DataMix卒業発表_坂井努_商品検索＆recommendシステム

Transcript

1. 商品検索 ＆ recommend システム 〜店舗接客で recommendを〜 坂井 努
2. ⽬次 1. 分析対象 2. ビジネス課題 3. 解決策 4. 使⽤するデータ 5. 分析⼿法 6. 従業員レビュー 7. ビジネス インパクト 8. 今後の課題
3. 1. 分析対象 ・イオンキッズリパブリック イオンリテール（株）が運営するベビー・ キッズの専⾨店 全国のイオンの他、ショッピングモールに 出店している 「⾚ちゃん本舗」「⻄松屋」などが競合店
4. 2.ビジネス課題 ①商品をテキスト検索する システムがなく ②かつ在庫検索に JANコードが必要なため ③他社サイトで商品検索して 商品を特定し、 JANコードを調べている イオンキッズリパブリックでは、お客さまからの商品問い合わせに 対応する際、3つの問題を抱えている
5. 従業員が⾃社システムで商品をテキスト検索でき、そこからJAN コードを参照、在庫検索システムに連携できる仕組みを構築する 3-1.解決策 ①商品テキスト検索 ＆バーコード表⽰ ②在庫検索 システムとの連携 ③店頭在庫確認 ④お買い上げ
6. ただ商品をテキスト検索するだけでは、どこにでもある検索システム にしかならない。DataMixで学んだことを活かさなければ︕ 3-2.解決策+付加価値機能の追加 ①商品テキスト検索 ＆バーコード表⽰ ②在庫検索シス テムとの連携 ③店頭在庫確認 ④商品 recommend ⑤買上点数増加 ④売上増加
7. 4-1.使⽤するデータ t q t q 8 g u g u y l~ n u H k OV a :8 EHL V aMMi jq MMg u HE : I 8HL c Tg u o 50/ 3461/ ~d g se u h mo _ u p H : 9H8 g u 8A H r H I- I E I!8 E I 8H ! I E . I- I E I!8 E I 8H ! EE I . 2 72! mq c t q e b
8. 4-2.使⽤するデータ データはキッズリパブリックECサイトの商品マスタを使⽤ 全体の件数13,533⾏のデータ これを今回は「ゲーム・おもちゃ」ジャンル3,934⾏データに 絞り込み分析を進める
9. Pythonライブラリ「Whoosh」を⽤いて検索の仕組みを構築 5-1.分析⼿法【全⽂検索】 準備編 準備① DataFrameから検索に必要なデータ 抜きだしてまとめる 準備② インデックスファイルを作成する
10. 「Whoosh」 を使⽤する際の要点 5-2.分析⼿法【全⽂検索】準備編 まず初めに全⽂検索のためのSchemaと ディレクトリを作成 Schemaの引数はsku(jan)、item、img、 productsummaryを設定 （stored=True）は情報を保存しておく ための設定 もともと英語を想定して作られているの で、単語の間に空⽩が無い⽇本語で⾏う 場合は、⽂章を単語分割する必要がある そのため今回は「NGRAM」で情報を保 存する
11. 任意の⽂字列や⽂書を連続したn個の⽂字で分割するテキスト分割⽅法。 特にnが1の場合をユニグラム（uni-gram）、2の場合をバイグラム （bi-gram）、3の場合をトライグラム（tri-gram）と呼ぶ。 最初の分割後は1⽂字ずつ移動して順次分割を⾏う。図書館情報学の分 野では検索システムにおける索引の⾃動抽出においてよく⽤いられる。 例えば「図書館情報学」をバイグラムで分割すると、「図書」「書館」 「館情」「情報」「報学」となる。 形態素解析を⾏って単語境界を識別して分割する⽅式と⽐べ検索漏れが 起きにくい。分割が機械的で容易なため多⾔語への対応が容易などの⻑ 所がある。しかし情報検索や⾃動分類へ応⽤する際にはノイズが多くな る。転置ファイルのサイズが⼤きくなるなどの短所がある。 5-3.分析⼿法【全⽂検索】 NGRAMとは コトバンク「Nグラム」より抜粋
12. Pythonライブラリ「Whoosh」を⽤いて検索を⾏う 5-4.分析⼿法【全⽂検索】 検索編 作成したインデックスに対しsearcherやQueryParserを⽤いる ① 変数input︓検索したいテキストを代⼊ ② 作成済みのスキーマに保持しているitemとinputを⽐ 較して検索 ③ 検索結果をresultに検索結果を返す ※デフォルト設定では10件までしか結果を返さないので、 limit=で結果の取得数を変更
13. 検索結果の他に、画像とバーコードを表⽰する仕組みも加える。 5-5.分析⼿法【全⽂検索】 機能編 商品画像描写 インターネット上の画像を 取得し、BytesIO を経由して Pillow でファイルに保存/表⽰ バーコード作成 Python-barcodeを使⽤して、 JANコードからバーコードを 作成する バーコード表⽰ 画像として保存したバーコード をmatplotlibで表⽰する
14. 5-6.分析⼿法【全⽂検索】 実⾏編 準備と機能追加が 済んだので、検索 を実⾏する。 動画は「仮⾯ライ ダー ゼロワン」 を検索
15. ・from janome.tokenizer import Tokenizer を使って形態素解析を実⾏ ・「名詞」「形容詞」を抽出し、新column 「title_tokenized」を⽣成 5-7.【recommend】 形態素解析編 今回は「商品名」＋「商品説明」でまとめたテキストを形態素解析する。
16. 【問題点】 「すみっコぐらし」をひとつの単語として認識し たいが、結果は「コ」「ぐらし」に分かれてしま い、単語の抽出がうまくいかなかった。 5-8.【recommend】 形態素解析編 うまく形態素解析できたか検証 概ね問題なかったが「すみっコぐらし」が・・・
17. 5-9.【recommend】 形態素解析編 Janomeで使⽤されている標準の辞書を確認 どうやら標準では「ipadic」が 使われているようだ。 これを新語に対応した辞書 「Neologd」に変更して再度、 形態素解析を実⾏
18. 5-10.【recommend】 形態素解析編 「Neologd」を使⽤するため、ツールを「MeCab」に変更 ・Mecabをインストール ・辞書をNeologdに変更
19. 今度はうまく「すみっコぐらし」が抽出できている︕ 5-11.【recommend】 形態素解析編 うまく形態素解析できたか再検証 Janome MeCab
20. 5-12.【recommend】アルゴリズム編 検索結果からお客さまが求める商品を⾒つけ、その商品を選択す ると類似度の⾼い商品をrecommendする仕組みを構築する skip-gram • ある単語を⼊⼒した時、その周辺に どのような単語が現れやすいか予測 することをモデル化 word2vec • 抽出された各単語を、作成した word2Vecによってベクトル化 cosine類似度 • 変換された各単語ベクトルの平均 をとり、その結果得られたベクト ルを商品のベクトルとする
21. 5-13.【recommend】アルゴリズム編 ウルトラマンの 「ダダ」を選んだら ディズニー「アリエル」が １番にrecommendされた・・・
22. Word2vec + cosine類似度 今回は商品名＋商品説明でまとめたテキストをword2vecのskip- gramモデルで単語ベクトルを作り、変換された各単語ベクトルの 平均をとって、その結果得られたベクトルを商品のベクトルとした。 それをcosine類似度によって⽐較し、⾼いものを抽出して recommendする仕組みを構築した。 結果は・・・イマイチ。周辺語の関係性から意味が近い単語を当て にいくよりも、検索した商品に含まれる単語⾃体を⽐較した⽅が良 さそうなので、他のアルゴリズムに挑戦してみました。 5-14.【recommend】アルゴリズム編
23. 5-15.【recommend】アルゴリズム編 検索した商品に含まれる単語⾃体の⽐較に重点を置く そのためJaccard係数を⽤いたアルゴリズムに変更 Jaccard係数 •2つの集合に含まれている要素のうち共通要 素が占める割合を⽰し、係数は0から1の間 の値をとる Jaccard係数が⼤き いほど2つの集合の 類似度は⾼い︕ 参照︓https://mieruca-ai.com/ai/jaccard_dice_simpson/
24. 5-16.【recommend】アルゴリズム編 今度はちゃんと ウルトラ怪獣シリーズが recommendされた︕
25. Jaccard係数 今回はword2vecとは違うアプローチでrecommendを試みた。 周辺語の関係性から意味が近い単語を当てにいくのではなく、 検索した商品に含まれる単語⾃体をJaccard係数を⽤いて⽐較。 単語もベクトル化せずに単語そのものを使⽤したことにより、 類似商品をレコメンドする精度は格段に向上した。 よって今回の試作システムではこちらのrecommendアルゴリ ズムを採⽤する。 5-17.【recommend】アルゴリズム編
26. Jaccard係数の下限は 検証した結果 0.35~0.4が妥当と 判断 5-18.【recommend】 実⾏編 Jaccard係数からrecommend商品を抽出 条件① Jaccard係数('0.35 <= jaccard_count < 1ʼ) 条件② 降順で最⼤10個まで表⽰
27. 5-19.【recommend】 実⾏編 アルゴリズムが決定し たので実⾏＆表⽰。 動画は「仮⾯ライ ダー」を検索後、 「仮⾯ライダーゼロワ ン 変⾝ベルトDXエイム ズショットライザー」 を選んだ場合の recommend商品
28. 【Good︕】 ・テキストで商品検索できるのが便利 ・JANコード、画像、バーコードが表⽰されるので、商品が特 定しやすく、その後の在庫検索システムとの連携が取りやすい 【Just a little more︕】 ・商品検索が「ひらがな」「カタカナ」を正しく⼊⼒しないと 検索結果として出てこない ・スマホでバーコードを表⽰してみたが、ハンディターミナル で読み込めなかった。紙に印刷したら読み込めた 6. 従業員レビュー
29. 7-1. ビジネスインパクト とある店舗の12⽉の状況で試算 買上点数UP による 売上増加 ＋ 初期値 買上点数 ＋0 .1 買上点数 ＋0 .2 買上点数 ＋0 .3 買上点数 ＋0 .4 買上点数 ＋0 .5 客数 1 0 ,6 1 8 1 0 ,6 1 8 1 0 ,6 1 8 1 0 ,6 1 8 1 0 ,6 1 8 1 0 ,6 1 8 客単価 4 ,1 6 0 4 ,2 3 9 4 ,3 9 1 4 ,5 4 2 4 ,6 9 3 4 ,8 4 5 点数 2 9 ,1 8 3 2 9 ,7 3 0 3 0 ,7 9 2 3 1 ,8 5 4 3 2 ,9 1 6 3 3 ,9 7 8 買上点数 2 .7 2 .8 2 .9 3 .0 3 .1 3 .2 1 点単価 1 ,5 1 4 1 ,5 1 4 1 ,5 1 4 1 ,5 1 4 1 ,5 1 4 1 ,5 1 4 売上 4 3 ,4 0 4 ,2 6 0 4 5 ,0 1 1 ,8 2 6 4 6 ,6 1 9 ,3 9 1 4 8 ,2 2 6 ,9 5 6 4 9 ,8 3 4 ,5 2 1 5 1 ,4 4 2 ,0 8 6 増加額 0 1 7 ,6 4 8 ,5 8 5 3 ,2 1 5 ,1 3 0 4 ,8 2 2 ,6 9 6 6 ,4 3 0 ,2 6 1 8 ,0 3 7 ,8 2 6 売上を以下の通り押し上げる効果を⾒込む ごめんなさい。⾮公開です。 単位︓円
30. 7-2. ビジネスインパクト とある店舗の12⽉の状況で試算 接客時間 削減 − 接客時間の短縮によりお客さま待ち時間は減少 するが、コスト換算のインパクトは⼤きくない。 ⽉間の削減時間を従業員の指導、教育などにあ てることによって接客レベルの向上を⽬指す 89 2 0 2 0 0 79 0 0 ( ( , ( % ( ( % ( ( , % ( ( 1 . -5 6 - 4 3 ごめんなさい。⾮公開です。
31. 【改善点】 ① 商品検索で「ひらがな」「カタカナ」など表記が揺れても検 索できるようにする ② バーコードをハンディターミナルで読める画⾯で表⽰させる 【今後updateしたいこと】 ① レコメンドアルゴリズムにID/POSデータを使⽤した協調 フィルタリングの仕組みを取り⼊れる ② 商品情報に棚番号を付与して、店頭在庫の位置を表⽰し、 従業員が速やかに商品までたどり着けるようにする 8. 今後の課題
32. 最後に 採⽤難、⼈材不⾜、教育不⾜の昨今、⼩売 従業員はどうやってお客さまの要望を的確 に把握し、求められる以上の提案で満⾜度 を⾼めていくのか。 その答えのひとつとして店舗接客による recommendを提案しました。 データ分析、機械学習、システム等をさま ざまな課題解決の⼿段として活⽤していく。 その取組みをイオングループ全体で実⾏し ていきます。