DXで加速する?!マーケティング分野でのAI活用

~流通小売の現場でのマーケティングAI活用ケースを振り返る~

AIがビジネスの現場で業務に活用されるようになって久しいですが、これから活用が期待される分野もまだまだあります。そこで今回は、マーケティング分野をとりあげてみます。

DX(デジタル・トランスフォーメーション)全盛期の今、マーケティング領域においては、近年AIを取り入れ成果をあげている例をみることができます。例えばチャットボットや、FAQシステムでの活用です。これらは比較的取り入れやすいことから、既に導入している企業は多くなっています。
また金融業においては、機械学習を活用したデータ分析が進んでおり、マーケティングやデータ分析の高度化にAIをいかす土壌ができてきていると考えられます。

一方、データを活用したB to CマーケティングにおけるAI活用は、まだまだ事例が少ないのが現状です。データが複雑であったり、データ量が多かったり、あるいはフォーマットの統一がされていないことがその背景にあると考えられます。

ここでは、実際に流通小売業にて取り組んだB to Cマーケティングでの事例について紹介していきます。

B to Cマーケティング事例

顧客アプローチの課題

流通小売業である企業AはECサイトと店舗を持っており、どちらで購入してもECと店舗データを統合したデータを利用して顧客にアプローチができるようになっています。

顧客へのアプローチとして、顧客ごとにレコメンド(商品推奨)を実施していくことになりましたが、アプローチをする上での課題がいくつか浮かび上がってきました。一例として、「配信するレコメンドが偏ってしまう」、「商品数が莫大となったことで、売れ筋商品(アクティブアイテム)ばかりがレコメンドの上位を占めてしまう」等です。

課題の解決に向けて

上記で挙げた課題に対し考えられた対策は、「顧客が欲しい、あるいは顧客がまだ気づいていない商品を顧客に先駆けて見つけ出してレコメンドする」、「顧客が買いそうなタイミングでアプローチする」ことでした。この課題解決に取り組むにあたって、AI/機械学習を活用します。

AI/機械学習で購入予測モデル開発

まず、AI/機械学習で購入予測モデルを開発し、そのモデルに基づいてレコメンド(商品推奨)を実施していくことにしました。

顧客ごとに、「顧客が欲しい、あるいは顧客がまだ気づいていない商品」を発見し、顧客の買いそうなタイミングで自動配信する仕組みを開発します。また、レコメンドアルゴリズムは、一般的によく使われる相関から導く「協調フィルタリング」と「特徴量」から導くレコメンドを実施し比較しました。

レコメンド

◆協調フィルタリング:多くのユーザの嗜好情報を蓄積し、あるユーザと嗜好の類似した他のユーザの情報を用いて、自動的に推論を行う方法。代表的なレコメンドアルゴリズム。

ユーザの直近の閲覧、直近の購入(CV)、レコメンド反応から協調フィルタを使って導き出したレコメンド商品に対し、購入したか否か、購入した場合、購入すると予測した商品がレコメンド上位に含まれているかを評価。
結果は、マッチング率64.3%。購入率2.3%となりました。

◆特徴量:学習データにどのような特徴があるかを数値化したもの。特徴を自動的に抽出しAIがその特徴量をもとに学習モデルを作成。類似度を算出し、嗜好の一致率が高いユーザの購入商品をレコメンド。

ユーザの属性、直近の閲覧、直近の購入(CV)、レコメンド反応から、特徴量を抽出し、類似ユーザを抽出します。抽出した嗜好の一致率の高いユーザの購入した商品をレコメンドで表示します。
結果は、マッチング率79.9%、購入率2.8%となりました。

上記2つの手法によるレコメンドの結果、特徴量に応じてパーソナライズしたレコメンドアルゴリズムの方が、マッチング率・購入率ともに高くなりました。

学習モデルの精度向上

AI実装において、学習モデルの精度は大変重要です。そこでマッチング率を向上させるためにいくつかの工夫を施し、最終マッチング率を89.5%にまで高めることに成功しました。

初回実装時は、閲覧商品・属性・購入商品データを用いた学習により、マッチング率は79.9%でした。これは予測結果の上位5個のいずれかが実際に購入された確率をさします。
さらに顧客の閲覧時間・購入価格帯データや商品タイトル・説明文を加えるなどの工夫により、マッチング率は89.5%に到達しました。
上位10個に入る確率では、90.8%の精度を出すことに成功しています。

実行時間を削減し、運用面で成果

学習モデルの作成にかかわる実行時間が長すぎると、随時行われる顧客タイミングにあわせたレコメンドメールの配信などにあわせるのが難しいことが課題でした。
そこで、プログラムの高速化をはかり、当初の学習モデル作成時間を87%削減しました。
実行時間に関する運用面での課題はクリアすることができました。

AI予測の根拠(XAI)を示し、説得力を増す

AI/機械学習の導き出した答えに対し、なぜその予測結果になったのかという予測の根拠が分からないことは大きな問題でした。ブラックボックスのままでは、AIへの不信感をあおるだけでなく、導入の根拠に乏しいことにもなりかねません。
そこで説明可能なAI(XAI:Explainable Artificial Intelligence)が注目されています。

  ⇒XAIについての記事はこちら

さまざまな手法が開発されていますが、今回はPermutation Importance※という手法を採用し、可視化に取り組みました。

※Permutation Importance:学習済みモデルを用いて、各特徴量の効果を計測する手法

予測データ全体だけでなく、各予測データに対する特徴量も可視化できる手法であり、例えば「Web閲覧時間」や「レシート金額」が予測に大きく寄与した特徴であるなど、人間が見て理解できる状態のデータとなります。

このようにXAIを用いることにより、なぜこのユーザにこの商品をレコメンドしたかの根拠が示されることで、経営陣の承認を得ることができました。

まとめ

AIに顧客ニーズを学習させることで、顧客嗜好とのマッチングや利益率に大きく貢献することができました。またAIの精度向上や運営面での課題解決だけでなく、AIの計算根拠を示すことで、上層部からの予算や施策実行に関する承認を得やすくなりました。

企業AのようにECサイトと店舗を持った企業は多いですが、マーケティング視点においてデータ統合がまだまだうまく機能していないところもあると聞きます。
まずは有効なデータを整えることで、AI導入による大きな成果につながっていくはずです。

BtoCマーケティングの成功例となるべく、今一度AIの燃料となるデータを見直して、AI導入への道筋を作ってみませんか。

データ活用やAI導入でお困りの方、AIについて最新情報を知りたい方は
お気軽にお声がけください。

参考書籍:
「データ分析の進め方及びAI・機械学習導入の指南
 ~データ収集・前処理・分析・評価結果の実務レベル対応~」
発行:株式会社情報機構