Submit Search
Upload
オイシックス事例発表・顧客属性推定とレコメンド
•
2 likes
•
3,574 views
K
Keisho Suzuki
Follow
2016年7月26日に実施したU-NEXT × オイシックスの勉強会資料です。(一部著作権に関わる画像を削除しています。)
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 51
Download now
Download to read offline
Recommended
ピッチをする前に知っておきたかったこと スタートアップの資金調達
ピッチをする前に知っておきたかったこと スタートアップの資金調達
Takaaki Umada
営業さんまで、社員全員がSQLを使う 「越境型組織」 ができるまでの3+1のポイント | リブセンス
営業さんまで、社員全員がSQLを使う 「越境型組織」 ができるまでの3+1のポイント | リブセンス
Livesense Inc.
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
Preferred Networks
業務課題の解決に、データ分析・予測結果の活用を - Einstein Discovery / Einstein 予測ビルダーのご紹介 -
業務課題の解決に、データ分析・予測結果の活用を - Einstein Discovery / Einstein 予測ビルダーのご紹介 -
Salesforce Developers Japan
「のどが渇いた」というユーザーに何を出す? ユーザーの「欲しい」に惑わされない、本当のインサイトを見つけるUXデザイン・UXリサーチ
「のどが渇いた」というユーザーに何を出す? ユーザーの「欲しい」に惑わされない、本当のインサイトを見つけるUXデザイン・UXリサーチ
Yoshiki Hayama
メルカリ_サービス説明資料
メルカリ_サービス説明資料
Find Job Startup
博士課程の誤解と真実 ー進学に向けて、両親を説得した資料をもとにー
博士課程の誤解と真実 ー進学に向けて、両親を説得した資料をもとにー
Atsuto ONODA
CODE BLUE 2014 : バグハンターの愉しみ by キヌガワマサト Masato Kinugawa
CODE BLUE 2014 : バグハンターの愉しみ by キヌガワマサト Masato Kinugawa
CODE BLUE
Recommended
ピッチをする前に知っておきたかったこと スタートアップの資金調達
ピッチをする前に知っておきたかったこと スタートアップの資金調達
Takaaki Umada
営業さんまで、社員全員がSQLを使う 「越境型組織」 ができるまでの3+1のポイント | リブセンス
営業さんまで、社員全員がSQLを使う 「越境型組織」 ができるまでの3+1のポイント | リブセンス
Livesense Inc.
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
Preferred Networks
業務課題の解決に、データ分析・予測結果の活用を - Einstein Discovery / Einstein 予測ビルダーのご紹介 -
業務課題の解決に、データ分析・予測結果の活用を - Einstein Discovery / Einstein 予測ビルダーのご紹介 -
Salesforce Developers Japan
「のどが渇いた」というユーザーに何を出す? ユーザーの「欲しい」に惑わされない、本当のインサイトを見つけるUXデザイン・UXリサーチ
「のどが渇いた」というユーザーに何を出す? ユーザーの「欲しい」に惑わされない、本当のインサイトを見つけるUXデザイン・UXリサーチ
Yoshiki Hayama
メルカリ_サービス説明資料
メルカリ_サービス説明資料
Find Job Startup
博士課程の誤解と真実 ー進学に向けて、両親を説得した資料をもとにー
博士課程の誤解と真実 ー進学に向けて、両親を説得した資料をもとにー
Atsuto ONODA
CODE BLUE 2014 : バグハンターの愉しみ by キヌガワマサト Masato Kinugawa
CODE BLUE 2014 : バグハンターの愉しみ by キヌガワマサト Masato Kinugawa
CODE BLUE
MS Officeファイル暗号化のマスター鍵を利用したバックドアとその対策
MS Officeファイル暗号化のマスター鍵を利用したバックドアとその対策
MITSUNARI Shigeo
多様な働き⽅のチームでどうやって アジャイルにやるの?(雁行陣開発)
多様な働き⽅のチームでどうやって アジャイルにやるの?(雁行陣開発)
toshihiro ichitani
スタートアップの 3 分ピッチテンプレート
スタートアップの 3 分ピッチテンプレート
Takaaki Umada
Python 3.9からの新定番zoneinfoを使いこなそう
Python 3.9からの新定番zoneinfoを使いこなそう
Ryuji Tsutsui
ドメイン駆動設計 ~ユーザー、モデル、エンジニアの新たな関係~
ドメイン駆動設計 ~ユーザー、モデル、エンジニアの新たな関係~
啓 杉本
FastAPIのテンプレートプロジェクトがいい感じだった話
FastAPIのテンプレートプロジェクトがいい感じだった話
NipponAlgorithm
何となく勉強した気分になれるパーサ入門
何となく勉強した気分になれるパーサ入門
masayoshi takahashi
著名PHPアプリの脆弱性に学ぶセキュアコーディングの原則
著名PHPアプリの脆弱性に学ぶセキュアコーディングの原則
Hiroshi Tokumaru
5分でわかるブロックチェーンの基本的な仕組み
5分でわかるブロックチェーンの基本的な仕組み
Ryo Shimamura
【新卒/中途デザイナー採用向け】マネーフォワードエックスカンパニー紹介資料
【新卒/中途デザイナー採用向け】マネーフォワードエックスカンパニー紹介資料
忠輔 佐藤
MongoDB〜その性質と利用場面〜
MongoDB〜その性質と利用場面〜
Naruhiko Ogasawara
データウェアハウス入門 (マーケティングデータ分析基盤技術勉強会)
データウェアハウス入門 (マーケティングデータ分析基盤技術勉強会)
Takeshi Mikami
Power BI データフロー 早わかり
Power BI データフロー 早わかり
Takeshi Kagata
ホットペッパービューティーにおけるモバイルアプリ向けAPIのBFF/Backend分割
ホットペッパービューティーにおけるモバイルアプリ向けAPIのBFF/Backend分割
Recruit Lifestyle Co., Ltd.
位置データもPythonで!!!
位置データもPythonで!!!
hide ogawa
え!? Power BI の画面からデータ更新なんてできるの!? ~PowerApps カスタムビジュアルの可能性~
え!? Power BI の画面からデータ更新なんてできるの!? ~PowerApps カスタムビジュアルの可能性~
Yugo Shimizu
webSocket通信を知らないiOSエンジニアが知っておいて損はしない(経験談的な)軽い話
webSocket通信を知らないiOSエンジニアが知っておいて損はしない(経験談的な)軽い話
Yuhei Miyazato
エンジニアから飛んでくるマサカリを受け止める心得
エンジニアから飛んでくるマサカリを受け止める心得
Reimi Kuramochi Chiba
Product ManagerとProduct Ownerの役割の違いについて
Product ManagerとProduct Ownerの役割の違いについて
Noritaka Shinohara
リクルート式 自然言語処理技術の適応事例紹介
リクルート式 自然言語処理技術の適応事例紹介
Recruit Technologies
Watson Explorerを使ったテキストマイニング
Watson Explorerを使ったテキストマイニング
Hori Tasuku
データサイエンス業務と「ツール」
データサイエンス業務と「ツール」
The Japan DataScientist Society
More Related Content
What's hot
MS Officeファイル暗号化のマスター鍵を利用したバックドアとその対策
MS Officeファイル暗号化のマスター鍵を利用したバックドアとその対策
MITSUNARI Shigeo
多様な働き⽅のチームでどうやって アジャイルにやるの?(雁行陣開発)
多様な働き⽅のチームでどうやって アジャイルにやるの?(雁行陣開発)
toshihiro ichitani
スタートアップの 3 分ピッチテンプレート
スタートアップの 3 分ピッチテンプレート
Takaaki Umada
Python 3.9からの新定番zoneinfoを使いこなそう
Python 3.9からの新定番zoneinfoを使いこなそう
Ryuji Tsutsui
ドメイン駆動設計 ~ユーザー、モデル、エンジニアの新たな関係~
ドメイン駆動設計 ~ユーザー、モデル、エンジニアの新たな関係~
啓 杉本
FastAPIのテンプレートプロジェクトがいい感じだった話
FastAPIのテンプレートプロジェクトがいい感じだった話
NipponAlgorithm
何となく勉強した気分になれるパーサ入門
何となく勉強した気分になれるパーサ入門
masayoshi takahashi
著名PHPアプリの脆弱性に学ぶセキュアコーディングの原則
著名PHPアプリの脆弱性に学ぶセキュアコーディングの原則
Hiroshi Tokumaru
5分でわかるブロックチェーンの基本的な仕組み
5分でわかるブロックチェーンの基本的な仕組み
Ryo Shimamura
【新卒/中途デザイナー採用向け】マネーフォワードエックスカンパニー紹介資料
【新卒/中途デザイナー採用向け】マネーフォワードエックスカンパニー紹介資料
忠輔 佐藤
MongoDB〜その性質と利用場面〜
MongoDB〜その性質と利用場面〜
Naruhiko Ogasawara
データウェアハウス入門 (マーケティングデータ分析基盤技術勉強会)
データウェアハウス入門 (マーケティングデータ分析基盤技術勉強会)
Takeshi Mikami
Power BI データフロー 早わかり
Power BI データフロー 早わかり
Takeshi Kagata
ホットペッパービューティーにおけるモバイルアプリ向けAPIのBFF/Backend分割
ホットペッパービューティーにおけるモバイルアプリ向けAPIのBFF/Backend分割
Recruit Lifestyle Co., Ltd.
位置データもPythonで!!!
位置データもPythonで!!!
hide ogawa
え!? Power BI の画面からデータ更新なんてできるの!? ~PowerApps カスタムビジュアルの可能性~
え!? Power BI の画面からデータ更新なんてできるの!? ~PowerApps カスタムビジュアルの可能性~
Yugo Shimizu
webSocket通信を知らないiOSエンジニアが知っておいて損はしない(経験談的な)軽い話
webSocket通信を知らないiOSエンジニアが知っておいて損はしない(経験談的な)軽い話
Yuhei Miyazato
エンジニアから飛んでくるマサカリを受け止める心得
エンジニアから飛んでくるマサカリを受け止める心得
Reimi Kuramochi Chiba
Product ManagerとProduct Ownerの役割の違いについて
Product ManagerとProduct Ownerの役割の違いについて
Noritaka Shinohara
リクルート式 自然言語処理技術の適応事例紹介
リクルート式 自然言語処理技術の適応事例紹介
Recruit Technologies
What's hot
(20)
MS Officeファイル暗号化のマスター鍵を利用したバックドアとその対策
MS Officeファイル暗号化のマスター鍵を利用したバックドアとその対策
多様な働き⽅のチームでどうやって アジャイルにやるの?(雁行陣開発)
多様な働き⽅のチームでどうやって アジャイルにやるの?(雁行陣開発)
スタートアップの 3 分ピッチテンプレート
スタートアップの 3 分ピッチテンプレート
Python 3.9からの新定番zoneinfoを使いこなそう
Python 3.9からの新定番zoneinfoを使いこなそう
ドメイン駆動設計 ~ユーザー、モデル、エンジニアの新たな関係~
ドメイン駆動設計 ~ユーザー、モデル、エンジニアの新たな関係~
FastAPIのテンプレートプロジェクトがいい感じだった話
FastAPIのテンプレートプロジェクトがいい感じだった話
何となく勉強した気分になれるパーサ入門
何となく勉強した気分になれるパーサ入門
著名PHPアプリの脆弱性に学ぶセキュアコーディングの原則
著名PHPアプリの脆弱性に学ぶセキュアコーディングの原則
5分でわかるブロックチェーンの基本的な仕組み
5分でわかるブロックチェーンの基本的な仕組み
【新卒/中途デザイナー採用向け】マネーフォワードエックスカンパニー紹介資料
【新卒/中途デザイナー採用向け】マネーフォワードエックスカンパニー紹介資料
MongoDB〜その性質と利用場面〜
MongoDB〜その性質と利用場面〜
データウェアハウス入門 (マーケティングデータ分析基盤技術勉強会)
データウェアハウス入門 (マーケティングデータ分析基盤技術勉強会)
Power BI データフロー 早わかり
Power BI データフロー 早わかり
ホットペッパービューティーにおけるモバイルアプリ向けAPIのBFF/Backend分割
ホットペッパービューティーにおけるモバイルアプリ向けAPIのBFF/Backend分割
位置データもPythonで!!!
位置データもPythonで!!!
え!? Power BI の画面からデータ更新なんてできるの!? ~PowerApps カスタムビジュアルの可能性~
え!? Power BI の画面からデータ更新なんてできるの!? ~PowerApps カスタムビジュアルの可能性~
webSocket通信を知らないiOSエンジニアが知っておいて損はしない(経験談的な)軽い話
webSocket通信を知らないiOSエンジニアが知っておいて損はしない(経験談的な)軽い話
エンジニアから飛んでくるマサカリを受け止める心得
エンジニアから飛んでくるマサカリを受け止める心得
Product ManagerとProduct Ownerの役割の違いについて
Product ManagerとProduct Ownerの役割の違いについて
リクルート式 自然言語処理技術の適応事例紹介
リクルート式 自然言語処理技術の適応事例紹介
Similar to オイシックス事例発表・顧客属性推定とレコメンド
Watson Explorerを使ったテキストマイニング
Watson Explorerを使ったテキストマイニング
Hori Tasuku
データサイエンス業務と「ツール」
データサイエンス業務と「ツール」
The Japan DataScientist Society
安心安全を食卓に届ける、Oisixのマイクロサービス
安心安全を食卓に届ける、Oisixのマイクロサービス
小林 弘明
AI & Deep Learning on AWS at CTO Night&Day 2016 Winter
AI & Deep Learning on AWS at CTO Night&Day 2016 Winter
Yasuhiro Matsuo
副業推奨とオープンソース @ 俺聞け4
副業推奨とオープンソース @ 俺聞け4
Oishi Yuichi
みんなのPython勉強会#21 澪標アナリティクス 井原様
みんなのPython勉強会#21 澪標アナリティクス 井原様
Takeshi Akutsu
2016年12月期 決算説明資料
2016年12月期 決算説明資料
SIOS Corporation
業務時間で書いたパッチは誰のもの?OSS活動にまつわる罠 (builderscon tokyo 2018)
業務時間で書いたパッチは誰のもの?OSS活動にまつわる罠 (builderscon tokyo 2018)
uchan_nos
Device WebAPI 20160407
Device WebAPI 20160407
陽平 山口
シラサギ紹介20161119
シラサギ紹介20161119
Naokazu Nohara
新サービス活用おけるUXの活用事例
新サービス活用おけるUXの活用事例
Fixel Inc.
Watsonで地図ナビアプリつくってみた
Watsonで地図ナビアプリつくってみた
Kota Suizu
OSSで「脱下請け」のススメ ~OSC Tokyo 2014/Spring 講演資料~
OSSで「脱下請け」のススメ ~OSC Tokyo 2014/Spring 講演資料~
Yuichi Terada
会社説明資料
会社説明資料
ssuser8868d3
「PUSH 大阪」の紹介
「PUSH 大阪」の紹介
Kouji Kozaki
シラサギ紹介20170525
シラサギ紹介20170525
Naokazu Nohara
オイラ大地の18年拡張し続けているECサイトをSpring Bootとk8s on Azureでマイクロサービス化する事例
オイラ大地の18年拡張し続けているECサイトをSpring Bootとk8s on Azureでマイクロサービス化する事例
小林 弘明
CISOが、適切にセキュリティ機能とレベルを決めるには
CISOが、適切にセキュリティ機能とレベルを決めるには
Riotaro OKADA
マーケティング的視点で見る コミュニティ育成 アマゾン データサービス ジャパン 小島 英揮氏 資料
マーケティング的視点で見る コミュニティ育成 アマゾン データサービス ジャパン 小島 英揮氏 資料
Peatix Japan
シラサギ紹介20170915
シラサギ紹介20170915
Naokazu Nohara
Similar to オイシックス事例発表・顧客属性推定とレコメンド
(20)
Watson Explorerを使ったテキストマイニング
Watson Explorerを使ったテキストマイニング
データサイエンス業務と「ツール」
データサイエンス業務と「ツール」
安心安全を食卓に届ける、Oisixのマイクロサービス
安心安全を食卓に届ける、Oisixのマイクロサービス
AI & Deep Learning on AWS at CTO Night&Day 2016 Winter
AI & Deep Learning on AWS at CTO Night&Day 2016 Winter
副業推奨とオープンソース @ 俺聞け4
副業推奨とオープンソース @ 俺聞け4
みんなのPython勉強会#21 澪標アナリティクス 井原様
みんなのPython勉強会#21 澪標アナリティクス 井原様
2016年12月期 決算説明資料
2016年12月期 決算説明資料
業務時間で書いたパッチは誰のもの?OSS活動にまつわる罠 (builderscon tokyo 2018)
業務時間で書いたパッチは誰のもの?OSS活動にまつわる罠 (builderscon tokyo 2018)
Device WebAPI 20160407
Device WebAPI 20160407
シラサギ紹介20161119
シラサギ紹介20161119
新サービス活用おけるUXの活用事例
新サービス活用おけるUXの活用事例
Watsonで地図ナビアプリつくってみた
Watsonで地図ナビアプリつくってみた
OSSで「脱下請け」のススメ ~OSC Tokyo 2014/Spring 講演資料~
OSSで「脱下請け」のススメ ~OSC Tokyo 2014/Spring 講演資料~
会社説明資料
会社説明資料
「PUSH 大阪」の紹介
「PUSH 大阪」の紹介
シラサギ紹介20170525
シラサギ紹介20170525
オイラ大地の18年拡張し続けているECサイトをSpring Bootとk8s on Azureでマイクロサービス化する事例
オイラ大地の18年拡張し続けているECサイトをSpring Bootとk8s on Azureでマイクロサービス化する事例
CISOが、適切にセキュリティ機能とレベルを決めるには
CISOが、適切にセキュリティ機能とレベルを決めるには
マーケティング的視点で見る コミュニティ育成 アマゾン データサービス ジャパン 小島 英揮氏 資料
マーケティング的視点で見る コミュニティ育成 アマゾン データサービス ジャパン 小島 英揮氏 資料
シラサギ紹介20170915
シラサギ紹介20170915
オイシックス事例発表・顧客属性推定とレコメンド
1.
Oisix事例発表 「顧客属性推定とレコメンド」 2016年7月26日 U-NEXT ✕ Oisix
勉強会
2.
本日のプログラム 1. 自己紹介 2. オイシックスとは 3.
顧客属性推定とレコメンド 4. まとめ 5. 質疑応答
3.
自己紹介 気軽に連絡してください → https://www.facebook.com/keisho.suzuki 講演者:MAX(鈴木 啓章) 2016年4月オイシックス入社 経歴:銀行員→学習塾→IT業界 業務:パーソナライズ(レコメンド) システムトレードが好きでデータ分析を仕事に したいと思い、やる気MAXで入社しました。
4.
本日のプログラム 1. 自己紹介 2. オイシックスとは 3.
顧客属性推定とレコメンド 4. まとめ 5. 質疑応答
5.
Oisixのご紹介 ~たべる人、つくる人、つなぐ私たち~
6.
(1)企業理念 Output MISSION より多くの人が、豊かな食生活を簡単に送れるよう なサービスの提供を行う ※Oisixが定義する豊かな食生活 「安全なものを安心して食べ」、「美味しさに感動し」、「それを家族や友達と楽しく共有でき」、 「結果的に健康な身体になる」食生活のこと。
7.
(2)事業紹介 世界で唯一の日常食品×サブスクリプションEC お好きなときに お好きな量だけ お客様の生活にあわせてご注文いただくスタイル 入会金・年会費は一切無料 土・日も含め、お届けする日時や場所の指定が可能
8.
小さなお 子様を持 つママ おいしい ものへの こだわり が強い方 ワーキングマザーなど 忙しい女性 Oisix.com Oisixステーション 来 店 注 文 発 注 お客さまへ お届け 生産者さん / メーカー (2)事業紹介
9.
「つくった人が自分の子供に食べさせることができる」 食材だけ販売 Oisixの野菜を育てる農家の方々 さつまいも生産者の飯尾さん レモン生産者の中田さん トマト生産者の井原さん 小松菜生産者の篠崎さん (2)事業紹介
10.
Oisixのオリジナル商品 とろける口どけ 生キャラメルいも ステーキでとろーり食 感 トロなす ほんのりした甘さ ピーチかぶ スポーツに最適 ランナーバナナ (2)事業紹介
11.
Oisixの強み ③商品開発 ・調達 ②物流 ①販売 Oisixの強み 優良産地/生産者さん/メーカーとのネットワーク 食品BtoC、ECに特化した物流センター 高付加価値食品のサブスクリプションコマース (定期購買) →独自性のあるWEBマーケ、CRMスキル →安心・安全・おいしいを担保しつつ、 ローコストオペレーションを実現 →高い品質の商品を中間流通を通さず、 安定的に供給できる
12.
社員数 所在地 事業所 営業所 約200名 5:5 東京/品川 神奈川/海老名 埼玉/八潮 香港 平均年齢 男女比率 34歳
13.
(3)売上高推移 Output 第2創業フェーズ 今期から3年で400億へ 3年後目標 40000 3年で 2倍成長 15期 連続成長
14.
本日のプログラム 1. 自己紹介 2. オイシックスとは 3.
顧客属性推定とレコメンド 4. まとめ 5. 質疑応答
15.
顧客属性推定とレコメンド お客様一人ひとりに寄り添ってサービスや商 品を提供すること 顧客属性推定とレコメンドはパーソナライズプロジェクトの一環 パーソナライズ = 寄り添う = 様々な状況を理解する
16.
顧客属性推定とレコメンド ←こんな感じで定期ボックスというものが毎週 作られます (勝手に商品が入っています) 期日までは自由に商品を変更でき、 期日を過ぎると発注される、まさに 食のサブスクリプションサービス! 顧客属性を推定し、1人1人にパーソナライ ズされた定期ボックスを提案する 使いどころ①:定期ボックスをパーソナライズする
17.
顧客属性推定とレコメンド 使いどころ②:いろんな売り場をパーソナライズする レジ前や注文完了後など、売り場の特性に合わせて パーソナライズされた商品を提案する
18.
顧客属性推定とレコメンド 商品をバスケット分析顧客をクラスタ分析 × クラスタごとの顧客の購買商品を元にバスケット分析を行うことで、 単純なバスケット分析より精度を向上させる
19.
顧客属性推定とレコメンド クラスタ分析とは <クラスタリング> ・目的変数なし(教師なし学習) ・潜在する「集まり」を発見する ・kMeans、平均変位法、混合ガウスモデル・・・ <クラス分類> ・目的変数あり(教師あり学習) ・特定の分類法をより正確に再現する ・SVM、ランダムフォレスト、 ロジスティック回帰・・・ (参考・実際のコード)
20.
顧客属性推定とレコメンド バスケット分析とは 参考:http://www.sascom.jp/ma_semi/session/heibai/heibai2.html
21.
顧客属性推定とレコメンド オイシックスの分析環境 E C サ イ ト トラッキング データ 売り場への 反映 定期ボックス への反映 各種データ パーソナライズ提 案用の商品データ を作成 クラス分類やバスケット分析等々・・・ メインDB ・顧客,商品,受注等の各種データ ・定期ボックスのデータ データ分析・蓄積用DB ・購買履歴等のデータ ・売り場反映用の商品データ データ分析用DB ・Oracle/Mysqlからの集約データ
22.
顧客属性推定とレコメンド 具体事例:商品提案までの流れ 具体事例をもとに、オイシックスならではの 7つの学びポイントを紹介します 2. アンケートの収集 1. データの整備 3.
外れ値データの除外 5. 分類モデルの適応 4. 分類モデルの作成 6. バスケット分析 7. 商品の提示
23.
顧客属性推定とレコメンド 具体事例 2. アンケートの収集 1. データの整備 3.
外れ値データの除外 5. 分類モデルの適応 4. 分類モデルの作成 6. バスケット分析 7. 商品の提示 学びポイント 1.データの整備
24.
顧客属性推定とレコメンド 分析 1. データの整備 TreasureDataに集約 発覚 分析 分析・・・ 最終更新日時が変わっていない・・・
25.
オイシックスの学び <事象> ・分析の後半でDBのデータが更新されて いないことが判明 <結果> ・最初から分析をやり直す手戻りが発生し た 【学びポイント】 ・更新をチェックする仕組みを導入する →最終更新日時、受注数・・・ 1. データの整備
26.
顧客属性推定とレコメンド 具体事例 2. アンケートの収集 1. データの整備 3.
外れ値データの除外 5. 分類モデルの適応 4. 分類モデルの作成 6. バスケット分析 7. 商品の提示 学びポイント 2. アンケートの収集
27.
顧客属性推定とレコメンド アンケートから 教師データを作成 子供あり 2. アンケートの収集 回答者 子供なし ①乳児幼児 ②それ以外 ③料理する ④料理しない 購買に差がありそうな下記①〜④に お客様を分類することに決定
28.
オイシックスの学び <事象> ・「料理する」に回答したお客様の購買履歴が 料理しているように見えない・・・ <原因> ・「料理する」の回答にはお客様の夢や希 望が詰まっている場合があった (実際の購買行動と異なる回答) 【学びポイント】 ・アンケートを実施する際には、回答と実態 に差が出ないような質問項目にする必要 がある 2. アンケートの収集
29.
顧客属性推定とレコメンド 具体事例 2. アンケートの収集 1. データの整備 3.
外れ値データの除外 5. 分類モデルの適応 4. 分類モデルの作成 6. バスケット分析 7. 商品の提示 学びポイント 3. 外れ値データの除外
30.
顧客属性推定とレコメンド ほとんどの人が 買っていない商 品 3. 外れ値データの除外 学習データとなる購買数量 が多い順に商品をソート ほとんどの人が 買っている商品
31.
オイシックスの学び <事象> ・データを学習させてもなかなか良い分類 モデルが作れない <原因> ・全員が買っている商品や、ほとんど買われ ていない商品がノイズとなっていた 【学びポイント】 ・精度の高いモデルを作るため、学習データ からノイズとなる外れ値は取り除く 3. 外れ値データの除外
32.
顧客属性推定とレコメンド 具体事例 2. アンケートの収集 1. データの整備 3.
外れ値データの除外 5. 分類モデルの適応 4. 分類モデルの作成 6. バスケット分析 7. 商品の提示 学びポイント 4. 分類モデルの作成
33.
顧客属性推定とレコメンド 4. 分類モデルの作成 Y = 目的変数Y:あるセグメントに属するか否か 例・子供あり:1、子供なし:0 1
+ e -(α0 + α1x1 + α2x2 + α3x3 ・・・) 1 ロジスティック回帰 説明変数X:過去6ヶ月の商品ごとの購買数(約5,000種類) 例・こどもカレー:3、みつトマト:5、一口京がんも:0・・・ 回帰係数α:商品ごとの重み ★求めたい値 例・こどもカレー:0.154、みつトマト:0.002、一口京がんも:-0.065 約1,200人のデータセットで 学習させ、モデルを作成する (回帰係数αを求める)
34.
オイシックスの学び <事象> ・精度は高いが毎回異なる回帰係数(重 み)が出力された <原因> ・データセットに対する説明変数が多く、過 学習してしまっていた (5,000個の重みを求めるのに、1,200人し か学習用データセットがない) 【学びポイント】 ・説明変数に対して適切なデータセットを用 意する(一般的に5倍程度) ・相関の高い説明変数を避ける 4. 分類モデルの作成
35.
顧客属性推定とレコメンド 具体事例 2. アンケートの収集 1. データの整備 3.
外れ値データの除外 5. 分類モデルの適応 4. 分類モデルの作成 6. バスケット分析 7. 商品の提示 学びポイント 5. 分類モデルの適応
36.
顧客属性推定とレコメンド 1.データセット標準化 (アンケート回答者1,200名) 4.データセット標準化 (顧客全体) 5. 分類モデルの適応 2.ロジスティック回帰 3.分類モデルを作成 5.分類モデルを適応 標準化前 商品a
商品b 顧客A 100 10 顧客B 50 5 顧客C 10 1 標準化後 商品a 商品b 顧客A 1.27 1.27 顧客B -0.09 -0.09 顧客C -1.17 -1.17 ※標準化(スケールを揃える)
37.
オイシックスの学び <事象> ・モデルを全体へ適応する際、再度全体のデー タセットに対して標準化をしていた <結果> ・モデル作成時に用いた標準化パラメータを取 得し直す手戻りが発生した 【学びポイント】 ・標準化を行う際のパラメータを保管してお き、モデル適応時に利用する 5. 分類モデルの適応
38.
顧客属性推定とレコメンド 具体事例 2. アンケートの収集 1. データの整備 3.
外れ値データの除外 5. 分類モデルの適応 4. 分類モデルの作成 6. バスケット分析 7. 商品の提示 学びポイント 6. バスケット分析
39.
顧客属性推定とレコメンド パーソナライズされた提案商品例6. バスケット分析 提案商品←提案元
40.
オイシックスの学び <事象> ・購買がない顧客に商品は提案されない ・似たカテゴリの商品が提案される (バスケット分析の限界) <結果> ・毎週一人一人に様々な商品を提案する ことが困難 【学びポイント】 ・各種手法でできること、できないことを理 解する ・目的に対して最適な手法を選択する 6. バスケット分析
41.
顧客属性推定とレコメンド 具体事例 2. アンケートの収集 1. データの整備 3.
外れ値データの除外 5. 分類モデルの適応 4. 分類モデルの作成 6. バスケット分析 7. 商品の提示 学びポイント 7. 商品の提示
42.
顧客属性推定とレコメンド AB実験を実施・集計 7. 商品の提示 各種売り場ごとにパーソナライズ商品を提案 A:スマホ注文完了画面(購入後に表示)
B:PCレジ前(購入前に表示)
43.
オイシックスの学び <事象> ・同じロジックで商品を提案しても、売り場ごと にCVR・単価、受注率に差が出た <原因> ・売り場ごとにそれぞれ特性がある 【学びポイント】 ・売り場ごとの特性を理解し、UI、商品を魅 せ方を工夫することが重要 7. 商品の提示
44.
本日のプログラム 1. 自己紹介 2. オイシックスとは 3.
顧客属性推定とレコメンド 4. まとめ 5. 質疑応答
45.
まとめ 具体事例:商品提案までの流れ 顧客属性を推定し、バスケット分析を用いること で商品をレコメンドできた 2. アンケートの収集 1. データの整備 3.
外れ値データの除外 5. 分類モデルの適応 4. 分類モデルの作成 6. バスケット分析 7. 商品の提示
46.
まとめ パーソナライズプロジェクトにおいて提供するサービスを通じて、 「オイシックスは自分のことを知ってくれていて、お買い物が楽だし、楽しい」 「スーパーだと、1から選ぶのが大変だし、面白い提案がない」 となっていきLTV(顧客生涯価値)が向上している状態をつくる。 顧客属性推定とレコメンド 1.探さないと出会えなかった商品の提案 2.いつも買っているものをちょうどよいタイミングで補充 3.売場で選ぶことが価値になっている売場への誘導 4.旬などのオイシックスからの価値提案 ゴールゴール 提供価値
47.
まとめ オイシックスと他ECサービスの違い ・商品の改廃が多い ・ID単位では難しい場合がある ・お客様によって 商品の分類が異なる ・人によって下記のような捉え方がある -にんじんはどれでもにんじん、または、福島産、 not福島産は違う -たつやのにんじん、三竹さんのにんじん、その他のにんじんは違う ・嗜好が変わる
・お気に入りのヨーグルトが、時期によってかわる ・納豆を毎朝出していたが、最近食べなくなって出さなくなった ・季節性がある ・1週間しか扱わない商品がある ・季節によって味が変わる(はしり、さかり、なごり) ・購入決定の ハードルが低い ・購入の重みが他ECよりも低く、なんとなく買った、買わなかった という情報が他のECに比べると多い ・購入したが、失敗している場合も多数ある ・提案した商品の リジェクトがわかる ・定期ボックスにセットした商品が削除された履歴を見れる(売場に並んでいて買 われないよりも強い反応)
48.
まとめ 現在、オイシックスが取り組んでいる課題の例 ・顧客属性推定 ✕ バスケット分析 ・顧客DNA
✕ 商品DNA ・周期性 ・嫌いな商品のフィルタリング ・季節性商品の理解 ・値頃感の理解 ・好き/嫌いをフィードバックしてもらう 本日のテーマ ・・・
49.
まとめ 興味があれば気軽に声をかけてください。一緒にやりましょう!
50.
本日のプログラム 1. 自己紹介 2. オイシックスとは 3.
顧客属性推定とレコメンド 4. まとめ 5. 質疑応答
51.
ご清聴ありがとうございました
Download now