SHOEISHA iD

※旧SEメンバーシップ会員の方は、同じ登録情報(メールアドレス&パスワード)でログインいただけます

おすすめのイベント

  • MarkeZine Day 2020 Autumn Kansai

おすすめの講座

  • [11月12日]Googleアナリティクス実践講座~基本操作編

おすすめのウェビナー

  • MarkeZine Day 2020 Autumn Kansai

マーケティングは“経営ごと” に。業界キーパーソンへの独自取材、注目テーマやトレンドを解説する特集など、オリジナルの最新マーケティング情報を毎月お届け。

定期誌「MarkeZine」

第62号(2021年2月号)
特集「D2Cビジネス成功の法則」

定期誌購読者なら
誌面がウェブでも読めます

MarkeZine Day 2017 Spring レポート(PR)

プライベートDMPを機械学習・ディープラーニングで最適化せよ 理論からレコメンド・MAの最新手法まで

機械学習・ディープラーニングでプライベートDMPを強化する

 最後に山田氏は、同社のツールに機械学習・ディープラーニングを採り入れ、プライベートDMPの可能性を最大限に引き出す手法について紹介した。

自動セグメント作成

 一つ目の事例として山田氏が挙げたのが、自動セグメント作成機能だ。購入履歴や利用頻度、性別やWeb行動履歴を機械学習させることで、CVしそうな顧客を自動抽出することができる。

 従来のスコアリングがしていたように、ページAを見たらプラス3点、メール流入でプラス1点といったように、手動でアクションに点数を設定するのではない。機械学習・ディープラーニングの結果から、CVにつながる特徴を自動的に学習して、スコアリングに活かすことができるのだ。

ディープラーニングで次回購入商品を予測

 二つ目の事例は、ディープラーニングによるレコメンド精度の向上についてだ。

 従来のアクティブコアのレコメンドエンジンは、協調フィルタリングの手法を採用していた。協調フィルタリングとは「こういう人は、これを見たらこれを買う」というものだ。次に買う可能性が高いとされる商品を、レコメンドページに表示することができる。レコメンド上位5つと顧客が買った商品が一致する確率を調べたところ64.3%あった。

 このレコメンドエンジンにディープラーニングを導入することで、同じ確率が78.0%にまで向上した。レコメンド上位10個に限れば購入商品が一致する確率は94.1%にも上った。

機械学習によるメール配信時間の最適化

 次に山田氏が紹介したのが、機械学習によって個別の顧客に対してメール配信する開始時間を自動的に最適化する機能だ。

 顧客特性によりメールを開きやすい時間が午前中・正午・午後・夕方と分かれているはずなので、特性ごとに配信時間をパーソナライズすることで、全体の開封率を上げることができる。

 ある事例では、メールを12時に一斉配信した場合の開封率が19.1%だったのに対し、配信時間を最適化して発送した場合、開封率は29.7%にまで向上した。

 ツールがなくても、ためしに会員登録の時間や直近のCVの時間帯で、配信時間を分けてメールを配信してみてはどうか、と山田氏は提案する。どの顧客層がどの配信時間ならCVしやすいかが、おおよそわかるはずだ。配信時間を最適化することで成果が上がることが実感されたら、ツールの導入を検討するのがおすすめだという。

自動ABテスト機能

 最後に山田氏が解説したのが、機械学習によるABテストの省力化だ。

 たとえば、メール配信でABテストを実施すると仮定する。その場合、全体の配信のうち2割を使ってABテストを行い、効果の高いと判明したほうのクリエイティブを残りの8割に配信することになる。

 この仕組みを、機械学習を活用することで全自動化することができる。従来のABテストでは、テスト・検証の手順を踏んだ上で2回目から改善内容を反映していたが、機械学習を採り入れることでテスト・検証・実行を1サイクルで完了することが可能だ。このようにフローが改善されることで、業務時間を大幅に短縮することが期待できる。

AI時代におけるマーケターのミッションとは

 山田氏は講演のまとめとして、将来AIがさらに普及したときマーケターの仕事がどのように変わるかというビジョンを語った。

 ディープラーニングに特徴量を自動抽出させることが今より一般化したとしても、入力層にどのようなデータを入れるかはある程度人間が決めなければならず、システムに任せることはできない。画像データならばそのままツールに入力すればよいので簡単だが、マーケティングデータの場合、マーケターがデータにどんな要素を含めるか、よく考える必要がある。

 つまり、今後どれだけAIが普及したとしても、AIに学習させるデータは人間が判断して収集する必要がある。学習させるデータの質が悪いと、どんなに素晴らしいツールやアルゴリズムがあってもおかしな予測になってしまう。人間の取り組みによって収集・整理された入力層の質・要素が、機械学習・ディープラーニングのポイントなのだ。

 AIや機械学習の恩恵として、単純作業・繰り返し作業・レポート作成の自動化は既に実現しつつある。山田氏によると、今後はこれに加えて、売り上げやリスクの予測、ボットを活用した接客、レコメンドの精度向上、自動分析、自然言語処理、ターゲット自動抽出といった技術がビジネスの現場へ普及していくことが予想される。

 「デジタル化が進み利便性が高まったが、マーケターが日々向き合う仕事量はむしろ増えているのではないでしょうか。分析、レコメンド、調査やメール配信、アプリ管理と、マーケティング担当者の仕事は多くなりがちです」(山田氏)

 今後はこれらの煩雑なルーチン業務を圧縮し、売り上げを増やすための戦略を立て、施策を打ち続けることが重要になってくる。「考える」時間と「新しいことを実行する」時間を確保することがマーケターのテーマになる、そのように山田氏は語り、講演を締めくくった。

この記事は参考になりましたか?

  • Facebook
  • Twitter
  • Pocket
  • note
MarkeZine Day 2017 Spring レポート連載記事一覧

もっと読む

関連リンク
この記事の著者

早野 龍輝(ハヤノ リュウキ)

ビジネスジャンルを中心に取材、編集を行なう。得意ジャンルは不動産開発、メディア開発。1988年生まれ。

※プロフィールは、執筆時点、または直近の記事の寄稿時点での内容です

この記事は参考になりましたか?

この記事をシェア

Special Contents

PR

Job Board

PR

おすすめ

イベント

    • MarkeZine Day 2020 Autumn Kansai
    • MarkeZine Day 2020 Autumn Kansai
    • MarkeZine Day 2020 Autumn Kansai

新規会員登録無料のご案内

  • ・全ての過去記事が閲覧できます
  • ・会員限定メルマガを受信できます

メールバックナンバー

アクセスランキング

アクセスランキング