マーケティングにおいてデータマイニングがどのように活用されているか興味があったので、データドリブンマーケティングという本を読みました。
マーケティングに関して幅広く取り扱っている内容ですが、今回の目的に合致するのは9章でしたので、そこを読んで学んだことをメモしようと思います。
適切なタイミングで、適切なターゲットに、適切な商品を
One to One、パーソナライズなんて言葉をよく聞くようになりました。
これは一人ひとりの顧客の属性、行動傾向に合わせて、個別にマーケティング施策を行うことを言います。
たとえばEメールマーケティングの文脈では、かつては同じ内容で同じオファーのメールを全員に送信していましたが、現在はたくさんのデータから判断して顧客をセグメント化し、適切なタイミングで異なるオファーを送ることで効果を最大化しています。
それでもって適切なターゲティングと適切なオファーを行うためには、3つの分析のアプローチがあると書いてありました。
以下の3点です。
①傾向分析モデル
②アソシエーション分析
③決定木分析
それぞれ見ていきます。
①傾向分析モデル（ネクストベスト・オファーモデル）
これは、各顧客が特定の商品を購入する傾向があるかどうかを点数化するもの。
（特に、顧客の属性と以前に購入した商品から次に購入する可能性の高い商品を予測するアプローチ）
メレディス社という会社の、雑誌定期行動者向けのメール配信に関しての事例が紹介されていました。
各雑誌ごとに、
・登録を行ったウェブサイト
・年齢
・趣味、興味
・子供の年齢
・住んでいる地域
・他に定期購読している雑誌
等等
のたくさんの変数から、ロジスティック回帰のアルゴリズムを用いて、各雑誌ごとに購入されやすさを点数化。
一番点数の高い商品を、その顧客にその週におすすめするベスト商品だと判断する。
といった活用のされ方でした。
②アソシエーション分析
アソシエーション分析についてはほんの20行程度しか触れられていませんでしたが、あのアマゾンのレコメンドのやつです。
このパソコンを購入した人はこのケーブルも購入していますよ、みたいな連関を発見する分析を指します。
分析結果により得られた「おすすめ」はアソシエーションルールと呼ばれ、このアソシエーション分析は特に小売店でよく利用されているそうです
③決定木分析
決定木はどうやら他の2つよりも重要なのか、文量が比較的多く割かれていました。
決定木はデータをふるいにかけて、ふるいを通過するグループと通過しないグループに分けていく分析手法。
例えば、ダイヤルアップ接続サービスの顧客全体に対して、解約した顧客に1を、継続した顧客に0のラベルをつけ、
・コールセンターに電話をかけて聞いてきたか？
・月間の利用回数が○回以上かどうか？
・Eメールサービスを利用しているかどうか？
などの条件（属性やイベント）で分岐していき、1と0を分類します。
こうすることで、どの要因が解約者と継続者をわけたのかということがわかります。
それによって解約を減らすための施策としてどんなことが適切かがわかります。
この事自体はロジスティック回帰等ほかのアルゴリズムを用いてもできますが、決定木は結果をビジュアル化できて結果の解釈がしやすい点と、データがかけていたり極端な外れ値が存在していても機能するのが強みで扱いやすいです。
※施策の効果測定に関して
施策のインパクトを図る際に、
「マーケティング施策を行ったグループ」VS「それ以外の全体」とやりたくなりますが、こうするとインパクトが小さく感じることが多いそう。
本当の効果を知るためには、「オファーを受け取った顧客」VS「オファーを受け取らなかった類似顧客」の比較を行ったほうがいいよ、というアドバイスが一番印象に残りました。
おわり
思ったほど収穫ががありませんでしたが、現在学んでいる機械学習の知識は仕事でこう活かしていけばいいんだ、というヒントを得られた気がします。
ここで書いたのはほんの一部で、『データ・ドリブン・マーケティング』の本自体は、マーケティング全般に関して広く書いてあります。
CLTVとかROIとか、よく聞くけどどういう意味かわからない、なんて人も手に取ってみると面白いと思います。
最後までよんでいただきありがとうございました。
最近のコメント