株式会社NTTデータ数理システム

マーケティング・リテールに関する、機械学習、シミュレーションなどの技術を活用した分析例をご紹介します。

マーケティング・リテールへのAI活用

近年では、購買履歴データ、WEBアクセスログ、SNSデータなど、消費者行動の理解に活用できる様々なデータが収集できるようになってきました。これらのデータを活用することで、ベテランの経験と勘に頼るだけではなく、検証性と再現性のある科学的でデータドリブンなマーケティング施策を実施することが期待されています。
当社では、機械学習・統計解析・数理最適化などの技術を駆使して、集計や可視化による現状把握にとどまらず、より高度な分析や予測、AIによる効率化などの支援を行っています。

消費者行動分析

アンケートデータや行動履歴データ等を使用して、消費者のニーズや消費者の行動パターンの分析を行います。クラスタリングで顧客セグメンテーションやユーザー層の分析、ベイジアンネットワークで消費者行動モデルを構築し購買やファン化のためのキーポイントの検討など、データ分析技術を駆使して消費者像を明らかにするための分析を行います。

適用例

購買データ・ID-POSデータ分析

ID-POSなどの購買履歴データ、サービスの利用履歴など、個人の行動を把握できるデータがある場合には、より詳しい分析を行うことができます。
併売の軸となる商品の分析、PLSAなどの手法を用いたデモグラフィック属性だけに頼らない実購買実績ベースの顧客セグメンテーション、顧客ごとのキャンペーンの反応確率・購買確率の推定などを行うことで、顧客像をより具体的にあぶり出して、具体的な販売施策を検討します。

適用例

マーケティング施策の反応シミュレーション

マーケティング施策に対して消費者がどのように反応するかには、様々な条件が複雑に絡み合います。特に、消費者一人ひとりの行動を意識すると反応の予測が非常に難しくなります。このような状況でもマーケティング施策に対する消費者の反応を推定するために、エージェント・ベース・モデルを使用したシミュレーションを行うことができます。事前の分析内容をシミュレーションモデルに反映してシミュレーションモデルを構築し様々なシナリオのシミュレーションを行うことで、施策の効果の大きさの推定、施策の反応による副次的効果などの検証を行うことが可能です。

適用例

販売価格最適化、ダイナミックプライシング

スーパーマーケット、アパレルなどの小売りの現場では、商品のライフサイクルに合わせて割引などを行いながら販売を行います。運輸、宿泊などでは、繁忙期の需要増や売れ行きなどを考慮し、ダイナミックプライシングが適用されています。このように、同一の商品でも状況に合わせて価格を調整する場合、どのような割引戦略が利益を最大化するのかが課題となります。
過去の実績データに基づき需要予測と価格弾力性の分析を行い、強化学習等のアプローチで利益を最大化するモデルを構築することで、最適な販売価格を算出することができます。

レコメンド

ECサイトでは大量の商品を取り扱うため、顧客が本当に必要な商品にたどり着くことが難しくなりやすいです。そんなときに役に立つのが、システムが提示してくれるおすすめ商品です。
ユーザー毎の商品の閲覧・購買履歴データに基づき、協調フィルタリング、Item2Vec のような技術を使用して、ユーザー毎の特性にマッチした（ときに意外性のある）おすすめ情報を提示することができます。
現実のシステムへの適用のためには、ユーザーにとって気持ちの良いおすすめになっているのかという定性的な評価も重要で、デモグラフィック属性等に基づくルールベースのレコメンドとの併用、ユーザー属性と直近の閲覧・購買データの重み付けの調整などを行い、実際のユーザーの感覚にマッチするおすすめが表示されるように調整を行います。