More Related Content
Similar to データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016 (20)
More from Tokoroten Nakayama (20)
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
- 3. 目次
データ分析グループの組織編制とその課題
データ分析グループの仕事の範囲
データ分析グループの組成失敗例
データ分析グループを正しく運用するには
マーケティングにおけるKPI設計の失敗
デジタルマーケティングにおけるKPI偏重の問題
ABテストによるリフト計測
ABテストから機械学習へのシームレスな移行
ABテストの向こう側へ、マーケティングオートメーション
マーケティングオートメーションの悲哀
機械学習の投入と、その限界
アップリフトモデリング
- 4. 目次
データ分析グループの組織編制とその課題
データ分析グループの仕事の範囲
データ分析グループの組成失敗例
データ分析グループを正しく運用するには
マーケティングにおけるKPI設計の失敗
デジタルマーケティングにおけるKPI偏重の問題
ABテストによるリフト計測
ABテストから機械学習へのシームレスな移行
ABテストの向こう側へ、マーケティングオートメーション
マーケティングオートメーションの悲哀
機械学習の投入と、その限界
アップリフトモデリング
- 9. データ分析グループの組成失敗例②
データサイエンティスト=高学歴、研究者 で採用
雇ったら、研究的な仕事しかしたがらない
難しい問題を、難しく解きたがる
研究における価値と、ビジネスにおける価値の混同
ビジネスは「難しい問題を、簡単に解く」ことに価値がある
売り上げに繋がらない
研究 開発
システム
運用
アプリ
運用
営業活動
ログ
データ
データ分析
グループ
やったー
面白いデータだ!!
あいつら、現場に何も還元し
ないで、好きなことばっかり
やりやがって……
- 16. データ分析グループを正しく運用するには
エグゼクティブのサポートが必要
カバー範囲の明確化
会社として、データ分析グループのカバー範囲を明確にし、周知する
データ分析者自身にも、この範囲を意識させる
チームとして、カバー範囲を満たせるように人材を集める
システム面のサポート
データへの自由なアクセス、データの一元化
ログ収集インフラ、データ分析インフラの構築
データ分析者の書いたコードが、サービスに影響を与えないようにアーキテク
チャを設計
会社として十分なお膳立てがなければ、ワークしない
データ分析は空軍みたいなモノ。パイロットだけでは機能しない
航空機だけでも機能しない、地上設備も必須
- 17. 目次
データ分析グループの組織編制とその課題
データ分析グループの仕事の範囲
データ分析グループの組成失敗例
データ分析グループを正しく運用するには
マーケティングにおけるKPI設計の失敗
デジタルマーケティングにおけるKPI偏重の問題
ABテストによるリフト計測
ABテストから機械学習へのシームレスな移行
ABテストの向こう側へ、マーケティングオートメーション
マーケティングオートメーションの悲哀
機械学習の投入と、その限界
アップリフトモデリング
- 26. 差を計測する
施策を行わなかった場合を考える必要
施策を行う、行わないのABテストを行えばよい
ABテストにより、「増分」を計測可能になり、真の売上貢献が分かる
駄目な例
レジ前にいる人にチラシを渡したら、95%の反応率でした!!
ABテストを活用した例
ある店舗では、レジに一度並んだ人は、95%が買いものをしました
別の店舗では、レジに並んでいる人にチラシを渡したら、95%の人が買い
ました
したがってレジに並んでいる人に広告を渡しても効果がありません
最近はブランドリフト広告という形で、広告の増分が計測可能に
- 29. 目次
データ分析グループの組織編制とその課題
データ分析グループの仕事の範囲
データ分析グループの組成失敗例
データ分析グループを正しく運用するには
マーケティングにおけるKPI設計の失敗
デジタルマーケティングにおけるKPI偏重の問題
ABテストによるリフト計測
ABテストから機械学習へのシームレスな移行
ABテストの向こう側へ、マーケティングオートメーション
マーケティングオートメーションの悲哀
機械学習の投入と、その限界
アップリフトモデリング
- 36. 単純な機械学習の限界
MAを機械学習で置き換えるのは有効
大量の変数による手動のセグメンテーションを、機械学習に代替
従来人間がやっていたことを、そのまま自動化させられる
複数の機械学習の予測値から良いものを選ぶのは実は危険
予測値A=真の値A+誤差A
予測値B=真の値B+誤差B
サンプル数が少ないと誤差項が大きくなる
真の値AとBの差が小さいと、意思決定が誤差項に引きずられる
アドテクでは何故うまくいくのか?
広告の表示回数が多く、誤差Aと誤差Bが小さい値になる
男性にはスポーツ用品、女性には化粧品といった形で、
真の値が大きく異なる広告が存在する
広告なので、多少は興味を外した人に出しても許される
- 41. まとめ
デジタルマーケティングは魑魅魍魎
KPIによる単純化により、本質を見失っていることが多い
ABテストにより「増分」を計測する必要がある
ABテストからアップリフトモデリングまでの流れ
ABテストにより、よりよいクリエイティブを選択
クロス集計を行い、セグメントごとの反応率を調べる
セグメントごとに別のクリエイティブを出し、反応率を高める
マーケティングオートメーションによりセグメントを増やし、より
反応率を高める
機械学習を導入し、MAのオペレーションコストを削減する
アップリフトモデリングを導入し、より精度を高める