セグメント？クラスタリング？ ユーザーを分類し、サービスの改善に活かすポイント
•
11 likes•8,708 views
「サービスの利用者がどんなユーザーで構成されているのか」を問われた経験はありませんか？ サービス利用者の構成がわかれば、サービスのテイスト、広告の訴求内容、商品の品揃え、改善施策の検討など、各種戦略に活かすことが出来るのでサービス運営者としては知っておきたい重要な要素です。 前半では「サービスの利用者がどんなユーザーで構成されているのか」を問われセグメントを作成する際に、どのような切り口や手順があるのかを紹介します。セグメントを効果的に作成することで、今まで気づかなかった視点が得られます。 後半では、機会学習の手段を用いたサービスの改善について見ていきます。 前半の基礎集計により導かれたユーザーの分類をサービスの改善に活かすには、様々な手法が考えられます。その中の一つ「ABテスト」を題材にして、サイト改善についての考察とクラスタリングを用いたABテストの手法について紹介します。 本講演では、「サービスの利用者がどんなユーザーで構成されているのか」を紐解き、改善に活かすために得意分野が異なる2名をお招きし、SQLを用いたアプローチ、機械学習を用いたアプローチについて、それぞれ解説していただきます。 冒頭で触れている通り、ユーザーを分類することにより、情報の出し分け、ターゲティング、内部施策の検討など、幅広い用途で活用が可能になります。本講演がサービス運営に携わる方々にとって、良いヒントとなり、サービスの改善に繋がることを願います。
Recommended
More Related Content
What's hot
What's hot (20)
Similar to セグメント？クラスタリング？ ユーザーを分類し、サービスの改善に活かすポイント
Similar to セグメント？クラスタリング？ ユーザーを分類し、サービスの改善に活かすポイント (20)
セグメント？クラスタリング？ ユーザーを分類し、サービスの改善に活かすポイント
- 4. はじめに
- 7. セグメント
- 8. なぜ、セグメントを作るのか 全体 データの粒度が⼤きいため、 ⺟集団に潜む属性の特徴が可視化できない ユーザー データの粒度が細かいため、 個別個別の対応を⾏なうのが難しい セグメント データを属性別、⾏動別に分割し、 各グループの特徴を捉えることができる
- 9. プロダクト・ポートフォリオ・マネジメント 市 場 成 ⻑ 率 市場におけるシェア 問題児 負け⽝ ⾦のなる⽊ 花形 形式は違えど、このような形で ユーザーやモノを分類して、 それぞれの戦略を検討したい
- 12. セグメントを作成する際に⼼がけていること ボリュームが偏っても、均⼀でも構わないが、 特徴がある状態を⽬指す 漏れなく、かぶりなく MECE(Mutually Exclusive Collectively Exhaustive) 注：あくまでも⽥宮が⼼がけていることです。⼀般的なのかどうかは不明。 ⼤雑把すぎず、細かすぎず ⽬安、3つ〜7つぐらいで考えています。
- 16. カテゴリ 売上 構成⽐ 構成⽐累計 Onion 185,000 19% 19% Tomato 168,000 18% 37% Green Onion 130,000 14% 50% ... ... ... ... Lemon 36,000 4% 100% ランクA：70%〜80% ランクB：80%〜90％ ランクC：90%〜100% ABC分析 ランクA ランクB ランクC
- 17. ヒストグラムを⽤いて分類する 1. ユーザーごとにデータを集計する 2. どのような分布になっているかを ⼤雑把に確認する。 3. これをそのままセグメントとして 使⽤しても良いが、ここから 更に意味づけをする場合も。 セレブ上流中流貧困
- 19. STP（STP戦略、STPマーケティング） フィリップ・コトラーが提唱した 「効果的に市場を開拓するためのマーケティング⼿法」 Segmentation 市場を細分化して Targeting ターゲット層を抽出し Positioning ターゲット層に対する競争優位性を 設定する
- 23. 年齢別区分 内訳 C層 4〜12歳の男⼥ T層 13〜19歳の男⼥ M1層 20〜34歳の男性 M2層 35〜49歳の男性 M3層 50歳以上の男性 F1層 20〜34歳の⼥性 F2層 35〜49歳の⼥性 F3層 50歳以上の⼥性 Cは⼦供を表すChildの意味 TはTeenagerの意味 Mは男性を表すMaleの意味 Fは⼥性を表すFemaleの意味 ビデオリサーチなどの視聴率調査会社や広告代理店などでは、 視聴者を下記のように区分している 趣味嗜好が多様化している状況、データが容易に集まる状況から、 昨今では最適ではないと⾔う意⾒もある。 ⼈⼝動態変数として、利⽤されている例 学⽣ 社会⼈ 既婚、未婚 ⼦持ち or ⼦なし まとめても いいのか？
- 24. Geographic 地理的変数 居住地など地理的要因で分類する ユーザー情報に郵便番号や住所等があれば、容易に実施可能 モバイル端末であれば、位置情報から都道府県を割り出す⽅法も 精度は落ちるが、IPから都道府県を割り出して、実施可能 精度の問題 • IPから位置情報を提供する元データの精度 • IPから割り出した位置情報の解釈 • ⾃宅 / 職場 or ⾼校・⼤学
- 27. 2つのエリア情報が取得できる場合 居住地 宿泊地 東京 北海道 東京 ⼤阪 沖縄 福岡 隣接都道府県マスタを準備し、⾏動パターンを下記のように分類 ⾏動パターン • ⾃県 • 隣接都道府県 • 遠⽅都道府県 特徴は？ ・交通⼿段（⾶⾏機、新幹線） ・宿泊プラン（価格） ・オプションパッケージ（体験） ・レンタカー付きプラン
- 28. Behavioral ⾏動変数 購買状況や使⽤頻度、購買動機、購買パターンなど、 製品に対する買い⼿の知識や態度などによって顧客を分類する Demographic / Geographicと異なり、1レコードに明確な条件がない データを集計し、属性を定義することで、実施が可能となる ECサイトをサンプルとして SNSをサンプルとして デシル分析 MAUの分解 RFM分析
- 30. ■タイトル RFM分析 Recency：最新購⼊⽇ 最近購⼊に⾄ったユーザーほど優良顧客として扱う Frequency：購⼊回数 ユーザーが購⼊した回数をカウントし、回数が多いユーザーほど優良顧客として扱う Monetary：購⼊⾦額合計 ユーザーの購⼊⾦額の合計を集計し、⾦額が多いユーザーほど優良顧客として扱う 下記の3つの指標をもとにユーザーをグループ化する ランク R:最新購⼊⽇ F:累計購⼊回数 M:累計購⼊⾦額 5 14⽇以内 20回以上 30万円以上 4 28⽇以内 10回以上 10万円以上 3 60⽇以内 5回以上 3万円以上 2 90⽇以内 2回以上 5000円以上 1 91⽇以上 1回のみ 5000円未満
- 33. ■タイトル MAUを分解する
- 37. データ分析
- 40. 実際の業務のサイクル例 ビジネス課題や ドメインの理解 データ取得 データ 探索・理解 データ クレンジング データ変換 (加⼯） 評価 分析・モデル 作成 結果を共有 モデル適⽤ アプリ作成
- 41. クラスタリング
- 43. 階層クラスタリングの例 コンバージョンしたユーザーとしていないユーザーとで クラスタリングを⾏いそのコンバージョン要因から • ユーザーの動線設計 • コンバージョン施策策定 などを⾏う データ デンドログラム ex. chronic kidney disease
- 45. ⾮階層クラスタリングの例 ユーザーの⾏動ログからより近い⾏動を⾏ったユーザーを k個のグループに分類し、その⾏動パターンから • より最適な広告の出し分け • ペルソナグループの推定 などを⾏う ⾏動データの可視化 k=7のクラスタ
- 49. A/Bテストとは何ぞや？ A/Bテスト（英: A/B testing）とは、主にインターネットマーケティングで⾏わ れる、施策判断のための試験の総称である。 狭義ではA/Bテストは仮説検定を指す俗称である[1]が、広義のA/Bテストは インターネットマーケティングにおける施策の良否を判断するために、 2つの施策同⼠を⽐較検討する⾏為全般を指す。 by wikipedia 参考： https://ja.wikipedia.org/wiki/A/B%E3%83%86%E3%82%B9%E3%83%88 ⼤⼈気！ ダイエットドリンク ⼤⼈気！ ダイエットドリンク ○○で第⼀位！ ○○で第⼀位！ 健康に優しい成分 １０種類配合 リピート購⼊続出 たった１ヶ⽉で -１０キロ 下の内どちらがより効果的か？ A/Bテストの補⾜
- 58. まとめ
- 59. セグメント クラスタリング
- 62. 宣伝
- 63. 本⽇紹介した、下記内容を実施するための 具体的なSQLが掲載されています。 • ABC分析 • RFM分析 • MAUに関する分析 • IPから地域を求める などなど ビッグデータ SQL 検索
- 64. Sparkの使い⽅について 幅広く網羅している⼀冊です。 • DataFrameとSpark SQL • Spark Streaming • MLlib • GraphX 詳解 Spark 検索
- 65. ご清聴ありがとうございました。