Affective Engineering

消費者の感性⼯学を科学する感性⼯学
明治⼤学商学部加藤拓⺒
Marketing #08

View Slide

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

View Slide

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

View Slide

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

View Slide

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

View Slide

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

View Slide

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︖

View Slide

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

View Slide

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

View Slide

アジェンダ
4. AIの注意点
5. まとめ

View Slide

検証
感性

View Slide

抽出すべき感性

View Slide

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

View Slide

Plutchikの感情の輪 (Plutchik's Wheel of Emotions)
Plutchik, R. (1980). Emotion: Theory, research, and experience. New York: Academic
Image from Wikipedia(By Machine Elf 1735)
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
Image from:Wikipedia
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。

View Slide

Russell, J. A. (1980). A circumplex model of affect. Journal of personality and social psychology, 39(6), 1161.
⼈間の感情を快不快(valence)と覚醒眠気(arousal)という2軸で整理
Russellの円環モデル (Russell's circumplex model of affect)
快
不快
覚醒
眠気
怒
哀
喜
楽
興奮
明るい
嬉しい
幸福
警戒
怒り
悩み
不愉快
リラックス
平穏
安⼼
満⾜
疲れ
退屈
憂鬱
悲しみ

View Slide

オノマトペの抽出

View Slide

⾬が降る
︖

View Slide

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.

View Slide

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

View Slide

感性の測定

View Slide

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

View Slide

「どちらともいえない」を⼊れるべきか︖
1: 盛⼭和夫ら. (1992). 社会調査法. 放送⼤学教育振興会.
2: 吉野諒三，林⽂，⼭岡和枝.(2010).国際⽐較データの解析:意識調査の実践と活⽤.20-95，朝倉書店.
3: Chen, C., Lee, S. Y., Stevenson, H. W. (1995). Response style and cross-cultural comparisons of rating scales among East Asian and North American students. Psychological Science, 6(3), 170-175.
4: Saris, W. E., Gallhofer, I. (2007). Estimation of the effects of measurement characteristics on the quality of survey questions. Survey research methods, 1(1), 29-43.
5: Garland, R. (1991). The mid-point on a rating scale: Is it desirable. Marketing bulletin, 2(1), 66-70.
6: Weems, G. H., Onwuegbuzie, A. J. (2001). The impact of midpoint responses and reverse coding on survey data. Measurement and Evaluation in Counseling and Development, 34(3), 166-176.
「どちらともいえない」の扱いはどちらとも⾔えず，性質を踏まえて設計すべき
l 強制回答は意図に反する
l 同じ回答選択に異なる
集団が混在することになり，
測定誤差が⼤きくなる4
l 「どちらでもない」が選択で
きない場合，回答に偏り
が⽣じる5,6
分布の変化
強制的に⽅向付けた回答
⼊れる
⼊れない
どちらともいえない
l 5件法では中間回答が
集まってしまう懸念
l いずれかの意⾒を聴取した
い場合に4件法を利⽤1
l ⽇本⼈は両極端を避ける
中間回答傾向がある2
l アメリカよりも中間回答が
多くなる実証も存在する3
⽇本⼈の回答傾向の配慮
中間回答の防⽌

View Slide

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

View Slide

SD法による異⽂化⽐較
1: Oyama, T., et al. (2008). Similarities in form symbolism among various languages and geographical regions. Psychologia, 51(3), 170-184.
アメリカは喜び・動的，⽇本や台湾は静か・静的を幸福と捉える傾向がある
各国の「幸福」に対するSD法の評価結果1

View Slide

検証
感性

View Slide

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

View Slide

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

View Slide

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

View Slide

すもももももももものうち
Q. 区切りはどこか︖

View Slide

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．」

View Slide

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

View Slide

「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)

View Slide

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

View Slide

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

View Slide

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

View Slide

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

View Slide

検証
感性

View Slide

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

View Slide

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

View Slide

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

View Slide

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

View Slide

検証
感性

View Slide

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．

View Slide

アジェンダ
4. AIの注意点
5. まとめ

View Slide

回帰分析の限界

View Slide

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

View Slide

急速に発展するAI

View Slide

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

View Slide

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

View Slide

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

View Slide

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

View Slide

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

View Slide

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

View Slide

AIはどのように判別しているか︖

View Slide

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

View Slide

つまり，ディープラーニングによって，
機械は⼈間を超える⽬を⼿に⼊れた

View Slide

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

View Slide

ディープラーニングで顔の特徴量を抽出し，精度99.6%で⼈物識別に成功1
ディープラーニング(深層学習)の台頭
1: Schroff, F., Kalenichenko, D., Philbin, J. (2015). Facenet: A unified embedding for face recognition and clustering. In Proceedings of the IEEE conference on computer
vision and pattern recognition, 815-823.
誤って同⼀⼈物と判定した例誤って別⼈物と判定した例

View Slide

⼈間が評価した「綺麗という感性」の値を学習し，
⼈間が美しいと感じる⾊彩や明暗のレベルを⾃動調整1
「綺麗さ」を学習するディープラーニング
1: Talebi, H., Milanfar, P. (2018). NIMA: Neural image assessment. IEEE Transactions on Image Processing, 27(8), 3998-4011.
最も⾼いスコア最も低いスコア

View Slide

画像認識と⾃然⾔語処理の応⽤
1: Karpathy, A., Li, F. (2014). Automated Image Captioning with ConvNets and Recurrent Nets. https://cs.stanford.edu/people/karpathy/sfmltalk.pdf
2: Kiros, R., Salakhutdinov, R., Zemel, R. S. (2014). Unifying visual-semantic embeddings with multimodal neural language models. arXiv preprint arXiv:1411.2539.
画像からの⽂章⽣成1 画像と単語の演算2
画像から物体・⾊の特徴を抽出し，
画像と⾔葉での演算を可能に
CNNによって画像を認識し，
RNNによって⽂章を⽣成
画像処理と⾃然⾔語処理の技術が発展し，組み合わせた評価・⽣成が盛んに研究

View Slide

アジェンダ
4. AIの注意点
5. まとめ

View Slide

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

View Slide

「データ＝儲かる」という誤った認識

View Slide

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

View Slide

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

View Slide

“失敗作”がそこら中に転がっているか︖
1: Loftus, J. (2011). Praising Failure: James Dyson Talks Vacuum's 5,127 Prototypes. Gizmodo, https://gizmodo.com/praising-failure-james-dyson-talks-vacuums-5-
127-proto-5790556
2: Dyson. https://www.dyson.co.jp/community/about-dyson.aspx
• 2,627台⽬の段階で資⾦が尽きてしまう懸念が発⽣1
• 5年の歳⽉をかけ，5,127台の試作品を経て，開発に成功2
｢吸引⼒の変わらないただ⼀つの掃除機｣
サイクロン掃除機のプロトタイプは，5,127台
Image from Dyson

View Slide

XXX

View Slide

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

View Slide

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

View Slide

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

View Slide

「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

View Slide

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/

View Slide

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

View Slide

XXX

View Slide

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

View Slide

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

View Slide

XXX

View Slide

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

View Slide

AIは過去のデータに依存する
• 良いアウトプットを出すには，良いインプットが必要である。よって，
AIに創造を任せた企業は，他社の成果を学習させてもらうことになる
• 過去の傾向から⾶び出て，新たに価値を⽣み出すことはできないため，
他社の模倣を効率的に⾏うことしかできなくなる
• 考えることを放棄した企業は，再度考える⽂化を定着することが困難

View Slide

マーケティングとAI

View Slide

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

View Slide

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

View Slide

(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

View Slide

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

View Slide

アジェンダ
4. AIの注意点
5. まとめ

View Slide

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

View Slide

END

View Slide

Affective Engineering

Affective Engineering

Takumi Kato

More Decks by Takumi Kato

Other Decks in Marketing & SEO

Featured

Transcript