2016/02/08 DATA×UX CROSSINGでの、赤塚の講演資料になります

1. 分析手法のご紹介

2. 赤塚：自己紹介
あかつか さとし
赤塚 諭
リクルートテクノロジーズ
ＩＴソリューション統括部
ビッグデータ部 ビッグデータ１グループ
経歴
前職で、レポーティング業務及びBIツール導入業務を経験（４年）
・POSデータや注文データから基礎分析やバスケット分析、
クラスタによる顧客管理（施策ターゲットの抽出）
・BIツールでは、QlikViewの代理店としてツール導入だけでなく
導入時の分析画面の設計や使い方のアフターフォロー
所属
2014年11月より株式会社リクルートテクノロジーズにて、
リクルートグループに対して、データ面での意思決定支援業務に従事
現在

3. クラスタリングのアウトプットイメージ
[課題] UI・UX改善が評価がしづらい
■アウトプットイメージ
・ユーザーの質は変わっているのではないか
Conversion
(仮)詳細閲覧頻度
多い
一見
(仮)一覧ばかり
(仮)長期利用
CVなし
ユーザーの質
Conversion
(仮)詳細閲覧頻度
多い
一見
(仮)一覧ばかり
(仮)長期利用
CVなし
ユーザーの質をどうやって探るか
▶クラスター分析によってペルソナを定義して
セグメンテーションを行う
旧 新
ユーザーの質

4. アクセスデータからケース分類
それぞれの層には、
どういった人がいるのか
訪問のあったユーザー
初回訪問 or 再訪問 の構成
１日の訪問ユーザーの内で初回訪問のユーザーと再訪問（訪問日２日以上）
のユーザーで約半分ほど分かれている
満足度の高いユーザーはリピートするだろうという仮説の上で
初回訪問と再訪問を最初に切り分ける軸にした
行動データを基に
クラスタリング分析を実施
（k-means法）
クラスタリング結果を基に
初回訪問と再訪問
それぞれでペルソナ像を
定義していく
※グラフはダミーです

5. クラスタリング結果
※グラフ・表はダミーです
クラスタリング分析の結果、初回訪問は３クラスター、
再訪問は４クラスターが良さそうとわかった
各クラスターの構成比をみたり、行動データを平均
で集計することで、各ペルソナ像を理解する
クラスター ユーザー数 PV 検索回数 滞在時間 職種検索回数 エリア検索回数
クラスター-1 ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊
クラスター-2 ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊
クラスター-3 ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊
総計 ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊
初回訪問のクラスター構成
初回訪問の各クラスターの確認
初回訪問の各クラスターの箱ひげ
再訪問のクラスター構成

6. ユーザー行動を分ける閾値を探す
クラスター
1
クラスター
2
クラスター
3
特徴の合ったデータ項目 x クラスターの割合（縦） クラスター1 クラスター2 クラスター3
特徴の合ったデータをクラスターの
構成で確認することで、
閾値を決定していく
最終的には右図のような
条件分岐図を作成する
分類条件
PV数（例）
※グラフ・表はダミーです

7. クラスターの確定
過去30日の
各クラスターが想定していたクラスターになっているかを確認し、
行動特性からクラスターに名称をつけ管理していく
クラスターごとの集計
クラスター ユーザー数 PV 検索回数 滞在時間 職種検索回数 エリア検索回数
クラスター１ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊
クラスター２ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊
クラスター３ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊
クラスター４ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊
クラスター５
＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊
総計 ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊ ＊＊＊＊

8. クラスタ比率の推移
日別 クラスター構成の推移
日別のクラスター構成の推移を追うことで、
質の変化を可視化することが可能となった

9. Tableauでダッシュボード化
●施策後のクラスタ移動をモニタリング
●施策後の各クラスタのアクション変化をモニタリング
施策日
例えば７日後に入念訪問
層から毎日訪問層へ●％
変化した
という変遷を確認可能
施策後に伸びてきた層か
ら、施策が良かったのか
悪かったのかを判断可能
Tableauレポートとすることでモニタリング環境を整えた
全体図（ダッシュボード）
クラスター別データ集計

10. クラスタリング初めの一歩

11. クラスタリング手法
クラスターとは、「集落。ある特定のデータの集まり」のこと
クラスタリングによって別れたクラスターから、ユーザーがどのようなタイプに別れる
のかを把握することができる。 → ペルソナ把握
これによってユーザーを切り分ける時の参考となるデータやユーザー像が分かる。
今回の
分析手法
K-means法
クラスタ作成において、最もポピュラーな手法
①ランダムに任意のクラスタを割り振る
②クラスタの重心を計算する
③点のクラスタを、一番近い重心のクラスタへ変更する
①:点の色がクラスタ数 ②:重心を計算 ③:重心が近いクラスタへ変更
変化がなく
なるまで
繰り返す

12. ツールの紹介
12
●今回はSPSS modelerを使用 ▶ Pythonで実装可能
●Python
数表および時系列データを操作するためのデータ構造と演算
データの読み込み
K-meansの設定
K-meansの実行
値を元のデータに返す
オープンソースの機械学習ライブラリで、分類や回帰、クラスタリングなどの機能
が実装されています

13. 参考書籍
13
 クラスタリングの基礎を知りたい
 Pythonは結構ネット上で検索をすると出てきます
http://www.mwsoft.jp/programming/numpy/kmeans.html
やさしいマーケティングのための多変量解析
クラスタリングと言わず、多変量解析の基礎が
わかりやすく解説されています
クラスター分析入門 POD版
―ファジィクラスタリングの理論と応用
クラスタリングに特化してわかりやすく解説さ
れています