Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
次世代のマーケティングリサーチ
Search
PolinaFedyanina
April 24, 2018
Technology
0
410
次世代のマーケティングリサーチ
海外の最新手法と事例
PolinaFedyanina
April 24, 2018
Tweet
Share
More Decks by PolinaFedyanina
See All by PolinaFedyanina
株式会社GRI
polinafedyanina
0
85
次世代のマーケティングリサーチ_技術紹介.pdf
polinafedyanina
0
360
従来型リサーチからの脱却_データ共有型リサーチの可能性.pdf
polinafedyanina
0
370
Other Decks in Technology
See All in Technology
元インフラエンジニアに成る / Human Resources to Human Relations
bobtani
4
930
非同期推論システムによるコスト削減と信頼性向上
koki_nishihara
0
260
プラットフォームってつくることより計測することが重要なんじゃないかという話 / Platform Engineering Meetup #8
taishin
1
370
Reducing Cross-Zone Egress at Spotify with Custom gRPC Load Balancing Recap
koh_naga
0
210
チームでロジカルシンキングに改めて向き合っている話 〜学習環境と実践⽅法〜
sansantech
PRO
3
2.7k
Delivering Millions of Messages within seconds @ Duolingo
pelelgrino
0
350
ServiceNow Knowledge 24の歩き方 EYストラテジー・アンド・コンサルティング
manarobot
0
200
生産性向上チームの紹介
cybozuinsideout
PRO
1
870
Além do else! Categorizando Pokemóns com Pattern Matching no JavaScript
wmsbill
0
640
Azure Container Apps + Bicep 〜 こんな感じで運用しています
kaz29
2
480
Java EE/Jakarta EEの現状と将来―クラウドネイティブ時代にJava EEは対応できるのか?―
takakiyo
1
170
JAWS-UG Bedrock Claude Night
yamahiro
3
610
Featured
See All Featured
Side Projects
sachag
451
41k
Building Your Own Lightsaber
phodgson
99
5.7k
Creating an realtime collaboration tool: Agile Flush - .NET Oxford
marcduiker
14
1.5k
The Invisible Side of Design
smashingmag
294
49k
Optimising Largest Contentful Paint
csswizardry
8
2.4k
Facilitating Awesome Meetings
lara
42
5.6k
Debugging Ruby Performance
tmm1
70
11k
Sharpening the Axe: The Primacy of Toolmaking
bcantrill
17
1.4k
Understanding Cognitive Biases in Performance Measurement
bluesmoon
7
1k
Fireside Chat
paigeccino
21
2.6k
What the flash - Photography Introduction
edds
64
11k
The Cult of Friendly URLs
andyhume
74
5.7k
Transcript
2018年4月 株式会社GRI データで新たな事業を開発していくカンパニー。 Confidential 次世代のマーケティングリサーチ ~海外の最新手法と事例~ 朝のAI勉強会資料 01
2 1.マーケティングリサーチとAI アプローチの相違点 2.海外の最新事例 3.GRIの取り組み事例と技術紹介 伝えたい内容 Open Innovationへ繋げる
1.マーケティングリサーチとAI 3 アプローチの相違点
©GRI Inc. ブランドの声は届いているか? 4 Red Bullのアイデンティ
©GRI Inc. メーカー側の論理 レッドブル 翼を授ける 5
©GRI Inc. 消費者側の論理 6 消費者 購買者の背景 市場規模 購買後の実感 購買前の期待 購買の情景
購買前の接触 購買の要因・心理
©GRI Inc. マーケティングリサーチで 消費者にとっての価値を知りたい 7 メーカー/小売り マーケティング リサーチ (サンプリング)
©GRI Inc. MR: トップダウン的 AI: ボトムアップ的 8 メーカー/小売り マーケティング リサーチ(MR)
(サンプリング) ビッグデータ 詳細データ パーソナル・データ
9 AIとマーケティングリサーチ手法の サービスへの組み込み 2.海外の最新事例
Tailor Brands社 10 AIと創造性の例
©GRI Inc. コーポレート・アイデンティティ のパイオニア 11 Gordon Lippincott
©GRI Inc. デザイナーとの交わらない会話 12
©GRI Inc. Tailor Brands社の 自動ロゴデザイン案の作成 13 いくつかの質問(デザインのテースト含む)に答えると ▪質問内容 ・ロゴ名 ・業種
・会社説明 ・スタイル
©GRI Inc. AIによる自動ロゴ作成 14
©GRI Inc. 価格 15 1ヶ月の編集権付き 10ドル 年間の編集権付き 36ドル
Affectiva社 16 AI(動画解析)による感情推定
©GRI Inc. CONFIDENTIAL 広告映像に対して 人々はどんな感情を抱いてる? 17
©GRI Inc. Affectiva社のAIに 解かせている問題: 18 クリエイティブ動画を見てもらいながら カメラで顔を特定 ⇒ 顔の表情 ⇒
感情
©GRI Inc. デモ 19
©GRI Inc. 画面イメージ 20
©GRI Inc. CONFIDENTIAL 機械学習(表情⇒感情) 21 感情 表情 怒り 困惑 嫌悪
恐れ 楽しみ 悲しみ 驚き 眉の動き 頬の動き あごの位置 口の動き 鼻のしわ
©GRI Inc. CONFIDENTIAL 価格 SDK $250,000 22
Stitch Fix社 23 アンケートとAIを活用した通販
©GRI Inc. CONFIDENTIAL Stitch Fix社 2011 創業 売上(2017) 10億ドル IPO(2017)
30億ドル データサイエンティスト 75名 スタイリスト 3,500名 アクティブ顧客 250万 カトリーナCIO 24
©GRI Inc. CONFIDENTIAL 通販はテーストに関する アンケートからサービスが はじまる 25
©GRI Inc. CONFIDENTIAL ビジネスモデル: AIとアンケート のサブスクリプション通販 初回 アンケート 好みの服 5つ選定
配送 *何が送られてくるか届くまで分からない(福袋っぽい) 定期サービス(サブスクリプション) スタイリスト ユーザ →自社開発に ユーザ 26
©GRI Inc. CONFIDENTIAL Stitch Fix社がAIに解かせている問題 27 ユーザAさん 0.15 0.35 0.55
0.25 0.45 0.25 0.28 0.67 0.01 在庫 • 各アイテムの好みを予想し数値化 • スタイリストが各ユーザのテーストに 合った商品を選ぶため
©GRI Inc. CONFIDENTIAL どんなデータでテーストを推定? 28 • 初回アンケート • SNSデータ サイズ
色 フォルム ポケット … 顧客ごとの 商品属性ごとの テースト(80種) テーストを 数値化 Deep Learning ?
©GRI Inc. CONFIDENTIAL スタイリングアルゴリズム 29 サイズ 色 フォルム ポケット …
X 商品の属性 サイズ X 色 X フォルム O ポケット X サイズ X 色 X フォルム O ポケット X サイズ O 色 O フォルム O ポケット X 購入確率 0.15 0.25 0.67 顧客ごとの 商品属性ごとの テースト(80種) マッチング スコア
©GRI Inc. CONFIDENTIAL どんどんテーストを理解する 仕掛け 30 0.15 0.35 0.55 0.25
0.45 0.25 0.28 0.67 0.01 好みの服 5つ選定 配送 スタイリスト ユーザ 購入確率 リスト 購入履歴(購入・返品) フィードバック 強化学習で補正
©GRI Inc. CONFIDENTIAL アンケートの設問ごとに 有用性を確認できる 31 設問重要度 設問
©GRI Inc. CONFIDENTIAL その他のアルゴリズム 32 ▪ユーザへ新スタイル提案 (レコメンド)collaborative filtering ▪ユーザとスタイリスト のマッチング(最適化)
Linear Programming ▪需要予測 State-Space Model ▪仕入計画 (最適在庫)Optimal Inventory ▪倉庫割当 Mixed-Integer Programming ▪ピッキング・ルート Minimum Spanning Forest
©GRI Inc. CONFIDENTIAL アルゴリズムチーム(74名) Eric Colson (チーフ・アルゴリズム・オフィサー) (元 Netflix VP)
http://algorithms-tour.stitchfix.com/ • クライアント・アルゴリズム 19名 • スタイリング・アルゴリズム 18名 • 商品・在庫アルゴリズム 17名 • データ基盤 17名 新人 1名 33
©GRI Inc. CONFIDENTIAL 海外事例からのレッスン 調査分析を活用したAIサービスが拡大 –パーソナルレベルの調査とサービス連動 調査分析の設問の重要度から設問の改善に 使える AIで解きやすい問題をうまく設定している –AIを魔法の箱と位置付けず、AIの特徴を
活かすサービス機能として扱う 34
35 3.GRIの取り組み事例と技術紹介
©GRI Inc. CONFIDENTIAL カバーする内容 36 売り場改善 ID-POS分析・ 販促・消費者の声 簡易レコメンド アニメの
視聴アンケート SNS活用 ネットから消費者理解 動画解析 顔認識、人物属性推定 会話分析 チャットの会話ログ分析 技術紹介 事例紹介 時系列解析 センサーデータの活用
売り場改善 37 チェーン・スーパーのいくつかの事例 統合分析:ID-POS分析・販促・消費者の声
©GRI Inc. CONFIDENTIAL 小売りの狙い 顧客に来店し続けてもらう 38 いつもお買い上げ いただいている お客様 ▪来月も同じように
買って欲しい ▪離反顧客の防止策
©GRI Inc. CONFIDENTIAL 売り場改善の3つのプランが バラバラ 39 消費者の声 クーポン発券 ID-POS
©GRI Inc. CONFIDENTIAL AIに解かせる問題: 顧客ランクが翌月変化する確率を 特定せよ 40 Aランク(優良) のお客様 翌月のランク確率
Aランク 0.6 Bランク 0.2 Cランク 0.1 来店なし 0.1
©GRI Inc. CONFIDENTIAL AI活用で3つ活動を連動させた 売り場改善プラン 41 ID-POS AI 機械学習 会員ごとの
ランク確率 リスト 継続・離反 の差異要因 クーポン 消費者の声
©GRI Inc. CONFIDENTIAL 来店確率に使えるデータ(特徴量) 42 会員カード 顧客 店舗 商品 レシート
XXX店 レジ番号 日時 牛肉 300円 食パン 200円 小計 500円 税 40円 合計 540円 会員属性 • 性 • 年齢 • 家族 地域属性 • 自宅と店舗の距離 • 自店舗と競合店の距離の差 店舗属性 • 郊外店、駅隣接、モール内 • 天候・気温 購買傾向 • M: 購買金額ランク • F: 購買頻度ランク • R: 最終購買ランク • 商品カテゴリ・比率
©GRI Inc. CONFIDENTIAL 来店予測とは 43 Time M月 M+1月 M+2月 M+3月
N月 N+1月 N+2月 N+3月 個客ごとの 購買傾向(ランク) 学習(訓練)モデル: 過去3ヶ月の購買傾向 から翌月の購買傾向の 関係性
©GRI Inc. CONFIDENTIAL 来店予測とは 44 Time M月 M+1月 M+2月 M+3月
N月 N+1月 N+2月 N+3月 個客ごとの 購買傾向(ランク) ? 学習(訓練)モデルの 当てはめ
©GRI Inc. CONFIDENTIAL XGBoostで来店予測 45 変数 変数重要度 ▪重要変数の例 ・店舗までの距離 ・家族あり/なし
・洋日配の構成比 • 会員ごとの翌月のランク確率リスト • 継続・離反の差異要因リスト クーポン 消費者の声 定量:ボリューム 定性:差異を説明 する重要変数
©GRI Inc. CONFIDENTIAL 予測できると総合的な 売り場改善策につながる 離反防止ターゲットを細かく選定 –例)優良顧客の洋日配品 (特定商品カテゴリ) 消費者の声に優先順を付けられる 効果的なクーポンの選定ができる
46
アンケートから 簡単にレコメンドを作る 47 Gzブレイン 日本リサーチセンター
©GRI Inc. エンタメ業界(ゲーム/アニメ) マーケティング・データ 48
©GRI Inc. CONFIDENTIAL 以下のアンケートがあるなら データサイエンティストは レコメンドに使えないかと考える 49 アンケート・データ Q. 今期見ているアニメ作品を選んでください
・7つの大罪 ・カードキャプターさくら Q. 来期見たいアニメ作品を選んでください ・ルパンIII世 ・ゲゲゲの鬼太郎 ・キャプテン翼
©GRI Inc. CONFIDENTIAL おすすめの例 50
©GRI Inc. 簡単なオンラインアンケートに 答えると 51 Q2. あなたの観た2018年冬アニメ? • アイドリッシュセブン •
キリングバイツ • グランクレスト戦記 • ハクイチとミコチ
©GRI Inc. おすすめのアニメが表示される 52
©GRI Inc. CONFIDENTIAL レコメンドエンジンの流れ 53 アンケート おすすめアニメ レコメンド エンジン オンライン
アンケート ウェブ Q:今期視聴アニメ Q:次期視聴アニメ Q:今期 視聴アニメ A:次期 推薦アニメ
©GRI Inc. 今期と次期の関係性をまじめに アンケートで取ると膨大な回答が必要に 54 今シーズン 見ているアニメ 次シーズン 見たいアニメ (50作品中)
(50作品中) アイカツスターズ! アイドリッシュセブン アニメ クラシカロイド2 … レゴタイム レゴニンジャゴー ルパン3世 PART5 ゲゲゲの鬼太郎(第6期) 東京喰種トーキョーグールー … 妖怪ウォッチ シャドウサイド 1.13京の組み合わせ x 1.13京の組み合わせ
©GRI Inc. 機械学習で、効率的に関係性を学習 55 今シーズン 見ているアニメ 次シーズン 見たいアニメ ニューラルネットワーク (中間層の関係性を学習させる)
©GRI Inc. 調査データからAIレコメンドは 簡単に実装できる 56 • ただし、細かな補正手法が必要 • サザエさん現象 •
高視聴率のサザエさんの推薦確率が高く なってしまう • セレンディピティ • 意外な発見や驚きを埋め込む必要
SNSの活用 57 ネットから消費者理解
©GRI Inc. CONFIDENTIAL 58 消費者は、ウェブやSNSに よく書き込むようになった どんな風に利活用できるか?
©GRI Inc. CONFIDENTIAL 口コミから消費者の情景を 知りたい 59 消費者 購買者の背景 購買後の実感 購買前の期待
購買の情景 購買前の接触 購買の要因・心理 購買後の要望
©GRI Inc. CONFIDENTIAL よくある要望事項 SNSを検索しやすく、情報を整理 ヒットの兆し トレンドの変化 季節性の変化 60
©GRI Inc. CONFIDENTIAL 調査分析との差異 61 トップダウンではなく ボトムアップなので大きな差異がある
©GRI Inc. CONFIDENTIAL データ収集は自動で行う(差異① ) 62 サイト 1次データDB 分析・AI処理技術 可視化
検索基盤 クローラ HTML 格納ストレージ スクレイパ 可視化用DB データ収集系 加工・分析・可視化系 自社 データ ・形態素解析 ・重要語の抽出(情景への変換) ・構文解析(意味の抽出) ・広告判定 ・レビュースコア標準化
©GRI Inc. CONFIDENTIAL ユーザが自由な形式で記述(差異②) 企業側の語って欲しい枠組みで記述されない 63 CONFIDENTIAL
©GRI Inc. CONFIDENTIAL 文書からユーザの購入シーンに 自動変換したいが精度が厳しい 64 購入シーン 利用シーン ▪ ▪
▪ ▪ ▪ ▪ 実感シーン◦ 実感シーンX 結果 X 要望 CONFIDENTIAL
©GRI Inc. CONFIDENTIAL 辞書を準備し、 語られている言葉を解釈しやすくする 65 ただ、香りがきついです。 ただ / 香り
/ が / きつい / です 形態素解析 重点要素 分析カテゴリ 分析軸 表現軸 • 商品効果 香り 香り かおり におい 信頼 なじみ 馴染み 辞書で集約 ※辞書はGRIで カスタム整備
©GRI Inc. CONFIDENTIAL チャレンジ(意味理解) 66 ツンとくるほどの爽やかな強い香りで、乾かした後も 翌日もとてもしっかり香ります。 香る しっかり とても
ツンと くる 爽やかな 強い 香り 乾かした 後も 翌日も 構文解析(KNU)
©GRI Inc. CONFIDENTIAL データに広告が紛れ込む(差異③) ⇒ 広告を判定する 67 広告には似たような言葉が出てくる傾向なので LSI (Latent
Semantic Indexing) & 階層的にk-meansで広告クラスタを特定
©GRI Inc. CONFIDENTIAL レビュースコアにばらつきがある(差異④) 68 同じこと記述してもスコアが異なる 甘口 辛口 『香りが長続きしていいです』 『香りが長続きしていいです』
5 点 3 点 似た言葉で成り立つ文章なら近いスコアであるべき という補正方針から、LDA(Latent Dirichlet Allocation) & XGBoostで補正スコアを算出
©GRI Inc. CONFIDENTIAL 欲しいサンプル数が集まらない(差異⑤) 日用品はSNS上で語られない (ただし、バイラルでの拡散力) 69
70 まとめ
©GRI Inc. CONFIDENTIAL GRIのアプローチの特徴 サービスの企画から一緒に考える 生のデータを解析して特徴を探す 71
©GRI Inc. CONFIDENTIAL テーラーメイドな プロジェクトを提供 72 データの特徴 ビジネスの 本当の課題 AI・分析
パッケージどうぞ APIとつなぐだけ