狠狠撸

狠狠撸Share a Scribd company logo
Oisix事例発表
「顧客属性推定とレコメンド」
2016年7月26日
U-NEXT ? Oisix 勉强会
本日のプログラム
1. 自己紹介
2. オイシックスとは
3. 顧客属性推定とレコメンド
4. まとめ
5. 質疑応答
自己紹介
気軽に連絡してください → https://www.facebook.com/keisho.suzuki
講演者:MAX(鈴木 啓章)
    2016年4月オイシックス入社
経歴:銀行員→学習塾→IT業界
業務:パーソナライズ(レコメンド)
システムトレードが好きでデータ分析を仕事に
したいと思い、やる気MAXで入社しました。
本日のプログラム
1. 自己紹介
2. オイシックスとは
3. 顧客属性推定とレコメンド
4. まとめ
5. 質疑応答
Oisixのご紹介
~たべる人、つくる人、つなぐ私たち~
(1)企業理念
Output
MISSION
より多くの人が、豊かな食生活を簡単に送れるよう
なサービスの提供を行う
※Oisixが定義する豊かな食生活
「安全なものを安心して食べ」、「美味しさに感動し」、「それを家族や友達と楽しく共有でき」、
「結果的に健康な身体になる」食生活のこと。
(2)事業紹介
世界で唯一の日常食品×サブスクリプションEC
 
 
お好きなときに お好きな量だけ
お客様の生活にあわせてご注文いただくスタイル 
  
 
入会金?年会費は一切無料
  
 
土?日も含め、お届けする日時や場所の指定が可能  
小さなお
子様を持
つママ
おいしい
ものへの
こだわり
が強い方
ワーキングマザーなど
忙しい女性
Oisix.com
Oisixステーション
来
店
注
文
発
注
お客さまへ
お届け
生産者さん / メーカー
(2)事業紹介
「つくった人が自分の子供に食べさせることができる」
食材だけ販売
 Oisixの野菜を育てる農家の方々  
さつまいも生産者の飯尾さん
レモン生産者の中田さん
トマト生産者の井原さん
小松菜生産者の篠崎さん
(2)事業紹介
 Oisixのオリジナル商品  
とろける口どけ
生キャラメルいも
ステーキでとろーり食
感
トロなす
ほんのりした甘さ
ピーチかぶ
スポーツに最適
ランナーバナナ
(2)事業紹介
Oisixの強み
③商品開発
?調達
②物流 
①販売 
Oisixの強み
優良産地/生産者さん/メーカーとのネットワーク
食品BtoC、ECに特化した物流センター
高付加価値食品のサブスクリプションコマース
(定期購買)
→独自性のあるWEBマーケ、CRMスキル
→安心?安全?おいしいを担保しつつ、
 ローコストオペレーションを実現
→高い品質の商品を中間流通を通さず、
 安定的に供給できる 
社員数
所在地
事業所
営業所
約200名
5:5
東京/品川
神奈川/海老名
埼玉/八潮
香港
平均年齢
男女比率
34歳
(3)売上高推移
Output
第2創業フェーズ
今期から3年で400億へ
3年後目標
40000 3年で
2倍成長
15期
連続成長
本日のプログラム
1. 自己紹介
2. オイシックスとは
3. 顧客属性推定とレコメンド
4. まとめ
5. 質疑応答
顧客属性推定とレコメンド
お客様一人ひとりに寄り添ってサービスや商
品を提供すること
顧客属性推定とレコメンドはパーソナライズプロジェクトの一環
パーソナライズ =
寄り添う    =  様々な状況を理解する
顧客属性推定とレコメンド
←こんな感じで定期ボックスというものが毎週
作られます
(勝手に商品が入っています)
期日までは自由に商品を変更でき、
期日を過ぎると発注される、まさに
食のサブスクリプションサービス!
顧客属性を推定し、1人1人にパーソナライ
ズされた定期ボックスを提案する
使いどころ①:定期ボックスをパーソナライズする
顧客属性推定とレコメンド
使いどころ②:いろんな売り場をパーソナライズする
レジ前や注文完了後など、売り場の特性に合わせて
パーソナライズされた商品を提案する
顧客属性推定とレコメンド
商品をバスケット分析顧客をクラスタ分析
×
クラスタごとの顧客の購買商品を元にバスケット分析を行うことで、
単純なバスケット分析より精度を向上させる
顧客属性推定とレコメンド
クラスタ分析とは
<クラスタリング>
?目的変数なし(教師なし学習)
?潜在する「集まり」を発見する
?kMeans、平均変位法、混合ガウスモデル???
<クラス分類>
?目的変数あり(教師あり学習)
?特定の分類法をより正確に再現する
?SVM、ランダムフォレスト、
ロジスティック回帰???
(参考?実際のコード)
顧客属性推定とレコメンド
バスケット分析とは
参考:http://www.sascom.jp/ma_semi/session/heibai/heibai2.html
顧客属性推定とレコメンド
オイシックスの分析環境
E
C
サ
イ
ト
トラッキング
データ
売り場への
反映
定期ボックス
への反映
各種データ
パーソナライズ提
案用の商品データ
を作成
クラス分類やバスケット分析等々???
メインDB
?顧客,商品,受注等の各種データ
?定期ボックスのデータ
データ分析?蓄積用DB
?購買履歴等のデータ
?売り場反映用の商品データ
データ分析用DB
?Oracle/Mysqlからの集約データ
顧客属性推定とレコメンド
具体事例:商品提案までの流れ
具体事例をもとに、オイシックスならではの
7つの学びポイントを紹介します
2. アンケートの収集
1. データの整備
3. 外れ値データの除外
5. 分類モデルの適応
4. 分類モデルの作成
6. バスケット分析
7. 商品の提示
顧客属性推定とレコメンド
具体事例
2. アンケートの収集
1. データの整備
3. 外れ値データの除外
5. 分類モデルの適応
4. 分類モデルの作成
6. バスケット分析
7. 商品の提示
学びポイント
 1.データの整備
顧客属性推定とレコメンド
分析
1. データの整備
TreasureDataに集約
発覚
分析
分析???
最終更新日時が変わっていない???
オイシックスの学び
<事象>
?分析の後半でDBのデータが更新されて
いないことが判明
<結果>
?最初から分析をやり直す手戻りが発生し
た
【学びポイント】
?更新をチェックする仕組みを導入する
 →最終更新日時、受注数??? 
1. データの整備
顧客属性推定とレコメンド
具体事例
2. アンケートの収集
1. データの整備
3. 外れ値データの除外
5. 分類モデルの適応
4. 分類モデルの作成
6. バスケット分析
7. 商品の提示
学びポイント
 2. アンケートの収集
顧客属性推定とレコメンド
アンケートから
教師データを作成
子供あり
2. アンケートの収集
回答者
子供なし
①乳児幼児
②それ以外
③料理する
④料理しない
購買に差がありそうな下記①?④に
お客様を分類することに決定
オイシックスの学び
<事象>
?「料理する」に回答したお客様の購買履歴が
料理しているように見えない???
<原因>
?「料理する」の回答にはお客様の夢や希
望が詰まっている場合があった
(実際の購買行動と異なる回答)
【学びポイント】
?アンケートを実施する際には、回答と実態
に差が出ないような質問項目にする必要
がある
2. アンケートの収集
顧客属性推定とレコメンド
具体事例
2. アンケートの収集
1. データの整備
3. 外れ値データの除外
5. 分類モデルの適応
4. 分類モデルの作成
6. バスケット分析
7. 商品の提示
学びポイント
 3. 外れ値データの除外
顧客属性推定とレコメンド
ほとんどの人が
買っていない商
品
3. 外れ値データの除外
学習データとなる購買数量
が多い順に商品をソート
ほとんどの人が
買っている商品
オイシックスの学び
<事象>
?データを学習させてもなかなか良い分類
モデルが作れない
<原因>
?全員が買っている商品や、ほとんど買われ
ていない商品がノイズとなっていた
【学びポイント】
?精度の高いモデルを作るため、学習データ
からノイズとなる外れ値は取り除く
3. 外れ値データの除外
顧客属性推定とレコメンド
具体事例
2. アンケートの収集
1. データの整備
3. 外れ値データの除外
5. 分類モデルの適応
4. 分類モデルの作成
6. バスケット分析
7. 商品の提示
学びポイント
  4. 分類モデルの作成
顧客属性推定とレコメンド
4. 分類モデルの作成
Y =
目的変数Y:あるセグメントに属するか否か
      例?子供あり:1、子供なし:0
1 + e
-(α0 + α1x1 + α2x2 + α3x3 ???)
1
ロジスティック回帰
説明変数X:過去6ヶ月の商品ごとの購買数(約5,000種類)
      例?こどもカレー:3、みつトマト:5、一口京がんも:0???
回帰係数α:商品ごとの重み ★求めたい値
      例?こどもカレー:0.154、みつトマト:0.002、一口京がんも:-0.065
約1,200人のデータセットで
学習させ、モデルを作成する
(回帰係数αを求める)
オイシックスの学び
<事象>
?精度は高いが毎回異なる回帰係数(重
み)が出力された
<原因>
?データセットに対する説明変数が多く、過
学習してしまっていた
(5,000個の重みを求めるのに、1,200人し
か学習用データセットがない)
【学びポイント】
?説明変数に対して適切なデータセットを用
意する(一般的に5倍程度)
?相関の高い説明変数を避ける
4. 分類モデルの作成
顧客属性推定とレコメンド
具体事例
2. アンケートの収集
1. データの整備
3. 外れ値データの除外
5. 分類モデルの適応
4. 分類モデルの作成
6. バスケット分析
7. 商品の提示
学びポイント
  5. 分類モデルの適応
顧客属性推定とレコメンド
1.データセット標準化
(アンケート回答者1,200名)
4.データセット標準化
(顧客全体)
5. 分類モデルの適応
2.ロジスティック回帰
3.分類モデルを作成
5.分類モデルを適応
標準化前 商品a 商品b
顧客A 100 10
顧客B 50 5
顧客C 10 1
標準化後 商品a 商品b
顧客A 1.27 1.27
顧客B -0.09 -0.09
顧客C -1.17 -1.17
※標準化(スケールを揃える)
オイシックスの学び
<事象>
?モデルを全体へ適応する際、再度全体のデー
タセットに対して標準化をしていた
<結果>
?モデル作成時に用いた標準化パラメータを取
得し直す手戻りが発生した
【学びポイント】
?標準化を行う際のパラメータを保管してお
き、モデル適応時に利用する
5. 分類モデルの適応
顧客属性推定とレコメンド
具体事例
2. アンケートの収集
1. データの整備
3. 外れ値データの除外
5. 分類モデルの適応
4. 分類モデルの作成
6. バスケット分析
7. 商品の提示
学びポイント
  6. バスケット分析
顧客属性推定とレコメンド
パーソナライズされた提案商品例6. バスケット分析
提案商品←提案元
オイシックスの学び
<事象>
?購買がない顧客に商品は提案されない
?似たカテゴリの商品が提案される
(バスケット分析の限界)
<結果>
?毎週一人一人に様々な商品を提案する
ことが困難
【学びポイント】
?各種手法でできること、できないことを理
解する
?目的に対して最適な手法を選択する
6. バスケット分析
顧客属性推定とレコメンド
具体事例
2. アンケートの収集
1. データの整備
3. 外れ値データの除外
5. 分類モデルの適応
4. 分類モデルの作成
6. バスケット分析
7. 商品の提示
学びポイント
  7. 商品の提示
顧客属性推定とレコメンド
AB実験を実施?集計
7. 商品の提示 各種売り場ごとにパーソナライズ商品を提案
A:スマホ注文完了画面(購入後に表示) 叠:笔颁レジ前(购入前に表示)
オイシックスの学び
<事象>
?同じロジックで商品を提案しても、売り場ごと
にCVR?単価、受注率に差が出た
<原因>
?売り場ごとにそれぞれ特性がある
【学びポイント】
?売り場ごとの特性を理解し、UI、商品を魅
せ方を工夫することが重要
7. 商品の提示
本日のプログラム
1. 自己紹介
2. オイシックスとは
3. 顧客属性推定とレコメンド
4. まとめ
5. 質疑応答
まとめ
具体事例:商品提案までの流れ
顧客属性を推定し、バスケット分析を用いること
で商品をレコメンドできた
2. アンケートの収集
1. データの整備
3. 外れ値データの除外
5. 分類モデルの適応
4. 分類モデルの作成
6. バスケット分析
7. 商品の提示
まとめ
パーソナライズプロジェクトにおいて提供するサービスを通じて、
「オイシックスは自分のことを知ってくれていて、お買い物が楽だし、楽しい」
「スーパーだと、1から選ぶのが大変だし、面白い提案がない」
となっていきLTV(顧客生涯価値)が向上している状態をつくる。
顧客属性推定とレコメンド
1.探さないと出会えなかった商品の提案
2.いつも買っているものをちょうどよいタイミングで補充
3.売場で選ぶことが価値になっている売場への誘導
4.旬などのオイシックスからの価値提案
ゴールゴール
提供価値
まとめ
オイシックスと他ECサービスの違い
?商品の改廃が多い ?ID単位では難しい場合がある
?お客様によって
 商品の分類が異なる
?人によって下記のような捉え方がある
-にんじんはどれでもにんじん、または、福島産、 not福島産は違う
-たつやのにんじん、三竹さんのにんじん、その他のにんじんは違う
?嗜好が変わる ?お気に入りのヨーグルトが、時期によってかわる
?納豆を毎朝出していたが、最近食べなくなって出さなくなった
?季節性がある ?1週間しか扱わない商品がある
?季節によって味が変わる(はしり、さかり、なごり)
?購入決定の
ハードルが低い
?購入の重みが他ECよりも低く、なんとなく買った、買わなかった
 という情報が他のECに比べると多い
?購入したが、失敗している場合も多数ある
?提案した商品の
 リジェクトがわかる
?定期ボックスにセットした商品が削除された履歴を見れる(売場に並んでいて買
われないよりも強い反応)
まとめ
現在、オイシックスが取り組んでいる課題の例
?顧客属性推定 ? バスケット分析
?顧客DNA ? 商品DNA
?周期性
?嫌いな商品のフィルタリング 
?季節性商品の理解
?値頃感の理解
?好き/嫌いをフィードバックしてもらう
本日のテーマ
???
まとめ
興味があれば気軽に声をかけてください。一緒にやりましょう!
本日のプログラム
1. 自己紹介
2. オイシックスとは
3. 顧客属性推定とレコメンド
4. まとめ
5. 質疑応答
ご清聴ありがとうございました

More Related Content

オイシックス事例発表?顾客属性推定とレコメント?