購買予測

大手オンラインショッピングサイト(EC・通販)

データサイエンティスト・マーケターがいなくても『パーソナライズレコメンドエンジン・マーケティング施策』を可能に

企業情報

事業
ファッション・アパレルECサイト運営
課題
適切な商品レコメンデーション、顧客のセグメンテーション&ターゲティング
導入部門
マーケティング部門

導入のポイント

  • サイト閲覧、及び購買データから一人一人のユーザーが来月何を買うかが一定精度で予測可能に
  • 未来の購買パターンが似ているユーザーでセグメントを構築したり、カテゴリ毎に購買確率トップ10%顧客のような抽出が可能に
  • 従来のレコメンドエンジンでは難しかった、購買や商品閲覧の順序に着目し購買行動を先回りしたレコメンドを実現

課題

ファッション・アパレルECサイトを運営するB社では『年間数十万ユーザーのサイト閲覧+購買ログデータ』が蓄積されていたが、十分な活用がなされていなかった。

その背景として、従来、大規模なデータのマーケティング活用には高い専門性を持つデータサイエンティストとユーザー行動・心理に長じたマーケターが必要だったことが挙げられる。データから適切なマーケティング施策を見出すには、試行錯誤しながらデータ解析をし、特徴的なユーザーグループの行動パターンを発見し、それに基づきセグメンテーション、ターゲティングの設計を行う必要があり、ハードルが高かった。

また、ファッションアイテムの商品特性から、一般的な協調フィルタリング等のレコメンドエンジンが機能しにくく、結果、売行ランキング等の非パーソナルなレコメンド機能に留まっていた。

対策

十分なデータが存在する場合、すでにDeep Learningを含む機械学習による予測能力が人間を上回ることから、まず、顧客の行動予測はアルゴリズムに任せ、予測結果を用いた最適なマーケティング施策の立案をマーケターが行う、機械と人の役割分担の考え方に転換。

購買予測には、高次元系列データの扱いに向くDeep Learningアルゴリズムの一種であるLSTM (Long Short Term Memory - 長期短期記憶)を用い、各ユーザーの『過去1年間のサイト閲覧+購買ログ』を入力すると、次月に100程度あるサブカテゴリ(パンプス、ブーツ等)それぞれの『アイテムを購入する確率』を出力するモデルを構築した各ユーザーに対して、機械的に出力される100カテゴリの『購買確率スコア』を用いて、買いそうなカテゴリが似ているユーザーをグルーピングしたり、あるカテゴリに着目し購入しそうなトップ10%等を抽出してセグメントを切り、対応するマーケティング施策の立案を行なった。

また、個々のユーザーに対し購買確率の高いカテゴリの商品をレコメンドするパーソナライズレコメンドエンジンへの応用へも取り組みを進めている。

効果

高度な専門スキルを持ったデータサイエンティストや熟練したマーケターがいなくても大量かつ詳細なユーザーの行動ログデータを余すところなく活用したマーケティング施策の立案運用が可能に。

また、よりユーザーの行動に寄り添ったパーソナライズレコメンドエンジンの開発を可能にした。