Ai for marketing
•Download as PPTX, PDF•
1 like•125 views
マーケティングにおけるAIの対象領域を概観する 特に検索・レコメンドエンジンについて位置付けを紹介
Recommended
More Related Content
Similar to Ai for marketing
Similar to Ai for marketing (20)
More from Hiroki Iida
More from Hiroki Iida (16)
Ai for marketing
- 2. 本日の内容 • この書籍の1・４・５章の内容 © 2017 Retrieva, Inc. 2 原著 翻訳版 画像はamazonより画像はamazonより
- 3. 目的 • AIブームの昨今において、対象領域を概観する • 特に検索・レコメンドエンジンについて位置付けを紹介 © 2017 Retrieva, Inc. 3
- 4. お断り • 本書は主に、EC環境について記載されています。 • AIは機械学習や最適化を適用できそうな領域という意味で使用 しています。 © 2017 Retrieva, Inc. 4
- 5. 目次 • 第１部（マーケティングとAI） • Algorithmic Marketingの対象範囲 • 検索システムとレコメンドシステムの目的の違い • 検索システムの環境・概要 • 検索アルゴリズムの概要 • レコメンドシステムの環境・概要 • レコメンドアルゴリズムの概要 • 第２部（速習! 検索・レコメンドエンジン） • 検索のアルゴリズム紹介 • 検索エンジンのチューニング • レコメンドのアルゴリズム紹介 • レコメンドエンジンのチューニング © 2017 Retrieva, Inc. 5
- 6. Algorighmic Marketingの対象範囲 © 2017 Retrieva, Inc. 6
- 7. マーケティング活動の類型 • 4P(Price, Promotion, Price, Place) • 企業がコントロールすべき点を類型化したモデル • どの一つをとっても、分野としては広い • Strategy and Process • Stragegy：長期で、トップレベルのビジネス決定。ターゲットやプロ ダクトラインなど。説明・分析・プランニングの側面が強い • Process：戦略の実行。プロモーションをかける顧客の選択や、時間 経過による価格の変化など。継続的に発生する。実施・現場判断・自 動化の側面が強い • algorithmic marketingでは、Processの方に強みがある © 2017 Retrieva, Inc. 7
- 8. Algorithmic Marketingの理想像 • 定義：マーケターが欲しい情報に素早く到達するためのツール • Algorithmic Marketingでやれそうなこと • 新規顧客獲得施策の検討、収益最大化、広告配信の実行、価格調整、個々の オペレーション最適化 • ただし、フルオートは不可能 • エンジニアやデータサイエンティストを抱え、モデルの調整やシステムの能 力をあげていく必要がある © 2017 Retrieva, Inc. 8 Introduction to Algorithmic Marketingより
- 9. B2Cにおける主要機能 • B2Cにおいては、６つの領域に分かれる • 4Pは粗すぎてあまり使えなかったらしい © 2017 Retrieva, Inc. 9 目的は、メッセージを顧客に伝え、提 供したものとマッチングを図ること 目的は、ある顧客が対して最適な商品 を見つけられるようにすること 目的は、商品セットの組み方や価格を 最適化すること Introduction to Algorithmic Marketingより
- 10. 実装 1. Data：全てはデータに基づくため必須 2. Features：各モデルに必要な前処理を 行う 3. Models：最適化のための指標を算出す るモデルをいくつか構築する 4. Signals：Modelから算出された値。最 適化にしようする 5. Optimization：制約条件とSignalからの 変数を元に最適化 6. Controls：最適化結果を実行 7. Measurement：計測結果を受けて、 Modelの調整や再度最適化を計算する © 2017 Retrieva, Inc. 10 Introduction to Algorithmic Marketingより
- 11. 余談１ © 2017 Retrieva, Inc. 11 これらは、経営戦略で決める範囲と アルゴリズムでできる範囲に線引きが あり本書にはこれが記載されていたの で、深掘りして観ると面白いかも Introduction to Algorithmic Marketingより
- 12. 余談２ • Promotion・Advertisementでは、 顧客の段階によって施策が異な る • Acquisition：顧客がブランドなど を認知していない場合 • Maximization：より購入してもら えるよう、インセンティブを付与。 up-sellやcross-sellが一般的手法 • Retention：購入をやめそうになっ ている顧客への対処。新規顧客よ り低コストであるため行われる © 2017 Retrieva, Inc. 12 Introduction to Algorithmic Marketingより
- 13. 検索システムとレコメンドシステムの 目的の違い © 2017 Retrieva, Inc. 13
- 14. 検索・レコメンドシステムの位置付け • 全体像 © 2017 Retrieva, Inc. 14 目的は、メッセージを顧客に伝え、提 供したものとマッチングを図ること 目的は、ある顧客が対して最適な商品 を見つけられるようにすること 目的は、商品セットの組み方や価格を 最適化すること Introduction to Algorithmic Marketingより
- 15. 検索とレコメンドの違い • 検索：顧客が明確な目的を持っている → クエリやフィルタで表現される顧客意図を的確に捉え 適切な商品を結果として返すのが目的 • レコメンド：顧客は明確な目的を持っていない → 購買履歴や過去のレーティングから、関連のありそうな 商品を提示することが目的 © 2017 Retrieva, Inc. 15
- 16. 検索システムの環境・概要 © 2017 Retrieva, Inc. 16
- 17. 検索システムの置かれた環境 • 検索エンジンの大分類 • Web検索：膨大なテキストのインデックス化、ランキングでのハイ パーリンク等の活用などが特徴。Googleなどが代表例。 • 商品検索：ハイマージンな商品・スポンサーの商品・セール中の商品 をブーストするなどのビジネスルールが重要。さらに、ドメイン特異 な用語やその使用パターンも重要 • エキスパート検索：専門用語やコンセプトの潜在的な関係を考慮した 検索が重要。これは、消費者のニーズと異なる。例えば、弁護士など は網羅的に検索したいが、消費者は関連度の高い候補いくつかだけで 良い。 © 2017 Retrieva, Inc. 17
- 18. 検索システムの全体像 1. 主目的は、クエリ文とコンテキスト情報を入力として、顧客の求めるアイテム を返すこと • コンテキストには、顧客情報、デバイス情報、位置情報などがある 2. アイテムは構造化・半構造化したデータ • 商品説明文、ユーザレビュー、評価、店舗位置、自製したメタデータなど 3. 検索エンジンは、ランキング付けを行う • 元データからどのような特徴を取り出すか、 特徴がどの程度マッチしているか、 特徴毎にどのような重みをつけて評価するか など、調整すべき点が多々ある 4. ユーザとのインタラクションを記録する • クエリ、スクロール時間など • ランキングのチューニングに使用する © 2017 Retrieva, Inc. 18Introduction to Algorithmic Marketingより ①② ③ ④ ③ ④
- 19. 検索システムの実際の構成 • 高速化のために、あらかじめ 索引を作る(Indexer) • アイテムの管理システムが必 要 © 2017 Retrieva, Inc. 19 Search Service Introduction to Algorithmic Marketingより
- 20. 商品検索時の仮定と要求 • 仮定：検索が意図通りに出てくるほど、売り上げが伸びる • 利益＝検索の質x販売個数xマージン • 要求：マージンの大きい製品を売りたい • ただし、ブーストしすぎてユーザが欲しい製品が見つからないと、売 上に悪い影響がある • よって、要素としては以下の３つに分けられる • 関連度の計算 • ビジネス目的によるリランキング • UXおよびCS © 2017 Retrieva, Inc. 20
- 21. 検索アルゴリズムの概要 © 2017 Retrieva, Inc. 21
- 22. 検索の処理フロー 1. クエリとアイテムから 特徴を取り出す 2. クエリとアイテムを比 べて、スコアリングす る 3. ランキング付けを行う 4. 結果を返す © 2017 Retrieva, Inc. 22 Introduction to Algorithmic Marketingより
- 23. 基本的な方法 • ドキュメント・クエリをそれぞれについて、単語が出現する場 合は１、出現しない場合は0をとるベクトルにする • それぞれd、qと書く • ２つのベクトルのコサインを取り、類似度とする • 式：sim 𝐪, 𝐝 = cos 𝒒, 𝒅 = 𝒒⋅ 𝒅 𝒒 ⋅ 𝒅 © 2017 Retrieva, Inc. 23
- 24. 基本的な方法 • 出現する/しないでは、単語の重要度などが表現できない • そこで、tf-idfで測る • term frequency(tf(t,d))：1文書(d)中に出現する単語tの個数 • そのまま使うと変化の度合いが強いので、例えば𝑡𝑓 𝑡, 𝑑 = 𝑛(𝑡, 𝑑)を使う • document frequency(df(t))：ある単語tが全文書中に何個出現したか • inverce document frequency(idf(t))：dfの逆数 • そのまま使うと変化の度合いが強いので、例えば𝑖𝑑𝑓 𝑡 = 1 + ln 𝑁 𝑑𝑓 𝑡 +1 を使う • tf-idf：tfとidfの掛け算 • tf-idfを使うと内積は以下のようになる • 𝒒 ⋅ 𝒅 = Σ 𝑡 𝑖𝑛 𝑞 𝑡𝑓 𝑡, 𝑑 ⋅ 𝑖𝑑𝑓 𝑡 ⋅ 𝑡𝑓 𝑡, 𝑞 ⋅ 𝑖𝑑𝑓(𝑡) © 2017 Retrieva, Inc. 24
- 25. レコメンドシステムの目的・概要 © 2017 Retrieva, Inc. 25
- 26. レコメンドシステムの置かれた環境 • インターネットとロングテールによる従来の顧客の商品発見ア プローチへの変化 • 昔は、店舗に並べるので、人気のある製品しかおけなかった • E-commerceでは、ニッチな製品を見つけられるようにすれば、十分 利益になる © 2017 Retrieva, Inc. 26 Introduction to Algorithmic Marketingより
- 27. レコメンドシステムの全体像 • 検索と同様に顧客の求めるアイテムを返 す • 基本的には、検索システムと類似 • レコメンドシステムでは、以下の３つの 類似度を使用する • ユーザ類似度：過去の評価値などから算出。 「他の人はこれ買ってます」など。 • アイテム類似度：検索と同様に過去の購入 アイテムと類似した製品を推薦する（クエ リではなくアイテム間の類似度を使用する のが検索との違い） • コンテキスト類似度：季節・場所・流入 チャネルを考慮して推薦する © 2017 Retrieva, Inc. 27 Introduction to Algorithmic Marketingより
- 28. レコメンドシステムの実際の構成 • モデルはあらかじめオフライ ンで作り、評価したのち、デ プロイする • コンテキスト情報はユーザ、 アイテム等と別で与えられる © 2017 Retrieva, Inc. 28 Recommend Service Introduction to Algorithmic Marketingより
- 29. 評価値に関する諸注意 • アイテムに関する評価値が利用できる状態にあることが必須 • 評価値はアイテムに対してつけられる。レコメンドの質に対してつけられ るわけではない • 評価値には暗黙的な情報が含まれる • 顧客は好みの商品しか評価しない →評価値がない場合、知らないものと避けているものがある →アイテムが評価されているかいないかだけでも重要な情報 • 明確な評価値でなくても評価値になりうる • クリックの回数、ページを閲覧した時間など • 評価値がついているアイテムは全体の中の一部だけ • ほとんど0になる（スパースである） © 2017 Retrieva, Inc. 29
- 30. レコメンドへの仮定と要求 • 検索と同じもの • 仮定：”意図”通りに出てくるほど、売り上げが伸びる • 利益＝レコメンドの質x販売個数xマージン • 要求：マージンの大きい製品を売りたい • ただし、ブーストしすぎてユーザが欲しい製品が見つからないと、売上に悪い影 響がある • 検索と異なるもの • 意図が明確でない • その結果として、目的が増える © 2017 Retrieva, Inc. 30
- 31. レコメンドの目的 • 関連度(Relevance)：ユーザプロファイルから推定される買い そうなアイテム • 新奇性(Novelty)：ユーザが知らなかったアイテム • 同じ分類だけど知らないなど • 意外性(Serendipity)：知らないだけでなく、全く予想も指定な いアイテム • 分類項目自体が全く違うなど • 顧客と長い関係性を持つことにもつながる • 多様性(Diversity)：多様な種類のアイテム © 2017 Retrieva, Inc. 31
- 32. レコメンドの種類 © 2017 Retrieva, Inc. 32 パーソナライズする パーソナライズしない コンテキストを使う • 近くのレストランはこれです • 他の人は一緒にこれも買ってます • あなたの地域ではこのアイテムが トレンドです。 コンテキストを使わない • あなたはこれもお好きでは？ • あなたの商品閲覧履歴だと、こ の商品がオススメです • 新商品です • 今のトレンドアイテムはこれです
- 33. レコメンドアルゴリズムの概要 © 2017 Retrieva, Inc. 33
- 34. 概要 • その他：多目的化 © 2017 Retrieva, Inc. 34 パーソナライズする パーソナライズしない コンテキストを使う • コンテキストを使わない手法に以下３つを組み合わせる 1. Pre-Filtering 2. Post-Filetering 3. モデリング コンテキストを使わない • 協調フィルタリング • コンテンツベースレコメンド • 両者の組み合わせ • 類似度計算 • トレンド計算 • 頻度計算 • アソシエーション
- 35. コンテンツベースフィルタリング概要 • 評価がついていないアイテムの評価をユーザが行った他のアイテム の評価値から予測し、評価値の高いものをレコメンドする方法 • シンプル版 • 一番近いitemの評価値を使用 (Nearest Neighbor) • 複雑版 • ユーザの評価値を予測する問題 • 分類や回帰 © 2017 Retrieva, Inc. 35 lies mainly on the catalog data (content) and uses only a small fraction of the information available in the rating matrix. This is the reason why this group of methods is referred to as content filtering. The main idea of content filtering is quite straightforward: take items that the user positively rated in the past and recommend other items similar to these examples, as shown in Figure 5.6. The important constraint, how- ever, is that the measure of similarity is based on the item content 1 and does not include behavioral data, such as information about items that are frequently purchased or rated together by other users. This effec- tively means that a content-based recommender system uses only one row of the rating matrix – the profile of the user for whom the recom- mendations are prepared. This limited usage of the rating information is typically counterbalanced by a similarity function that uses a wide range of carefully engineered item features. The recommendations are then ranked according to their similarity scores and, optionally, the rating values of corresponding items in the profile. For example, as- suming that item 1 has the highest rating in the example shown in Figure 5.6, that is, ru 1 ru 2 and ru 1 ru 3, a candidate item similar to item 1 can be ranked higher than candidate items equally similar to items 2 or 3. Figure 5.6: Similarity-based approach to content filtering. The above approach to content filtering is, however, somewhat lim- ited because it inherently relies on a nearest neighbor model for rating 1 See Chapter 4 for a detailed discussion of such measures. One of the most common exam- ples would be the TF IDF distance between textual descriptions discussed in Section 4.3.5. Introduction to Algorithmic Marketingより Introduction to Algorithmic Marketingより
- 36. 協調フィルタリング概要 • あるユーザと似ているユーザが過去に購入した製品を推薦 © 2017 Retrieva, Inc. 36 https://www.albert2005.co.jp/knowledge/marketing/recommendation_basics/collaborative_filtering
- 37. 比較 協調フィルタリング 内容ベース 意外性 O X ドメイン知識 の必要性 O(不要) X(必要) 初期精度 X(ユーザの評価が必要) △(少数でも可能) 必要利用者数 X(多数必要) O 被覆率 X(評価がないアイテムを出せない) O 類似アイテム X(似たアイテムが出るわけではない) O 少数利用者 X(利用者が少ない製品は出てこない) O(利用者数が少なくても良い) © 2017 Retrieva, Inc. 37
- 38. 検索・レコメンドのまとめ • 共通事項 • 顧客が求めるアイテムをUIに返す • 類似度の計算に難しさがある • アルゴリズム以外にも複雑なデータフローやコンテンツ管理が必要 • 個別事項 • 検索 • 主にクエリに対する類似度を計算 • レコメンド • ユーザ同士の類似度、アイテム同士の類似度を計算 • 使う情報によって、レコメンドの種類が異なる © 2017 Retrieva, Inc. 38
- 39. まとめ • マーケティング領域における機械学習・最適化が使えそうな領 域とその区分を紹介 • 検索とレコメンドについて、区分や目的を紹介 © 2017 Retrieva, Inc. 39
- 40. Appendix：検索の評価指標 © 2017 Retrieva, Inc. 40
- 41. 関連度の評価 • 適合率(precision)と再現率(recall) • 適合率：R/S • 再現率：R/D © 2017 Retrieva, Inc. 41 (N) Introduction to Algorithmic Marketingより
- 42. 適合率と再現率の関係 • 適合率と再現率はトレードオフになる傾向がある © 2018, Retrieva, Inc. All rights reserved. 42 4.2 busi n ess obj ect i ves 187 Figure 4.3: Precision–recall trade-off. calculate the precision and recall at each point, and plot a precision– Introduction to Algorithmic Marketingより • 縞々部分が関連商品 • 赤枠が検索結果
- 43. (参考)検索の単一指標 • Mean Average Precision(MAP) • Cumurative Gain(CG) • Discouted Cumurative Gain(DCG) • Normalized Discouted Cumurative Gain(DCG) © 2017 Retrieva, Inc. 43
- 44. ビジネス目的によるリランキング • Boost and Bury • Filtering • Canned Results • Redirection • Product Grouping © 2017 Retrieva, Inc. 44
- 45. UXおよびCS • Conversion Rate • Click-Though Rate • Time on A Product Detail Page • Query Modification Rate • Paging Rate • Retention Rate • Search Latency © 2017 Retrieva, Inc. 45
- 46. © 2017 Retrieva, Inc.