分析、セグメント、レコメンドを一気通貫に提供

　 山田氏が代表を務めるアクティブコアは、顧客軸での分析・レコメンド・マーケティングオートメーションをワンストップで実行できる「アクティブコア マーケティングクラウド」を提供している。

　 同社は、顧客IDを軸に統合したデータをもとに、顧客を可視化・分析し、レコメンド・マーケティングオートメーションをワンストップで実現する仕組みを開発し、特許を取得している。

　 本講演では、機械学習やディープラーニングの概論を展開したのち、プライベートDMPでデータ統合し「個客」にアプローチする方法を紹介。最後には、プライベートDMPに対して機械学習およびディープラーニングを活用して成果を拡大するための最新手法を解説していく。

マーケティングで活用されるAIとは

　まず山田氏は人工知能（以下、AI）についての概論を展開していく。AIとは、ジョン・サールの定義によれば「コンピュータを用いて人間と同様の知能を実現させること」を意味している。

　「一般に言われるAIは、人間が知能で行っていることを機械にさせるもので、具体的に言えば、人間の思考パターンを機械で置き換えるものです」（山田氏）

　このようなAIの一つである機械学習とは、確率・統計モデルに基づくパターン認識を指している。与えられたデータからいくつかのパターンを認識・学習し、未知のデータを分類・予測するものだ。手法としては、ニューラルネットワークや決定木（デシジョンツリー）、ランダムフォレスト、SVM（サポートベクトルマシーン）、クラスタリングなどがある。

　機械学習の本質は、正解との誤差から学習モデルを更新することにある。まず学習用のデータをもとに学習モデルを構築する。そのモデルに入力データを入れて得られた予測データと、正解である教師データと突き合わせる。そして、その誤差を学習モデルにフィードバックする。

　次に、本番データを入力して、予測や分類を行いグルーピング・売り上げ予測・クラスタリング・レコメンド・アラートを実施しながら、随時モデルを更新し続けていくのである。

機械学習の限界とディープラーニングのインパクト

　機械学習の課題は、機械が正しく学習するために適切なデータを用意しなければならないことにある。

　「機械はどのようなデータが適切かわからないので、データは人間が用意してあげる必要があります。そしてデータの内容として、性別があったほうがいいのか、年齢があったほうがいいのか、会社規模があったほうがいいのか、といったことは人間が考える必要があるのです」（山田氏）

　次に、機械学習の弱点として、特徴量設計ができないことが挙げられる。特徴量とは統計モデルにおける説明変数のことで、目的となる変数を説明してくれる要素だ。サイト訪問者の購入が目的変数だとすれば、サイト訪問の有無やメルマガ流入の有無といったことが説明変数や特徴量となる。特徴量設計とは、こういった注目すべき特徴を定量的に表して、機械に与えることを意味する。

　この機械学習の弱点を克服したのが、ディープラーニングである。ディープラーニングでは特徴抽出をアルゴリズムに組み込むことが可能になる。どの特徴を抽出すべきかを機械に学習させることができるのだ。

　昨年、プロ棋士に勝利して有名になったアルファ碁は、機械学習である教師あり学習とディープラーニングを組み合わせてモデルを精緻化できることが強みだった。まず教師あり学習で予測モデルを構築し、それを初期値として深層強化学習で改良していくことが、アルファ碁の予測能力を飛躍的に向上させたのだった。