Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

WEB閲覧時における無意識な行動のデータマイニング by ZenClerk

14,616 views

Published on

興味を持って見ていると、スクロールを細かくゆっくりおこなったり、 買おうとするときは、ページの一番下まで見に行ったりしますよね。 それは消費者が老若男女とわずみんな無意識的にやっていて、かつ購買心理を追究するのに非常に役に立つ知見です。
ZenClerkではそういった行動をパターン化しリアルタイムにユーザーの心理を推測し、及びそこからコンバージョンまでに必要なサービスを自動的に一人一人のユーザーにお届けします。その解析部分についてお話させて頂く予定です。

Published in: Technology
  • Be the first to comment

WEB閲覧時における無意識な行動のデータマイニング by ZenClerk

  1. 1. WEB閲覧時における無意識的 な行動のデータマイニング 2013/10/19 株式会社DoBoken 桑山 礎 @HAJIMEXI http://zenclerk.com
  2. 2. 目次 • • • • • 自己紹介 ZenClerkとは Hesitate(ためらい)状態の行動パターンについての特定手法 Hesitateアルゴリズムを使ってユーザーを特定しクーポン施策 まとめ
  3. 3. 自己紹介 データとインターネットとビールが好き。 • • 1986年生まれ 27才 2005年:早稲田大学理工学部経営システム工学科入学 • • • • • オークションのマルチエージェントシミュレータや、 オークションデータを用いた中古商品価格予測モデルの研究等 2006年:水のネットショップ立ち上げ、3ヶ月目で売上100万円 2007年:オークファン創業時よりインターン 2010年:世界最大油田検層会社シュルンベルジェ入社 2012年:株式会社DoBoken創業
  4. 4. 株式会社DoBokenの主な関心領域 意識的ではないが故にユーザー1人1人の性質を最も表す「無意識の行動情報」を分析対象とし、 リアルタイムに推定したサイコグラフィックデータに基づく施策の実施までをサポートする事 DoBokenの 主要な関心 1.ユーザーの「無意識の行動情報」を取得・分析 App Web 2.リアルタイムにユーザーの サイコグラフィックを推定 SMP Mouse Scroll Touch Flick Double Tap Shake 興味 3.データに基づく施策の実施を自動化 モバイルに注力 Web SMP 心理 欲求
  5. 5. EC向けデジタルコンシェルジュサービス 5
  6. 6. ZenClerkの考え方 優秀な店員さんがお客さんの「無意識の行動」を観察し、相手に合わせて接客対応を変えるのと同じく、 ZenClerkはwebサイト内において、個々のユーザーに適切な情報を適切なタイミングで配信する 着眼点:リアル店舗での良いサービス お客さんの行動の観察 興味 購買心理 離脱 相手の状態に合わせた対応の実施 CV CASE 1 CASE 2 「初めてのお客様が来 「特定の商品を探されている なぁ」 店!」 CASE 3 「決断を迷われているよ うだ・・」 離脱 離脱 離脱 【あえて何もしない】 【選択肢を提供】 【購入の後押し】 離脱 for EC 6 で可能な事
  7. 7. ZenClerkのサイト内施策例 Search Phase1 ランキングサイトからの流入で、 他の競合他社と比べられている状態 弊社クライアント LP CVR 2.2倍! Select Phase2 複数の商品を比べ始め、 一つの商品に絞ろうとしている状態 Phase3 Hesitate 特定の商品に興味を持っているが、 まだ比較検討までは至っていない状態 あなたのお気に入りアイテム 売上 1.6倍! 7 CVR 1.4倍!
  8. 8. ZenClerkの分析面の目標 1. ユーザーがなぜコンバージョンをするのかという理由を解明する 2. ユーザーにメリットのある施策を行えること 店をわかってもらうためのWelcome message 来店(100人) ニーズは具体的か 抽象的か リピーターか新規 か いい商品を見つけるためのRecommend Search(20人) 何かいいものがな いかと探している 選択を絞る手伝いする自動Bookmark 最後の一押しCoupon Select(10人) 購入に向けた選択 行動を行っている 状態 A B Hesitate(2人) 一つの商品につい て、買うか買うま いか迷っている状 態 CV
  9. 9. Hesitateの定義、着想 ショッピングカートに入れる直前に買うか買うまいか迷っている状態 感情の高ぶり 理性的判断のTry 意志のHPの消耗 脳の抑制力の弱体化 モノを買うという行為は、お金を払った後に対価を受け取る行為 であり、一種のリスクが内在している。 そのリスクを出来るだけ少なくする為に、気に入ったものを見つけた 後、 その商品を買おうとする前には、 エモーショナルな「欲しい」という気持ちに突き動かされながらも、 その商品に関しての情報集めの「おさらい」をある程度 きちんと行おうとTryし、「懸命な判断」をしようとする。 しかし人間の頭の処理容量には限界がある。 「何かをする、しない」という判断をするような、全ての決断は、 意志のHP(ヒットポイント)を消耗するので、 非常に疲れる。 そして、脳の抑制力が弱まる瞬間が必ずやってきて、苛立ちを感じ、 決断を下すためにも非論理的な近道を取るようにもなる。 その瞬間こそ、ユーザーにキャンペーンを送信するべき時であり、 CVに近いところであると言えるが、 購入 or 離脱 同時に「苛立ち」を抱え、意志のHPを消費したユーザーが離脱するかも しれない 分水嶺なのである。
  10. 10. Hesitate時における無意識的行動の観察結果 同じページを 再度チェック [前提]アイテムページにおける行動である。 1. 2. 3. 4. 5. 6. そのページに来たのが2回目 カードボタンホバー 購入する (色/サイズ等)ラジオボタンクリック 色を選択してください 迷ってるから滞在時間が長い カートボタン へのホバー 製品情報の 確認・選択 マウスの動き レビュー/写真等をクリックする ためクリックカウントが多い マウスが行ったり来たりする スクロールの 動き 20,000ページ分の閲覧行動の集計を行ったところ、 実際に1.かつ2.or3.を満たしたページのCV率は34/71件 そんなにCVに近いなら施策でもっとCVさせたいと思いません?
  11. 11. 【重要】2.ホバー、3.ラジオの特徴には一つ問題が有る カードボタンホバーかラジオボタンクリックが起きた時間 ページを閉じるまでの時間 0:02:18 C. 理想的 0:02:01 0:01:44 0:01:26 0:01:09 0:00:52 B. もしホバー等しても、 でもクーポンを出す暇がない 0:00:35 0:00:17 0:00:00 0:00:00 0:00:17 A. 入ってすぐCV 0:00:35 0:00:52 0:01:09 0:01:26 0:01:44 0:02:01 ページを開いてからの時間 理想は、ページを開いてすぐHesitate的な行動を行い、 その後しばらく滞在すること。でも少ない。どうする? 11 0:02:18
  12. 12. 無意識的な行動パターン分析から、 その人がHesitateか予測 【命題】そのページ閲覧10秒目までにした行動から、 その行動がHesitateユーザーの行動であるかどうか判別 教師データ アイテムページ上で、 • • 同じページ2回目以上の閲覧で、ラジオボタンクリックかカートボ タンホバーをする(:1)。と、そのときの行動データ。 それ以外のケース(:0)。と、その行動データ。
  13. 13. 仮説検証のため、機械学習を用い、 ユーザー行動パターンの分析を行う 説明変数 (15〜20種類) • • • • 基本系 (例)滞在時間、マウスを動かした回数、カーソル移動距離 頻度系…頻度が高ければ注意深く/アクティブに見ている (例)スクロール頻度、カーソル移動頻度 スピード系…遅いよりは早い方がアクティブ。ただし早すぎるのは 飛ばし読みしている (例)スクロールスピード、カーソル縦/横スピード ページ見た長さ当たり系…こちらも大きければ注意深く/アクティ ブに見ている (例)見た長さ当たりカーソル移動距離、見たページ長さあたりク リック回数 使う機械学習手法…非線形用モデル(決定木 C4.5)
  14. 14. 機械学習結果の結果説明 • 精度…75.0% TP • notHesitate Hesitate Weighted Avg FP 76.8% 73.3% Precision Recall F-Measure 26.7% 74.2% 76.8% 75.5% 23.2% 75.9% 73.3% 74.6% 75.0% 25.0% 75.1% 重要な変数… スクロールスピード マウスカウント ページ長さ当たりクリックカウント等 75.0% 75.0% 14
  15. 15. 決定木説明 1. スクロール速度が遅すぎない 3.クリックカウントがあったときは、 スクロール頻度が低い 2. マウスカウントが多い 15
  16. 16. クーポン施策結果 9.0% 8.0% 7.0% 6.0% 5.0% 4.0% クーポンイメージ 3.0% 14%UP 2.0% 1.0% 0.0% Hesitate的な行 動ではない CV率 Hesitate的な行 動&クーポンな し Hesitate的な行 動&クーポン 2.1% 7.0% 8.0% 同時期に行われていたセールイメージ 配信したクーポンと同様なキャンペーンを、同じ期間に全ページでサイト右側(イ メージ)で告知していた。迷っているタイミングだというのと、自分だけに送られ て来たという体験が結果に結びついている。t検定済。
  17. 17. クーポンを出すのに適切なタイミング クーポンをランダムに配布し、表示されたタイミングとCV率 4.50% 4.00% 3.50% 3.00% 2.50% 2.00% 1.50% 1.00% 0.50% 0.00% 1秒後から10秒後 11秒後から20秒後 21秒後から1分後 17 1分後から2分後 2分後から5分後
  18. 18. ちなみに 1. 2. クリックの前にホバーする人は27%くらいいる 「2回目にそのページを訪問してhesitate行動にならない人」で多い のは、タブブラウジングをしているユーザー(情報強者)が多い
  19. 19. まとめ • • • ページ内での動きの”アクティブ指数”(ページ内のクリック回 数、マウススピード、スクロール頻度等)が高いと、”結果的 に”、セッション滞在時間が伸びる傾向も分かった ユーザーがなぜコンバージョンをするのかという理由を、無 意識的な行動をに着目し、機械学習手法を用いて、追究して 行くのがZenClerkです。 今後は言語解析領域に踏み込んで行く予定です。
  20. 20. DoBokenチーム DoBokenの 強み (大規模データ処理)×(機械学習によるアクショナブルなデータ分析)×(改善に効果のあるアクションの実施) この「3本の矢」を、リアルタイムに高いレベルで扱うことができる組織であること 大規模データ 受け入れ データ分析 機械学習 NAJI co-founder 10年以上のエンジニア歴 大規模データのリアルタイムな 受け入れが得意 既存のZenClerkの根幹システム を単独で構築 YUJI Security Hacker 北海道大学中退、University of Nottingham交換留学、Luther College卒業 works applicationsのEC事業のセ キュリティ領域を単独で構築 施策の実施 UI,UX HAJIME co-founder 機械学習とデータ分析を専攻 就職後を含めて6年の経験 データ分析で南青山120m^2の 家を割安な15万円で発見 COLE co-founder 東京大学法学部卒 戦略コンサルティングCDI出身 JOUKO Front-end Hacker フィンランド出身 10代前半からプログラミングに親し み、3Dのモデリングなどを経験 5カ国語を話し、囲碁が得意。 AKIBA Growth Hacker 早稲田大学理工学部経営システム卒 カヤックで1年働き、ADKで4年web 広告の経験を蓄積 デザインからJS、railsプログラミン グ、データ分析まで幅広くこなす お問い合わせ先 桑山礎 hajime.k@doboken.net 20

×