Column

コラム

  • 【アドテクコラム】自社×競合の購買傾向を機械学習アシストツー...
  • viz
  • アドテク
  • アドテクコラム
  • 機械学習

【アドテクコラム】自社×競合の購買傾向を機械学習アシストツール「viz」で予測分析~施策実施~効果検証をしてみた!<前編>

● サマリー

  • 自社商品を購入する可能性に応じて10段階でスコア化(≒クラスタ分け)
  • 競合商品を購入する可能性に応じて10段階でスコア化(≒クラスタ分け)
  • 購買に影響を与える特徴量(要素)等を分析

CV予測が1分でできる!?機械学習アシストツール「viz」の特徴3つ

  • csvアップロードで簡単機械学習(csvアップロードで簡単分析)
  • データもよるが、1分程度で結果を出力 ※縦 約3,000行、横2,001列、ファイル容量1.2MB
  • 「簡単×早い」からこそいろんな粒度で何度でも分析/深掘りすることができる

》機械学習アシストツール「viz」の詳細はこちら

検証方法

■予測したいもの

商品購買金額(=CV金額)

■予測につかうデータ

購買データ

  • 予測したい項目:対象商品購買金額(今回は自社商品の購買と競合商品の購買の2ファイル用意)
  • 予測に使う情報(特徴量): 性別 / 年齢/都道府県/購入曜日/購入時刻/販売先/業態/都道府県/商品購入金額
予測に使うデータ:購入エータ(自社商品購入分析用データ)
予測に使うデータ:購入エータ(競合商品購入分析用データ)

■予測方法

機械学習アシストツール「viz」ターゲット抽出機能 連続値予測

■検証手順

<ステップ1>

予測につかうデータを手配

  • 下記のようなデータを手配します。(今回のファイル:レコード数 縦 約3,000行、横2,001列、ファイル容量1.2MB)
  • 一番左にユーザーを識別するID(user_id)、その隣に予測したい項目(今回は商品購買金額)、以降予測に使う情報(特徴量)を並べます。
  • 今回は自社購買者と競合購買者を比較したいので、前述のとおり下記形式のデータを2ファイル用意します。
    ∟ファイル①自社商品購買予測用のデータ
    ∟ファイル②競合商品購買予測用のデータ
予測に使うデータイメージ

<ステップ2>

csvをデスクトップから参照

<ステップ3>

予測したい項目/分析のタイプ/顧客を識別する項目をプルダウンやラジオボタンで簡単選択

  • 予測したい項目=購入数
  • 分析のタイプ=連続値予測
  • 顧客を識別する項目=ユーザーID
viz分析画面イメージ(設定画面)

<ステップ4>

分析中。今回はこの画面は1分で結果がでました。

viz分析画面イメージ(分析中画面)

<ステップ5>

分析結果を出力

■検証結果

自社商品購入者のスコアの出現頻度は3にプロットされているユーザーが多いが、競合商品購入者は1~2のプロットされるユーザーが多い傾向に。
特徴量の重要度については自社は「ストアO」や「ストアK」、「ストアW」が重要指標。競合は「スーパーでの購入」や「清涼飲料」、「根菜類」が重要指標の様子。

スコアの出現頻度:自社購入者
<スコアの出現頻度:自社購入者>
スコアの出現頻度:競合購入者
<スコアの出現頻度:競合購入者>
特徴量ごとの重要度:自社購入者
<特徴量ごとの重要度:自社購入者>
特徴量ごとの重要度:競合購入者
<特徴量ごとの重要度:競合購入者>

■検証結果を元にユーザー分布をプロット

検証結果を元にスコアと特徴量上位Top3のユーザー分布をプロットしました。

ユーザースコア(≒LTV)は自社購入者は3がボリュームゾーンに対して、競合は1~2が中心で、特徴量の重要度については購入頻度や購入金額はデータによってばらつきがみられます。

分析結果

今回は購買データからユーザーのクラスタリングを行いました。

後編にて今回の分析対象者への施策実行および施策後のアクション状況を上記ユーザー分布の粒度でプロットしアクション率を割り出すことで、反応率の良いペルソナを深掘りいたしますのでお楽しみに!

● さいごに

弊社の機械学習ツール「viz」ではデータもよりますが、元データのアップから1分程度で結果を出力することが可能です。
そのため、csvファイルを作り替えるのみでいろんな粒度で何度でもすぐに分析/深掘りすることができます。
機械学習アシストツールvizに興味ある方は是非お声がけくださいませ。

》vizサービスサイトはこちら
》詳細資料・お問い合わせはこちら

機械学習アシストツール「viz」サービスバナー

■関連記事/資料

本件に関するお問い合わせは下記にて承ります。
株式会社DataCurrent
info@datacurrent.co.jp

人気のコラムランキング

PICK UP

今、CMPは導入するべきか?

コラム

Treasure Data CDPを活用したOneID(統合ID)構築3 姓名突合での落とし穴

コラム

機械学習 | 「viz」×焼肉のたれの売上を肉の売上でシミュレーションしてみた

コラム

CMPツールの導入手順について

コラム

TOPへ
戻る