Upgrade to Pro — share decks privately, control downloads, hide ads and more …

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

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

牟田 博和 HIROKAZU MUTA (LINE Corporation)
THE NEW CONTEXT CONFERENCE 2019 TOKYOでの発表資料です

53850955f15249a1a9dc49df6113e400?s=128

LINE Developers
PRO

June 25, 2019
Tweet

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