Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

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

4,020 views

Published on

This ppt delivers a general description of marketing using agent-based model

Published in: Marketing

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. 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. 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. 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. 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. 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. 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. 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. 8. ThinkVineとは データ統合から施策実施&評価まで一括管理
  9. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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

×