機械学習とオペレーションズリサーチによるポイント付与最適化

Confidential :Discussion purpose only
Copyright (C) 2017 Yahoo Japan Corporation. All Rights Reserved.
機械学習とオペレーションズリサーチによる
ポイント付与最適化
日本オペレーションズ・リサーチ学会
2017年秋季研究発表会
2017年9月14日
ヤフー株式会社
*瀬賀信一郎山中勇紀野村知加

Confidential :Discussion purpose only Copyright (C) 2017 Yahoo Japan Corporation. All Rights Reserved.
P2アジェンダ
自己紹介
ポイント付与施策の課題
提案手法
シミュレーション結果と実配信結果
まとめ

自己紹介

P4自己紹介
名前：瀬賀信一郎(せがしんいちろう)
略歴
日本電気→ソニー木原研究所→デンソーアイティーラボラトリ
→ヤフー株式会社(2012年5月～)
専門分野(使えそうな技術は何でも使ってみる！)
オペレーションズリサーチ
線形・整数・二次・動的計画法、CSP、メタ戦略、ラグランジュ緩和、…
機械学習
Deep Learning、SVM、ロジスティック回帰、ベイジアンネット、GBDT、…
その他
時系列データ解析、自然言語処理、音声認識、画像認識、認知科学、…
適用分野
アドテク、フィンテック、ネットショッピング、ネットオークション、…

ポイント付与施策の課題

P6ポイント付与施策が流行
ポイントを付与して、購入やサービス利用を促進する施策
代金の一部にポイントを使ってお金を使わせようとする
期間限定ポイントで一定期間内に利用を促進する施策もあり
従来手法
全ユーザに一律一定のポイントを付与

P7目的に応じて効率良くポイントを付与したい
ユーザによってポイント付与の効果が異なる
ポイントを貰わなくても利用するユーザ
僅かなポイントを貰えば利用するユーザ
多くのポイントを貰わないと利用しないユーザ
・・・・
効率良くポイントを付与して目的を達成したい
総購入金額の最大化
購入者数を最大化
新規購入者数を最大化
・・・・今回ご紹介

提案手法

P9今回ご紹介する問題設定
ユーザ毎に付与するポイント数を変える
500, 300, 100, 3, 0(付与しない)の5種類
制約条件
全ユーザに付与する合計ポイント数が決っている(予算制約)
新規購入者数を最大化する
1年以内Y!ショッピングで購入していないユーザを”新規購入者”
“顧客育成”として、”新規購入者”を最大化してシェアを拡大

P10機械学習×オペレーションズリサーチ
機械学習により、ユーザ毎に各ポイント付与時の購入確率算出
ORにより、予算制約の下、購入確率の総和を最大化する
購入確率の総和を最大化

P11ユーザ毎に各ポイント付与時の購入確率算出
Support Vector Machine (SVM)による購入予測モデル構築
500, 300, 100, 3, 0(付与しない)の5種類の購入予測モデル
学習データ収集
ランダムに5種類のポイントを未購入者に付与したデータを収集
予測モデルの素性(約200種類)
サービス毎のサイト閲覧回数，保有ポイント数，年齢，性別，・・・
正解データ
“購入した/購入しない”(正例/負例)の2値
SVMのスコアをシグモイドフィッティングして確率値に変換
確率の平均値、正例/負例の割合を一致させる
)}(exp{1
1
BSVMScoreA
P


SVMScore
P

P12検索連動型広告の予算消化最適化問題
バイナリ変数による整数線形計画問題として最適化
GNU Linear Programming Kit (GLPK)を利用

シミュレーション結果と実配信結果

P14シミュレーション結果
シミュレーションの条件
Linuxサーバのスペック
Processors: 2 x Xeon E5-2680 v3 2.50GHz
Memory: 128GB
計算の高速化(5時間まで短縮成功)
GLPKのLP緩和オプション(--nomip)を利用
約1千万件のユーザを50万件×20の並列計算で実施
シミュレーション結果
一律300ポイントを付与する従来手法と比較
“総ポイント数/ユーザ数”は同じ → 付与するユーザをランダムに選択
提案手法は従来手法と比較して、新規購入者数が68%増加

P15実配信結果
実配信の条件
2週間の期間メール等でポイントを配信
ポイントの有効期限は付与後1週間
実配信結果
一律300ポイントを付与する従来手法と比較
“総ポイント数/ユーザ数”は同じ → 付与するユーザをランダムに選択
提案手法は従来手法と比較して、新規購入者数が33%増加
前ページの通り、シミュレーション結果は68%増加

まとめ

P17まとめと今後の課題
ポイント付与の最適化をモデル化した (特許申請中)
ショッピングの新規購入者が従来手法と比較して33%増加
他のサービスにも適用検討予定
ヤフーオークションの新規落札者最大化
新規会員・新規口座獲得数最大化
キャリア・プロバイダの乗り換え促進・乗り換え阻止
購入・落札金額の最大化
機械学習とオペレーションズリサーチの融合で様々な課題を解決！

P18
ご清聴ありがとうございました

機械学習とオペレーションズリサーチによるポイント付与最適化

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to 機械学習とオペレーションズリサーチによるポイント付与最適化

Similar to 機械学習とオペレーションズリサーチによるポイント付与最適化 (20)

機械学習とオペレーションズリサーチによるポイント付与最適化