Affective Engineering

消費者の感性を科学する感性⼯学・⼈⼯知能明治⼤学商学部加藤拓⺒ Marketing #08

位置付け顧客管理と効果測定戦略と実⾏価値づくりの考え⽅調査による客観的な状況把握 #01 マーケティング #02 ブランドマネジメント #04
市場調査 #07 科学的検証 #08 感性⼯学 #05 消費者⾏動 #03 ロイヤルティとCRM #10 クチコミ #09 戦略と組織能⼒仮説⽴案具現化検証 #06 知覚品質

1. 感性⼯学のアプローチアジェンダ 2. 感性⼯学で利⽤される調査と統計解析⼿法 3. AIの台頭とその活⽤ 4. AIの注意点 5.
まとめ

モノがない時代消費者の⼿の届く価格での提供が求められるモノが普及する時代性能や品質の⾼さが求められる (機能的価値) モノが満遍なく普及した時代⾃分らしさの表現や⾃分にとっての⼼地よさが求められる (意味的価値・感性的価値) 消費者ニーズの変遷
商品・サービスは段階的にニーズが変化し，最終的には感性的価値が求められる

感性とは 1: ⻑町三⽣, ⽯原茂和, ⻄野達男, 松原⾏宏, ⼟屋敏夫, 神⽥太樹, 井上勝雄. (2005).
商品開発と感性. 海⽂堂. 5感を通じて解釈・判断することが認知で，感覚処理と認知処理を統合化した感情・イメージが感性である1 認知感性

感性を測定する2つのアプローチ⽣理学的に測定できない感情・イメージを，⼼理学的なアプローチで測定⽣理学的な測定心理学的な測定 • ⼼拍 • ⾎圧
• 呼吸 • 発汗量 • 眼球運動 • 瞳孔機能 • 脳波・脳⾎流 • 唾液中アミラーゼ • 態度・⾔葉 • 購⼊⾏動 • 商品・サービス使⽤中の動作 • 表情

脳科学の課題脳の仕組みは解明されていないことが多く，脳と⼼の関連は脳科学の基本的課題坂本真樹. (2018). 感性情報学. コロナ. 脳脳⾎流・脳波など物理的に計測可能⼼
物体ではないため計測が困難どんな脳活動の時にどんな感情が⽣まれるのか︖

感性⼯学(Kansei engineering/affective engineering)とは実現したい感性を，消費者への調査・統計解析を通じて，設計要素に落とし込む感性⼯学のプロセス⽬指す感性を具現化するための設計への翻訳技術・デザイン・ユーザビリティの開発検証定量調査テキストデータ
統計解析による要因抽出⾃然⾔語処理感性

マーケティングにおける感性⼯学の意義定義したコンセプトを商品・サービスやプロモーション等に具現化した時に，コンセプトを想起される状態になっているかを検証 Concept ZMOT (Zero Moment of Truth) Webサイトや⼝コミを⾒たとき
FMOT (First Moment of Truth) 店頭で商品を⾒たとき SMOT (Second Moment of Truth) 商品・サービスを利⽤したとき

まとめ

⽬指す感性を具現化するための設計への翻訳技術・デザイン・ユーザビリティの開発検証定量調査テキストデータ統計解析による要因抽出⾃然⾔語処理感性

抽出すべき感性

感性情報の抽出 • 景⾊を⾒て綺麗だなと感じる • ⽑布を触って気持ちいいと感じる • 川のせせらぎを聞いて⼼地よくなる • ⾟いものを⾷べて爽快感を得る •
ホテルの⾹りを嗅いで⾼級感があるなと思う商品・サービス等の刺激に対して，5感を通じて処理された感性を調査・解析によって感性情報として表出・抽出する

Plutchik, R. (1980). Emotion: Theory, research, and experience. New York:
Academic ⼈間は8つの基本感情(⼀次感情)を持ち，それらには濃淡がある。基本感情の組み合わせによって，その他の感情(⼆次感情)が⽣まれる。内側ほど感情が強い対⾓線で感情が対になる混合の感情 Plutchikの感情の輪 (Plutchik's Wheel of Emotions)

オノマトペの抽出

⾬が降る ︖

オノマトペの種類擬⾳語擬声語擬⾳語外界の⾳を表した⾔葉 (例)ドアをドンドンたたく動物や⼈の声を表した⾔葉 (例)猫がニャーと鳴くオノマトペ擬態語
(擬容語) 擬声語擬態語様⼦や状態を表した⾔葉 (例)家でごろごろする⼈の⼼を状態を表した⾔葉 (例)わくわくする状態や感情を描写した⾔葉で，感性を含む重要な⼿がかり坂本真樹. (2018). 感性情報学. コロナ.

英語に⽐べて⽇本語には多様なオノマトペが存在する貴重な存在⽇本語と英語のオノマトペ呂佳蓉. (2004). 英語のオノマトペの象徴メカニズム.⾔語科学論集, 10, 99-116. 尾野秀⼀. (1984). ⽇英擬⾳・擬態語活⽤辞典.
北星堂書店. 動詞オノマトペ英訳動詞オノマトペ英訳歩くさっさと to walk quickly 泣くおぎゃーと to mewl せかせかと to walk quickly おんおん to bawl とっとと to walk quickly あーんあーん to bawl すたすたと to walk hurriedly きーきー to screech どしんどしんと to walk stomp along ぎやーぎやー to cry とことこと to trot わーわー to cry noisily そろそろと to walk leisurely しくしく to sob ぶらぶらと to stroll めそめそ to whimper よちよち to toddle わんわん to howl よぼよぼ to walk unsteadily ひーひー to pule

感性の測定

社会⼼理学者のLikertが考案した意味的間隔を等しく配列した尺度1で，得られた評定値をそのまま数値として解析することができる．リッカート尺度 (Likert scales) 1: Likert, R. (1932). A
technique for the measurement of attitudes. Archives of psychology. 2: Carifio, J., Perla, R. (2008). Resolving the 50-year debate around using and misusing Likert scales. Medical education, 42(12), 1150-1152. 3: 萩⽣⽥伸⼦, 繁桝算男. (1996). 順序付きカテゴリカルデータへの因⼦分析の適⽤に関するいくつかの注意点. ⼼理学研究, 67(1), 1-8. どちらともいえないやや当てはまらない当てはまらない当てはまるやや当てはまるリッカート尺度に関する議論 • 評定値を数値として分析するには，各選択肢の間隔が等しいことが条件である • よって，間隔が等しい保証はないため，間隔尺度ではなく順序尺度とすべきと批判がある (間隔尺度︓間隔が⼀定のため数値として扱える，順序尺度︓⼤⼩関係のみを表すため数値にできない) • しかし，多数の研究で経験的に間隔尺度として利⽤できることと有⽤性が⽰されている 2,3

⼼理学者のOsgoodが概念の感情的意味の測定のために開発した⽅法1で，反対の意味を持つ形容詞を両端に置いた評定尺度群で感性を測定する． SD法(semantic differential method)による感性評価 1: Osgood, C. E., Suci,
G. J., Tannenbaum, P. H. (1957). The measurement of meaning. University of Illinois press. ※調査対象者のいい加減な回答を防ぐために，肯定・否定を⽚側に揃えるべきでない⾮常にややどちらでもないやや⾮常に⼒強い繊細な複雑な単純な親しみやすいクールな動的静的穏やかな激しいうきうきしたしみじみした⾼級感のある⼤衆感のある男性らしい⼥性らしい⽣物的な機械的な固い柔らかい古⾵なモダンな落ち着いた賑やかな明るい暗いつめたいあたたかい軽やかな重厚なユーモラスな⽣真⾯⽬な素朴な洗練された進歩的な保守的な派⼿な地味な太い細い

構造化データと⾮構造化データ構造化データは既に⼿垢がついている可能性が⾼く，かつ世にあるデータの80%は⾮構造化構造化データ⾮構造化データ 2次元の表形式データ規則性がないデータ • 定量調査 • ⾃由回答
• インタビュー調査 • 顧客属性データ • 販売データ • ⼝コミ • 商品画像 • ユーザー属性データ • 利⽤ログ • SNS • 写真 • 顧客属性データ • 販売実績(POS)データ • コールセンター • 資料，議事録構造調査 Webサイト (ECサイト) メディア業務システムセンサー • 位置情報データ(GPS) • RFID(商品の電⼦情報タグ) • 監視カメラ映像データ例

構造化されていないテキストデータが増えている現在，多様に活⽤されているテキストデータのビジネス活⽤インプットデータコールセンター SNS 検索ワードニュース記事株主・投資家向け資料特許⾃然⾔語処理
形態素解析係り受け解析⽂書分類要約翻訳検索感情解析 × ビジネス活⽤⾃動応答・応答⽀援 (ロボット・コールセンターなど) 診断 (医療・法務など) 迷惑メール除去・リスク検知レコメンデーション消費者の不満・要求の抽出 (商品企画) プロモーション効果測定

⾃然⾔語処理の基本的な流れ Step 1 形態素解析 Step 2 表記揺れ補正 Step 3 構⽂解析
Step 4 統計解析 • ⾃然⾔語の⽂を⾔語上の最⼩単位(形態素)に分割して品詞や変化を割り出し，出現頻度を算出する • 辞書によって同義語表現を統⼀する • 対象外の⽂章を除外するスクリーニングも⾏う • 形態素間の係り受け構造(⽂法的関係)を判定 • 興味対象語のみの頻度だけでなく，修飾語の頻度も算出 • 数値化されたデータをもとに，可視化や要因評価を⾏う

すもももももももものうち Q. 区切りはどこか︖

形態素解析すもも ︓名詞, ⼀般も ︓助詞, 係助詞もも ︓名詞, ⼀般
も ︓助詞, 係助詞もも ︓名詞, ⼀般の ︓助詞, 連体化うち ︓名詞, ⾮⾃⽴,副詞可能「すもももももももものうち」⾃然⾔語の⽂を⾔語上の最⼩単位に分割し，品詞や変化を割り出す解析庭 ︓名詞,⼀般に ︓助詞,格助詞,⼀般は ︓助詞,係助詞 2 ︓名詞,数⽻ ︓名詞,接尾,助数詞ニワトリ ︓名詞,⼀般が ︓助詞,格助詞,⼀般いる ︓動詞,⾃⽴． ︓記号,句点「庭には2⽻ニワトリがいる．」

表記揺れ補正寿司, お寿司，寿し，鮨，スシ，シースー寿司これらを別の単語として扱ってしまうと，データが細分化してしまい，統計解析の解釈も難しくなる 1 . 分
析の⽬的によって，表記揺れの⽅法は変化する「寿司に対するイメージの把握」であればすべて表記揺れ補正をして良いが，「『寿司』と『鮨』によって与える印象差の把握」であれば分けておく必要がある． 2 . 対象外の⽂章を除外するスクリーニングも⾏う「本⽥技研⼯業」「本⽥技術研究所」「Honda」「ホンダ」は表記揺れ補正するが，「本⽥圭佑」「本⽥翼」「本⽥望結」は除外する． ※「本⽥」はもちろん，「Honda」でも別の対象の場合があるため，⽂章の特徴を踏まえて辞書を整備する必要がある

「メーカーXの⾞Yは，燃費は良いけど，デザインは悪い．」構⽂解析分析したい興味対象語のみの頻度だけでなく，⽂章構造を解析して意図を捉える燃費は良いけど，デザインは
悪い．メーカーX の⾞Y は，メーカーX の⾞Y は，燃費は良いけど，デザインは悪い．形態素解析構⽂解析 (このままでは，⾞Xは何が良くて，何が悪いのかわからない)

可視化・統計解析例︓イメージ調査の⾃由回答における各⾞の感性ワード出現率消費者が⾃由に書いた⽂章には，曖昧さや⽋落などがあるため，同⼀⽂章内での「絶対的な数」ではなく「相対的な数」から解釈する

⾃然⾔語処理の難しさ精度が100%になることは難しく，対象⽂章の特性を踏まえたチューニングが必要 • モーターショーが楽しすぎてやばい。 (ポジティブ) • モーターショーの列が混みすぎててやばい。 (ネガティブ) 意味の変化 •
このキャラクターがかわいすぎる︕︕ (ポジティブ) • ⾃分の年齢だと，このデザインはかわいすぎるかな (ネガティブ) 係り受け構造の曖昧さ同じ単語でも，⽂章によって意味が変化する前後の⽂脈を踏まえないと(踏まえても)，係り受け構造を判断できない • 千葉と埼⽟に⾏った (千葉は県) • 千葉と埼⽟に⾏った (千葉は⼈) • 美しいネックレスをつけた⼥性 • 美しいネックレスをつけた⼥性

⾃然⾔語処理の精度指標両指標を同時に向上するのが困難な場合，適合率を優先してノイズを減らす 1: 那須川哲哉. (2014). テキストマイニングを使う技術/作る技術. 東京電機⼤学出版局. データ全体正解データ抽出データ
A B C 1. 適合率(Precision) ＝抽出したものに誤りは少ないか︖ 2. 再現率(Recall) = 抽出したものは正解を網羅しているか︖ 適合率と再現率の関係1

辞書をつくる労⼒ 1: Zipf, G. K. (1949). Human behavior and the
principle of least effort. Addison-Wesley. 2:那須川哲哉. (2014). テキストマイニングを使う技術/作る技術. 東京電機⼤学出版局. 専⽤辞書整備を怠ると分析精度が⾮常に悪くなるため，その労⼒を惜しむべきではない 1番⽬ 600回 2番⽬ 300回 3番⽬ 200回・・・ 100番⽬ 6回・・・ 1/2 1/3 1/100 … … n番⽬に⾼い頻度で現れる単語は，最も頻度の⾼い単語の1/nの頻度で出現する Zipfの法則(ジップの法則)1,2 語数(出現回数の降順) 全体の語数に対する割合辞書構築の要所

統計解析⼿法の⼀覧⽬的変数説明変数⽤途量的変数質的変数量的変数重回帰分析共分散構造分析(SEM) 数量化I類
説明・予測質的変数ロジスティック回帰分析判別分析数量化II類なし因⼦分析主成分分析クラスター分析多次元尺度構成法(MDS) コレスポンデンス分析(対応分析) ※数量化III類と同様構造化・圧縮

観測した変数の背後に潜んでいる因⼦を明らかにする分析⽅法因⼦分析 (factor analysis, FA) ⽂系能⼒ F1 理系能⼒ F2 国語
X1 社会 X2 英語 X3 数学 X4 理科 X5 e 1 e 2 e 3 e 4 e 5 潜在因⼦(原因) 観測変数(結果) 独⾃因⼦ a11 a12 a13 a21 a22 a23 ※因⼦得点(factor score)︓各因⼦ごとの各個体(対象者)のスコア

直接観測できない潜在変数と観測変数の因果仮説を⽴ててモデリングし，変数項⽬間の関係性の強さを表すパス係数を算出して仮説を検証する⽅法共分散構造分析(structural equation modeling, SEM) ロイヤルティスイッチングコスト推奨意向
ブランド好意満⾜度代替品の少なさ店舗の近さ e 1 e 2 e 3 e 4 e 5 a11 a12 a13 a21 a22 再購⼊ a11 a11

共分散構造分析の適合指標 1: 朝野熙彦, 鈴⽊督久, ⼩島隆⽮. (2005). ⼊⾨共分散構造分析の実際, 講談社. 内容重回帰分析における重相関係数に相当する指標
独⽴モデルを0，飽和モデルを1としたときの相対的な指標重回帰分析における⾃由度調整済み重相関係数に相当する指標カイ⼆乗値が期待値よりも⼤きくなった分を⾃由度・観測値1つあたりで評価した指標相関係数の残差の⼤きさを表す指標基準 0.90以上 0.05以下 GFI (goodness of fit index) CFI (comparative fit of index) AGFI (adjusted goodness of fit index) RMSEA (root mean square error of approximation) SRMR (standardized root mean square residual) 指標共分散構造分析には50以上の指標があるため，複数指標で総合的に判断1

認知消費者が知らないと何も始まらない「買いたいほどではない」では価値ではない「安いなら買う」では価値が低い「1回で⼗分」では利益率が低い (再購⼊意向・推奨意向) コンセプトが理由でなければ再現性が低い購⼊意向⽀払意思額
ロイヤルティコンセプト想起率検証すべき項⽬検証すべき項⽬⽬指すコンセプト(感性・イメージ)を具現化できても，購⼊意向・⽀払意思額・推奨意向等に寄与しなければ意味がない．

まとめ

回帰分析の限界

客観的な性能と異なり，デザインは複雑に関係した総合体であるため，回帰分析のような線形モデルでは，デザイン要素と感性の評価が難しい回帰分析では難しいデザイン評価エクステリアスタイリングフロントライトフロントグリル⾞⾼の低さ優れた要素を組み合わせても，全体として良いデザインにはならない

急速に発展するAI

2011年クイズ番組Jeopardy!のスーパー・スターであるケン・ジェニングズとブラッド・ラターに勝利 IBM. Watsonと名付けられたコンピューター・システム. IBM 100年の軌跡, https://www.ibm.com/ibm/history/ibm100/jp/ja/icons/watson/

De Bruyn, A., Viswanathan, V., Beh, Y. S., Brock, J.
K. U., & von Wangenheim, F. (2020). Artificial intelligence and marketing: Pitfalls and opportunities. Journal of Interactive Marketing, 51, 91-105. 2013年アメリカではAIが導出した再犯予測が法廷の判決に利⽤される image: Freepik.com

Ioffe, S., & Szegedy, C. (2015). Batch normalization: Accelerating deep
network training by reducing internal covariate shift. arXiv preprint arXiv:1502.03167. 2014年 ILSVRCにて，Googleの深層学習による画像識別能⼒が⼈間を超える

Olson, P. (2016). Google makes A.I. history by beating world
'Go' champion. Forbes, March 9, https://www.forbes.com/sites/parmyolson/2016/03/09/google-deep- mind-alphago-go-artificial-intelligence-lee-sedol/#24e0cdc51f25 (last accessed October 1, 2020) 2016年囲碁の世界トップ囲碁棋⼠のイ・セドル九段にGoogleのAlphaGoが勝利

Tesla. (2016).すべてのテスラの⾞両に、将来の完全⾃動運転に対応するハードウェアを搭載します. Tesla, 10⽉20⽇, https://www.tesla.com/jp/blog/all-tesla-cars-being-produced-now- have-full-self-driving-hardware?redirect=no 2016年すべての⾞に将来の完全⾃動運転に対応するハードウェア搭載を発表

Crowe , S. (2017). 10 Most Memorable Robots of 2017.
Robotics Business Review, December 30, https://www.roboticsbusinessreview.com/news/10_most_memorable_robots_of_2017/ 2017年 Boston Dynamicsのロボットが⼈間のように運動するロボットを発表

Maney, K. (2017).ウォール街を襲うAIリストラの嵐. Newsweek, 8⽉3⽇, https://www.newsweekjapan.jp/stories/world/2017/08/ai-17.php 2017年 Goldman Sachsでは，AIによってトレーダーが600⼈から2⼈に

⼩林優多郎. (2018).その広告、実はAIが作ってる︖ アドビのAI｢Sensei｣のすごい実⼒︓Adobe Summit 2018. Business Insider, 5⽉30⽇, https://www.businessinsider.jp/post-164733 2018年
専⾨的なスキルがなくとも，⾃動でクリエイティブが制作可能に

SoftBank. (2020).新卒採⽤選考における動画⾯接の評価にAIシステムを導⼊. SoftBank, 5⽉25⽇, https://www.softbank.jp/corp/news/press/sbkk/2020/20200525_01/ 2020年 SoftBankが新卒採⽤⾯接の評価にAIシステムを導⼊

Waymo. (2020). Waymo is opening its fully driverless service to
the general public in Phoenix. Waymo, October 8, https://blog.waymo.com/2020/10/waymo-is- opening-its-fully-driverless.html 2020年 Google傘下のWaymoは無⼈の⾃動運転タクシーを⼀般消費者に提供開始

AIはどのように判別しているか︖

⾃動で特徴量を抽出するディープラーニング分析者が特徴を指定するのは限界があったが，ディープラーニングは⾃動で特徴を抽出猫の特徴 • 4⾜歩⾏する • ⽝より若⼲⼩さい • 鋭い⽖がある •
尾っぽがある • 髭が⽣えている • ⽿が2つ⽴っていることが多い etc ⼤量の猫の写真 (正例) ⼤量の⽝の写真 (負例) 特徴量抽出

⼈間の識別能⼒を超えたディープラーニング 1: 中⼭英樹. (2015). 深層畳み込みニューラルネットワークによる画像特徴抽出と転移学習. 信学技報, 115(146), 55-59. 1000クラス物体識別タスクのエラー率の推移1 ディープラーニングは，2015年に⼈間の識別精度を上回るレベルに到達

つまり，ディープラーニングによって，⼈間を超える⽬をAIは8年前に⼿に⼊れた

次に，AIが⼿に⼊れようとしているのは考える⼒ (正確には情報の編集)

まとめ

XXX 価値づくりに向けてAIの利⽤で注意すべきことデータパーソナライズバイアスクリエイティブ

「データ＝儲かる」という誤った認識

データの認識⼤量のデータが競争⼒に直結するわけではない • Googleはデータ量が多いから強固なサービスになったのではない • 競争⼒のあるサービスに消費者が集まり，データが蓄積する⾃社のデータは「独占的な宝」ではない • ⾃社で持っているようなデータは，競合他社も持っている •
GoogleやAmazonのように，他社を凌駕する独占的なデータを保有する企業も存在するが，⼀般的な企業には該当しない

商品・サービス企画 • 問題を発⾒し，仮説を⽴て，⾃ら検証して⽣み出したデータ • コンセプトの価値が⽴証されれば，まだ誰も⾒たことがないデータに商品・サービス開発 • コンセプト具現化に不可⽋なこと・排除すべきことを検証したデータ • 試⾏錯誤を積み重ねた回数が多いほど，企業の資産になる
市場投⼊後 • 商品・サービスの利⽤者による⾏動実績とクチコミのデータ • 改善し，価値を⾼め続けていくことは，市場競争の必須条件価値あるデータ仮説をたて，⾃ら検証した結果のデータは，この世に唯⼀の貴重なデータ

One-to-Oneマーケティングへマスマーケティング One to Oneマーケティングすべての消費者に同じアプローチ異質性を踏まえて個別のアプローチ近年は，個のデータを取得できるようになったことから，セグメント別ではなく個別のマーケティングへ

過剰な“プロファイリング” 企業は顧客をプロファイリングして，独⾃の顧客像を設定しがちしかし，ショートケーキとチョコレートケーキを買う⼈はほとんど同じ属性。明らかに規模・価格帯・イメージが違う場合を除いて，企業は同様な顧客を相⼿にしている。ブランドA 顧客セグメントブランドB 顧客セグメントブランドC 顧客セグメント

One-to-Oneマーケティングの問題点商品の種類を増やすほど，ブランド低下・コスト増加してしまう．テレビ広告でも，種類を増やすほど⼀貫性が崩れ，コストも⼤きい．パーソナライズするほど種類を増やせない消費者は，多すぎる選択肢だと，負担が⼤きく，満⾜度が低下．選択肢をやみくもに増やすことは，消費者の購⼊⾏動を妨げる．多すぎる選択肢は満⾜度を下げる個⼈の属性・位置情報・Web閲覧等を収集されるだけで抵抗感
があり，パーソナライズが当たりすぎると気持ち悪い印象を抱く．過度なパーソナライズは消費者に嫌悪感キャンペーンやDMの反応率を上げることが⽬的となってしまい，「販売を不要にする価値づくり」から逸脱していく．価値づくりの思考が停⽌する

Steve Jobsのラインナップ改⾰ 1: 松井博. (2012).僕がアップルで学んだこと環境を整えれば⼈が変わる、組織が変わる.アスキー・メディアワークス. Steve JobsはApple復帰後に，乱⽴していたPCのラインナップを対象者×形状の4種類のみに絞り，ブランドを⾼めた1 iMac
Power Mac iBook PowerBook Desktop Laptop Professional Consumer Image from Apple

「プライバシーを守る」という差別化 1: Apple.プライバシー. https://www.apple.com/jp/privacy/ 2: 瀧⼝範⼦. (2016) Apple対FBIの「ロック解除論争」. ⽇経ビジネス. 2/29,
https://business.nikkei.com/atcl/report/15/061700004/022600085/ プライバシーは基本的⼈権であり，Appleの中⼼にある⼤切な理念の⼀つ．⾃分の情報を⾃分でコントロールできるようにApple製品を設計している．それが私たちの信じるイノベーションである．1 個⼈情報に対するAppleの考え⽅ • Safariのトラッキング防⽌によって，インターネット広告から追いかけられない • マップアプリは，⾏き先の履歴を保存せず，ID紐づけもしない • Siriは，Apple IDと結びつけず，個⼈情報を収集しない • FBIから犯罪捜査のための依頼でも，パスコードを開封することはしない2

GoogleのCookie廃⽌の決断 • ChromeのサードパーティCookie*のサポートを段階的な廃⽌を発表1 *第三者の広告主や広告サーバー等から送られるもので，Web上の⾏動を追跡し，リターゲティング広告に利⽤される • Chromeのプライバシーに対する配慮を強化する戦略へ1 • ユーザーが知らないうちに，Webの⾏動を把握されることから，プライバシー問題が指摘されていたため，AppleのSafariはサードパーティ
Cookieを受け付けないようにしている2 1: Lardinois, F. (2020). Google wants to phase out support for third-party cookies in Chrome within two years. TechCrunch, January 15, https://techcrunch.com/2020/01/14/google-wants-to-phase-out-support-for-third-party-cookies-in-chrome-within-two-years/ 2: ⽇経Xtrend. (2020). 「広告主」もがっかりグーグルのクッキー離脱代替技術加速か. 1/23, https://xtrend.nikkei.com/atcl/contents/18/00109/00068/

顧客情報を提供するモチベーションデータの収集が価値につながっていれば，顧客は喜んでデータを差し出す情報提供のモチベーション高い情報提供のモチベーション低い顧客価値志向⽬先の売上志向顧客データを⽤いた商品・サービス価値向上が主⽬的 (例)Google mapのGPS
Youtubeの閲覧履歴顧客データ分析に基づく販売向上が主⽬的 (例)望まないレコメンド販促キャンペーン

AIのアウトプットの良し悪しは，データの良し悪しが⼤部分を決める Garbage in, garbage out AI

1: De Bruyn, A., Viswanathan, V., Beh, Y. S., Brock,
J. K. U., & von Wangenheim, F. (2020). Artificial intelligence and marketing: Pitfalls and opportunities. Journal of Interactive Marketing, 51, 91-105. 蓄積データのバイアスが⽣み出す差別再犯予測プログラムCOMPAS1 • COMPASが予測した再犯の可能性から，6年の有罪判決 • アルゴリズムが明かされていないCOMPASに，被告は不服をとして控訴 • 控訴審では「被告の権利を侵害していない」と結論づけたが，「⽩⼈より⿊⼈の⽅が危険性を⾼く評価するバイアスがある」と注意書きを明記するよう指⽰蓄積したこの傾向に⼈種差別があると，予測値には差別が常態化有罪無罪蓄積データ予測値⾼い有罪率低い有罪率

1: Tane, K. (2019).実在しない⼈の顔写真を無限に⽣成できるWebサイトが公開. Engadget, 2⽉18⽇, https://japanese.engadget.com/jp-2019-02-17-web.html 2: 毎⽇新聞. (2019).
AI「⼀茶君」が詠んだ燃える恋の⼀句とは︖. 6⽉29⽇, https://mainichi.jp/articles/20190629/k00/00m/040/206000c 3: Ciment, S. (2020). ｢⼈間が書いたように｣広告コピーを⽣み出す⼈⼯知能に⼤反響。ヒルトンホテル、イーベイ、ドミノピザが導⼊. Business Insider, 3⽉19⽇, https://www.businessinsider.jp/post-208863 4: Goode, L. (2018). AIは「映画監督」になれるか︖ ⾃動⽣成された不気味な映像作品から⾒えてきたこと. Wired, 6⽉25⽇, https://wired.jp/2018/06/25/ai-filmmaker-zone-out/ 創造するAI デザイン実在しない⼈の顔を AIが2秒で描画1 俳句俳句を学習させたAIが⾃動で俳句を⽣成2 広告 AIがコピーを⾃動⽣成するサービスが実⽤化3 映画 AIが脚本・監督を務めた映画『Zone Out』は48時間で製作4

マーケティングとAI

マーケティングとAI 解決したい問題に対して，有効な⼿段の探索は，常に⾏うべき重要な仕事である技術・AIは，デザイン・UXと同じく実⽤的＋⼼理的な問題解決の1つの⼿段である．マーケターとして， • 価値づくりという⽬的をいつ何時も忘れてはならない • 有効な1つの⼿段であるAIに無関⼼であってはならない •
⽬的に合致する⼿段を，常に探し続けなければならない

R&D (Research and Development) マーケターが解決すべき問題を提⽰できないと，何の精度を向上すればいいか不明リサーチディベロップメント • マーケター・リサーチャー •
潜在的な問題と因果関係の解明 • 問題に対する仮説検証 • エンジニア • 世に出せるよう精度を向上 • 機械学習・ディープラーニング

(現時点での)ディープラーニングの限界⼤量の変数が複雑に関係して結果を算出するため，解釈性が低い → ビジネスの意思決定に使いにくい，⾃動運転の事故原因がわからない解釈の難しさ画像を意味ではなくビットで，⽂章を意味ではなく共起で処理している → ⽂脈や感情を踏まえて判断することが難しい意味を理解していない
⼤量の変数間の相関関係を抽出できるが，因果関係を区別できない → ビジネスの問題を解決する有効な施策の⽴案が難しい因果と相関を区別できない膨⼤な量のデータを学習する必要があり，出⼒される結果もデータに依存 → データがないと難しい，新しい価値を創造することが難しい膨⼤なデータが必要

ただし，技術は発展するそこに価値があるならば，時間はかかっても，技術⾰新によって少しずつ実現するその道の巨匠が「できる」と⾔ったら確実にできる，その道の巨匠が「できない」と⾔っても⼤抵はできる

まとめ

まとめ • 感性⼯学は，あいまいな消費者の感性を調査で取得し，統計解析によって要因を抽出し，設計へ落とし込む技術である • 価値づくりにおける感性⼯学の役割は，定義したコンセプトを具現化した時に，コンセプトが想起される状態になっているかの検証である • ディープラーニングに代表されるAIは⽇進⽉歩で進歩しているため，価値づくりの有効な1つの⼿段としてマーケターは常に理解すべき

Affective Engineering

Affective Engineering

More Decks by Takumi Kato

Other Decks in Marketing & SEO

Featured

Transcript