Column

コラム

  • 機械学習 | 「viz」×購買データを活用してコカ・コーラ爆...
  • viz
  • データ分析
  • 分析
  • 機械学習

機械学習 | 「viz」×購買データを活用してコカ・コーラ爆買いする人推察してみた

● はじめに


マーケティングをおこなう上で、「機械学習って色んな所で聞くけど難しいんでしょう…」「結局コストがすごくかかるんじゃないの…」そう思っている方いらっしゃいませんか?

本記事を書いている私自身、機械学習なんて…そう考えていましたが「viz」を知って、こんなに簡単に機械学習を回せるんだ!と感動したので、皆さんにも是非知っていただき、本ツール「viz」を使えば機械学習を用いた新たな視点でのマーケティングが出来るかも!と、データ分析に興味をもっていただければと思います。

今回は、機械学習アシストツール「viz」を活用した例として
コカ・コーラを爆買いする人を普段の購買傾向から推察した事例についてご紹介いたします。

● 今回の目的


  • 機械学習(AI)を活用し、「コカ・コーラ」を爆買いする人の普段の購買傾向予測してみた。

    <目的>
    コカ・コーラを爆買いする人とあまり買わない人を捉えたい!
    • 「コカ・コーラ」爆買いしやすい人を機械学習によって定義する
    • 爆買いする人と、あまり買わない人の差を捉える。

●目的に対して、機械学習ツール「viz」で出来ること


・今回の事例では、vizの機能の一つ「ターゲット抽出」を使います。
⇒ターゲット抽出とは、目的に対するID毎のスコアを返してくれる機能。

実際のviz「ターゲット抽出」機能を使って出力される結果は下記です。

「ターゲット抽出」機能を使って出力される結果イメージ

・・・具体的に…どういうこと?

今回は、ターゲット抽出で算出された結果を用いて説明致します。

  1. スコアが8~10の人(お見事!)
    コカ・コーラ爆買い戦士
  2. スコアが5~7の人
    買った経験もあるし、それなりのペースで購入してます層
  3. スコアが5未満の人
    たまたま手を取ったor飲んだことがない層
vs

⇒ID単位で、爆買いする人かあまり買わない人かをスコアにより分類可能


今回の目的は、「コカ・コーラ」爆買いの人を定義し、あまり買わない人の特徴差を確認したいので、スコアhigh者とスコアlow者に分類する。

● 普段の購入傾向を把握する


データ用意

  • まず分析に必要なデータを作成します。今回分析に必要なデータ要素は下記になります。
    • ユーザー識別子
    • 目的変数(予測したい情報 )
    • 説明変数(予測の材料となる情報 )

今回の分析ではユーザー識別子を購買者ID、目的変数を「コーラの購買合計金額」、説明変数を普段の購買行動(お菓子類、弁当などその他商品)として、下図のようなデータを作成しました。
※説明変数は多いため、一部抜粋

pricesは対象コーラの合計購買金額を表しており、説明変数の部分は、各ID毎のカテゴリ購買金額になっております。

データセット

vizでデータセット

上記データ用意が完了したら、vizに早速アクセスしてターゲット抽出を選択し、予測対象のデータにcsvファイルをアップロードします。予測したい項目と顧客IDを選択します。
今回は、目的変数に購入金額を入れているため、連続値で求めます。

vizデータ画面

出力結果

1分程度で、ID毎のスコアによって、爆買いしやすい人かを判断できるようになります。
また、コーラを購入するうえで、普段の重要な購買傾向(特徴量)が出力結果として出てきます。

vizデータ結果画面

コーラを爆買いするうえで、加工食品とお菓子関連の購買は重要度が高そう!
お肉だと、豚肉と相性がよさそうなことが分かります。

● viz発展編

BIツールで爆買いの人の特徴可視化

vizの結果をBIツールと連携することで機械学習結果と合わせて可視化出来るケースがあります。
※今回はTableauツールを使用

下記はvizのスコア結果を基に、様々な情報を紐づけた結果です。
条件:スコア8以上の人をスコアhigh者、スコア7未満をあまり買わない人として特徴を比較する。

スコア分布:スコア2が最も多い

スコア分布


スコア分布×コーラ合計購買金額:購買金額は右肩上がりになっている
左は全体図、右図は見やすくするため外れ値を除外したもの

箱ひげ図
箱ひげ図_up



デモグラ情報:年代は20代と40代にスコアhigh者が多い

年代

コーラ爆買いの人が併売しやすい商品カテゴリ:お菓子や麺類、調味料などの購買が多い

商品カテゴリ

コーラ爆買い人(スコアhighのお菓子ランキング
カルビーがTOP2にきており、全体的にイモ系お菓子の購買が高い。

お菓子ランキング

分析した結果サマリ

飲むカエル

コカ・コーラを爆買いする人は、20代,40代が多く、
お菓子×コーラ/パン×コーラ/惣菜類×コーラ/アイスクリーム×コーラ
でよく飲んでいる可能性が高い!

※他にもデータ連携により可視化出来るパターンがございますので、ご興味がある方は下記フォームにてお問合せいただければと思います。

その他にも、下記コラム記事でvizを使った分析事例をご紹介しているので是非ご覧ください。

※vizの同機能「ターゲット抽出」についてのコラムはこちら
機械学習|「viz」×「DataCurrentセグメント」にて、性別を予測してみた
機械学習 | 「viz」×購買データを活用してアルコール購買しやすい人を分析してみた!

※vizの貢献度分析の詳しいコラムは下記
機械学習|「viz」× 広告施策の売上貢献度を分析する
【アドテクコラム】CV数を機械学習アシストツール「viz」で予測分析してみた!
機械学習 | 「viz」×アイス購入しやすい天気要因を分析してみた

※vizの「施策シミュレーション」についてのコラムはこちら
機械学習|「viz」× 広告施策の最適化と広告効果シミュレーション
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

● さいごに:機械学習アシストツールvizについて


vizでは本件のように、機械学習を活用した予測をスピーディーに実行することが可能です。
また、エクセル等で分析用データを用意しておけば、直感的な操作のみで実行できるため、プログラミング等の専門的な知識がなくても手軽に予測を行うことができます。

弊社では、新規データソースの連携方法の整理や実際の連携作業、開発といったことから、既に連携しているデータのトラブル、ご相談まで幅広くサポートしています。
お困りごとございましたらお気軽にご相談ください。

またvizについてもっと知りたい方は、詳細資料を公開しております。
デモを用いてご説明することも可能ですので是非お問い合わせください。

》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

vizバナー

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

CMP導入時の注意点

コラム

Treasure Data CDPを活用したOneID(統合ID)構築4 日付の落とし穴

コラム

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

TOPへ
戻る