SlideShare a Scribd company logo
1 of 48
1
024 A
212402
2 26 2402 2 25 2 :
⾃⼰紹介
2
和⽥計也(WADA Kazuya)
✓好きな⾷べ物は特に梨
✓静岡県袋井市出⾝
✓筑波⼤学、筑波⼤学⼤学院 ⽣命環境科学研究科 情報⽣物学専攻
➢枯草菌,タンパク質,遺伝⼦発現解析
✓⼤⼿電機メーカー
➢慶應⼤理⼯学部に出向してた時期もあります
✓2011年〜 サイバーエージェント
➢Ameba サービス・プラットフォーム分析
➢アドテク
➢AWA
➢AbemaTV ß 今⽇はこの話!!
http://www.st.keio.ac.jp/news/20041221_002.html
⽬次
3
✓会社概要
✓AbemaTVサービスについて
✓データ分析の話
✓コメント欄からユーザの要望を探る
✓ユーザの番組視聴パターンを探る
✓ユーザの熱度を定量化する
⽬次
4
✓会社概要
✓AbemaTVサービスについて
✓データ分析の話
✓コメント欄からユーザの要望を探る
✓ユーザの番組視聴パターンを探る
✓ユーザの熱度を定量化する
会社概要
5
✓株式会社サイバーエージェント CyberAgent Inc.
✓設⽴ 1998年3⽉18⽇(サイバーの⽇)
✓本社 東京都渋⾕区
✓代表取締役 藤⽥晋 (福井県鯖江市出⾝)
✓売上⾼ 2,543億円 (2015年9⽉期連結)
✓従業員数 3,623⼈ (2015年9⽉期連結)
✓事業内容 メディア事業(Ameba)
        インターネット広告事業
        ゲーム事業
       投資育成事業
 事業内容
6
インターネット広告事業
広告代理事業
⾃社広告商品
(アドテク)
など
メディア事業
など
ゲーム事業
など
ここら辺を担当
 Ameba統括本部運営サービス
7
A 2
1 A
1 A
1 A 4 73
1 A
1 A 5
※1
※3
※2
※4
※5
⽬次
8
✓会社概要
✓AbemaTVサービスについて
✓データ分析の話
✓コメント欄からユーザの要望を探る
✓ユーザの番組視聴パターンを探る
✓ユーザの熱度を定量化する
 AbemaTVの紹介
9
株式会社AbemaTV: 株式会社サイバーエージェントと株式会社テレビ朝日の共同出資により2015年4月設立
会員登録不要 無料で利用可能 コメントや動画の投稿などのSNS連携機能
スマートデバイスに合わせたUI/UX 見逃し配信 オンデマンド機能(月額960円)
テレビのような受け身視聴 24時間365日配信 無料の替わりにCMが流れます
 AbemaTVアプリのダウンロード数
10
本開局(2016年4⽉11⽇)
● 3ヶ⽉で500万DL
● 9⽉11⽇時点で800万DL突破
 AbemaTVアプリのチャンネル⼀覧
11
チャンネル数は25チャンネル以上
 AbemaTVアプリのシステム構成概要
12
⽬次
13
✓会社概要
✓AbemaTVサービスについて
✓データ分析の話
✓コメント欄からユーザの要望を探る
✓ユーザの番組視聴パターンを探る
✓ユーザの熱度を定量化する
 ユーザの要望を探る
14
✓やりたいこと
✓AbemaTVのユーザコメント欄から、ユーザの要
望っぽい書き込みを抽出して何が求められているかを
知りたい。
}
 ユーザの要望を探る
15
✓Google playのレビューは担当者が⾒てます。
✓レビューに書き込まないようなユーザの⽣の声が得られるかも
✓フランクな要望を得られるかも
 ユーザの要望を探る
16
✓⽅法
ログ基盤
(DB)
コメントログ
(テキスト)
要望コメント
非要望コメント
フィードバック
Me-grep
MeCabで
形態素解析
・要望スコア
・変数重要度
✓⾒たい
✓欲しい
✓リクエスト
✓できれば
✓対応
✓機能
✓希望
サンプリング
残り大多数の
コメント
 ユーザの要望を探る
17
✓結果
sentence 要望スコア
AbemaTVバックグラウンド再生できるようにして 0.75
AbemaTVタイムシフトできるようにしてクレメンス 0.70
対談して欲しい人 0.70
AbemaTV、PC版でも通知してほしい 0.65
AbemaTV録画機能とかないの? 0.65
: :
✓録画、タイムシフトに対する要望
✓Chomecastに対する要望
✓バックグラウンド再⽣
✓⾒たいアニメとか
 ユーザの要望を探る
18
✓まとめ
✓Google Playのレビュー⽂に無いような要望が得られたか?
✓⾒たいアニメ(セーラームーン等)の情報が得られた
✓フランクな要望が得られたか?
✓「結婚したい」的な意味の無い情報が多数
➡アプリ全般に関する要望はレビュー⽂の⽅が良い
⽬次
19
✓会社概要
✓AbemaTVサービスについて
✓データ分析の話
✓コメント欄からユーザの要望を探る
✓ユーザの番組視聴パターンを探る
✓ユーザの熱度を定量化する
ユーザの視聴パターンを探る
20
✓やりたいこと
重要なのは、ユーザーに視聴習慣を根付か
せることだと考えています。好きなタレン
トが出演するから、サッカーやゴルフの試
合があるからといった、コンテンツによる
一過性の視聴では意味がありません。目的
がなくても、何かやっていないかなと思っ
て観に来てくれるような仕掛けづくり
月刊事業構想 2016年10月号より
➡に対して現状どうなのかを分析
ユーザの視聴パターンを探る
21
✓⽅法
ログ基盤
(DB)
テキスト
ファイル
ヘビーなユーザ
を抽出
Topic
model
(LDA)
L1
Logistic
Regression
交互作用項を
含める
:
視聴番組
(数千次元)
:
トピック
(100次元)
ユーザの視聴パターンを探る
22
✓LDA(トピックモデルの⼀種)とは
✓ 文章の裏には「トピック」
が存在する
✓ 一つの文章には複数の「ト
ピック」がある
✓ 「トピック」が具体的に
何なのかはわからないの
で人が目で見て何となく
判断
✓ 次元圧縮の一つでもある
文章ごとの
トピック分布
θ1
θ2
θ3
国会
首相
審議
選挙
法案
・・・
文章1
五輪
景気
経済
球場
建築
・・・
文章2
景気
審議
国会
対策
首相
・・・
文章3
・・・
国
会
審
議
選
挙
内
閣
トピックごとの
単語分布
φ1
・・・
勝
利
五
輪
野
球
球
場
φ2
ユーザの視聴パターンを探る
23
✓⽂章→ユーザ
✓単語→番組
✓ ユーザの視聴行動の裏に
は「トピック」が存在す
る
✓ 一ユーザには複数の「ト
ピック」がある
✓ 「トピック」が具体的に
何なのかはわからないの
で人が目で見て何となく
判断
✓ 次元圧縮の一つでもある
ユーザごとの
トピック分布
θ1
θ2
θ3
サザエ
ドラえ
まる子
しん ・・・
ユーザ1
ドラえ k-1
・・・
ユーザ2
k-1 プロレス
・・・
ユーザ3
・・・
ド
ラ
え
サ
ザ
エ
し
ん
バ
カ
トピックごとの
番組分布
φ1
・・・
プ
ロ
レ
ス
修
斗
k-
1
ボ
ク
シ
ン
グ
φ2ドラえ まる子
サザエ
しん
プロレス
プロレスプロレス
ユーザの視聴パターンを探る
24
✓利⽤データ
期間 2016/8/1~2016/9/4
対象ユーザ
8/1~8/7, 8/8~8/14, 8/15~8/21, 8/22~8/28の4週間において
各週で30秒以上の視聴行為があった
ユーザ数 上記ユーザから約3万人をサンプリング
対象番組
サンプリングされた3万人のうち、5人以上が30秒以上視
聴していた番組に限定
説明変数 30秒以上視聴された番組名(例「ドラえもん 3~4話」)
目的変数 8/29~9/4の1週間で30秒以上の視聴行為があったか否か
ユーザの視聴パターンを探る
25
✓利⽤データ
}
}
}
}第1週目
視聴あり
第2週目
視聴あり
第3週目
視聴あり
第4週目
視聴あり
第5週目
視聴あり/無し
<目的変数>
第1~4週目
視聴した番組
の視聴時間(分)
<説明変数>
時系列
ユーザの視聴パターンを探る
26
✓トピック数の決定(perplexity指標)
トピック数
低いほど良い
➡トピック数300個かそれ以上が良いのだが、後の計
算量問題のためトピック数100個に
ユーザの視聴パターンを探る
27
✓トピックの例(鋼の錬⾦術師トピック)
ユーザの視聴パターンを探る
28
✓トピックの例(プロレストピック)
ユーザの視聴パターンを探る
29
✓効果量結果
トピックNo 効果量 トピック名
3 & 59 -35.82 Music & Music
61 & 91 -23.58 リミット_一挙 & クロスアンジュ 天使と竜の輪舞(ドラマ&深夜アニメ)
33 & 97 -22.31 アイドルマスター,イカ娘_一挙 & 麻雀(アニメ&麻雀)
58 & 82 -21.90 弱虫ペダル & AbemaNews(アニメ&ニュース)
: : :
51 & 82 23.54 三者三葉_一挙,ニャル子_一挙 & ハイスクールD×D,イカ娘_一挙,とある
魔術(アニメ&アニメ)
17 & 54 23.69 マザー&ラヴァー_一挙,アンフェア & 麻雀(ドラマ&麻雀)
10 & 24 26.47 ストライクウィッチーズ_一挙 & だがしかし_一挙 (アニメ&アニメ)
79 & 94 26.70 ちびまる子,バカボン & メジャー_一挙 (アニメ&アニメ)
ユーザの視聴パターンを探る
30
✓結果
✓単独のトピックより、トピック同⼠の組み合わせ
のほうが効果量の絶対値は⼤きい
✓Musicの離脱⼤きい
✓アニメの継続⼤きい
✓(アニメ+プロレスなどの)距離が遠そうなトピック
の組み合わせはまだ継続要因にはなっていない
✓「⼀挙放送」は離脱要因にはなっていない
⽬次
31
✓会社概要
✓AbemaTVサービスについて
✓データ分析の話
✓コメント欄からユーザの要望を探る
✓ユーザの番組視聴パターンを探る
✓ユーザの熱度を定量化する
ユーザの熱度を定量化する
32
✓やりたいこと
✓ユーザの熱度を定量化したい
✓ユーザの継続・離脱要因も知りたい
✓⼈が⾒て理解できるようなモデルがいい
ユーザの継続・離脱モデ
ルをまずは考えて、そこ
から「ユーザの熱度定量
化」を派生させる
ユーザの熱度を定量化する
33
✓利⽤データ
サービス名 AbemaTV
実験対象期間 2016年5月1日 ∼ 2016年6月2日
データベース Hiveテーブル(mine_activity)
実験対象ユーザ数 アクティブ*1ユーザ100,000人を

ランダムサンプリング*2
*1・・・1⽇30秒以上の視聴をアクティブと定義
*2・・・ユーザ単位ではなくてユーザ, アクティブ⽇でサンプリング
ユーザの熱度を定量化する
34
✓利⽤変数
ユーザの熱度を定量化する
35
✓利⽤変数
目的変数 翌7日間アクティブ化*日数 0 ~ 7
説明変数 前7日間アクティブ化*日数 0 ~ 7
総視聴時間(分) 0 ~ 1440 (min)
視聴チャンネル数 1 ~ 20
番組予約数 0 ~ 500
プラットフォーム PC or Smartphone
視聴チャンネルカテゴリ ニュース系、ドラマ系、麻雀
系、アニメ系、音楽系、バラエ
ティ系、スポーツ系、その他
ユーザの熱度を定量化する
36
✓利⽤変数
翌7日間アクティブ化日数 前7日間アクティブ化日数
目的変数 説明変数
ユーザの熱度を定量化する
37
✓利⽤変数
視聴時間(分) 予約番組数 視聴チャンネル数
➡線形モデルのようなパラメトリックモデルが苦⼿とする分布
全て説明変数
ユーザの熱度を定量化する
38
✓継続・離脱モデル
✓MARS(Multivariate Adaptive Regression Splines)
knotが自動的に
決まる
ユーザの熱度を定量化する
39
✓継続・離脱モデル
✓MARS(Friedman J.H. 1991)
✓下記GCV()値が最⼩になるように変数選択・h(x)関数のconstが
選ばれる
ユーザの熱度を定量化する
40
✓本モデルのポイント
✓「翌7⽇間のアクティブ化⽇数は、熱度pにおい
て以下の⼆項分布に従う」とした点
前ページのMARSモデル
✴ pは一定(7日間変わることはない)
✴ 7日間中のアクティブ化・非アクティブ化は独立
  (ある日のアクティブ化は、その翌日のアクティブ化に影響を与えない)
ユーザの熱度を定量化する
41
✓⼆項分布について
✓「確率pにおいてn回試⾏を繰り返した時の成功回数」
ユーザの熱度を定量化する
42
✓結果
logit(熱度) = - 0.164
- 0.406 * (プラットフォームがPCか)
+ 0.172 * (アニメ系番組視聴か)
- 0.018 * h(35 - 総視聴時間)
+ 0.002 * h(総視聴時間- 35)
- 0.220 * h(1 - 前7日間アクティブ日数)
+ 0.347 * h(前7日間アクティブ日数 - 1)
- 0.225 * h(2 - 視聴チャンネル数)
+ 0.055 * h(視聴チャンネル数 - 2)
- 0.297 * h(2 - 予約数)
ユーザの熱度を定量化する
43
✓結果(変数重要度)
前7日間
アクティブ
日数
総視聴時間
アニメ系
視聴フラグ
PCフラグ
予約数
チャンネル数
ユーザの熱度を定量化する
44
✓モデルを利⽤した予測結果
実測値
予測値
ユーザの熱度を定量化する
45
✓ユーザ視聴⾏動トラッキングツール
ユーザの熱度を定量化する
46
✓ユーザ視聴⾏動トラッキングツール
熱度
ユーザの熱度を定量化する
47
✓まとめ
✓KPI設計にも⽣かすことができる
✓ヘビーユーザ、ライトユーザのような分類にも利⽤可能
✓従来は例えば「1⽇2時間以上視聴したユーザをヘビー
ユーザとする」のような決め
✓サービスのヘルスチェックにも利⽤可能
✓DAUだけではわからない、「最近ユーザの熱度が全
体的に落ちてる」のような状態の把握
おわりに
48
✓株式会社サイバーエージェント, 株式会社
AbemaTVでは新卒採⽤および中途採⽤を積極的に
⾏っています。ご興味ある⽅はお声かけ下さい!
https://www.wantedly.com/projects/62138

More Related Content

More from Kazuya Wada

データサイエンティストカジュアルトーク by wdkz
データサイエンティストカジュアルトーク by wdkzデータサイエンティストカジュアルトーク by wdkz
データサイエンティストカジュアルトーク by wdkzKazuya Wada
 
はじめてのShiny
はじめてのShinyはじめてのShiny
はじめてのShinyKazuya Wada
 
Rで触れる日本経済~RでVAR編~
Rで触れる日本経済~RでVAR編~Rで触れる日本経済~RでVAR編~
Rで触れる日本経済~RでVAR編~Kazuya Wada
 
RのffでGLMしてみたけど...
RのffでGLMしてみたけど...RのffでGLMしてみたけど...
RのffでGLMしてみたけど...Kazuya Wada
 
そろそろRStudioの話
そろそろRStudioの話そろそろRStudioの話
そろそろRStudioの話Kazuya Wada
 
RでつくるWebアプリ~rApache編~
RでつくるWebアプリ~rApache編~RでつくるWebアプリ~rApache編~
RでつくるWebアプリ~rApache編~Kazuya Wada
 
Rでウォーリを探してみた
Rでウォーリを探してみたRでウォーリを探してみた
Rでウォーリを探してみたKazuya Wada
 
Rが苦手な人にもRを使って頂くために~RcommanderとRook~
Rが苦手な人にもRを使って頂くために~RcommanderとRook~Rが苦手な人にもRを使って頂くために~RcommanderとRook~
Rが苦手な人にもRを使って頂くために~RcommanderとRook~Kazuya Wada
 
RのffとbigmemoryとRevoScaleRとを比較してみた
RのffとbigmemoryとRevoScaleRとを比較してみたRのffとbigmemoryとRevoScaleRとを比較してみた
RのffとbigmemoryとRevoScaleRとを比較してみたKazuya Wada
 
RでGPU使ってみた
RでGPU使ってみたRでGPU使ってみた
RでGPU使ってみたKazuya Wada
 

More from Kazuya Wada (13)

データサイエンティストカジュアルトーク by wdkz
データサイエンティストカジュアルトーク by wdkzデータサイエンティストカジュアルトーク by wdkz
データサイエンティストカジュアルトーク by wdkz
 
R-3.0.0でGLM
R-3.0.0でGLMR-3.0.0でGLM
R-3.0.0でGLM
 
はじめてのShiny
はじめてのShinyはじめてのShiny
はじめてのShiny
 
JuliaでGLM
JuliaでGLMJuliaでGLM
JuliaでGLM
 
Rで触れる日本経済~RでVAR編~
Rで触れる日本経済~RでVAR編~Rで触れる日本経済~RでVAR編~
Rで触れる日本経済~RでVAR編~
 
RのffでGLMしてみたけど...
RのffでGLMしてみたけど...RのffでGLMしてみたけど...
RのffでGLMしてみたけど...
 
そろそろRStudioの話
そろそろRStudioの話そろそろRStudioの話
そろそろRStudioの話
 
RでつくるWebアプリ~rApache編~
RでつくるWebアプリ~rApache編~RでつくるWebアプリ~rApache編~
RでつくるWebアプリ~rApache編~
 
Rでウォーリを探してみた
Rでウォーリを探してみたRでウォーリを探してみた
Rでウォーリを探してみた
 
Rが苦手な人にもRを使って頂くために~RcommanderとRook~
Rが苦手な人にもRを使って頂くために~RcommanderとRook~Rが苦手な人にもRを使って頂くために~RcommanderとRook~
Rが苦手な人にもRを使って頂くために~RcommanderとRook~
 
RのffとbigmemoryとRevoScaleRとを比較してみた
RのffとbigmemoryとRevoScaleRとを比較してみたRのffとbigmemoryとRevoScaleRとを比較してみた
RのffとbigmemoryとRevoScaleRとを比較してみた
 
RでGPU使ってみた
RでGPU使ってみたRでGPU使ってみた
RでGPU使ってみた
 
Tokyo.R#16 wdkz
Tokyo.R#16 wdkzTokyo.R#16 wdkz
Tokyo.R#16 wdkz
 

オンラインTVサービスの分析事例