オイシックス事例発表?顾客属性推定とレコメント?
- 2. 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
- 4. 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
- 14. 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
- 15. 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
- 22. 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
- 23. 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
- 26. 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
- 29. 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
- 32. 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
- 33. 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）
- 35. 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
- 36. 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）
- 38. 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
- 41. 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
- 42. 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）
- 44. 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
- 45. 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
- 47. 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）
- 48. 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 ???
- 50. 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
- 51. ご清聴ありがとうございました