AI×マーケティング活用事例

2019/02/22 宣伝会議主催 AI時代のユーザエクスペリエンスセミナーでの、山田・下條の講演資料になります

Transcript

1. AI時代のユーザエクスペリエンスセミナー AI×マーケティング活用事例 リクルートテクノロジーズ ITエンジニアリング本部 データイノベーション推進部 山田悦明、下條雅弘 テクノスデータサイエンス・エンジニアリング 尾形真輔
2. (C) Recruit Technologies Co., Ltd. All rights reserved. 2 アジェンダ 1. リクルートのご紹介 2. AI活用事例 3. AI活用のポイント
3. (C) Recruit Technologies Co., Ltd. All rights reserved. 3 (C) Recruit Technologies Co., Ltd. All rights reserved. 3 山田 悦明 やまだ えつあき 所属： リクルートテクノロジーズ データイノベーション推進部 ビジュアルアナリティクスグループ グループマネージャー 略歴： 2008年リクルート入社 ・旅行・美容サイト会員分析 ・住宅サイトマーケティング分析 ・マーケットモニタリングシステムを開発、全社導入 2017年 現職 ・機械学習やデータビジュアライズを活用した マーケ施策支援・営業支援スキームを企画・推進
4. リクルートのご紹介
5. リクルートの事業内容について 5 ライフイベント領域 進学 就職 結婚 転職 住宅購入 車購入 出産/育児 旅行 ビジネス支援 生活/地域情報 グルメ・美容 ライフスタイル領域 選択・意思決定を支援する情報サービスを提供し、 「まだ、ここにない、出会い。」を実現する。
6. リクルートのビジネスモデルについて 6 リクルートには、ユーザーとクライアントという2つのお客様が存在します。 企業と人（B to C）、企業と企業（B to B）、人と人（C to C）、すべての間に立ち、 双方にとって最適なマッチングを図る「場」を提供しています。 ユーザーとクライアントを新しい接点で結び、 「まだ、ここにない、出会い。」の場を創造する。
7. リクルートテクノロジーズは、リクルートグループのIT・ネットマーケティング領域の テクノロジー開発を担う会社です。 リクルートグループにおけるリクルートテクノロジーズについて 7 リクルート ホールディングス リクルートキャリア リクルート住まいカンパニー リクルートライフスタイル リクルートジョブズ リクルートマーケティングパートナーズ リクルートテクノロジーズ リクルートスタッフィング スタッフサービス・ホールディングス リクルートコミュニケーションズ メディア & ソリューション事業 （株）リクルート 人材派遣事業 Recruit Global Staffing B.V. HRテクノロジ― 事業 RGF OHR USA, Inc. その他海外派遣グループ会社 Indeed,Inc.
8. (C) Recruit Technologies Co., Ltd. All rights reserved. 8 データ活用への積極的投資 約300名 リクルートテクノロジーズのデータ組織 APIを無料公開 AIソリューション開発 AIシステム発売〜クライアント経営支援〜
9. (C) Recruit Technologies Co., Ltd. All rights reserved. 9 リクルートのAI活用も拡大を続けている メール マーケティング 人材分析 離脱分析 営業ターゲティング カスタマーインサイト サービス利用予測 WEB マーケティング … テレマーケティング
10. (C) Recruit Technologies Co., Ltd. All rights reserved. 10 リクルートのAI活用も拡大を続けている メール マーケティング 人材分析 離脱分析 営業ターゲティング カスタマーインサイト サービス利用予測 WEB マーケティング … テレマーケティング
11. (C) Recruit Technologies Co., Ltd. All rights reserved. 11 今回紹介する事例：難易度の高い取り組み  施策実施：難易度  データ活用：難易度 メール マーケティング WEB マーケティング 営業ターゲティング テレマーケティング ・・・ オンライン 構造化データ 非構造データ 画像情報 センサー情報 WEBログ ・・・ 顧客情報 経理情報 売上情報 在庫情報 オフライン 難 易 度 ： 高 難 易 度 ： 高
12. AI活用事例
13. (C) Recruit Technologies Co., Ltd. All rights reserved. 13 (C) Recruit Technologies Co., Ltd. All rights reserved. 13 下條 雅弘 しもじょう まさひろ 所属： リクルートテクノロジーズ データイノベーション推進部 ビジュアルアナリティクスグループ 分析チームリーダー 略歴： 2015年リクルート入社・リクルートテクノロジーズ配属 ・データ解析者採用1期生 ・デモグラ分析 ・カスタマー興味関心モデリング 2018年 現職 ・事業課題やニーズに合わせた分析コンサルティング ・マーケティングに活用できるスコアリングを 機械学習によって実施するチームのリーダー
14. (C) Recruit Technologies Co., Ltd. All rights reserved. 14 取り組み概要  外部データ※から興味関心を推定モデルを作成 ※プライバシーに配慮された非個人情報を利用  目的変数（”興味がある”の定義）が鍵  派遣に興味がある → 自社の派遣サイトに興味がある ☓  派遣に興味がある → 仕事探しに興味がある ◦  興味関心が高い人への施策づくり  新築不動産に興味ある人に刺さる施策とは？  行動ログから汎用的な特徴量作成ロジックを形成  リクルート各サービスへ適用可能なモデルを構築
15. (C) Recruit Technologies Co., Ltd. All rights reserved. 15 興味がわかると潜在カスタマー層が見えてくる！  複数のスコアを掛け合わせることにより新たなセグメント発見につながる  リクルートスタッフィングの事例  非アクティブ層から仕事探しに興味あるカスタマー層を発見！ アクティブ度 アクティブ度 仕事探しへの興味 非 Active 層 アクティブスコアのみ 何もしな くていい ？ アクティブスコア×興味スコア 潜在 カスタマー 層 Active 層 アクティブ かつ 興味高 施策実施 すべき アクティブ かつ 興味低 非アクティブ 層 興味低 施策実施 すべき
16. (C) Recruit Technologies Co., Ltd. All rights reserved. 16 スコアリングのフロー データ加工 自社アクセスログ 予測 データマート 外部データ データマート データ加工 学習 学 習 予 測 ユーザのアクセスログを活用してユーザの興味を推定 • 外部データ※を分析・学習し、ユーザの興味関心推定モデルを構築！ ※プライバシーに配慮された非個人情報を利用 • 自社データにモデルを適用 潜在 カスタマー層 AI（機械学習モデル） AI（機械学習モデル）
17. (C) Recruit Technologies Co., Ltd. All rights reserved. 17 導入前 未就業 スタッフ (派遣登録済) Recruit Staffing サイト内検索 メール 架電 派遣 スタッフ (就業開始) 離脱理由 • 他サイトへ流出 • 仕事が見つからず、断念など • やむを得ず、求職活動を中止 決定 離脱 PUSH PULL
18. (C) Recruit Technologies Co., Ltd. All rights reserved. 18 導入後 未就業 スタ ッ フ (派遣登録済) Recruit Staffing サイト 内検索 メ ール 架電 派遣 スタ ッ フ (就業開始) 決定 PUSH PULL 機械学習 興味関心スコア推定 潜在カスタマー層を推定！
19. (C) Recruit Technologies Co., Ltd. All rights reserved. 19 導入前 アクティブ度 非 Active 層 アクティブスコアのみ Active 層 CVR 20％ CVR 2％
20. (C) Recruit Technologies Co., Ltd. All rights reserved. 20 Active 層 導入後 (C) Recruit Technologies Co., Ltd. All rights reserved. アクティブ度 仕事探しへの興味 アクティブスコア×興味スコア 潜在 カスタマー 層 非アクティブ 層 興味低 CVR 20％ CVR 16％ CVR 2％→16％へ より効率良く、仕事探し中のスタッフへアプローチ可能に！
21. 本件のポイント
22. (C) Recruit Technologies Co., Ltd. All rights reserved. 22 (C) Recruit Technologies Co., Ltd. All rights reserved. 22 尾形 真輔 おがた しんすけ 所属： テクノスデータサイエンス・エンジニアリング 第3データサイエンスグループ 第1チーム チーム長 略歴： 2014年 テクノスデータサイエンス・エンジニアリング配属 ・リクルートテクノロジーズ様へアサイン ・カスタマー行動分析、求人票の面接発生予測など 主に転職領域の分析に従事 2017年 ビジュアルアナリティクスグループへアサイン ・統計手法や機械学習を活用した Webログ分析・行動予測分析の案件を推進
23. (C) Recruit Technologies Co., Ltd. All rights reserved. 23 この取り組みの凄いところを一言で 外部データの利用による 浮遊層 へのアプローチ
24. (C) Recruit Technologies Co., Ltd. All rights reserved. 24 デジタルマーケティング業界の現状  各社がしのぎを削ってWebサイトを改善しているため、サービスが同 質化している 結果・・・ 大多数が浮遊層!!! 自サイトのみ 利用ユーザー 浮遊層 特にこだわりなく 自サイト・他サイトの両方を 利用しているユーザー 他サイトのみ 利用ユーザー ユーザー数割合（イメージ）
25. (C) Recruit Technologies Co., Ltd. All rights reserved. 25 デジタルマーケティング業界の現状  各社がしのぎを削ってWebサイトを改善しているため、サービスが同 質化している 結果・・・ 大多数が浮遊層!!! 自サイトのみ 利用ユーザー 浮遊層 特にこだわりなく 自サイト・他サイトの両方を 利用しているユーザー 他サイトのみ 利用ユーザー 浮遊層の囲い込みがシェアUPのカギ！ 既に自サイトに登録している会員に対して 仕事探しに興味（求職意欲）のあるユーザーをAIで推定し、 優先的にアプローチしよう！ ユーザー数割合（イメージ）
26. (C) Recruit Technologies Co., Ltd. All rights reserved. 26 お断り ※ ここから先は分かりやすさのため、一部フィク ションが含まれます。
27. (C) Recruit Technologies Co., Ltd. All rights reserved. 27 自サイトデータを使ったスコア  これまでのスコア（エントリースコア） 自サイトのアクセスログデータから （自サイトで）お仕事にエントリーしてくれそうな人を AIで推定すれば良いよね 自社アクセスログ 学習 AI（機械学習モデル） 推定 ID スコア AAAAA 0.8 BBBBB 0.1 ： ： エントリースコア スコア順に 施策（架電） 事務職を見ている人はエントリーする可能性が高い IT職を見ている人はエントリーする可能性が低い ジョブコーディネーター 架電効率UP！ エントリー数増加！！ 推定
28. (C) Recruit Technologies Co., Ltd. All rights reserved. 28 自サイトデータを使ったスコア  これまでのスコア（エントリースコア） 自サイトのアクセスログデータから （自サイトで）お仕事にエントリーしてくれそうな人を AIで推定すれば良いよね 自社アクセスログ AI（機械学習モデル） 推定 ID スコア AAAAA 0.8 BBBBB 0.1 ： ： エントリースコア スコア順に 施策（架電） 事務職を見ている人はエントリーする可能性が高い IT職を見ている人はエントリーする可能性が低い ジョブコーディネーター 架電効率UP！ エントリー数増加！！ IT職を見ている会員は求職意欲がない…？ 学習 推定
29. (C) Recruit Technologies Co., Ltd. All rights reserved. 29 実態  これまでのスコア（エントリースコア）で起こったこと  実は自サイトはIT職の仕事が見つけにくく IT職を見ていた会員は自社サイトを離脱 つまり、IT職を見ている会員は 求職意欲がない訳ではなく 自サイトでエントリーしにくいだけだった
30. (C) Recruit Technologies Co., Ltd. All rights reserved. 30 浮遊層 特にこだわりなく 自サイト・他サイトの両方を 利用しているユーザー 自サイトデータを使ったスコアの限界  これまでのスコア（エントリースコア）で起こったこと 自サイトのみ 利用ユーザー 他サイトのみ 利用ユーザー ユーザー数割合（イメージ）
31. (C) Recruit Technologies Co., Ltd. All rights reserved. 31 浮遊層 特にこだわりなく 自サイト・他サイトの両方を 利用しているユーザー 自サイトデータを使ったスコアの限界  これまでのスコア（エントリースコア）で起こったこと 自サイトのみ 利用ユーザー 他サイトのみ 利用ユーザー ユーザー数割合（イメージ） サイト選好度 求 職 意 欲 度
32. (C) Recruit Technologies Co., Ltd. All rights reserved. 32 浮遊層 特にこだわりなく 自サイト・他サイトの両方を 利用しているユーザー 自サイトデータを使ったスコアの限界  これまでのスコア（エントリースコア）で起こったこと 自サイトのみ 利用ユーザー 他サイトのみ 利用ユーザー ユーザー数割合（イメージ） サイト選好度 求 職 意 欲 度
33. (C) Recruit Technologies Co., Ltd. All rights reserved. 33 浮遊層 特にこだわりなく 自サイト・他サイトの両方を 利用しているユーザー 自サイトデータを使ったスコアの限界  これまでのスコア（エントリースコア）で起こったこと 自サイトのみ 利用ユーザー 他サイトのみ 利用ユーザー ユーザー数割合（イメージ） サイト選好度 求 職 意 欲 度 架電対象 会員 IT職を 探している 会員
34. (C) Recruit Technologies Co., Ltd. All rights reserved. 34 浮遊層 特にこだわりなく 自サイト・他サイトの両方を 利用しているユーザー 自サイトデータを使ったスコアの限界  これまでのスコア（エントリースコア）で起こったこと 自サイトのみ 利用ユーザー 他サイトのみ 利用ユーザー ユーザー数割合（イメージ） 架電効率UP！ エントリー数増加！！ サイト選好度 求 職 意 欲 度 架電対象 会員 IT職を 探している 会員 エントリーしそうな会員を確 実に獲りに行く架電施策。 裏を返せば… • 架電せずともエントリー したのでは？ • 浮遊層へのアプローチ 効果が薄い ジョブコーディネーター
35. (C) Recruit Technologies Co., Ltd. All rights reserved. 36 この取り組みの凄いところを一言でもう一度 外部データの利用による 浮遊層 へのアプローチ
36. (C) Recruit Technologies Co., Ltd. All rights reserved. 37 外部データを使ったスコア  今回のスコア（興味関心スコア） 自サイトのアクセスログデータから 浮遊層だけど求職意欲が高い層を AIで推定すれば良いよね 自社アクセスログ 学習 AI（機械学習モデル） 推定 ID スコア AAAAA 0.8 BBBBB 0.1 ： ： エントリースコア 浮遊層に 施策（架電） 事務職を見ている人は 自社利用が高く求職意欲も高いよ IT職を見ている人は 浮遊層だけど求職意欲は高いよ ジョブコーディネーター 外部データ ※プライバシーに配慮された 非個人情報を利用 AI（機械学習モデル） 潜在 カスタマー層
37. (C) Recruit Technologies Co., Ltd. All rights reserved. 38 外部データを使ったスコア  今回のスコア（興味関心スコア） 自サイトのアクセスログデータから 浮遊層だけど求職意欲が高い層を AIで推定すれば良いよね 自社アクセスログ 学習 AI（機械学習モデル） 推定 ID スコア AAAAA 0.8 BBBBB 0.1 ： ： エントリースコア 浮遊層に 施策（架電） 事務職を見ている人は 自社利用が高く求職意欲も高いよ IT職を見ている人は 浮遊層だけど求職意欲は高いよ ジョブコーディネーター 外部データ ※プライバシーに配慮された 非個人情報を利用 AI（機械学習モデル） 潜在 カスタマー層
38. (C) Recruit Technologies Co., Ltd. All rights reserved. 39 浮遊層 特にこだわりなく 自サイト・他サイトの両方を 利用しているユーザー 興味関心スコアの適用範囲  今回のスコア（興味関心スコア）で起こったこと 自サイトのみ 利用ユーザー 他サイトのみ 利用ユーザー ユーザー数割合（イメージ） サイト選好度 求 職 意 欲 度
39. (C) Recruit Technologies Co., Ltd. All rights reserved. 40 浮遊層 特にこだわりなく 自サイト・他サイトの両方を 利用しているユーザー 興味関心スコアの適用範囲  今回のスコア（興味関心スコア）で起こったこと 自サイトのみ 利用ユーザー 他サイトのみ 利用ユーザー ユーザー数割合（イメージ） サイト選好度 求 職 意 欲 度
40. (C) Recruit Technologies Co., Ltd. All rights reserved. 41 浮遊層 特にこだわりなく 自サイト・他サイトの両方を 利用しているユーザー 興味関心スコアの適用範囲  今回のスコア（興味関心スコア）で起こったこと 自サイトのみ 利用ユーザー 他サイトのみ 利用ユーザー ユーザー数割合（イメージ） サイト選好度 求 職 意 欲 度
41. (C) Recruit Technologies Co., Ltd. All rights reserved. 42 浮遊層 特にこだわりなく 自サイト・他サイトの両方を 利用しているユーザー 興味関心スコアの適用範囲  今回のスコア（興味関心スコア）で起こったこと 自サイトのみ 利用ユーザー 他サイトのみ 利用ユーザー ユーザー数割合（イメージ） サイト選好度 求 職 意 欲 度
42. (C) Recruit Technologies Co., Ltd. All rights reserved. 43 浮遊層 特にこだわりなく 自サイト・他サイトの両方を 利用しているユーザー 興味関心スコアの適用範囲  今回のスコア（興味関心スコア）で起こったこと 自サイトのみ 利用ユーザー 他サイトのみ 利用ユーザー ユーザー数割合（イメージ） サイト選好度 求 職 意 欲 度 IT職を 探している 会員
43. (C) Recruit Technologies Co., Ltd. All rights reserved. 44 浮遊層 特にこだわりなく 自サイト・他サイトの両方を 利用しているユーザー 興味関心スコアの適用範囲  今回のスコア（興味関心スコア）で起こったこと 自サイトのみ 利用ユーザー 他サイトのみ 利用ユーザー ユーザー数割合（イメージ） サイト選好度 求 職 意 欲 度 IT職を 探している 会員 架電対象 会員
44. (C) Recruit Technologies Co., Ltd. All rights reserved. 45 浮遊層 特にこだわりなく 自サイト・他サイトの両方を 利用しているユーザー 興味関心スコアの適用範囲  今回のスコア（興味関心スコア）で起こったこと 自サイトのみ 利用ユーザー 他サイトのみ 利用ユーザー ユーザー数割合（イメージ） サイト選好度 求 職 意 欲 度 IT職を 探している 会員 架電対象 会員 架電効率を下げずに 浮遊層（潜在カスタマー）を 取り込むことができた！ ジョブコーディネーター
45. (C) Recruit Technologies Co., Ltd. All rights reserved. 46 興味がわかると潜在カスタマーが見えてくる！  複数のスコアを掛け合わせることにより新たなセグメント発見につながる  リクルートスタッフィングの事例  非アクティブ層から仕事探し興味あるカスタマーを発見！ アクティブ度 アクティブ度 仕事探しへの興味 非 Active 層 アクティブスコアのみ 何もしな くていい ？ アクティブスコア×興味スコア 潜在 カスタマー 層 Active 層 アクティブ かつ 興味高 施策実施 すべき アクティブ かつ 興味低 非アクティブ 層 興味低 施策実施 すべき
46. AI活用のポイント
47. (C) Recruit Technologies Co., Ltd. All rights reserved. 48 なぜ、AI（機械学習）を用いているのか？  ルールベースには限界がある  人の行動は複雑で表現が難しい  自動化のニーズ  機械ができるところは機械に、人がやるべきことに専念  勘と経験だけでは見落としてしまう変数の存在  実は〇〇が効いている
48. (C) Recruit Technologies Co., Ltd. All rights reserved. 49 AI入れれば解決ではない  AI導入の失敗例  データサイエンティスト（以下、DS）の独断 • 事業ナレッジのないDSがアルゴリズムや精度にだけコミット • マーケターや企画に歩み寄らない  事業サイドの理解不足 • AI、機械学習を入れれば何か効果がでるに違いない • 流行りだからやらなきゃ！ • AIは魔法の杖！？
49. (C) Recruit Technologies Co., Ltd. All rights reserved. 50 必要な人材  AIで絶対に結果を出すために必要な人材要件 1. 少なくとも情報系または数学系の大学院で修士以上持っている 2. 機械学習のアルゴリズムの強み・弱みを理解している 3. 開発もできてエンジニアとしても働ける 4. ビジネスの課題・背景が理解できている 5. AIを入れるべきかどうかの判断ができ、施策が作れる 6. AI導入による施策効果の測定ができ、結果をAIに反映できる ： ：
50. (C) Recruit Technologies Co., Ltd. All rights reserved. 51 必要な人材  AIで絶対に結果を出すために必要な人材要件 1. 少なくとも情報系または数学系の大学院で修士以上持っている 2. 機械学習のアルゴリズムの強み・弱みを理解している 3. 開発もできてエンジニアとしても働ける 4. ビジネスの課題・背景が理解できている 5. AIを入れるべきかどうかの判断ができ、施策が作れる 6. AI導入による施策効果の測定ができ、結果をAIに反映できる ： ： (C) Recruit Technologies Co., Ltd. All rights reserved. 51 こんな人材、ほとんどいない・見つからない いたとしても、めっちゃ単価高い
51. (C) Recruit Technologies Co., Ltd. All rights reserved. 52 AIで効果を出すために…  2つのインプットが必要 1. DSへの事業背景・課題・制約・ナレッジのインプット 2. 事業担当者へのAI・機械学習のできること/できないことの理解
52. (C) Recruit Technologies Co., Ltd. All rights reserved. 53 それぞれの例  事業背景・課題・制約・ナレッジの例  アクティブスコアはもう持っている  架電施策はリソースが足りていない  エリアに寄ってカスタマーの趣向性が異なる  AI・機械学習のできること/できないことの例  目的変数の定義によってスコアの意味が異なる  リアルタイムなのか？週次の処理なのかによってアプローチが異なる  過去に起きていない事象は予測できない
53. (C) Recruit Technologies Co., Ltd. All rights reserved. 54 まとめ  なんでもかんでもAIを入れれば効果が出るわけで はない  マーケターとDSが歩み寄り、議論を重ねることで 意味のあるAIとなる  きちんとしたモデル構築・AIにフィットした施 策・正しいモニタリングを行えば、効果が出る可 能性が高まる！