Tokyo webmining発表資料 20111127

データマイニング現場２４時データマイニング現場２４時現場２４回データマイニング+WEB ＠東京 ( #TokyoWebmining 16th)－リアルタイム分散 Web解析・自然言語処理祭り－第16回データマイニング－リアルタイム分散解析・自然言語処理事業企画室マネージャー菅由紀子

会社概要会社概要事業概要社名株式会社ALBERT設立 2005年7月1日資本金 3億3,900万円株主デジタル・アドバタイジング・コンソーシアム株式会社、 IVP Incubator, L.P、株式会社ニッセンホールディングス、 MUハンズオンキャピタル株式会社、 OYベンチャービジネス育成ファンド、オリックス・キャピタル株式会社、株式会社ジャフコ、三生キャピタル株式会社、東洋キャピタル株式会社、ニュー・フロンティア・パートナーズ株式会社、 SMBCベンチャーキャピタル株式会社、信金キャピタル株式会社、 PE&HR株式会社、大和企業投資株式会社、株式会社シーエー・モバイル、役員および従業員役員代表取締役会長山川義介代表取締役社長上村崇取締役徳久昭彦（DAC取締役CTO）非常勤監査役保月英機顧問北研二（徳島大学工学部教授、工学博士）獅々堀正幹（徳島大学工学部准教授、工学博士） 2005年7月設立。事業コンセプトは『分析力をコアとする情報最適化企業』。事業内容 CRMソリューションの開発・提供高度なレコメンデーション、情報の最適化を実現するテクノロジーとして、前・Web最適化システム身のインタースコープで培ったマーケティングリサーチ、統計解析、データマ・One to oneマーケティングソリューションイニング、テキスト解析に加え、徳島大学との共同開発による画像解析、豊・コンタクトセンターソリューション富な導入実績に裏付けられた信頼のWeb、モバイル、ITインフラ技術を保有。レコメンドエンジンの開発・提供これらのキーテクノロジーをベースに独自開発のレコメンドエンジンとして、行・Webレコメンドエンジン動履歴を使った推薦を安く簡単に『おまかせ！ログレコメンダー』のほか、対・モバイルレコメンドエンジン話型の意思決定システム『Bulls eye』等をECサイトやメーカーダイレクトサイ・感性検索システムトに提供。行動ターゲティング広告、広告のマッチングや最適化、Webサイト行動ターゲティング広告システムの開発・提供の最適化、One to oneマーケティングを実現するCRMソリューション等の情報・広告配信の最適化の最適化など、分析力を強みとしたマーケティング支援も行なっています。・広告クリエイティブの最適化

300サイトを超える導入実績家電系サイトアパレルサイトイマージュハースト婦人画報社ヤマダ電機ケーズホールディングスサルースナラカミーチェ金融サイト GENO アイ･オー･データ機器三菱東京UFJ銀⾏ソニー銀⾏マネックス証券楽天銀⾏モバイルサイトホビー商材サイト新星堂あみあみ豊通エレクトインフォコム mediba ロニクスリテールコム menue ネオ・ウィングハピネットオンライン

自己紹介菅由紀子 @kan_yukiko http://www.facebook.com/kan.yukiko http://www.facebook.com/kan.yukiko 株式会社ALBERT 株式会社ALBERT 事業企画室マネージャー会社中央大学経済学部卒。2004年株式会社サイバーエージェント入社。中央大学経済学部卒。2004年株式会社サイバーエージェント入社。年株式会社サイバーエージェントインタースコープ社との協業でネットリサーチ事業立ち上げや営業、広告の販売や企画などに携わる。告の販売や企画などに携わる。 2006年月に株式会社ALBERT ALBERTに転じ、消費者向けウェブサイトの立ち 2006年3月に株式会社ALBERTに転じ、消費者向けウェブサイトの立ち上げ等に関わる。 2008年月頃より、データ分析を担当。 2008年8月頃より、データ分析を担当。

こんなことをお話こんなことをお話します・ALBERTのデータマイニング現場ご紹介 ALBERTのデータマイニング現場ごのデータマイニング現場・データマイニングは直感？ひらめきを得・データマイニングは直感？ひらめきを得るには直感・ALBERTの分析最新事例 ALBERTの

ALBERTのデータマイニング現場ごALBERTのデータマイニング現場ご紹介のデータマイニング現場 ALBERT 事業企画室レコメンドエンジンASP レコメンドエンジンASP コンサルティング・ASPのレコメンドエンジンのチューニングと ASPのレコメンドエンジンのチューニングと・レコメンドエンジン開発のクライアントにそれに必要なデータ分析独自のアルゴリズム策定コンサルティング・顧客からの分析依頼対応約300サイト以上の導入実績大規模EC／コンテンツ系多様な業種・業態大容量かつ趣味嗜好が現れやすい多様なデータデータ広告配信最適化その他一切のデータ分析その他一切のデータ分析他一切のデータ・広告配信最適化のための・マーケティングリサーチ結果の分析データマイニング・レコメンドアルゴリズム等の研究・開発超大規模データ場合によっては小サンプル変数多数リアルタイム性高度なレポーティング大規模から小規模、レコメンドにとどまらず多種多様な分析をなっております。大規模から小規模、レコメンドにとどまらず多種多様な分析を行なっております。から小規模多種多様

データマイニングと統計の違い統計は仮説検証、データマイニングは知識発見圧倒的データ量の違い→ 金鉱を掘り当てる手法自体は似ている

ALBERTのデータマイニング現場ALBERTのデータマイニング現場のデータマイニング試行錯誤の連続

知識にたどり着かない場合どうするか？

課題に直面した際に突破口になるのは「直感」「ひらめき」ではないか？（#tokyowebmining 第14回での議論）直感やひらめきを呼び起こすには？

分析を分析を行う際の大前提 (1)分析しようとする問題そのものについての理解そのデータの意味やその背景にある状況が分からなければ分析方針を決められない。分析課題の整理からはじめ、問題そのものやデータについての理解を深める (2)分析手法についての理解データマイニングすれば「それなりの結果」は出てしまうが、分析手法を理解していないと相応しくない分析をしていたときに気づかない。 (3)分析結果に対する判断力予想通りか？予想外か？データの取得方法や処理方法が間違っていたのか、分析手法が間違っていたのか？見極めが必要。想定外の結果が出たときこそ、柔軟に頭を働かせて様々な可能性を考えるべきこれらを大前提としたうえで「ひらめきを得るためのアクション」これらを大前提としたうえで「ひらめきを得るためのアクション」を実行大前提としたうえで

ひらめきを得ひらめきを得るために大胆に変える

データの形式を大胆にデータの形式を大胆に変える形式集計したデータを用いた分析集計したデータを用いた分析したデータを商品ID単位の集計ではなく1レイヤー、レイヤー上概念での商品ID単位の集計ではなく1レイヤー、2レイヤー上の概念での分析 ID単位ではなくでの分析分析にえうるデータでない場合はデータの階層をえる」分析に耐えうるデータでない場合は、データの階層を「考える」場合階層

データの形式を大胆にえる／集計したデータを用いた分析データの形式を大胆に変える／集計したデータを用いた分析形式したデータを大胆に変える大胆に例1：データ形式の変換データ形式の形式 1/0データ n/0 データ例2：集計したデータを用いた分析集計したデータを用いた分析したデータを顧客ID 商品ID ALB0001 199242 顧客ID 購入数顧客ID 102820 105602 112000 120388 121846 170161 190466 199242 ALB0001 112000 ALB0001 3 ALB0001 1 1 1 ALB0002 170161 ALB0002 1 ALB0002 1 ALB0004 102820 ALB0004 1 ALB0004 1 ALB0005 190466 ALB0005 1 ALB0005 1 ALB0008 120388 ALB0008 1 ALB0008 1 ALB0010 105602 ALB0010 1 ALB0010 1 ALB0001 121846 クラスター分析では、きな違いが出クラスター分析では、大きな違いが出ることもあります分析では

ひとつ上・ふたつ上のレイヤーで考ひとつ上・ふたつ上のレイヤーで考える大胆に変える大胆に商品ID カテゴリテイストブランド Tシャツ（レディース）（色）（色） Tシャツ（メンズ）レッドブランドAAA ブールワインレッドブランドBBB パンプスピンクブランドCCC サンダルオレンジブランドDDD バッグイエローブランドEEE インナー・下着ブラウンブランドXXX ・ブラック・・ホワイト・・オフホワイト・・・たとえば、商品ID単位のログデータも、商品データのカテゴリ・テイスト・ブランド情報等たとえば、商品単位のログデータも、商品データのカテゴリ・テイスト・ブランド情報等・とかけあわせることで、様々な情報を得ることができます。

分析にえうるデータでない場合データの階層分析に耐えうるデータでない場合データの階層を「考える」場合データの階層をえる」大胆に変える大胆に例4：分析に耐えうるデータでない場合は、データの階層を「考える」（例）生データにおけるタグ数が2,000 生データにおけるタグ数が2,000 そのうち8 そのうち8割以上に履歴がない（ほかのデータと紐付かない）ただし、1でも2 ただし、1でも2でもデータとして存在するので無視はできないタグそのものの情報を分析し、意味がありかつ履歴数が一定以上になるよう階層構造を持たせるデータに変換 ※階層構造は、データ分析を行った結果と内容が適しているか【before】【after】どうかを検証しています。ジャンル名データ数大ジャンル1 ジャンル1 ジャンル1 1 ジャンル2 ジャンル2 1 ジャンル4 ジャンル3 100 大ジャンル2 ジャンル3 ジャンル4 1 大ジャンル3 ジャンル5 ジャンル5 100 ジャンル6

カテゴリレベルの分析の重要性～なぜパンパースとアサヒではなくおむつとビールなのか～パンパースコットンケアウルトラジャアサヒスーパードラインボ S 104枚パンパース 350ml×24缶 ASIN: B0015XN55S ASIN: B001TZAWD0 SKUレベルでは大量のデータが必要となり、すべての商品の相関関係を見いだすことは不可能です。より低いレベルの相関関係を根拠に顧客行動を予測することは困難ですが、カテゴリは普遍的であるため予測が可能です。つまり、SKU単位の相関よりカテゴリ単位カテゴリ単位の相関のほうがはるかにカテゴリ単位パワフルで精緻な購買予測が可能となります。おむつビール

カテゴリレベルの分析のカテゴリレベルの分析の重要性分析パワフルな購買予測手法「CTB分析」を提唱「カテゴリ」に加え、同じ上位概念である「テイスト」「ブランド」の分析により顧客の理解が深まる。 Category 大分類、小分類 Taste 色、模様、サイズ Brand ブランド、キャラクター

事例：買ってくれるお客さんはどんな人？

ロイヤルカスタマーの分析ロイヤルカスタマーの分析優良顧客が何をどのように購入しているかを分析し、非優良顧客と比較することで顧客単価、購入頻度を向上させるきっかけを見出します。高優良顧客きっかけとなる特徴をデータマイニングによって導出平均的な Monetary 顧客購入金額非優良顧客低高低 Frequency:購入頻度

M(金額）で優良顧客を特定し分析した事例購買実績データのうち、3カ月分のデータを用いて顧客別の「購入金額」を集計、売上全体の7割を占める25.6％の顧客を優良顧客：H(High）、20％を占める22.4％の中間層をM（Middle）、売上全体の10％であるが52％超を占める下位層をL （Low）として購入した商品に特徴がみられるかを分析。顧客の中での割合 25.6 22.4% 52.0% % H M L

消耗品購入率の違い購買層別にカテゴリ単位での購入率を算出してみたところ、購入金額が高い層、購入頻度の多い層の方が低い層に比べ、特定の消耗品カテゴリを購入する割合が高いことがわかりました。消耗品カテゴリの購入率 n=3887 n=4448 n=9019

事例：買いたいタイミングを予測

ライトタイム・マーケティングの登場ライトタイム・マーケティングの登場ここ60年のマーケティングコンセプトは、製品中心の4P・4Cマーケティングから顧客中心のSTP マーケティングに移行してきた。そして今、環境の変化に伴い、STPマーケティングを超えたライトタイム・マーケシングへのパラダイムシフトが起きています。 RT-M STP-M 4P･4C-M 最適な顧客に最適な商品・情報を適切なタイミング・チャネルで送最適な顧客に最適な商品・情報を適切なタイミング・チャネルで送るなタイミング・チャネルで

どのカテゴリがいつ売れるのか？ 11月上旬 11月中旬 11月下旬スキースキー毛布スポーツ⾐料スノーボードカバー類食品スポーツ⾐料こたつインテリア_家具_シーツ・カバースポーツ_衣料_スキーウェアスポーツ_衣料_スキーウェア雑貨_衛生_ハンドクリームスポーツ_衣料_スノーボードウェアスポーツ_衣料_スノーボードウェアインテリア_寝具_こたつ布団メンズ_スポーツウェア_インナー食品_生鮮食品_野菜インテリア_寝具_毛布雑貨_化粧品_ハンドクリームメンズ_スポーツウェア_インナー雑貨_その他_家電雑貨_雑貨その他_カイロインテリア_カバー類_カバーその他雑貨_清掃_清掃用具子供_玩具_大型玩具インテリア_寝具_毛布レディース衣料_アウター_ベスト食品_生鮮食品_乳製品食品_生鮮食品_肉類メンズ_アウター_コートインテリア_寝具_毛布メンズ_スポーツウェア_機能性ウェア雑貨_清掃_歯ブラシメンズ_スポーツウェア_トップス生活雑貨_衛生用品_カイロ子供服_アウター_コートメンズ_スポーツウェア_トレーナースポーツ_衣料_機能性ウェアメンズ_スポーツウェア_パンツインテリア_寝具_毛布スポーツ_衣料_トレーナー食品_生鮮食品_その他スポーツ_衣料_トレーナーレディース_衣料_機能性ウェアレディース_アウター_コートスポーツ_衣料_ブルゾン・ジャケット子供_衣料_機能性ウェアレディース_雑貨_ブーツ１食品_加工食品_肉スポーツ_衣料_トレーナー子供服_雑貨_ブーツ食品_加工食品_魚子供_寝具_子供用毛布メンズ_アウター_ブルゾンスポーツ_スポーツグッズ_スキースポーツ_スポーツグッズ_スノーボードメンズ_アウター_セータースポーツ_スポーツグッズ_スノーボード雑貨_トイレタリー_風呂雑貨レディース_アウター_セーター雑貨_トイレタリー_風呂雑貨雑貨_トイレタリー_トイレ雑貨レディース_スポーツウエア_トレーナー雑貨_トイレタリー_トイレ雑貨スポーツ_スポーツウェア_トレーニング雑貨_化粧品_乳液子供_寝具_子供用毛布メンズ_衣料_コート

推薦すべきカテゴリとそのタイミング推薦すべきカテゴリとそのタイミング商品カテゴリによって推薦すべきタイミングに違いがあることがわかります。 ■分析方法 ▲ Aパターン：短期間に複数回購入されるカテゴリ（購入日） 10/3 10/30 12/04 ▲ ▲ ▲ ■分析結果：上位3カテゴリ Tシャツ・カットソー 1.71回ソックス 1.63回約400日間ワンピース・ドレス 1.32回 Bパターン：短期間内に複数回購入のないカテゴリ 10/1 ▲ ■分析結果：下位3カテゴリコート 1.09回バッグ 1.02回約400日間ラック 1.02回カテゴリ単位で分析することにより、知見を得ることが可能に。

ご清聴ありがとうございました @kan_yukiko yukiko@albert2005.co.jp

http://d.hatena.ne.jp	2952
http://webcache.googleusercontent.com	10
http://translate.googleusercontent.com	1

Tokyo webmining発表資料 20111127

by kan_yukiko on Nov 27, 2011

Accessibility

Tags

Upload Details

Usage Rights

3 Embeds 2,963

Statistics

Tokyo webmining発表資料 20111127 — Presentation Transcript