Developers Summit 2012 16-E-1

2015年のアーキテクチャ
マーケティングシステムを題材にして

16-E-1 熊澤公平

Developers Summit 2012 1

Profile http://www.facebook.com/kohei.kumazawa

職種： ITアーキテクト
名前：熊澤公平
1987年東北大学工学研究科機械工学専攻博士前期課程修了スパコンの
同年株式会社リクルートに入社アーキテクチャ

2003年株式会社シーエーシーに転職
（ネット業界におけるビジネスおよびシステムコンサル）
大規模ＷＥＢインフラの
アーキテクチャ
2003年東京大学工学部システム創成学科非常勤講師
～2009年（Javaプログラミング基礎演習）

ビジネスとシステムの
2008年横浜国立大学院工学府非常勤講師アーキテクチャ
～2010年（システムマネージメント）
Developers Summit 2012 （16-E-1） 2

Agenda

1. Now, marketing is exciting!
2. Past： Passive Marketing
3. Now： Pro Active Marketing
4. Future： Active Marketing


1. Now, marketing is exciting!


最近、マーケティングが面白い

http://www.shopkick.com/
http://www.scvngr.com/
http://9metis.com/2011/08/too-busy-to-shop/
http://www.mini.jp/mini_coupe/campaign/index.html
Developers Summit 2012 （16-E-1）

ゲームの効果： SEGA社 “トイレッツ”
 男子トイレの空間をゲームセン軽量化に成功！
（3kg以下でないとタイ
ル面につけられない）
ターに！
 的を狙って、ゲームができる。
居酒屋チェーン「養老乃瀧」を展開する養老乃瀧は，
セガが開発した電子POP「トイレッツ」の先行導入を，
グループチェーン40店舗で開始すると発表した（2011
年10月19日）。

音センサー
（流す音との区別が難しい）

開発の涙ぐましい努力が…..。
（製作者は国内の男子小便器の形
状をすべて覚えてしまったそうな。）


1.まわりがきれいになった！

酔っ払うといけませんね～～

 さらに、10円硬貨を投入することでランキングに
参加できる，有料コンテンツも搭載！

2. ちゃんと収入が得られた！

3. ビールの売上が増えた！？

どうも悔しいらしい～～

 ネットやモバイルデバイスなどの進化
により、マーケティング手段が大きく変
化しています。

 ここではネットマーケティングを振り返り
ながら、今後のマーケティングシステム
のアーキテクチャを考察してみたいと
思います。


Past: Passive Marketing


マーケティングとは
 Marketing is the activity, set of institutions, and processes
for creating, communicating, delivering, and exchanging
offerings that have value for customers, clients, partners,
and society at large. (AMA, 2007)

 顧客が真に求める製品、サービスをつくり、
その情報を的確なタイミングに顧客に届け、
顧客がその商品を効果的に利用できるようにする活動である

→ “余分なセリング（単純なる販売活動）を失くすこと”
The aim of marketing is to make selling superfluous.
Peter F. Drucker

ネットマーケティング
30,000

25,000

20,000
マスマーケティング
Newspaper
Magazine ↓
億円

15,000 Radio
TV
Internet
ネットマーケティング
10,000
PR
ターゲティングが可能に

5,000

0
2005 2006 2007 2008 2009 2010
日本の広告費推移
（電通「日本の広告費」）より

セグメント http://www.audiencetargeting.com/

ユーザーの行動（ど
のサイト、どのような
検索、滞在時間など）
で分類

届けたいユーザーに
対してのみ情報を提
供する
↓

行動データの収集と
集計

Audience Targeting
 顧客属性で分類し、効果的なセグメントを選
んで、情報を提供する
該当者が多く、反応率のよい
反応率（情報を欲しがっている）セグ
（ex. CTR, CVR）
メントから順に、情報提供

Segment Volume

Facebook
 DWHは、Hive+Hadoop
 複数台の異なるデータセン
ターでクラスターを運用
 最大規模のクラスターで
3000台程度のマシン
 累計300人の社員がこの
Facebook Datacenter http://opencompute.org/
データに対してアドホック
にクエリーを発行
 Facebookは、データセン
ター間にまたがるHadoop +
クラスター(HDFS across
data centers: HighTide)を
Apacheと共同開発

Electronic Arts
 EA Legend Campaign Insights
Suiteは、nParioのBig Data解析
技術を使用。
 nParioはPalo Altoに拠点を置く
ベンチャー企業で、キャンペーン・
データを解析し顧客の意図を把
握しターゲッティング広告を可能
とする。
 ゲーマーをEntertainment(音楽・
ゲーム愛好家など)、
Financial(バーゲンハンター・慈
善家など)、Lifestyle(ペット・料理
愛好家など)のカテゴリーに区分
けし、電子メールなどでターゲッ
ティング広告を発信。
http://investor.ea.com/releasedetail.cfm?ReleaseID=609593
http://www.npario.com/

Big Data と Big Processing
 企業システム
Data Mart

Data Cleaning
ETL DWH Data Mart
Sources (Stored procedure)

様々な種類 Data Mart

様々な分析

 ネットサービス
Data Cleaning
Hadoop DWH
Site logs (MapReduce)

大量データ標準の指標で集計


Zetta B Big Data

Deep
EXA B Insight
ネットサービス •
•
Unsupervised learning
Social graph analytics
• Natural Language analysis
• Sentiment analysis
• Predictive modeling
PB • Image Processing

TB
Log Analytics 企業システム
CRM
GB Small Data
Small Analytics Big Processing
G Flops EXA Flops

Hadoop Hive

Vertica SciPy

MapReduce Mahout

S4 MATLAB
Esper
DEDUCE

Greenplum Revolution R

ETL Neteeza SPSS AMPL

ECL Teradata SAS
BigData（データ並列） BigProcessing（処理並列）

BigProcessing: Rの並列化

Hadoop/MapReduceにまかせる
 RHIPE
 R and Hadoop Integrated Processing
Environment
 Amazon Elastic MapReduce
 Revolution Analytics社
 Revolution R Enterprise for Apache Hadoop

→ インフラの機能に依存する


BigProcessing: Rの並列化
Rで頑張る
 PVM
 rpvm
 MPI
 Rmpi（http://www.stats.uwo.ca/faculty/yu/Rmpi/）
 snow, snowfall
 (http://www.sfu.ca/~sblay/R/snow.html)
 Revolution Analytics社
 foreach


BigProcessing : Rmpi/snow
問題
1
4.0
= 2
ⅆ
0 1 +

1
差分化 =

, ∆ =

4.0
1.0 4.0
= 2 =
2 + 2
=0 1 + =0


ベクトル変数

start <- proc.time() start <- proc.time()

n <- 10000000 n <- 10000000
0 0.1 0.2 … 1
summ <- 0.0 k <- seq(0.0,n,1.0)

for(k in 1:n-1){ rectangle <- function(X){ 1
x <- 1.0 / (n * n + k * k) Y <- 1.0 / (n * n + X * X) 2 + 2
summ <- summ + x return(Y)
} }
pi <- 4.0 * n * summ
print(pi) pi <- 4.0 * n * sum(sapply(k,rectangle))
print(pi)
end <- proc.time() ベクトル要素に
print(end - start) end <- proc.time() 同じ処理を実施
print(end - start)


library("snow")
library(“Rmpi”) 計算クラスタの生成
cl <- makeCluster(4,"MPI")
n <- 10000000
clusterExport(cl,"n")
k <- seq(0.0,n,1.0) 計算ノード間で
pi <-0.0 共有の変数を指定

rectangle <- function(X){
Y <- 1.0 / (n * n + X * X)
return(Y)
}

pi <- 4.0 * n * sum(parSapply(cl,k,rectangle))
print(pi)
stopCluster(cl)
ベクトル要素に
クラスタ内の計算ノードを
end <- proc.time() 並列に使い同じ処理を実施
print(end - start)

Passive Marketing

 良好なセグメントを見つける
→ BigData + BigProcessing
→ Deep Insight
→ Send messages

 立地を考え、店舗を置き、後は待つ
（静的、受動的）


1個100円です!

Passive Marketing

Passive Marketing
来店者の1割は購買するのに….
→ もっと効率の良い方法はないのか？

反応率
（ex. CTR, CVR） ? Net marketing
リーチはそれなり
反応率は微妙
十万～数百万 x 0.01%～0.1%桁

いらぬ人にも情報が届く Mass marketing
リーチは巨大だが
反応率は低い
最終アクション者は
少ない？
数千万 x 0.01%桁

Segment Volume

Now: Pro Active Marketing


購買心理

 綿密に計画しても、結構衝動買いをしてしま
いますよね


購買心理

 その時に得た情報で結構判断をしてしまう

その場で得た情報

店舗内表示
事前情報店舗の雰囲気
店舗内の他の顧客
その場での値引きやオプション
店員のコメント


リアルタイムに
 サイトに訪問しているその時の状況を見て
情報を提供したらどうだろうか？

 急いでいるのか？
 迷っているのか？
 商品を理解しようとしているのか？
 誰の為のものを買うのか？

→ 貯めてから処理をするのでは間に合わない

データストリーム管理
（DSMS,CEP）
 データベースに蓄積したデータに対して都度クエ
リーを発行し検索結果を得る、という処理モデル
では対処することが難しい処理に対し、リアルタ
イムに流れ続ける一過性のデータ（イベント）を、
データベースに格納、蓄積してからではなく、即
時に処理するタイプのシステム
WEBシステムメッセージ受発信イベント
× ×
イベントアプリケーション
仕入管理価格変化イベント
ストリームアラーム

会計システム取引受発信イベント

Stream Data Management System

DWH
http://www.cac.co.jp/softechs/pdf/st3001_13.pdf

DBMSとDSMSの違い
DATA
DATA

Query
DATA
DATA
DATA Query

DATA

DATA
DATA

DATA

DATA
DATA
Event

DATA

DATA
DBMS
DSMS


CEP（複合イベント処理）

CQL
Event Event Event
比較している
ある商品の閲
滞在時間が 5種以上の商品
覧時間が全体
15分以上カテゴリを閲覧
Yes の半分以上 Yes
迷っていそうだ
Event 関心がありそうだ CQL
CQL
初めての来訪
である


最近の2つの流れ
Big Data S4, C-MR, storm
MapReduce Online

MapReduce Distributed
Stream Management

DEDUCE

Esper
Legacy DSMS,CEP Streamdata
Small Data Oracle, WS
Stored Real time
C-MR http://cs.brown.edu/~backman/cmr.html
MapReduce Online http://www.usenix.org/event/nsdi10/tech/full_papers/condie.pdf
DEDUCE http://www.edbt.org/Proceedings/2010-Lausanne/edbt/papers/p0657-Kumar.pdf

Pro Active Chat

• Everquest, Star Wars: Galaxies
• 電話問い合わせの50%削減
Developers Summit 2012•（16-E-1）
9割以上のユーザーの満足度向上

Pro Active Chat
接触候補のユーザー

コンタクト履歴

http://www.chat4support.com/live_chat.asp


Pro Active Marketing
購買見込み
資料請求見込みが低い
 縦軸のAction見込
み度合いに応じて
適宜接触を図る
 Thresholdを指定
しておいて、定型
の接触を定義する

購買見込み
資料請求見込みが高い

http://www.netmining.com/en/livemarketer-demo/

Orbitz
 Orbitzは航空券予約を中心に事業を展開。旅行予約
サービスの中のOnline Travel Agencies分野では
Expediaが市場のトップで38%のシェアを占めている
ExpediaはHotels.comなどの子会社を通じて、ホテ
ル予約サービスを強みとしている
 Orbitzは、MITの研究プロジェクトAURORAの成果を
商用にしたStreambase systemsのCEP製品を活用
 顧客の行動、各システムの状況を、同社が開発した
Graphiteというリアルタイム描画ツールでモニタリング
し、Dynamic Pricing, Landing Pageの最適化、表示
順の最適化など、最適な顧客対応を行う

Event Network

イベント発生条件を複雑に組み合わせて条件を表現
該当する都度イベントを上げ、対応する
“COMPLEX EVENT PROCESSING AT ORBITZ WORLDWIDE” javaone 2008 TS6048


CAC Corporation
 高速なベイジアンネットワーク学習
 2007 年から電気通信大学植野研究室と共同
研究を推進中。
 高速学習アルゴリズムの TPDA を数十倍高速
化（2009）。特許申請済み。
 高精度な学習アルゴリズム RAI のさらなる構
築精度向上（2011）。特許申請準備中。

変数が多くても線形に近い形でしか計算量が増加しな
いアルゴリズム。複雑な因果関係の分析が可能。複雑
なイベント設計の省力化などの応用を期待し研究中。

Architecture for ProActive
Human Business Flow

Delivery
POS Voice response ATM Widgets Desktop Mobile Portals

Business Process Reporting
Dashboards Alert boards Data visualization

Causality Map
Business Rule Engine
5 モデル構築
2
Analytics
推論 DSS Data/text mining Predict analytics

Business Process Web analytics OLAP Time series analysis
Management
Adapters
Discovery 3 1
and Integration Search
EAI/SOA 5
ESB BPEL Event Query optimization BAM/CEP integration
Adapters

Business Application sub systems 4 BAM CEP

ETL/CDC Data
Data stores Data warehouses Data marts

Infrastructure

Business Application Systems Complex Event Processing Systems


Pro Active Marketing
 その時の状況に合わせて情報が提供できる
 一方、店にいかないとはじまらない

暇だなぁ。


3. Active Marketing


急速に進化するモバイルCPU

ムーアの法則ゲート幅の微細化 2010年前に限界



処理能力は 2倍
CPU 面積を２倍 CPU
（約1.4倍）

ポラックの法則マルチコア化消費電力問題

処理能力は1/ 2倍
CPU 面積を半分 CPU
（約3割減にしからならない）


消費電力は
GP-GPU Hybrid化
CPUの1/100

Tegra2 Hetero Architecture

１つのダイの上でのHybrid化は、消費電力にゆとりの
ない携帯デバイスのCPUから始まる。
NIVIDA Roadmap

数個のCPU
50GFlops/watts 数千個のGPUが
in 2018 1つのダイに
http://low-powerdesign.com/sleibson/ Developers Summit 2012 （16-E-1）

2018年携帯デバイスの性能
 モバイルデバイスの消費電力＝ 25Watts
25 Watts x 50 G Flops = 1.25T Flops
IBM Watsonの1桁落ち程度

IBM Watson
CPU: 80T Flops
2880 CPUs （IBM Power7）
Memory: 15TB
http://www-
03.ibm.com/innovation/us Space: 10 racks（IBM Systems 750）
/watson/index.html Developers Summit 2012 （16-E-1）

2010年を1とした時の性能比

100

90

80
STRAK
70

60

50

40
LOGAN
30

20
2 Cores CPU 8 Cores CPU
8 Cores GPU 24 Cores GPU
10 WAYNE
TEGRA2 Moore'sの法則
KAL-EL
0
2010 2011 2012 2013 2014


2000年： CPU性能比
Mobile

PC

Vertical Portal

Portal


2010年 1mm x 2mm
Mobile

Dual Core: 8GFlops

PC

Vertical Portal

Public Cloud

1m x 1m


2020年
Mobile Mobileデバイスの方が性能が良くなる

PC

Vertical Portal

Public Cloud

10m x 10m


2020年： 1人当たりの処理量で考えると
Mobile Mobileデバイスは1人平均2台強を保有

PC

Vertical Portal 数万人で共有

Public Cloud 数億人で共有


Generated UX
 動的な描画生成
 事前に作られた動画ではなく、その場で生成し
た動画

http://physbam.stanford.edu/
Virtual Makeup Tool（modiface社）

Context Awareness
World Sensory Attention/ Working
Memory Selection Memory
Narration/
Sound Verbal
Auditory Working Thinking:
Memory
Text Integrating
Organizing
Visual Analyzing
Image Sense Making
Working
Visual Schema Making
Memory

Tactile

Olfactory
認識の支援
Gustatory Mobile Device

Nine Ways to Reduce Cognitive Load in Multimedia Learning
http://www.elizabethoc.com/9ways/article.pdf Developers Summit 2012 （16-E-1） 58

Personal Assistant

Spectacles
Institut für Pervasive Computing
Johannes Kepler Universität Linz

Personal Assistant

http://www.pervasive.jku.at/Research/Projects/?key=468

Future Architecture
リアルタイムなデータは、クラウドで処理するのではない！
モバイルデバイスは、クラウドの窓ではない！
Sensory Attention/ Working Long Term
World
Memory Selection Memory Memory
Narration/
Sound Verbal Storing
Auditory Working Thinking:
Memory Semantic
Text Integrating
Organizing
Knowledge
Visual Analyzing
Image Sense Making
Working
Visual Schema Making
Memory 知識提供
動的なリコメン
デーションモデル構築
Tactile ↑ Inference
Model Episodic
推論
Olfactory Knowledge
Motivation
Gustatory
Mobile Device Cloud

Active Marketing
 ユーザーは“もの”か
ら“こと”を重視した購
買を行うようになる
 提供者は、ユーザー
のコンテキストに合わ
せて、“こと”をデバイ
スから動的にリコメン
ドするようになる
“余分なセリング（単純なる
販売活動）を失くすこと”
Peter F. Drucker

まとめ
1. パッシブなマーケティングを離れ、プロアク
ティブなマーケティングにチャレンジしてい
こう。
2. それを通し、ユーザーモデル構築をし、リア
ルタイムに推論ができるソフトウエアアーキ
テクチャを構築しよう。
3. そして、急速に進化するスマートデバイスを
積極的に利用し、ハイブリッドなアーキテク
チャに移行し、動的なマーケティングができ
るようにしていこう。

Thank you.
https://www.facebook.com/kohei.kumazawa


Developers Summit 2012 16-E-1

More Related Content

What's hot

Viewers also liked

Similar to Developers Summit 2012 16-E-1

More from Kohei Kumazawa

Developers Summit 2012 16-E-1