Portrait MinerによるUplift分析（簡易）

2014年9月

はじめに…Portrait Minerとは？

• 今までの分析ツール：

– データの加工や式の入力、結果のグラフ化等に専門的な知識が必要

– 欲しかったモノと異なった結果をより欲しい形とするための式の修正、異なる切り口からの分析等を行うためのデータ再加工等、煩雑な作業も多く必要

使い易いユーザーインターフェイス、ビジュアルで分かり易い結果表示を特徴とした顧客分析ツールです。

• Portrait Miner：

– 顧客動向を分析する事に特化する事で、長年の経験により得られたベストプラクティスを自動化したモデル作成機能を提供します

– 誰にでもほんの数ステップで専門家が分析したような結果を得る事が可能です

Minerの何がイイの？

顧客データや関連するトランザクショナルデータを基に、傾向のプロファイリングや行動予測といった分析に強いられる手続きが自動化されています

分析プロセスそのものを加速化させる事ができます。

結果も強力な３次元でのデータビジュアラズで表示され、

直感的にデータの傾向を把握できます

安全性の面から顧客データベース等と常時接続は行わず、データ

準備の段階で必要なデータを取得した後は、Miner独自の形式

（Focus）でこれを保持・利用します

非常に高いパフォーマンスを発揮できます

これはMinerが既存システムや他のPortrait Suiteと隔絶している事を意味する

訳ではありません。顧客のリストや顧客傾向値（スコア）等、分析結果を

エクスポートする事で外部システムとの統合も十分に可能です！ 2

つまり

そして

実は

なので

心配無用

ところで…Uplift分析とは？

3

＜挿話＞

“広告費の半分が無駄だと

判っているが、どちらの

半分が無駄なのかが判断

できない”

- John Wanamaker

(1838-1922)

それによって…

マーケティングにより「ポジティブ」な反応に動く顧客にキャンペーンを集中する事ができる

→ コスト削減の一助、ネガティブな影響の回避

この考え方は幅広く適用できます。

例えば顧客維持、クロスセル／アップセルのターゲティングなど

簡単に言えば、マーケティング的な“働きかけ”を受けた顧客と受けなかった顧客との「行動の変化」をモデル化する事で、『もし働きかけを行うと、顧客（の行動）はどの程度変化するのだろうか』を扱う予測分析です。

つまり…目的の顧客層を素早く見つけ出す

「働きかけ」に対する顧客の反応は右図で示されます。

つまり「働きかけ」によって行動がポジティブへと変わる顧客層を見つける事です。

4

留まる 離れる

働きかけを 「しないと」

離れる

留まる

働きかけを「すると」:

右図で示せば左上（背景が緑になっている）の層に入る顧客がそうである、と言えます。

どのようにして？

5

従来的なアプローチ： Prob (purchase | treated)

(“働きかけを受ければ購入する可能性があるだろう”)

Prob (purchase | treated) – Prob (purchase | not treated)

Uplift アプローチ:

(“働きかけした場合の購入可能性 ー しなかった場合の購入可能性”)

理屈を式で表現すれば上記のようになります。つまりUpliftを測るためには「働きかけを行ったグループ」と「働きかけを行わなかったグループ」とでの行動差異を測るという事になります。 前者のグループを「トリーテッド（働きかけ、ターゲット）グループ」、後者を「コントロールグループ」と呼んだりします。

もう少し具体的に…

6

顧客を２つのグループに分けてあるキャンペーンを実施します。結果として、ターゲットグループについて、離反率と人数割合を示したのがこの図です。

ターゲットとコントロールとの差

7

同様、コントロールグループについて、離反率と人数割合を示したのがこの図です。説明の関係上、先のターゲットグループのそれに重ねています。

差分が意味するものは？

8

それぞれの要素においては「差」があります。 例えば、ターゲットグループに比べてコントロールグループでの離反が高い要素（右側）、その逆になっている要素（左側）などです。

つまり赤い矢印は「働きかけがあったために起こった離反分」と言えます。緑の矢印は「働きかけをしなかったために起こった離反分」と考えることができます。

どのように扱うべきか？

9

先の矢印部分を抜き出してならしてみます。先のページでみたように、ここから見えてくることは、この赤と緑の要素に入る顧客に対して、これからどのようなアプローチをとる事が妥当と言えるでしょうか？

扱い方の指針として

10

（前の図をソートをしただけです） つまり、働きかけがネガティブに影響した（赤い部分に入る）顧客には積極的な働きかけは不要、逆に「働きかけによりポジティブに変わる可能性を多く持つ（緑の部分にはいる）顧客には積極的な働きかけを行う、という指針を出すことができることになります。

Minerでやってみましょう

では、Minerを使って先ほどのような顧客層をみつけてみましょう

11

注１：利用したデータはサンプルです。トリーテッドGrp.とコントロールGrp.の切り分け、キャンペーン後の結果が判断できるようになっています。

注２：プロファイリングやビニングの調整などは行われているものと仮定します。

要求はこんな感じで…

シナリオ

ある金融会社が新しく商品を発売するにあたりキャンペーンを実施しました。顧客をコントロールGrp.とターゲットGrp.に別け、キャンペーンを通じて新たに口座を開いた顧客／開かなかった顧客を判断できるようなデータを保持しています（勿論、従来の顧客データ-年齢やローン有無なども持ち合わせています）。

ここで、会社は今後より効果的にキャンペーンを展開するために説得可能な（即ち、キャンペーンでの働きかけを行う事で、ポジティブな動きを見せる）顧客層を判断しておきたいとします

12

利用するデータ属性

分析用データには、以下の属性が含まれています：

13

TrailMailing キャンペーンにおいて働きかけ有無を示すフィールド（1：働きかけ有り／0：なし）

パーティション

AccountOpened キャンペーンにより新たに口座を開いたか否かを示すフィールド（1：開口あり／0：開口なし）

目標

説明 摘要 属性（フィールド）

ちょっと説明

先の分析用データには「説明」が付与されています：

• 目標 – 分析の世界では「目的変数」とも呼ばれる項目を示すための目印です。つまり、変化予測をしたい変数です

• パーティション – Upliftは「働きかけした場合の購入可能性 ー しなかった場

合の購入可能性」で表せます。パーティションは働きかけの有無を表現する変数に該当します

• 分析候補 – 星印が付与されているフィールドは、Minerの分析エンジンに対して「これらのフィールドを用いて分析せよ」と指示をするものです

14

意思決定ツリーによる分析

15

ツリーモデルを作成します。「目標」の値を左右する最も大きな要因（最初のノード）が「Mortgage」の有無である事が判ります。 更に右下方の（赤色が強い）ノードを見ると、 Uplift値が + x.xx %となっているのが判ります （緑～青は – x.xx %）。ここでは、プラス値 は「キャンペーンでの働きかけによりネガティブ に動いた」ことを意味します。

Uplift値（スコア）の記録

16

それぞれのノードに入る顧客に対して、アップリフト値（スコア）を付与することができます（ここではUpliftAsDifferenceという名前のフィールドを追加する事になります）。

記録されたスコア

17

フィールドは瞬時に作成されます。

分析用顧客データにフィールドが追加されました。 基本的には、このスコアの高低を考慮することが、即ち、ポジティブな動きを見せる）顧客層がどこであるか、と等価となります。 見易くするために、UpliftAsDifferenceフィールドの値を３D（クロス分布）ビューワで見てみましょう

データを可視化

クロス分布ビューアー

を用いて、フィールド

UpliftAsDifferenceを

３Dグラフで表示して

います。

ビニングの調整や

表示軸の修正を行う

ことで…

18

データを可視化 つづき

前述（P.10）の図に

近い形式でデータを

参照する事も可能

になります。

言うまでもなく、

ここでは青に近い

（即ちマイナスの）

スコアを持つ顧客が

「働きかけによって

よりポジティブに

動く可能性が高い」

と見る事になります

19

データの再利用（シンプルなエクスポート）

データ転用の一例として、当該セグメントのリストをエクスポートする場合

• 当該セグメントをクリック（反転表示）した状態で、レコードのエクスポートを選択します

• エクスポートウィザードに従って出力します

20

Minerへのインプット/Minerからのアウトプット

顧客リスト(CSV）

キャンペーン管理

レコメンデーション

顧客DB/CRM

Webサイト 行動履歴データ,etc

データ層

Portrait Miner

年齢

顧客数

データ内容を俯瞰し、予測モデル作成に必要なデータを集計・加工

統計分析をベースとした予測モデルの作成

「予測値」「傾向値」データを出力

分析モデルのエクスポート（インポート） • SAS • SPSS

他製品ライン

シームレスな連携

（予測・傾向値、セグメント情報）

OLE-D

B

ファイル

インポート

顧客分析 出力先

21

ルール（傾向値、予測値）その他 データのエクスポート • フラットファイル • Excel等

Every connection is a new opportunity™

お問い合わせ

お気軽にお問合せください

ピツニーボウズ・ソフトウェア株式会社 ☎ 03-5468-6881

ホームページ http://www.nextmarketing.jp

Portrait Miner製品ページ

http://www.nextmarketing.jp/Solution/portrait/miner.html

Portrait Minerの評価版をご用意いたしております。 Desktop版の全ての機能を30日間ご利用頂けます。

お申し込み・お問い合わせはホームページより承っております。