエイティブです。 18 (C)株式会社ALBERT
  20. 20. すべての組合せ画像 枠は上下で分かれています。 黒枠 赤枠 19 (C)株式会社ALBERT
  21. 21. すべての組合せ画像 メインビジュアルは左右で分かれています。 バイナリーコード緑 電卓折れ線グラフ白 20 (C)株式会社ALBERT
  22. 22. すべての組合せ画像 コピーは入れ子になっています。 One to one 実現 大量データ分析 One to one 実現 大量データ分析 21 (C)株式会社ALBERT
  23. 23. 直交している画像 ここから以下の様に、どの要素も同じ回数出るように、半分に削減します。このように直交表は 必ず同じ要素が同じ回数出て来て、かつ要素同士の相関係数がすべてゼロになります。 22 (C)株式会社ALBERT
  24. 24. 実際の直交表とその展開表これを直交表によって4つに削減するための直交表と展開表は以下のようになります。直交表 v_バイナリーコード v_電卓折れ線グラフ c_One to one 実現 c_大量データ分析 f_枠黒 f_枠赤 緑 白 キャッチ メインビ NO 枠線 NO コピー ジュアル 1 1 1 1 1 1 0 1 0 1 0 4 0 1 0 4 0 1 1 0 0 1 6 1 0 0 6 1 0 0 1 0 1 7 0 0 1 7 0 1 0 1 1 0相関係数表 キャッチ メインビ 各素材 枠線 2 2 2 2 2 2 コピー ジュアル の出現回数キャッチコピー 1枠線 0 1メインビジュアル 0 0 1 23 (C)株式会社ALBERT
  25. 25. 事例のご紹介(発表用スライドのみ) 24 (C)株式会社ALBERT
  26. 26. お問い合わせはこちらまで 菅由紀子 @kan_yukiko 25 (C)株式会社ALBERT

×