デブサミ 2012 16-E-1 講演資料 2015年のアーキテクチャ マーケティングシステムを題材にして

1. 2015年のアーキテクチャ
マーケティングシステムを題材にして
16-E-1 熊澤公平
Developers Summit 2012 1

2. Profile http://www.facebook.com/kohei.kumazawa
職種： ITアーキテクト
名前： 熊澤公平
1987年 東北大学工学研究科機械工学専攻博士前期課程修了 スパコンの
同年 株式会社リクルートに入社 アーキテクチャ
2003年 株式会社シーエーシーに転職
（ネット業界におけるビジネスおよびシステムコンサル）
大規模ＷＥＢインフラの
アーキテクチャ
2003年 東京大学工学部システム創成学科 非常勤講師
～2009年 （Javaプログラミング基礎演習）
ビジネスとシステムの
2008年 横浜国立大学院工学府 非常勤講師 アーキテクチャ
～2010年 （システムマネージメント）
Developers Summit 2012 （16-E-1） 2

3. Agenda
1. Now, marketing is exciting!
2. Past： Passive Marketing
3. Now： Pro Active Marketing
4. Future： Active Marketing
Developers Summit 2012 （16-E-1） 3

4. 1. Now, marketing is exciting!
Developers Summit 2012 （16-E-1） 4

5. 最近、マーケティングが面白い
http://www.shopkick.com/
http://www.scvngr.com/
http://9metis.com/2011/08/too-busy-to-shop/
http://www.mini.jp/mini_coupe/campaign/index.html
Developers Summit 2012 （16-E-1）

6. Developers Summit 2012 （16-E-1）

7. ゲームの効果： SEGA社 “トイレッツ”
 男子トイレの空間をゲームセン 軽量化に成功！
（3kg以下でないとタイ
ル面につけられない）
ターに！
 的を狙って、ゲームができる。
居酒屋チェーン「養老乃瀧」を展開する養老乃瀧は，
セガが開発した電子POP「トイレッツ」の先行導入を，
グループチェーン40店舗で開始すると発表した（2011
年10月19日）。
音センサー
（流す音との区別が難しい）
開発の涙ぐましい努力が…..。
（製作者は国内の男子小便器の形
状をすべて覚えてしまったそうな。）
Developers Summit 2012 （16-E-1）

8. ゲームの効果： SEGA社 “トイレッツ”
1.まわりがきれいになった！
酔っ払うといけませんね～～
Developers Summit 2012 （16-E-1）

9. ゲームの効果： SEGA社 “トイレッツ”
 さらに、10円硬貨を投入することでランキングに
参加できる，有料コンテンツも搭載！
2. ちゃんと収入が得られた！
Developers Summit 2012 （16-E-1）

10. ゲームの効果： SEGA社 “トイレッツ”
3. ビールの売上が増えた！？
どうも悔しいらしい～～
Developers Summit 2012 （16-E-1）

11.  ネットやモバイルデバイスなどの進化
により、マーケティング手段が大きく変
化しています。
 ここではネットマーケティングを振り返り
ながら、今後のマーケティングシステム
のアーキテクチャを考察してみたいと
思います。
Developers Summit 2012 （16-E-1） 11

12. Past: Passive Marketing
Developers Summit 2012 （16-E-1） 12

13. マーケティングとは
 Marketing is the activity, set of institutions, and processes
for creating, communicating, delivering, and exchanging
offerings that have value for customers, clients, partners,
and society at large. (AMA, 2007)
 顧客が真に求める製品、サービスをつくり、
その情報を的確なタイミングに顧客に届け、
顧客がその商品を効果的に利用できるようにする活動である
→ “余分なセリング（単純なる販売活動）を失くすこと”
The aim of marketing is to make selling superfluous.
Peter F. Drucker
Developers Summit 2012 （16-E-1） 13

14. ネットマーケティング
30,000
25,000
20,000
マスマーケティング
Newspaper
Magazine ↓
億円
15,000 Radio
TV
Internet
ネットマーケティング
10,000
PR
ターゲティングが可能に
5,000
0
2005 2006 2007 2008 2009 2010
日本の広告費推移
（電通「日本の広告費」）より
Developers Summit 2012 （16-E-1） 14

15. セグメント http://www.audiencetargeting.com/
ユーザーの行動（ど
のサイト、どのような
検索、滞在時間など）
で分類
届けたいユーザーに
対してのみ情報を提
供する
↓
行動データの収集と
集計
Developers Summit 2012 （16-E-1） 15

16. Audience Targeting
 顧客属性で分類し、効果的なセグメントを選
んで、情報を提供する
該当者が多く、反応率のよい
反応率 （情報を欲しがっている）セグ
（ex. CTR, CVR）
メントから順に、情報提供
Segment Volume
Developers Summit 2012 （16-E-1） 16

17. Facebook
 DWHは、Hive+Hadoop
 複数台の異なるデータセン
ターでクラスターを運用
 最大規模のクラスターで
3000台程度のマシン
 累計300人の社員がこの
Facebook Datacenter http://opencompute.org/
データに対してアドホック
にクエリーを発行
 Facebookは、データセン
ター間にまたがるHadoop +
クラスター(HDFS across
data centers: HighTide)を
Apacheと共同開発
Developers Summit 2012 （16-E-1） 17

18. Electronic Arts
 EA Legend Campaign Insights
Suiteは、nParioのBig Data解析
技術を使用。
 nParioはPalo Altoに拠点を置く
ベンチャー企業で、キャンペーン・
データを解析し顧客の意図を把
握しターゲッティング広告を可能
とする。
 ゲーマーをEntertainment(音楽・
ゲーム愛好家など)、
Financial(バーゲンハンター・慈
善家など)、Lifestyle(ペット・料理
愛好家など)のカテゴリーに区分
けし、電子メールなどでターゲッ
ティング広告を発信。
http://investor.ea.com/releasedetail.cfm?ReleaseID=609593
http://www.npario.com/
Developers Summit 2012 （16-E-1） 18

19. Big Data と Big Processing
 企業システム
Data Mart
Data Cleaning
ETL DWH Data Mart
Sources (Stored procedure)
様々な種類 Data Mart
様々な分析
 ネットサービス
Data Cleaning
Hadoop DWH
Site logs (MapReduce)
大量データ 標準の指標で集計
Developers Summit 2012 （16-E-1） 19

20. Big Data と Big Processing
Zetta B Big Data
Deep
EXA B Insight
ネットサービス •
•
Unsupervised learning
Social graph analytics
• Natural Language analysis
• Sentiment analysis
• Predictive modeling
PB • Image Processing
TB
Log Analytics 企業システム
CRM
GB Small Data
Small Analytics Big Processing
G Flops EXA Flops
Developers Summit 2012 （16-E-1） 20

21. Big Data と Big Processing
Hadoop Hive
Vertica SciPy
MapReduce Mahout
S4 MATLAB
Esper
DEDUCE
Greenplum Revolution R
ETL Neteeza SPSS AMPL
ECL Teradata SAS
BigData（データ並列） BigProcessing（処理並列）
Developers Summit 2012 （16-E-1） 21

22. BigProcessing: Rの並列化
Hadoop/MapReduceにまかせる
 RHIPE
 R and Hadoop Integrated Processing
Environment
 Amazon Elastic MapReduce
 Revolution Analytics社
 Revolution R Enterprise for Apache Hadoop
→ インフラの機能に依存する
Developers Summit 2012 （16-E-1） 22

23. BigProcessing: Rの並列化
Rで頑張る
 PVM
 rpvm
 MPI
 Rmpi（http://www.stats.uwo.ca/faculty/yu/Rmpi/）
 snow, snowfall
 (http://www.sfu.ca/~sblay/R/snow.html)
 Revolution Analytics社
 foreach
Developers Summit 2012 （16-E-1） 23

24. BigProcessing : Rmpi/snow
問題
1
4.0
������ = 2
ⅆ������
0 1 + ������
������ 1
差分化 ������ =
������
, ∆������ =
������
������ ������
4.0
1.0 4.0 ������
������ = 2 ������ =
������ ������2 + ������ 2
������=0 1 + ������=0
������
Developers Summit 2012 （16-E-1） 24

25. BigProcessing : Rmpi/snow
ベクトル変数
start <- proc.time() start <- proc.time()
n <- 10000000 n <- 10000000
0 0.1 0.2 … 1
summ <- 0.0 k <- seq(0.0,n,1.0)
for(k in 1:n-1){ rectangle <- function(X){ 1
x <- 1.0 / (n * n + k * k) Y <- 1.0 / (n * n + X * X) ������2 + ������ 2
summ <- summ + x return(Y)
} }
pi <- 4.0 * n * summ
print(pi) pi <- 4.0 * n * sum(sapply(k,rectangle))
print(pi)
end <- proc.time() ベクトル要素に
print(end - start) end <- proc.time() 同じ処理を実施
print(end - start)
Developers Summit 2012 （16-E-1） 25

26. BigProcessing : Rmpi/snow
library("snow")
library(“Rmpi”) 計算クラスタの生成
cl <- makeCluster(4,"MPI")
n <- 10000000
clusterExport(cl,"n")
k <- seq(0.0,n,1.0) 計算ノード間で
pi <-0.0 共有の変数を指定
rectangle <- function(X){
Y <- 1.0 / (n * n + X * X)
return(Y)
}
pi <- 4.0 * n * sum(parSapply(cl,k,rectangle))
print(pi)
stopCluster(cl)
ベクトル要素に
クラスタ内の計算ノードを
end <- proc.time() 並列に使い同じ処理を実施
print(end - start)
Developers Summit 2012 （16-E-1） 26

27. Passive Marketing
 良好なセグメントを見つける
→ BigData + BigProcessing
→ Deep Insight
→ Send messages
 立地を考え、店舗を置き、後は待つ
（静的、受動的）
Developers Summit 2012 （16-E-1） 27

28. 1個100円です!
Passive Marketing
Developers Summit 2012 （16-E-1） 28

29. Passive Marketing
来店者の1割は購買するのに….
→ もっと効率の良い方法はないのか？
反応率
（ex. CTR, CVR） ? Net marketing
リーチはそれなり
反応率は微妙
十万～数百万 x 0.01%～0.1%桁
いらぬ人にも情報が届く Mass marketing
リーチは巨大だが
反応率は低い
最終アクション者は
少ない？
数千万 x 0.01%桁
Segment Volume
Developers Summit 2012 （16-E-1） 29

30. Now: Pro Active Marketing
Developers Summit 2012 （16-E-1） 30

31. 購買心理
 綿密に計画しても、結構衝動買いをしてしま
いますよね
Developers Summit 2012 （16-E-1） 31

32. 購買心理
 その時に得た情報で結構判断をしてしまう
その場で得た情報
店舗内表示
事前情報 店舗の雰囲気
店舗内の他の顧客
その場での値引きやオプション
店員のコメント
Developers Summit 2012 （16-E-1） 32

33. リアルタイムに
 サイトに訪問しているその時の状況を見て
情報を提供したらどうだろうか？
 急いでいるのか？
 迷っているのか？
 商品を理解しようとしているのか？
 誰の為のものを買うのか？
→ 貯めてから処理をするのでは間に合わない
Developers Summit 2012 （16-E-1） 33

34. データストリーム管理
（DSMS,CEP）
 データベースに蓄積したデータに対して都度クエ
リーを発行し検索結果を得る、という処理モデル
では対処することが難しい処理に対し、リアルタ
イムに流れ続ける一過性のデータ（イベント）を、
データベースに格納、蓄積してからではなく、即
時に処理するタイプのシステム
WEBシステム メッセージ受発信イベント
× ×
イベント アプリケーション
仕入管理 価格変化イベント
ストリーム アラーム
会計システム 取引受発信イベント
Stream Data Management System
DWH
http://www.cac.co.jp/softechs/pdf/st3001_13.pdf
Developers Summit 2012 （16-E-1）

35. DBMSとDSMSの違い
DATA
DATA
Query
DATA
DATA
DATA Query
DATA
DATA
DATA
DATA
DATA
DATA
Event
DATA
DATA
DBMS
DSMS
Developers Summit 2012 （16-E-1）

36. CEP（複合イベント処理）
CQL
Event Event Event
比較している
ある商品の閲
滞在時間が 5種以上の商品
覧時間が全体
15分以上 カテゴリを閲覧
Yes の半分以上 Yes
迷っていそうだ
Event 関心がありそうだ CQL
CQL
初めての来訪
である
Developers Summit 2012 （16-E-1） 36

37. 最近の2つの流れ
Big Data S4, C-MR, storm
MapReduce Online
MapReduce Distributed
Stream Management
DEDUCE
Esper
Legacy DSMS,CEP Streamdata
Small Data Oracle, WS
Stored Real time
C-MR http://cs.brown.edu/~backman/cmr.html
MapReduce Online http://www.usenix.org/event/nsdi10/tech/full_papers/condie.pdf
DEDUCE http://www.edbt.org/Proceedings/2010-Lausanne/edbt/papers/p0657-Kumar.pdf
Developers Summit 2012 （16-E-1） 37

38. Pro Active Chat
• Everquest, Star Wars: Galaxies
• 電話問い合わせの50%削減
Developers Summit 2012•（16-E-1）
9割以上のユーザーの満足度向上

39. Pro Active Chat
接触候補のユーザー
コンタクト履歴
http://www.chat4support.com/live_chat.asp
Developers Summit 2012 （16-E-1）

40. Pro Active Marketing
購買見込み
資料請求見込みが低い
 縦軸のAction見込
み度合いに応じて
適宜接触を図る
 Thresholdを指定
しておいて、定型
の接触を定義する
購買見込み
資料請求見込みが高い
http://www.netmining.com/en/livemarketer-demo/
Developers Summit 2012 （16-E-1） 40

41. Orbitz
 Orbitzは航空券予約を中心に事業を展開。旅行予約
サービスの中のOnline Travel Agencies分野では
Expediaが市場のトップで38%のシェアを占めている
ExpediaはHotels.comなどの子会社を通じて、ホテ
ル予約サービスを強みとしている
 Orbitzは、MITの研究プロジェクトAURORAの成果を
商用にしたStreambase systemsのCEP製品を活用
 顧客の行動、各システムの状況を、同社が開発した
Graphiteというリアルタイム描画ツールでモニタリング
し、Dynamic Pricing, Landing Pageの最適化、表示
順の最適化など、最適な顧客対応を行う
Developers Summit 2012 （16-E-1） 41

42. Event Network
イベント発生条件を複雑に組み合わせて条件を表現
該当する都度イベントを上げ、対応する
“COMPLEX EVENT PROCESSING AT ORBITZ WORLDWIDE” javaone 2008 TS6048
Developers Summit 2012 （16-E-1） 42

43. CAC Corporation
 高速なベイジアンネットワーク学習
 2007 年から電気通信大学植野研究室と共同
研究を推進中。
 高速学習アルゴリズムの TPDA を数十倍高速
化（2009）。特許申請済み。
 高精度な学習アルゴリズム RAI のさらなる構
築精度向上（2011）。特許申請準備中。
変数が多くても線形に近い形でしか計算量が増加しな
いアルゴリズム。複雑な因果関係の分析が可能。複雑
なイベント設計の省力化などの応用を期待し研究中。
Developers Summit 2012 （16-E-1） 43

44. Architecture for ProActive
Human Business Flow
Delivery
POS Voice response ATM Widgets Desktop Mobile Portals
Business Process Reporting
Dashboards Alert boards Data visualization
Causality Map
Business Rule Engine
5 モデル構築
2
Analytics
推論 DSS Data/text mining Predict analytics
Business Process Web analytics OLAP Time series analysis
Management
Adapters
Discovery 3 1
and Integration Search
EAI/SOA 5
ESB BPEL Event Query optimization BAM/CEP integration
Adapters
Business Application sub systems 4 BAM CEP
ETL/CDC Data
Data stores Data warehouses Data marts
Infrastructure
Business Application Systems Complex Event Processing Systems
Developers Summit 2012 （16-E-1） 44

45. Pro Active Marketing
 その時の状況に合わせて情報が提供できる
 一方、店にいかないとはじまらない
暇だなぁ。
Developers Summit 2012 （16-E-1） 45

46. 3. Active Marketing
Developers Summit 2012 （16-E-1） 46

47. 急速に進化するモバイルCPU
ムーアの法則 ゲート幅の微細化 2010年前に限界
Developers Summit 2012 （16-E-1）

48. 急速に進化するモバイルCPU
処理能力は 2倍
CPU 面積を２倍 CPU
（約1.4倍）
ポラックの法則 マルチコア化 消費電力問題
処理能力は1/ 2倍
CPU 面積を半分 CPU
（約3割減にしからならない）
Developers Summit 2012 （16-E-1）

49. 急速に進化するモバイルCPU
消費電力は
GP-GPU Hybrid化
CPUの1/100
Tegra2 Hetero Architecture
Developers Summit 2012 （16-E-1）

50. 急速に進化するモバイルCPU
１つのダイの上でのHybrid化は、消費電力にゆとりの
ない携帯デバイスのCPUから始まる。
NIVIDA Roadmap
数個のCPU
50GFlops/watts 数千個のGPUが
in 2018 1つのダイに
http://low-powerdesign.com/sleibson/ Developers Summit 2012 （16-E-1）

51. 2018年 携帯デバイスの性能
 モバイルデバイスの消費電力 ＝ 25Watts
25 Watts x 50 G Flops = 1.25T Flops
IBM Watsonの1桁落ち程度
IBM Watson
CPU: 80T Flops
2880 CPUs （IBM Power7）
Memory: 15TB
http://www-
03.ibm.com/innovation/us Space: 10 racks（IBM Systems 750）
/watson/index.html Developers Summit 2012 （16-E-1）

52. 急速に進化するモバイルCPU
2010年を1とした時の性能比
100
90
80
STRAK
70
60
50
40
LOGAN
30
20
2 Cores CPU 8 Cores CPU
8 Cores GPU 24 Cores GPU
10 WAYNE
TEGRA2 Moore'sの法則
KAL-EL
0
2010 2011 2012 2013 2014
Developers Summit 2012 （16-E-1） 52

53. 2000年： CPU性能比
Mobile
PC
Vertical Portal
Portal
Developers Summit 2012 （16-E-1）

54. 2010年 1mm x 2mm
Mobile
Dual Core: 8GFlops
PC
Vertical Portal
Public Cloud
1m x 1m
Developers Summit 2012 （16-E-1）

55. 2020年
Mobile Mobileデバイスの方が性能が良くなる
PC
Vertical Portal
Public Cloud
10m x 10m
Developers Summit 2012 （16-E-1）

56. 2020年： 1人当たりの処理量で考えると
Mobile Mobileデバイスは1人平均2台強を保有
PC
Vertical Portal 数万人で共有
Public Cloud 数億人で共有
Developers Summit 2012 （16-E-1）

57. Generated UX
 動的な描画生成
 事前に作られた動画ではなく、その場で生成し
た動画
http://physbam.stanford.edu/
Virtual Makeup Tool（modiface社）
Developers Summit 2012 （16-E-1） 57

58. Context Awareness
World Sensory Attention/ Working
Memory Selection Memory
Narration/
Sound Verbal
Auditory Working Thinking:
Memory
Text Integrating
Organizing
Visual Analyzing
Image Sense Making
Working
Visual Schema Making
Memory
Tactile
Olfactory
認識の支援
Gustatory Mobile Device
Nine Ways to Reduce Cognitive Load in Multimedia Learning
http://www.elizabethoc.com/9ways/article.pdf Developers Summit 2012 （16-E-1） 58

59. Personal Assistant
Spectacles
Institut für Pervasive Computing
Johannes Kepler Universität Linz
Developers Summit 2012 （16-E-1） 59

60. Personal Assistant
http://www.pervasive.jku.at/Research/Projects/?key=468
Developers Summit 2012 （16-E-1） 60

61. Future Architecture
リアルタイムなデータは、クラウドで処理するのではない！
モバイルデバイスは、クラウドの窓ではない！
Sensory Attention/ Working Long Term
World
Memory Selection Memory Memory
Narration/
Sound Verbal Storing
Auditory Working Thinking:
Memory Semantic
Text Integrating
Organizing
Knowledge
Visual Analyzing
Image Sense Making
Working
Visual Schema Making
Memory 知識提供
動的なリコメン
デーション モデル構築
Tactile ↑ Inference
Model Episodic
推論
Olfactory Knowledge
Motivation
Gustatory
Mobile Device Cloud
Developers Summit 2012 （16-E-1） 61

62. Active Marketing
 ユーザーは“もの”か
ら“こと”を重視した購
買を行うようになる
 提供者は、ユーザー
のコンテキストに合わ
せて、“こと”をデバイ
スから動的にリコメン
ドするようになる
“余分なセリング（単純なる
販売活動）を失くすこと”
Peter F. Drucker
Developers Summit 2012 （16-E-1） 62

63. まとめ
1. パッシブなマーケティングを離れ、プロアク
ティブなマーケティングにチャレンジしてい
こう。
2. それを通し、ユーザーモデル構築をし、リア
ルタイムに推論ができるソフトウエアアーキ
テクチャを構築しよう。
3. そして、急速に進化するスマートデバイスを
積極的に利用し、ハイブリッドなアーキテク
チャに移行し、動的なマーケティングができ
るようにしていこう。
Developers Summit 2012 （16-E-1） 63

64. Thank you.
https://www.facebook.com/kohei.kumazawa
Developers Summit 2012 （16-E-1） 64