デジタルマーケティングにおける機械学習：ユースケースの例

数十年前、「人工知能」という言葉を聞いたときに最初に頭に浮かんだのは、おそらくマシンとソードオフショットガンを備えたターミネーターの台頭でした。 今日、この用語にはかなり前向きな関係があります。 ほとんどの人が日常生活で機械学習に遭遇します。 たとえば、Webサイトでチャットボットと通信したり、趣味に対応するプロモーションオファーを表示したり、電子メールサービスにスパムフィルターを設定したりできます。

マーケターにとって、機械学習はビッグデータに基づいて重要な意思決定を迅速に行う機会です。 この記事では、ビッグデータに基づいてどのような決定を下すことができるかについて説明します。

少し用語から始めましょう。 ウィキペディアによると、機械学習（ML）は、問題の直接的な解決策を提供するのではなく、解決策を適用するためのトレーニングシステムを提供することを特徴とする人工知能手法のクラスです。

機械学習には多くの方法がありますが、大まかに2つのグループに分けることができます。教師と一緒に学習する方法と教師なしで学習する方法です。

教師と一緒に学習する場合、人は状況と解決策のペアの形で初期データをマシンに提供します。 次に、機械学習システムはこれらのペアを分析し、既知のソリューションに基づいて状況を分類することを学習します。 たとえば、システムは着信メッセージをスパムとしてマークするタイミングを学習できます。

教師なしで学習する場合、マシンは解決策なしで分類されていない情報（状況）を受け取り、人間の指導なしに類似または異なる兆候に基づいてそれらの状況を分類することを学習します。

マーケターは機械学習を使用して、ウェブサイトでのユーザーアクティビティのパターンを見つけます。 これは、ユーザーのさらなる行動を予測し、広告オファーを迅速に最適化するのに役立ちます。

心理学では、パターンは特定の行動反応のセットまたは一般的な一連の行動です。 したがって、人々がテンプレートを使用するすべての領域（ほとんどの生活領域）に関するパターンについて話すことができます。

Webサイトで使用されるパターンの例を考えてみましょう。 ユーザーが以下に示すポップアップウィンドウのオファーに興味がない場合は、次の方法でこのウィンドウを閉じることができます。

1. X記号をクリックします
2. [いいえ]をクリックします
3. ポップアップウィンドウの外側にあるサイトの任意の場所をクリックします。

ユーザーが実行できるこれらの3つのアクションに加えて、ポップアップウィンドウは一定時間後に自動的に閉じます。

したがって、4つの可能なユーザーアクションを取得します。

1. Xをクリックします—真/偽の可能性があります
2. [いいえ]をクリックします—真/偽の可能性があります
3. ポップアップを過ぎてクリック— true/falseの場合があります
4. ポップアップ表示時間は5秒です

このようなパラメータが何百も収集されると、動作と依存関係のパターンが含まれているため、収集されたデータは価値を高めます。 行動データの巨大な可能性を隠し、他のユーザーのためにすでに持っているデータに基づいて、不足しているパラメーターでユーザーデータを補足できるようにします。

たとえば、ターゲットオーディエンスを定義する最も簡単な方法は、性別と年齢によるものです。 しかし、ユーザーがこのデータを入力するのは10％の場合だけだとしたらどうでしょうか。 あなたのウェブサイトユーザーの何人があなたのターゲットオーディエンスに分類されるかをどのように理解できますか？ 行動のパターンが役立ちます。

ユーザーの10％の性別と年齢のデータを使用して、特定の性別と年齢に固有のパターンを判別できます。 次に、これらのパターンを使用して、残りの90％のユーザーの性別と年齢を予測できます。

性別と年齢に関する完全なデータがあれば、すべてのWebサイト訪問者にパーソナライズされたオファーを行うことができます。

マーケティングにおける機械学習の役割は、ビッグデータに基づいて迅速に意思決定できるようにすることです。

マーケターの作業のアルゴリズムは次のとおりです。マーケターは仮説を作成し、テストし、評価し、分析します。 この作業は長く、労働集約的であり、情報が毎秒変化するため、結果が正しくない場合があります。

たとえば、5つの異なるセグメントの10の行動パラメータを考慮して20の広告キャンペーンを評価するには、マーケティング担当者は約4時間かかります。 そのような分析が毎日実行される場合、マーケティング担当者はキャンペーンの品質を評価するために正確に半分の時間を費やします。 機械学習を使用する場合、評価には数分かかり、セグメントの数と動作パラメーターは無制限です。

機械学習を使用すると、広告キャンペーンによってもたらされるトラフィックの質の変化に迅速に対応できます。 その結果、日常的なアクションを実行するよりも、仮説を作成するためにより多くの時間を費やすことができます。

結果の価値は、分析が行われたデータの関連性によって異なります。 データが古くなると、その値は減少します。 人は、分析システムによって毎分収集される大量の情報を処理することはできません。 機械学習システムは、何百ものリクエストを処理して整理し、質問に対するすぐに回答できる形で結果を提供できます。

マーケティングにおける機械学習の主な利点：

• データ分析の品質を向上させます
• より多くのデータをより短い時間で分析できます
• 変更や新しいデータに適応します
• マーケティングプロセスを自動化し、日常業務を回避できます
• 上記のすべてをすばやく実行します

レコメンデーションシステムの本質は、顧客が現在興味を持っている製品を提供することです。

レコメンデーションシステムが予測するもの：顧客が購入する可能性が高い商品。

このデータの使用方法： Webサイトで「推奨製品」および「類似製品」ブロックだけでなく、電子メールおよびプッシュ通知を生成するため。

結果：ユーザーにはパーソナライズされたオファーが表示され、購入する可能性が高くなります。

この目的のための一般的なアルゴリズム： K-meansクラスタリング。

一般に、すべてのタイプのターゲティングの本質は、ターゲットユーザーにのみ広告予算を費やすことです。

最もよく使用されるターゲティングの種類：

• セグメントターゲティング—同じ属性セットを持つユーザーのグループに広告を表示します
• ターゲティングのトリガー—ユーザーが特定のアクション（たとえば、商品の表示やショッピングカートへのアイテムの追加）を行った後に広告を表示します

予測ターゲティングもあり、ユーザーが購入する可能性に基づいてユーザーに広告を表示します。

これらのタイプのターゲティングの主な違いは、予測ターゲティングでは、数十または数百のユーザーパラメータとすべての可能な値のすべての可能な組み合わせが使用されることです。 他のすべてのタイプのターゲティングは、特定の範囲の値を持つ限られた数のパラメーターに依存しています。

予測ターゲティングが予測するもの：ユーザーがこのデータの使用方法：

例1：広告キャンペーンを開始します。 この目的のために、購入の確率に基づいてセグメントを作成し、それらのセグメントをGoogle広告、Facebook広告、およびその他の広告システムにアップロードします。

例2：広告キャンペーンの効果を分析する。 この目的のために、購入の確率に基づいてセグメントを作成し、それらのセグメントをGoogle Analyticsにアップロードし、それらを使用して広告キャンペーンの効果を分析します（どのキャンペーンが最も多くのコンバージョンにつながるか）。

結果：広告はよりターゲットを絞ったオーディエンスに表示され、キャンペーンの効果が高まります。

この目的のための一般的なアルゴリズム： XGBoost、CATBoost、ディシジョンツリー（利用可能なデータが少ないか、パターンが少ない場合）。

生涯価値（LTV）を計算する最もよく知られている方法は、顧客からの総利益と顧客がビジネスとやり取りしている時間に関する知識に基づいています。 ただし、最近の多くのビジネスタスクでは、顧客が離れる前であってもLTVを計算する必要があります。 この場合、唯一の解決策は、利用可能なデータに基づいてLTVを予測することです。

LTV予測が予測するもの：セグメントごとの各ユーザーのLTV。

このデータの使用方法：

1. セグメントはプッシュ通知または電子メールサービスにロードされ、顧客の流出（解約率）を減らすために郵送に使用されます。
2. セグメントはGoogleAnalyticsにアップロードされ、予測されたLTVに基づいて広告キャンペーンの効果を分析するために使用されます。

結果：ユーザーあたりの広告予算はLTVに基づいて決定され、キャンペーンの効果が向上します。

この目的のための一般的なアルゴリズム： XGBoost、SVM、ランダムフォレスト、ロジスティック回帰。

マーケティングでは、解約または流出の概念は、会社を辞めた顧客とそれに関連する収益の損失を指し、通常はパーセンテージまたは金銭で表されます。

解約率予測を使用すると、顧客が実際に放棄する前に、製品またはサービスを放棄するという顧客の意図に対応できます。

解約率の予測が予測するもの：ユーザーがユーザーセグメントごとに離れる確率

このデータの使用方法：セグメントは、メールやプッシュ通知サービス、Google広告、Facebook広告、その他の広告システムにアップロードできます。 また、この情報を保持部門に渡して、顧客が離れる可能性が高い顧客に直接連絡できるようにすることもできます。

結果：顧客を維持します。

この目的のための一般的なアルゴリズム： SVM、ロジスティック回帰、およびその他の分類アルゴリズム。

OWOX BIのAIアルゴリズムは、マーケティング結果を分析し、それを市場データと比較して、成長ゾーンとリスクがどこにあるかを示します。 また、年間計画の実施を予測するため、マーケティング戦略をすばやく変更できます。

チャネル容量と市場動向は、企業が単独では得られない知識です。 幸運なことに、OWOX BI Insightsの機械学習モデルは、数万のプロジェクトからのデータを考慮して正確な予測を行います。 これらの推奨事項は特定のサイトのセッションに基づいているため、これにより、企業は広告予算を再配分するための推奨事項に自信を持つことができます。 また、目標到達プロセスの上位段階での市場動向、チャネル容量、詳細な広告費用、メディア広告のインプレッションも考慮に入れています。

OWOX BIデータドリブンアトリビューションモデルは、コンバージョンファネルを介した顧客のプロモーションへの各チャネルの貢献を考慮して、広告キャンペーンの効果を評価します。 このモデルを使用すると、コンバージョンへのチャネルの実際の貢献とそれらの相互影響を考慮して、広告予算を公平に割り当てることができます。

OWOX BIのモデル計算は、マルコフ連鎖と機械学習に基づいています。 マルコフ連鎖は、目標到達プロセスのステップ間の遷移の確率を計算することにより、コンバージョンに対するステップの相互影響を評価し、どのステップが最も重要であるかを見つけることができる確率モデルです。

OWOX BIアトリビューションがどのように機能するかを確認したい場合は、デモにサインアップしてください。 私たちの同僚は、アトリビューションを適用する方法の実際の例を示し、それがビジネスにどのように役立つかを示します。

機械学習が必要な理由と、それが帰属の問題の解決にどのように役立つのでしょうか。 これは別の記事のトピックです（すでに準備中です）。

この記事では、アトリビューションを使用してどのレベルで意思決定が行われるかを理解しましょう。 いくつかの基準に基づいてこれらのレベルを比較します。

• レベル自体
• 主要な意思決定者
• 行われた決定の種類
• 使用したツール
• 最も頻繁に使用されるアトリビューションモデル

アトリビューションベースの決定が行われるレベル：

1.ビジョン。 企業のビジョンは、取締役会、CEO、およびマーケティングディレクターによって形成されます。 ビジョンレベルの決定は、ブランドへの投資とオンラインとオフラインの間の予算のバランスに関連しています。 そのような決定を下すために使用されるツールは、市場調査とコンサルタントです。 意思決定の基礎となるデータが十分にデジタル化されていないため、従来のデータベースのアトリビューションモデルの場所はめったにありません。

2.戦略的。 戦略的な決定は、原則として、マーケティングおよびeコマースのディレクターによって毎月行われます。 これらの決定は、チャネル間の予算の割り当てとトップレベルのKPIの定義に当てられます。 戦略的意思決定に役立つツールは、Visual IQ、OWOX BI、またはカジュアルモデルです。 ここでは、ビジネスはデータ駆動型のアトリビューション、シャープレイ値とマルコフ連鎖のテーマのバリエーション、または目標到達プロセスベースのアトリビューションを使用します。 このレベルでは、チャネルの相互影響を理解し、チャネルの開発に関する戦略的決定を行うことが重要です。

3.戦術。 通常、戦術的な決定は、有料のトラフィック獲得のマネージャーによって毎週またはさらに頻繁に行われます。 予算の割り当てはキャンペーンと広告セットの間で行われ、決定はKPIとキャンペーンの目標を明確にすることを目的としています。 戦術的な決定を行うには、GoogleスプレッドシートまたはOWOXBIを使用できます。 多くの場合、このレベルでは、スペシャリストがGoogleアナリティクスを使用します。 メディア広告の影響を評価するために、ほとんどのアトリビューションモデルは、関連するコンバージョン、時間の減衰、およびポストビューを使用します。

この段階の特徴は、チャネルの予算がすでに割り当てられていることです。 したがって、この時点で、どのキャンペーンにそれを費やすかを理解し、結果を管理し、非効率的なキャンペーンをすばやくオフにすることが重要です。

4.実行。 これは、特定のアナウンスまたはキーワードの貢献度を評価する決定がほぼリアルタイムで行われる場合です。 このような決定は通常、広告サービス（Google広告、Facebook広告）内で行われます。 実際、顧客は各サービスの結果を個別に確認するため、ここでどの最適化メカニズムが使用されているかを気にしません。

ご覧のとおり、機械学習は戦略的および戦術的なタスクに最も役立ちます。 実行レベルでも適用される場合がありますが、一般的な傾向として、広告システムは急速に開発され、大量のデータがあります。 広告キャンペーンを管理するためにこれらのシステムで使用される内部アルゴリズムは、機械学習に基づく外部モデルよりも優れた結果を生み出します。

その理由は、機械学習を適用するには、広告サービスから大量のデータをすばやくエクスポートしてから、結果をすばやくインポートする必要があるためです。 技術的には、これは産業規模で解決するのが難しい作業です。 したがって、実行レベルでは、マーケターは広告サービスを最適化するために内部アルゴリズムに依存する傾向があります。

機械学習を使用して戦術的および戦略的な問題を解決するには、データの完全性を確保する必要があります。 これは、OWOXBIを使用して行うことができます。 OWOXは、Webサイト、広告サービス、およびCRMからのデータを組み合わせて、ビジネスの特性と取り組みを考慮に入れ、顧客を引き付けて売上を伸ばすことを目的とした目標到達プロセスを作成できます。