Submit Search
Upload
将来どうなるかを予測しながら作るマーケティングモデル
•
20 likes
•
5,647 views
Takatsugu Kobayashi
Follow
This ppt delivers a general description of marketing using agent-based model
Read less
Read more
Marketing
Report
Share
Report
Share
1 of 29
Recommended
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
Yusuke Kaneko
Sift特徴量について
Sift特徴量について
la_flance
第3回勉強会 オブジェクト指向
第3回勉強会 オブジェクト指向
hakoika-itwg
因果推論を用いた 群衆移動の誘導における介入効果推定
因果推論を用いた 群衆移動の誘導における介入効果推定
Koh Takeuchi
画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量
takaya imai
Pydata_リクルートにおけるbanditアルゴリズム_実装前までのプロセス
Pydata_リクルートにおけるbanditアルゴリズム_実装前までのプロセス
Shoichi Taguchi
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
KPTは2回目が大切なのに…
KPTは2回目が大切なのに…
Mineo Matsuya
Recommended
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
Yusuke Kaneko
Sift特徴量について
Sift特徴量について
la_flance
第3回勉強会 オブジェクト指向
第3回勉強会 オブジェクト指向
hakoika-itwg
因果推論を用いた 群衆移動の誘導における介入効果推定
因果推論を用いた 群衆移動の誘導における介入効果推定
Koh Takeuchi
画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量
takaya imai
Pydata_リクルートにおけるbanditアルゴリズム_実装前までのプロセス
Pydata_リクルートにおけるbanditアルゴリズム_実装前までのプロセス
Shoichi Taguchi
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
KPTは2回目が大切なのに…
KPTは2回目が大切なのに…
Mineo Matsuya
メタプログラミングって何だろう
メタプログラミングって何だろう
Kota Mizushima
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
Takashi J OZAKI
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
Shohei Hido
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
カネとAgile #RSGT2018
カネとAgile #RSGT2018
Itsuki Kuroda
因果推論の基礎
因果推論の基礎
Hatsuru Morita
プロジェクトマネージャのための機械学習工学入門
プロジェクトマネージャのための機械学習工学入門
Nobukazu Yoshioka
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Takashi J OZAKI
潜在ディリクレ配分法
潜在ディリクレ配分法
y-uti
NUPSC招待講演:アルゴリズムで広がる世界
NUPSC招待講演:アルゴリズムで広がる世界
Kentaro Imajo
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
WAICとWBICのご紹介
WAICとWBICのご紹介
Tomoki Matsumoto
【DL輪読会】Generative models for molecular discovery: Recent advances and challenges
【DL輪読会】Generative models for molecular discovery: Recent advances and challenges
Deep Learning JP
オブジェクト指向の設計と実装の学び方のコツ
オブジェクト指向の設計と実装の学び方のコツ
増田 亨
統計的因果推論からCausalMLまで走り抜けるスライド
統計的因果推論からCausalMLまで走り抜けるスライド
fusha
DDD x CQRS 更新系と参照系で異なるORMを併用して上手くいった話
DDD x CQRS 更新系と参照系で異なるORMを併用して上手くいった話
Koichiro Matsuoka
「ドメイン駆動設計」の複雑さに立ち向かう
「ドメイン駆動設計」の複雑さに立ち向かう
増田 亨
StanとRでベイズ統計モデリング読書会Ch.9
StanとRでベイズ統計モデリング読書会Ch.9
考司 小杉
Rで学ぶ離散選択モデル
Rで学ぶ離散選択モデル
宏喜 佐野
Ml system in_python
Ml system in_python
yusuke shibui
オープニングトーク - 創設の思い・目的・進行方針 -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針 -データマイニング+WEB勉強会@東京
Koichi Hamada
テキストからのSNSユーザ位置推定手法と活用事例紹介
テキストからのSNSユーザ位置推定手法と活用事例紹介
Yu Suzuki
More Related Content
What's hot
メタプログラミングって何だろう
メタプログラミングって何だろう
Kota Mizushima
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
Takashi J OZAKI
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
Shohei Hido
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
カネとAgile #RSGT2018
カネとAgile #RSGT2018
Itsuki Kuroda
因果推論の基礎
因果推論の基礎
Hatsuru Morita
プロジェクトマネージャのための機械学習工学入門
プロジェクトマネージャのための機械学習工学入門
Nobukazu Yoshioka
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Takashi J OZAKI
潜在ディリクレ配分法
潜在ディリクレ配分法
y-uti
NUPSC招待講演:アルゴリズムで広がる世界
NUPSC招待講演:アルゴリズムで広がる世界
Kentaro Imajo
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
WAICとWBICのご紹介
WAICとWBICのご紹介
Tomoki Matsumoto
【DL輪読会】Generative models for molecular discovery: Recent advances and challenges
【DL輪読会】Generative models for molecular discovery: Recent advances and challenges
Deep Learning JP
オブジェクト指向の設計と実装の学び方のコツ
オブジェクト指向の設計と実装の学び方のコツ
増田 亨
統計的因果推論からCausalMLまで走り抜けるスライド
統計的因果推論からCausalMLまで走り抜けるスライド
fusha
DDD x CQRS 更新系と参照系で異なるORMを併用して上手くいった話
DDD x CQRS 更新系と参照系で異なるORMを併用して上手くいった話
Koichiro Matsuoka
「ドメイン駆動設計」の複雑さに立ち向かう
「ドメイン駆動設計」の複雑さに立ち向かう
増田 亨
StanとRでベイズ統計モデリング読書会Ch.9
StanとRでベイズ統計モデリング読書会Ch.9
考司 小杉
Rで学ぶ離散選択モデル
Rで学ぶ離散選択モデル
宏喜 佐野
Ml system in_python
Ml system in_python
yusuke shibui
What's hot
(20)
メタプログラミングって何だろう
メタプログラミングって何だろう
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
潜在クラス分析
潜在クラス分析
カネとAgile #RSGT2018
カネとAgile #RSGT2018
因果推論の基礎
因果推論の基礎
プロジェクトマネージャのための機械学習工学入門
プロジェクトマネージャのための機械学習工学入門
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
潜在ディリクレ配分法
潜在ディリクレ配分法
NUPSC招待講演:アルゴリズムで広がる世界
NUPSC招待講演:アルゴリズムで広がる世界
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
WAICとWBICのご紹介
WAICとWBICのご紹介
【DL輪読会】Generative models for molecular discovery: Recent advances and challenges
【DL輪読会】Generative models for molecular discovery: Recent advances and challenges
オブジェクト指向の設計と実装の学び方のコツ
オブジェクト指向の設計と実装の学び方のコツ
統計的因果推論からCausalMLまで走り抜けるスライド
統計的因果推論からCausalMLまで走り抜けるスライド
DDD x CQRS 更新系と参照系で異なるORMを併用して上手くいった話
DDD x CQRS 更新系と参照系で異なるORMを併用して上手くいった話
「ドメイン駆動設計」の複雑さに立ち向かう
「ドメイン駆動設計」の複雑さに立ち向かう
StanとRでベイズ統計モデリング読書会Ch.9
StanとRでベイズ統計モデリング読書会Ch.9
Rで学ぶ離散選択モデル
Rで学ぶ離散選択モデル
Ml system in_python
Ml system in_python
Viewers also liked
オープニングトーク - 創設の思い・目的・進行方針 -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針 -データマイニング+WEB勉強会@東京
Koichi Hamada
テキストからのSNSユーザ位置推定手法と活用事例紹介
テキストからのSNSユーザ位置推定手法と活用事例紹介
Yu Suzuki
食農分野ビジネスモデル入門
食農分野ビジネスモデル入門
Takatsugu Kobayashi
顧客との接点が多様化する銀行のデータ戦略
顧客との接点が多様化する銀行のデータ戦略
Takatsugu Kobayashi
Big Data University Tokyo Meetup #6 (mlwith_spark) 配布資料
Big Data University Tokyo Meetup #6 (mlwith_spark) 配布資料
Atsushi Tsuchiya
Thank You, Mom Campaign Final 1 (1)
Thank You, Mom Campaign Final 1 (1)
Jill Skipper
IoTを活用したビジネス構築ポイント
IoTを活用したビジネス構築ポイント
Takatsugu Kobayashi
米国でのビッグデータビジネスの動向
米国でのビッグデータビジネスの動向
Takatsugu Kobayashi
Spark MLlibではじめるスケーラブルな機械学習
Spark MLlibではじめるスケーラブルな機械学習
NTT DATA OSS Professional Services
アンカンファレンス @ 第50回 データマイニング+WEB @東京
アンカンファレンス @ 第50回 データマイニング+WEB @東京
Izumi Akiyama
イノベーション創発に資する人工知能基盤技術の創出と統合化
イノベーション創発に資する人工知能基盤技術の創出と統合化
Osaka University
20161029 TVI Tokyowebmining Seminar for Share
20161029 TVI Tokyowebmining Seminar for Share
Yasushi Gunya
人工知能Xファッション最前線
人工知能Xファッション最前線
Kazuki Baba
Sano tokyowebmining 201625_v04
Sano tokyowebmining 201625_v04
Masakazu Sano
機械学習による積極的失業〜オウンドメディアの訪問予測
機械学習による積極的失業〜オウンドメディアの訪問予測
Teruyuki Sakaue
レコメンド研究のあれこれ
レコメンド研究のあれこれ
Masahiro Sato
計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)
Shota Yasui
Tokyo Webmining Talk1
Tokyo Webmining Talk1
Kenta Oono
VAE-type Deep Generative Models
VAE-type Deep Generative Models
Kenta Oono
物体認識 IoT サービスを支える技術 〜クラウドアーキテクチャから組込み深層学習まで〜
物体認識 IoT サービスを支える技術 〜クラウドアーキテクチャから組込み深層学習まで〜
Takashi Kaneda
Viewers also liked
(20)
オープニングトーク - 創設の思い・目的・進行方針 -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針 -データマイニング+WEB勉強会@東京
テキストからのSNSユーザ位置推定手法と活用事例紹介
テキストからのSNSユーザ位置推定手法と活用事例紹介
食農分野ビジネスモデル入門
食農分野ビジネスモデル入門
顧客との接点が多様化する銀行のデータ戦略
顧客との接点が多様化する銀行のデータ戦略
Big Data University Tokyo Meetup #6 (mlwith_spark) 配布資料
Big Data University Tokyo Meetup #6 (mlwith_spark) 配布資料
Thank You, Mom Campaign Final 1 (1)
Thank You, Mom Campaign Final 1 (1)
IoTを活用したビジネス構築ポイント
IoTを活用したビジネス構築ポイント
米国でのビッグデータビジネスの動向
米国でのビッグデータビジネスの動向
Spark MLlibではじめるスケーラブルな機械学習
Spark MLlibではじめるスケーラブルな機械学習
アンカンファレンス @ 第50回 データマイニング+WEB @東京
アンカンファレンス @ 第50回 データマイニング+WEB @東京
イノベーション創発に資する人工知能基盤技術の創出と統合化
イノベーション創発に資する人工知能基盤技術の創出と統合化
20161029 TVI Tokyowebmining Seminar for Share
20161029 TVI Tokyowebmining Seminar for Share
人工知能Xファッション最前線
人工知能Xファッション最前線
Sano tokyowebmining 201625_v04
Sano tokyowebmining 201625_v04
機械学習による積極的失業〜オウンドメディアの訪問予測
機械学習による積極的失業〜オウンドメディアの訪問予測
レコメンド研究のあれこれ
レコメンド研究のあれこれ
計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)
Tokyo Webmining Talk1
Tokyo Webmining Talk1
VAE-type Deep Generative Models
VAE-type Deep Generative Models
物体認識 IoT サービスを支える技術 〜クラウドアーキテクチャから組込み深層学習まで〜
物体認識 IoT サービスを支える技術 〜クラウドアーキテクチャから組込み深層学習まで〜
Similar to 将来どうなるかを予測しながら作るマーケティングモデル
【IMJ】知ればできる!スマートフォンSEO対策セミナー 第2部 (2015.7.8)
【IMJ】知ればできる!スマートフォンSEO対策セミナー 第2部 (2015.7.8)
IMJ Corporation
Next CMO育成プログラム.pdf
Next CMO育成プログラム.pdf
official91
【コンサル起業実践講座】売れるコンサルになる為のUSP(コンセプト)の作り方
【コンサル起業実践講座】売れるコンサルになる為のUSP(コンセプト)の作り方
伊藤 剛志
Lifrell_MA.pptx
Lifrell_MA.pptx
祐介 佐藤
コンサルビジネスで収益拡大する方法
コンサルビジネスで収益拡大する方法
伊藤 剛志
リバエン概要
リバエン概要
komatsuGP
マーケティング超入門 fromモテマセミナー
マーケティング超入門 fromモテマセミナー
モテるマーケティング
【Schoo web campus】seo対策を考える前に考えるべきこと
【Schoo web campus】seo対策を考える前に考えるべきこと
webcampusschoo
データドリブンIMC (2018.11.16)
データドリブンIMC (2018.11.16)
FICC inc.
121029 jida slideshare
121029 jida slideshare
Takashi Watanabe
B2BマーケティングやPR、セールスはどのように変わっていくのか? ver1
B2BマーケティングやPR、セールスはどのように変わっていくのか? ver1
MKTGENGINE
10 Steps to Product Market Fit - Japanese Translation
10 Steps to Product Market Fit - Japanese Translation
Momoko Nagaoka
YouTube_FirstPenguin_プライシング戦略
YouTube_FirstPenguin_プライシング戦略
Penguin First
スタートアップの戦略&ビジネスモデルの考え方
スタートアップの戦略&ビジネスモデルの考え方
Takaaki Umada
原塾 8 5_2015
原塾 8 5_2015
Engagement First inc.
ビジネスサポート協会 第17回【ファンができるブログの作り方】
ビジネスサポート協会 第17回【ファンができるブログの作り方】
Webコンサルタント武藤正隆
IT BtoB Marketing 教育 スライド 201604
IT BtoB Marketing 教育 スライド 201604
Hidekazu Ikeda
【チームガイドライン】ブランドマーケター
【チームガイドライン】ブランドマーケター
Flyke1
20190418owndmedia lig
20190418owndmedia lig
LIG_J
『顧客中心主義のためのマーケティング』
『顧客中心主義のためのマーケティング』
Takahisa Nagai
Similar to 将来どうなるかを予測しながら作るマーケティングモデル
(20)
【IMJ】知ればできる!スマートフォンSEO対策セミナー 第2部 (2015.7.8)
【IMJ】知ればできる!スマートフォンSEO対策セミナー 第2部 (2015.7.8)
Next CMO育成プログラム.pdf
Next CMO育成プログラム.pdf
【コンサル起業実践講座】売れるコンサルになる為のUSP(コンセプト)の作り方
【コンサル起業実践講座】売れるコンサルになる為のUSP(コンセプト)の作り方
Lifrell_MA.pptx
Lifrell_MA.pptx
コンサルビジネスで収益拡大する方法
コンサルビジネスで収益拡大する方法
リバエン概要
リバエン概要
マーケティング超入門 fromモテマセミナー
マーケティング超入門 fromモテマセミナー
【Schoo web campus】seo対策を考える前に考えるべきこと
【Schoo web campus】seo対策を考える前に考えるべきこと
データドリブンIMC (2018.11.16)
データドリブンIMC (2018.11.16)
121029 jida slideshare
121029 jida slideshare
B2BマーケティングやPR、セールスはどのように変わっていくのか? ver1
B2BマーケティングやPR、セールスはどのように変わっていくのか? ver1
10 Steps to Product Market Fit - Japanese Translation
10 Steps to Product Market Fit - Japanese Translation
YouTube_FirstPenguin_プライシング戦略
YouTube_FirstPenguin_プライシング戦略
スタートアップの戦略&ビジネスモデルの考え方
スタートアップの戦略&ビジネスモデルの考え方
原塾 8 5_2015
原塾 8 5_2015
ビジネスサポート協会 第17回【ファンができるブログの作り方】
ビジネスサポート協会 第17回【ファンができるブログの作り方】
IT BtoB Marketing 教育 スライド 201604
IT BtoB Marketing 教育 スライド 201604
【チームガイドライン】ブランドマーケター
【チームガイドライン】ブランドマーケター
20190418owndmedia lig
20190418owndmedia lig
『顧客中心主義のためのマーケティング』
『顧客中心主義のためのマーケティング』
将来どうなるかを予測しながら作るマーケティングモデル
1.
将来どうなるかを予測しながら 作るマーケティングモデル Agent Based Model
(ABM) Presented by Taka Kobayashi on 2015/03/21
2.
1. ポジションによって異なるマーケティング課題は? 2. ThinkVineの特徴は? 3.
エージェントベースモデル(ABM)の基本的考え方は? 4. 例えばどんなことができるのか? 5. ABMをマーケティングに適用したらどんな感じ? 6. 活用例: 口頭ですいません アジェンダ
3.
1. ポジションによって異なるマーケティング課題は? 2. ThinkVineの特徴は? 3.
エージェントベースモデル(ABM)の基本的考え方は? 4. 例えばどんなことができるのか? 5. ABMをマーケティングに適用したらどんな感じ? 6. 活用例 アジェンダ
4.
新しいメディアで リーチが可能か? 投資額を抑えなが ら売上をアップ? 広告代理店のメ ディアプランを検証 したい 競合に押されてい る弱いエリアへの 対策は? 競合が昨年と同じ ような戦略だとし たら何をすべき か? ブランディング効 果はいくら? マーケティング担当者の悩み
5.
① 高度な分析を行なっても技術者や分析者だけに 属人化し、マーケターが直に使えない ② マーケティングデータを一元管理して施策への 落とし込む際の時間ロスを無くしたい ③
施策とその反応を迅速に評価し、「顧客行動 DB」という「資産」を有効活用したい マーケティングマネージャーの悩み
6.
① 分析データが集まるまで予測モデルの評価がで きない ② データを待つ間に市場に変化が起きれば分析自 体が無駄になる ③
競合の動きや市場動向を先に見越したシナリオ 分析が難しい 最高(マーケティング)責任者の悩み
7.
1. ポジションによって異なるマーケティング課題は? 2. ThinkVineとは? 3.
エージェントベースモデル(ABM)の基本的考え方は? 4. 例えばどんなことができるのか? 5. ABMをマーケティングに適用したらどんな感じ? 6. 活用例 アジェンダ
8.
ThinkVineとは データ統合から施策実施&評価まで一括管理
9.
1. ポジションによって異なるマーケティング課題は? 2. ThinkVineの特徴は? 3.
エージェントベースモデル(ABM)の基本的考え方は? 4. 例えばどんなことができるのか? 5. ABMをマーケティングに適用したらどんな感じ? 6. 活用例 アジェンダ
10.
10 現実空間 現実の意思決定や行動パターンから仮想空間を作成 仮想空間 (縮図) ※ 30代・男性・配偶有 平均3回コーヒーを飲む @
スタバ 50% ドトール 50% @ 昼 30% 15時 50% 夜 20% @ 一人で 80% 複数で 20% 意思決定 振る舞い 避難経路 交通渋滞 レコメンド ABMと仮想空間
11.
11 ブランド意識調査 メディア接触調査 配荷データ 広告接触データ 販売促進データ 地域のスーパーで商品は あんまり見ないわ TV広告よりもネット広告をよ く見るよ! 1週間に15個くらい買うけど、 このブランド買うかどうか場 合によりけり 1週間に15個くらい買うけど、 90%くらいの割合でブランドA を買うよ 適用領域は自由に設定可能
12.
1. ポジションによって異なるマーケティング課題は? 2. ThinkVineの特徴は? 3.
エージェントベースモデル(ABM)の基本的考え方は? 4. 例えばどんなことができるのか? 5. ABMをマーケティングに適用したらどんな感じ? 6. 活用例 アジェンダ
13.
年代 生活者属性 性別 家族 収入 地域 等 メディア
チャネル TV 雑誌 新聞 検索 DSP 等 量販 激安 コンビ に 等 オンラ イン 実際の施策の粒度に合わせた効果検証が可能 色々な施策の組み合わせの検証が可能
14.
例えばこんなことができちゃいます 様々な投資シナリオを迅速かつ柔軟に作成できます • 最適なマーケティング投資額は? • 新メディアを使ったマーケティング施策 の効果? •
どのメディアにどれだけ投資すれ ば? • ブランド別 • メディア・ビークル別 • ターゲティングとチャネル選定 (組合わせ)の効果 • 新ターゲットに向けたマーケティ ング施策とその効果検証 • 広告出稿の時期を変更するとどう なるか? • キャンペーン時期をずらすと? • いつまで広告を継続? 投資額 投資配分 ターゲット×チャネル タイミング
15.
1. ポジションによって異なるマーケティング課題は? 2. ThinkVineの特徴は? 3.
エージェントベースモデル(ABM)の基本的考え方は? 4. 例えばどんなことができるのか? 5. ABMをマーケティングに適用したらどんな感じ? 6. 活用例 アジェンダ
16.
1. ポジションによって異なるマーケティング課題は? 2. ThinkVineの特徴は? 3.
エージェントベースモデル(ABM)の基本的考え方は? 4. 例えばどんなことができるのか? 5. ABMをマーケティングに適用したらどんな感じ? 1. 刺激 – 動態 – 結果、のモデルを描く 2. エージェント(消費者や商品)の混合分布を作る 3. メディアへの接触や店舗来訪を使った混合分布を作る 4. 外部要因や市場の変化を反映させる アジェンダ
17.
1. ポジションによって異なるマーケティング課題は? 2. ThinkVineの特徴は? 3.
エージェントベースモデル(ABM)の基本的考え方は? 4. 例えばどんなことができるのか? 5. ABMをマーケティングに適用したらどんな感じ? 1. 刺激 – 動態 – 結果、のモデルを描く 2. エージェント(消費者や商品)の混合分布を作る 3. メディアへの接触や店舗来訪を使った混合分布を作る 4. 外部要因や市場の変化を反映させる アジェンダ
18.
接触データや購買履歴を使い、実際の売上数量と照合 カ テ ゴ リ 消 費 カ テ ゴ リ 購 入 数 ブ ラ ン ド 消 費 買うか、買わないかを 確率的に測定します POSデータなどから カテゴリ消費頻度を 抽出 飲料パネル調査・ 自社調査からブラ ンド消費を抽出 売上 数量 NOTE: 点線で囲まれた部分はシミュレーションにより確率的に測定します 誰がどれくらい広告を受けるかの確率 誰がどれくらい広告を受けるかの確率 誰がどれくらい検索するかの確率 誰がどれくらい投稿するかの確率 誰がどれくらい店頭でブランドに 接触する可能性があるかの確率 誰が販促活動に接触するかの確率 競合価格・占有 景気動向など 競合製品と自社ブランドの価 格差、占有率の差、広告・販 促活動の頻度さを考慮します マス広告 販促キャンペー ン オーガニック (自然検索) 店頭での接触 デジタル広告・ メール配信 ソーシャル (SNSなど) Table of
Contents
19.
1. ポジションによって異なるマーケティング課題は? 2. ThinkVineの特徴は? 3.
エージェントベースモデル(ABM)の基本的考え方は? 4. 例えばどんなことができるのか? 5. ABMをマーケティングに適用したらどんな感じ? 1. 刺激 – 動態 – 結果、のモデルを描く 2. エージェント(消費者や商品)の混合分布を作る 3. 外部要因や市場の変化を反映させる アジェンダ
20.
2 150 300200 30代女 性 50代女 性 視 聴 時 間 20代男 性 30代男 性 テレビ視聴時間をチャート化 女性の平均視聴時間 は220分 男性の平均視聴時間 は180分 年齢が上がると視聴時 間も上げる傾向がある Table of
Contents 例 例えば、全国のテレビ視聴時間が240分だとすると、因数分解の要領で、生活者セグメ ント毎の平均視聴時間だけでなくグループの視聴時間の傾向を調査から読み取ります 変数間の相関関係を反映させながら 混合分布を作っていきます
21.
2 更に、メディア・ビークルとの接触パターンも、異なるメディア接触調査や広告代理店 からの定期レポートなどを用い、合理的に推定していきます 20代男 性 30代男 性 30代女 性 50代女 性 SNS利用頻度とモバイル利用時間 短 長 20代男 性 30代男 性 30代女 性 50代女 性 視 聴 時 間 テレビ視聴時間とモバイル利用時間 利 用 時 間 短 長 20代の男性はTVよ りもモバイル利用 が比較的長い 年配層のメディア 接触はテレビが中 心となっている 短 長 視 聴 時 間 利 用 頻 度 少 多 20代の男性はモバ イル経由でSNSを 利用している 年配層のモバイル 利用率は低く、ま たSNS浸透率も未 だ低い Table
of Contents 例
22.
2 また、ショップ・量販店への訪問などの行動パターンも、楽天リサーチのパネル調査や 自社調査レポートを用い、合理的に推定していきます 20代男 性 30代男 性 30代女 性 50代女 性 店頭キャンペーンと購買決定する率 低 高 20代男 性 30代男 性 30代女 性 50代女 性 S H O P 訪 問 量販店とショップ訪問頻度 量 販 店 訪 問 低 高 アーリーアダプ ターは量販店では なく専売店で購入 低 高 キャン ペーン 感度 店 頭 決 定 率 低 高 端末知識が低い属性の 生活者は店頭で購買を 決める可能性が高い? 年配層の方は慣れ親しんだ ブランド・形状の端末を 選ぶ可能性が高い? アフターサービスを受けるため にショップにいくがそこでも端 末に接触することも Table
of Contents 例
23.
23 エージェント 性別 年齢
所得 A1 男 36 650 A2 女 27 370 A3 女 42 720 A50,000 男 56 830 ・・・ ・・・ ・・・ ・・・ 市場を再現するために、国勢調査やその他データから、現実の分布に沿って各エー ジェントに属性を付与します ※ここで付与された属性に基づいて、この後、メディア接触度パラメータ、ブランド 認知度パラメータ、ブランド選好率、平均カテゴリー購入頻度を各エージェントに付 与します エージェント属性 エージェント作成:①属性
24.
24 エージェント テレビ ラジオ
新聞 雑誌 デジタル ・・・ A1 4 hrs 2 hrs 2 hrs A2 12 hrs 1 hr 0.5 hrs A3 14 hrs 0.5 hr 1.5 hrs A50,000 8 hrs 4 hrs 2 hrs ・・・ ・・・ ・・・ ・・・ メディア接触データから、現実の分布に沿って各エージェントにメディア接触パラ メータを付与します(週当たり視聴時間など) ※データ粒度が細かいほど、より現実に近いパラメータを付与することが可能 メディア接触 エージェント作成:②メディア接触
25.
購買するまでの過程は結構複雑・・・ カテゴ リ消費 カテゴ リ購入 数 ブラン ド消費 買うか、買わないか を確率的に測定 POSデータなどから カテゴリ消費頻度を抽出 飲料パネル調査・自社調査 からブランド消費を抽出 売上 数量 競合価格・占有 景気動向など 競合製品と自社ブランドの価格差、占有率の 差、広告・販促活動の頻度さを考慮します Table of Contents
26.
1. ポジションによって異なるマーケティング課題は? 2. ThinkVineの特徴は? 3.
エージェントベースモデル(ABM)の基本的考え方は? 4. 例えばどんなことができるのか? 5. ABMをマーケティングに適用したらどんな感じ? 1. 刺激 – 動態 – 結果、のモデルを描く 2. エージェント(消費者や商品)の混合分布を作る 3. 外部要因や市場の変化を反映させる アジェンダ
27.
2 効果検証を行う際は各イベントに対して仮想生活者が日々広告・展示・価格・ PRなどに影響を受けるよう設定してあります メディア接触 店頭接触 価格変動 購買意欲 時間 時間 時間 時間 競合の広告に接触した ことで自社ブランドの購 買意欲がやや低下した 店頭で自社ブランドに接 触するも、競合製品の価 格の低下により変化 自社製品の価格優位性と 広告出稿が功を奏し、購 買意欲が上昇した 自社ブランドとの接触 競合製品との接触 自社優位 競合優位 自社優位 初期状態はシミュレー ション時のデータを使い ます 通常の購買意欲の変化
28.
2 このように属性・嗜好性などを軸に集計されたアンケートや自社データを使う ことで、コンピューター上で現実性の高い生活者パネルを作成していきます 性別 年齢 居住 都道 府県 世帯 構成 世帯 收入 メ ディ ア別 接触 時間 販売 チャ ネル 訪問 頻度 キャ ン ペー ン接 触頻 度 広告 接触 頻度 異なるソースのデータでも、 一定の軸を合わせることで 仮想パネルを作成可能 できあがる仮想パネルデータ 購入 金額 など
29.
2 作成した仮パネルデータと売上などの目的変数を照合していきます 初期状態 の作成 2年+分の データで モデル構築 直近半年の データで検証 将来予測 モデル更新 シミュレーションとHoldoutと検証