ユーザーコミュニケーションと データ活用 / User Communication and Utilizing Data

Transcript

1. HIROKAZU MUTA DATA SCIENCE TEAM DATA SCIENCE AND ENGINEERING CENTER

   LINE CORPORATION Ϣʔβʔίϛϡχέʔγϣϯͱ σʔλ׆༻ THE NEW CONTEXT CONFERENCE 2019 TOKYO

2. l 名前 牟⽥ 博和 ( Hirokazu Muta ) l 業務

   Data Scientist / Project Manager / Manager, Data Science Team ー データサイエンスチームの運営 ー データサイエンスプロジェクトの推進 ー 全社のデータ活⽤推進 ー 経営企画室を兼務 ࣗݾ঺հ

3. Agenda • LINEのデータの特徴 • コミュニケーションとデータ活⽤

4. LINEͷσʔλͷಛ௃

5. MAU サービス数 LINEͷσʔλ͸σΧ͍ 86%(⽇本) 79%(4国※) 80M(⽇本) 164M(4国※) たくさん 2019年12⽉期 第1四半期決算説明会資料（LINE株式会社）を参考に作成

   https://scdn.line-apps.com/stf/linecorp/ja/ir/all/FY19Q1_earnings_release_JP.pdf DAU÷MAU ※主要4国：⽇本、台湾、タイ、インドネシア

6. LINEͷϢʔβʔ૚͸ͱͯ΋෯޿͍ 75.8% 39.8% 67.1% 85.4% 92.4% 95.8% 86.3% શ೥୅ 60୅

   50୅ 40୅ 30୅ 20୅ 10୅ 0% 20% 40% 60% 80% 100% ೥୅ผͷLINEར༻཰ʢฏ੒29೥ʣ 平成 29 年情報通信メディアの利⽤時間と情報⾏動に関する調査 報告書（総務省）を参考に筆者作成 http://www.soumu.go.jp/main_content/000564530.pdf

7. ϝοηʔδΞϓϦ͔Βۚ༥·Ͱ෯޿͘ల։

8. ユーザーとのコミュニケーションを例にとって σʔλ׆༻ͷํ޲ੑ

9. CLOSING THE DISTANCE LINE公式アカウント Smart Channel 企業とユーザーの距離を縮める

10. l 距離が近くなりすぎているケースも l 企業側の押し付けになっていないか？ ͕ɺڑ཭ײ͸ॏཁ

11. l メッセージを送りすぎてしまう l ユーザー側が興味がない情報を送ってしまう LINEެࣜΞΧ΢ϯτͷΑ͋͘Δ՝୊

12. Ϣʔβʔͱྑ͍ؔ܎Λஙͨ͘Ίʹ 重要な3つの視点 ユーザー属性の考慮 コンテキストの理解 最適化の時間軸 ユーザーはどんな⼈？なにが好き？ ユーザーはどういう状態？ メッセージはいつ届いた？⾒た⽬は？ 短期的か？⻑期的か？

13. Ϣʔβʔͱྑ͍ؔ܎Λஙͨ͘Ίʹ 重要な3つの視点 Ϣʔβʔଐੑͷߟྀ コンテキストの理解 最適化の時間軸 ユーザーはどんな⼈？なにが好き？ ユーザーはどういう状態？ メッセージはいつ届いた？⾒た⽬は？ 短期的か？⻑期的か？

14. ྨࣅ഑৴ʢLOOKALIKEʣ シードと似ているユーザー群を抽出する シード ユーザー群 類似度：⾼ 類似度：中 シードユーザー群 （既存顧客）を”拡張” → 潜在顧客を得る

    LINEユーザー全体

15. ϢʔβʔଐੑΛ”ػցతʹߟྀ͢Δ” Input 〜2000万次元 Output Probability(0-1) 1次元 ⾼次元のユーザー特徴量ベクトル 参考：”Machine Learning at

    LINE“, LINE DEVELOPER DAY 2018 https://www.slideshare.net/linecorp/machine-learning-at-line-124120738 例：“Lookalike”オーディエンス拡張のためのDNNモデル

16. Ϣʔβʔͱྑ͍ؔ܎Λஙͨ͘Ίʹ 重要な3つの視点 ユーザー属性の考慮 ίϯςΩετͷཧղ 最適化の時間軸 ユーザーはどんな⼈？なにが好き？ ユーザーはどういう状態？ メッセージはいつ届いた？⾒た⽬は？ 短期的か？⻑期的か？

17. l 広告に対する反応は時間帯によって⼤きく異なる l 店舗からの距離が遠いほど、クーポンのディスカウント率が⾼くないと使われ ない l 混雑度が⾼い場所にいるほど、広告に反応する確率が上がる l グループで買い物しているときのほうが1⼈のときと⽐べて広告によく反応す る（ただし⾼所得者は逆の傾向を⽰す）

    l 広告フォーマットはとても重要 ϞόΠϧϚʔέςΟϯάʹ͓͍ͯ ίϯςΩετ͸ॏཁ モバイル端末を使った実験の実験 ※すべて、アニンディヤ・ゴーシュ著「Tap スマホで買ってしまう9つの理由」(⽇経BP社)より抜粋

18. ίϯςΩετཧղͷྫᶃ LINEスタンプ公式アカウントの取り組み l スタンプの発売時に、興味があると推定される ユーザーにメッセージを送付 l 送付の頻度・タイミングは実験によって最適化 l なぜ効果が⾼いのか？ →

    ⾒せ⽅がコンテキストに合っているから

19. ಉ͡ίϯςϯπͰ΋ “ݟͤํ”Λม͑Δ 違う場所で同じ⾒せ⽅をしてもうまくいかないことも多い メッセージ スタンプショップ ほぼ同様の コンテンツ

20. “ίϯςΩετ”ཧղͷྫᶄ LINEバイト公式アカウントの取り組み l バイトを探していると推定されるユーザーに おすすめ求⼈情報を送付 l 頻度・タイミングの最適化の⼀部に機械学習を導⼊、 実験によってパラメータを最適化 l 機械学習の導⼊によって、応募数キープでブロック率

    を⼤幅に低減 l なぜブロックが低減できたのか？ → 情報を欲するユーザーにだけ送付できているから "#$%&' "#$

21. Ϣʔβʔͷٻ৬౓Λਪఆ͢Δ ⾏動ログによるスコアリングとセグメンテーション 来週中には 新しいバイト先を ⾒つけたい！ そろそろバイト探さないと まずいな〜。 勉強いそがしいしバイト はしばらく無理だな。ま た落ち着いたら探そう。

    適した コミュニケーション頻度 ⾼ 中 低 ⾏動ログ の分析 ユーザーの求職度合い

22. Ϣʔβʔͱྑ͍ؔ܎Λஙͨ͘Ίʹ 重要な3つの視点 ユーザー属性の考慮 コンテキストの理解 ࠷దԽͷ࣌ؒ࣠ ユーザーはどんな⼈？なにが好き？ メッセージはいつ届いた？⾒た⽬は？ ユーザーはどういう状態？ 短期的か？⻑期的か？

23. ”ૹΓ͗͢lʹ୹ظతࢹ఺ʹΑΔ࠷దԽ コミュニケーション 頻度 フォロワーの エンゲージメントや売上 短期的視点 ⻑期的視点 コミュニケーション頻度とユーザーエンゲージメントの関係 最適値にギャップ ※メッセージ個別の質やユーザー個別の属性は未考慮

24. ”ૹΓ͗͢lʹ୹ظతࢹ఺ʹΑΔ࠷దԽ コミュニケーション 頻度 フォロワーの エンゲージメントや売上 短期的視点 ⻑期的視点 コミュニケーション頻度とユーザーエンゲージメントの関係 ※メッセージ個別の質やユーザー個別の属性は未考慮 こちらに

    寄せる

25. ίϯςΩετཧղʹΑ࣮ͬͯݱ͍ͨ͜͠ͱ ʹ௕ظతࢹ఺Ͱͷίϛϡχέʔγϣϯ࠷దԽ コミュニケーション 頻度 フォロワーの エンゲージメントや売上 ⻑期的視点 ※メッセージ個別の質やユーザー個別の属性は未考慮 コミュニケーションの 質を改善

    頻度を 最適化

26. LINE͕σʔλ׆༻ʹΑͬͯੜΈग़͢Ձ஋ͱ͸ ターゲティング精度上がる！ ROIよくなる！効率上がる！ ユーザー体験をもっと豊かなものにする l 趣味嗜好にあった情報を受け取ることができる l 無駄なく、即座に必要な情報を⼿に⼊れられる というよりは

27. THANK YOU