Download as PDF, PPTX
![[DL輪読会]Attention Is All You Need](https://cdn.slidesharecdn.com/ss_thumbnails/dlhacks170714-170714005330-thumbnail.jpg?width=640&height=640&fit=bounds)
![[R勉強会][データマイニング] プロセス・リソース・グラフと数理統計解析](https://cdn.slidesharecdn.com/ss_thumbnails/tmpok-100326232112-phpapp02-thumbnail.jpg?width=640&height=640&fit=bounds)
Uplift Modelling 入門（1）
- 1. Uplift Modelling入門(1) - 費用対効果の最大化を目的とした最新データマイニング手法 - @yokkuns: 里 洋平 yohei0511@gmail.com 2012.03.10 第21回Tokyo.R 2012年3月10日土曜日
- 2. AGENDA ◆ 自己紹介 ◆ Uplift Modellingとは 2012年3月10日土曜日
- 3. AGENDA ◆ 自己紹介 ◆ Uplift Modellingとは 2012年3月10日土曜日
- 4. 自己紹介 時系列解析や異常検知などの方法論を 実ビジネスに適用するデータマイニングエンジニア ◆ 名前: 里 洋平 ◆ ID : yokkuns ◆ 職業: データマイニングエンジニア ◆ 統計解析 パターン認識 機械学 習 データマイニング NLP 金融工学 などを勉強中 2012年3月10日土曜日
- 5. 活動例: 勉強会の主催・執筆 Tokyo.R主催 パッケージ本執筆しました！ 2012年3月10日土曜日
- 6. 活動例: 動画レコメンド 閲覧されている動画の情報を用いて おすすめ動画を表示する 2012年3月10日土曜日
- 7. 活動例: 市場予測 Web上の情報から市場予測 2012年3月10日土曜日
- 8. 活動例: 異常検知 Anomaly detection 複数時系列から異常な振る舞いを検知する C A 時系列のモデリング 複数時系列の異常検知 B 時系列A 時系列A 異常な振る舞い 時系列B 時系列C 時系列B 時系列C 異常な振る舞いの時系列を検出 例1:トラフィック異常検知 例2:CM効果のノイズ除去 トラフィックA ケースA CM効果 トラフィックB ケースB トラフィックC 調査 ケースC 異常な振る舞いをしている 異常な振る舞いをしているケースを トラフィックの原因を調査する 除外して、CMの効果を算出する 85 2012年3月10日土曜日
- 9. 活動例: 時系列解析と異常検知 Anomaly detection 新しいデータと過去時系列モデルの乖離から異常検出 8000.0000 異常スコア推移 3.0000 モデル構築 異常値 ◇例 : ARIMAモデル 2.2500 5970.7500 1.5000 0.7500 3941.5000 0 異常スコアの算出 -0.7500 ◇例 : 対数損失 1912.2500 -1.5000 -2.2500 -117.0000 -3.0000 t 4/ 週 4/ 1週 4/ 8週 5/ 週 5/ 週 5/ 週 5/ 週 5/ 週 6/ 週 6/ 週 6/ 週 6/ 週 7/ 週 7/ 週 7/ 週 7/ 8週 週 4 25 2 9 16 23 30 6 13 20 27 4 11 25 1 1 1 4/ 86 2012年3月10日土曜日
- 10. 活動例: 時系列解析と影響分析 TV Commercial Effects 時系列的な振る舞いの特徴から各KPIへのCMの影響度を算出 イベン CM時系列 ト 新規 登録 CM ARPP U ARPU 各KPIの時系列 その他 外部 継続率 要因 ケース 87 2012年3月10日土曜日
- 11.
- 12. AGENDA ◆ 自己紹介 ◆ Uplift Modellingとは 2012年3月10日土曜日
- 13. Uplift Modellingとは 費用対効果の最大化を目的とした最新のデータマイニング手法 介入による行動変化をモデル化し効果を最大化する 介入による4つの行動パターン 介入を受けた場合の反応 No あまのじゃく 無関心 YES テッパン 説得可能！ YES No 介入を受けなかった場合の反応 2012年3月10日土曜日
- 14. これまでのマーケティングモデル 顧客を有望な顧客とそうでない顧客に分類し 有望な顧客だけをターゲットにする事で費用対効果を向上させる ◆ 浸透モデル ・既に製品を購入した顧客を特徴づけるモデル ◆ 購入モデル ・最近購入した顧客を特徴づけるモデル ・浸透モデルに似てるが、最近の履歴に注目し、顧客の特性の変化を捉える ◆ レスポンスモデル ・マーケティング活動に反応して購入した顧客を特徴づけるモデル 2012年3月10日土曜日
- 15. これまでのマーケティングモデル 顧客を有望な顧客とそうでない顧客に分類し 有望な顧客だけをターゲットにする事で費用対効果を向上させる ◆ 浸透モデル ・既に製品を購入した顧客を特徴づけるモデル ◆ 購入モデル ・最近購入した顧客を特徴づけるモデル ・浸透モデルに似てるが、最近の履歴に注目し、顧客の特性の変化を捉える ◆ レスポンスモデル ・マーケティング活動に反応して購入した顧客を特徴づけるモデル 2012年3月10日土曜日
- 16. レスポンスモデリング 処置群の反応データを用いて レスポンスをモデル化し、ターゲットを決める Training Data 従来のレスポンスモデリング 反応なし 反応あり 処置群 処置群 分類結果 反応あり の場合 良いターゲット 予測対象 2012年3月10日土曜日
- 17. レスポンスモデリングの課題 処置群だけで学習しているため 介入による行動変化を考慮出来ていない Training Data 従来のレスポンスモデリング 反応なし 反応あり あまのじゃく 説得可能！ 処置群 処置群 無関心 テッパン 分類結果 反応あり の場合 良いターゲット 予測対象 2012年3月10日土曜日
- 18. レスポンスモデリングの課題 処置群だけで学習しているため 介入による行動変化を考慮出来ていない Training Data 従来のレスポンスモデリング 介入しなければ 反応した 反応なし 反応あり あまのじゃく 説得可能！ 処置群 処置群 無関心 テッパン 介入しなくても 反応した 分類結果 反応あり の場合 良いターゲット 予測対象 2012年3月10日土曜日
- 19. 処置群と対照群を用いた学習 処置群と対照群の両方を学習データとする事で 介入による行動変化を捉える Training Data 反応なし 反応あり あまのじゃく 説得可能！ 処置群 処置群 無関心 テッパン 対照群 説得可能！ あまのじゃく 対照群 無関心 テッパン 予測対象 2012年3月10日土曜日
- 20. 処置群と対照群を用いた学習 処置群と対照群の両方を学習データとする事で 介入による行動変化を捉える Training Data 反応なし 反応あり あまのじゃく 説得可能！ 処置群 処置群 無関心 テッパン 対照群 説得可能！ あまのじゃく 対照群 無関心 テッパン 予測対象 2012年3月10日土曜日
- 21. 処置群と対照群を用いた学習 処置群と対照群の両方を学習データとする事で 介入による行動変化を捉える Training Data 反応なし 反応あり あまのじゃく 説得可能！ 処置群 処置群 無関心 テッパン 対照群 説得可能！ あまのじゃく 対照群 無関心 テッパン 予測対象 2012年3月10日土曜日
- 22. Uplift Modelling 単純な 反応あり ・ 反応なし ではなく 介入による行動変化をモデル化しターゲットを決める Training Data Response Uplift Modelling L R あまのじゃく 説得可能！ 処置群 処置群 無関心 テッパン 分類結果 R の場合 あまのじゃく 対照群 説得可能！ 良いターゲット 対照群 無関心 テッパン 予測対象 2012年3月10日土曜日
- 23. 分割基準 行動変化によるレスポンス率増と その重要性を最大化する分割を行う L R あまのじゃく 処置群(T) 説得可能！ 無関心 テッパン UL UR あまのじゃく 対照群(C) 説得可能！ 無関心 テッパン 2012年3月10日土曜日
- 24. 分割基準 行動変化によるレスポンス率増と その重要性を最大化する分割を行う L R あまのじゃく 処置群(T) 説得可能！ 無関心 テッパン UL UR あまのじゃく 対照群(C) 説得可能！ 無関心 テッパン ◆ 行動変化によるレスポンス率の増分 ◆ 重要性 (t統計量の2乗) 2012年3月10日土曜日
- 25. 分割基準 行動変化によるレスポンス率増と その重要性を最大化する分割を行う L R あまのじゃく 処置群(T) 説得可能！ 無関心 テッパン UL UR あまのじゃく 対照群(C) 説得可能！ 無関心 テッパン ◆ 行動変化によるレスポンス率の増分 ◆ 重要性 (t統計量の2乗) 2012年3月10日土曜日
- 26. 分割基準 行動変化によるレスポンス率増と その重要性を最大化する分割を行う L R あまのじゃく 処置群(T) 説得可能！ 無関心 テッパン UL UR あまのじゃく L 対照群(C) 説得可能！ 無関心 テッパン ◆ 行動変化によるレスポンス率の増分 ◆ 重要性 (t統計量の2乗) L R 2012年3月10日土曜日
- 27. 介入による行動変化の定式化 介入による行動変化を 介入効果とグループ効果の相互作用として表現 L R 介入による効果 介入による効果 処置群(T) グループ効果 グループ効果 相互作用 相互作用 UL UR 介入による効果 介入による効果 対照群(C) グループ効果 グループ効果 相互作用 相互作用 ※Cの介入効果 = Lのグループ効果 = CR相互作用 = TL相互作用 = CL相互作用 = 0 とおく 2012年3月10日土曜日
- 28. 介入による行動変化の推定 相互作用はRグループとLグループの増分の差で推定される L R 介入による効果 介入による効果 処置群(T) グループ効果 グループ効果 相互作用 相互作用 UL UR 介入による効果 介入による効果 対照群(C) グループ効果 グループ効果 相互作用 相互作用 ※Cの介入効果 = Lのグループ効果 = CR相互作用 = TL相互作用 = CL相互作用 = 0 とおく 2012年3月10日土曜日
- 29. 介入による行動変化の推定値の誤差と重要性 介入による行動変化は回帰係数として算出され その重要性はt統計量で与えられる T:1, C:0 R:1, L:0 Xi1Xi2 基準値 介入効果 グループ効果 相互作用 ◆ 標準誤差の算出 ◆ t統計量の2乗 2012年3月10日土曜日
- 30. 分割基準 行動変化によるレスポンス率増と その重要性を最大化する分割を行う L R あまのじゃく 処置群(T) 説得可能！ 無関心 テッパン UL UR あまのじゃく L 対照群(C) 説得可能！ 無関心 テッパン ◆ 行動変化によるレスポンス率の増分 ◆ 重要性 (t統計量の2乗) L R 2012年3月10日土曜日
- 31. AGENDA ◆ 自己紹介 ◆ Uplift Modellingとは 2012年3月10日土曜日
- 32.
- 33. Rでの実行は？ まだパッケージが存在しない 2012年3月10日土曜日
- 34. Rでの実行は？ まだパッケージが存在しない 2012年3月10日土曜日
- 35. Rでの実行は？ まだパッケージが存在しない iAnalysisと共同開発予定！ 2012年3月10日土曜日
- 36. 謝辞 Uplift Modellingの存在はisseing333さんが教えてくださいました！ ありがとうございます！ 2012年3月10日土曜日
- 37. 次回以降の 発表者・LTを募集しています！ 2012年3月10日土曜日
- 38.
- 39.
- 40. 参考資料 ◆ t統計量 http://en.wikipedia.org/wiki/T-statistic ◆ 線形回帰 http://ja.wikipedia.org/wiki/%E7%B7%9A %E5%BD%A2%E5%9B%9E%E5%B8%B0 ◆ Real-World Uplift Modelling with Significance-Based Uplift Trees http://stochasticsolutions.com/sbut.html 2012年3月10日土曜日