颁2颁マーケットプレイスでの惭尝の応用
?
1 like?571 views
メルカリはマーケットプレイス、かつC2Cという特徴を持つため、特に以下の領域に、今までとは異なるチャレンジがあります。 Seller experience Item understanding Matching buyers & sellers Trust & Safety
![11
直近お客さまが見た商品から、興味のあるトピックを推
定し、それを複数提示する
個別の商品ではなく、トピックという抽象化をすること
で、コールドスタート問題や在庫切れの問題を解決して
いる
Realtime Retargeting
c.f. [CCSE] メルカリでのパーソナライゼーション機能の研究開
発サイクル](https://image.slidesharecdn.com/mlc2cmarketplace-210327052914/85/C2C-ML-11-320.jpg)
颁2颁マーケットプレイスでの惭尝の応用
- 1. 1 颁2颁マーケットプレイスでの惭尝の応用 Keisuke Umezawa? 第53回 Machine Learning 15minutes! Broadcast 2021/03/27?
- 3. 3 新たな価値を生みだす? 世界的なマーケットプレイスを創る? 「限りある資源を循環させ、より豊かな社会をつくりたい」。 創業者である山田進太郎が世界一周の旅で抱いた、そんな問題意識によって生まれたのが フリマアプリ「メルカリ」です。テクノロジーの力によって、世界中の個人と個人を つなぎ、誰もが簡単にモノの売り買いを楽しめる。それにより資源を循環させる豊かな 社会、個人がやりたいことを実現できる社会をつくっていきたいと考えています。 ? Create value in a global marketplace where anyone can buy & sell コーポレートミッション?
- 5. 5 技術的なチャレンジ 上記の世界観を達成するには数々のチャレンジがあります。というのも、今まであったサービスと 異なり、新たな価値を創造していかなければならないからです。特に、今までの ECビジネスとは 違い、メルカリはマーケットプレイス、かつ C2Cという特徴を持つため、特に以下の領域に、今ま でとは異なるチャレンジがあります。 ● Seller experience ● Item understanding ● Matching buyers & sellers ● Trust & Safety
- 6. 6 チャレンジ 1: Seller experience ● 原因 ○ 出品者が個人 ● ニーズ ○ 出品?梱包?発送作業のつまづきポイントを無くす必要がある
- 7. 7 お客さまの体験ごとの継続率の可视化と改善 ● データ分析により、お客さまの継 続率を可視化 ● 「悪い体験をしたお客さま」等の特 定のセグメントをMLで推定 c.f. お客さまの体験ごとの継続率の可视化と改善
- 8. 8 チャレンジ 2: Item understanding ● 原因 ○ カタログに紐付けされていない商品が出品される ● ニーズ ○ 正しいカタログに紐付けする必要がある ○ 商品情報を可能な限り簡単に付与する必要がある
- 10. 10 チャレンジ 3: Matching buyers & sellers ● 原因 ○ それぞれの商品がユニークな存在で、 出品されたら必ずコールドスタート問題 (新登場の 商品に行動履歴がなくレコメンドが難しい問題 )が発生し、売れたら必ず在庫切れになって しまう ● ニーズ ○ 上記由来の様々な変数を考慮したマッチングを提供する必要がある × × × × ×
- 11. 11 直近お客さまが見た商品から、興味のあるトピックを推 定し、それを複数提示する 個別の商品ではなく、トピックという抽象化をすること で、コールドスタート問題や在庫切れの問題を解決して いる Realtime Retargeting c.f. [CCSE] メルカリでのパーソナライゼーション機能の研究開 発サイクル
- 12. 12 チャレンジ 4: Trust & Safety ● 原因 ○ 個人間取引である ● ニーズ ○ 網羅的な違反出品、違反ユーザー監視をする必要がある ② 違反スコアを計算? ① 商品出品? ③ カスタマーサポートで? 通知された商品を確認? 規約違反商品? →削除? 通常商品? →非表示解除? ×
- 13. 13 違反出品検知のフロー Rule based logic ML logic Rule based warning / stop CS Operators Rule based logic + ML logic 1. Before Listing (client side) 2. After Listing (server side) Listing Rule based logic
- 14. 14 Multi-modal Model ● Currently we use ○ Image ○ Title ○ Description ○ Category ○ ... ● Extract each feature by CNN, MLP ● And merge them with Attention-based network. c.f. メルカリ、機械学習の実運用に関する国際会議「 OpML’20」に論文が採択
- 15. 15 サマリー メルカリはマーケットプレイス、かつC2Cという特徴を持つため、特に以下の領域に、 今までとは異なるチャレンジがあります。 ● Seller experience ● Item understanding ● Matching buyers & sellers ● Trust & Safety