2008年9月12日
マーケティング
ROIを最大化させる
Webサイトレコメンデーションの最新動向
∼ 導入事例のご紹介 ∼
株式会社ブレインパッド 会社概要
1
【商 号】 株式会社ブレインパッド（英文 BrainPad Inc.) 【住 所】 東京都品川区東五反田5-2-5 KN五反田ビル6F 【設 立】 2004年3月18日（決算日6月30日） 【資本金】 90,375,000円（2008年6月末日現在） 【株主】 株式会社ジャフコ（ファンド）、役員、従業員 【代表者】 草野 史 【事 業】 データマイニング（分析）・最適化アウトソーシング事業 ASP事業 ソフトウェア開発・販売・システムインテグレーション事業 コンサルティング事業 【取引先】 アクセンチュア株式会社、アメリカン・ライフ・インシュアランス・カンパニー、石丸電気株式会社、 株式会社ECナビ、エス・ピー・エス・エス株式会社、株式会社エヌ・ティ・ティ・ドコモ、株式会社エポスカード、 オルビス株式会社、オーリック・システムズ株式会社、NHN Japan 株式会社、クオリカ株式会社、株式会社キューブ、SAS Institute Japan 株式会社、株式会社ザッパラス、株式会社サンブリッジヒューメトリクス、 株式会社セシール、ソフトバンクBB株式会社、株式会社ディーツー コミュニケーションズ、
ディップ株式会社、寺田倉庫株式会社、凸版印刷株式会社、株式会社博報堂、
株式会社ブレインパッド 会社概要
2
【ミッション】データの活用の促進を通じて、持続可能な未来をつくる
インターネット及びＩＴの普及で、社会に蓄積されるデータ量は増加の一途を辿っていますが、 現在、多くの企業は、これらを十分に分析するには至っておりません。 デ ー タ 容 量 利用可能 なデータ 分析能力 データに基づく 合理的な意思決定の 機会損失 弊社は、データマイニングや最適化といった数理技術のビジネスにおける適応範囲の拡大を 通じて各種施策の合理化・適正化を図ることで、クライアント企業様の生産性と収益の向上を 支援し、最終的には、社会全体の効率化・持続成長が可能な社会の実現に寄与したいと考え ています。データマイニングとは？ ―
Webサイトアクセスログの活用 ―
アクセスログは訪問者一人一人のデータを蓄積していると、どうしても大容量データとなる Webサイト全体の傾向、広告効果を把握するには集計データで対応できるが、サイト訪問者 の行動を 個 客単位で分析し、施策に活かす為は、「データマイニング」が効果的 統計学や機械学習といったデータ解析技術によって、大量のデータから、 意味のあるパターンや構造を見つけ出すプロセス（または作業）をいう 「データマイニング」とは 「データマイニング」とは・・・・・・ アクセスログと顧客データ、売上データなどの基幹系データを連携させることにより、 様々なサイト訪問者の分析が可能 （CRMへの応用） アクセスログ 顧客データ 売上データ ポイント 利用履歴 リアル店舗 売上データ コールセンター 履歴データデータマイニングによる分析から 有意なパターン／関係性／確率 を見つけ出す
株式会社ブレインパッド
3つのソリューション・コア
データ
マイニング力
多数のデータマイナーを擁し、 様々な業種の様々な目的に 合わせた、大規模データ分析 を実行いたします。 一般的な市販の分析ツールを 利用する他に、必要に応じて、 用途に合わせて、独自で組んだ アルゴリズムによるアプリケーシ ョンでの分析等も行います。最適化計算
開発力
膨大な数の変数が存在するため 計算量が多すぎて実用性がない といわれてきた、マーケティング 用途への最適化計算の適応を 実現するため、独自でエンジンを 開発しました。 自社で開発したソリューション・ コアであるため、自由なカスタ マイズに対応ができ、システム に組み込む事も可能です。 Ｗｅｂ系のシステムへの実装も 可能です。Webシステム
構築力
独自の発想で、新しいタイプの ＡＳＰサービスを開発している事 に代表されるように、サービスの 企画から設計・実装までを一気 通貫で構築する能力を有します。 新しいテクノロジートレンドを 取り込んだシステムの開発や、 Ｗｅｂを利用した調査・分析まで、 他のＷｅｂ系SIerとは異なり、 データを収集し、発信する接点と してWebを捉えたシステムの 提案・開発を行います。 情報系分野での大規模データをビジネスに活用いただくため、 ブレインパッドでは大きく３つの力をワンストップでご提供することで クライアント企業様の成長戦略をサポートしていきます。株式会社ブレインパッド ビジネス領域
分析
収集
活用
顧客分析
Web解析
データマイニング
BIツールの提供
各種レポーティングサービス提供
最適化
施策考案
レコメンデーションツールの提供
キャンペーン
ASP提供
データウェアハウス構築支援
分析用データマート作成
Web解析ソフトの導入支援
ブレインパッド データベース・マーケティング支援サービス
Data Mining： （分析） 商品・サービスごとのターゲット・リスト 顧客層別・施策案根拠（寄与要因） その他Analysis Data Mining： （分析） 商品・サービスごとのターゲット・リスト 顧客層別・施策案根拠（寄与要因） その他Analysis Optimization： （最適化） 予算等の制約の中で、ＲＯＩ・収益が最大の 複数商品・サービスのターゲットを選定 売上・利益・配分予算を提示 Optimization： （最適化） 予算等の制約の中で、ＲＯＩ・収益が最大の 複数商品・サービスのターゲットを選定 売上・利益・配分予算を提示 データマート 構築 （Data ETL + Cleaning) データマイニング 予測モデル 収益情報 入手 予測モデル毎 スコア抽出 最適化 ROI最大化 最適化 施策プラン提出 最適化施策 実施 通常の施策 実施 （Control Data） 結果集計 効果比較 運用 システム化 制約・条件 確定 フロー プロセス 新規顧客・見込客の判定 商品毎の売上予測・寄与要因の判定 顧客維持・拡大・解約予防 • • 優良予備顧客発見・引き上げ • 顧客利用率・額向上 • 顧客ロイヤリティー向上による解約予防 • カード枠ごとのデフォルト率・利用予測額 休眠活性化 • 活性化寄与要因の判定 • 防止策毎の対象休眠顧客の判定 投資対効果（ROI）・収益の最大化 • カード（S・C等）枠最適化 • 未入金・初期延滞督促最適化 • 店舗・サービス地域選定最適化 • 顧客提示価格最適化 • 解約予防最適化 • 販売促進施策最適化 • 意思決定本人リーチ率最適化（架電） • • CTIオペレーター配置最適化 組織効率の最大化 制限のある表示スペース、予算、CPAの中で、 CTR、CVRを最大にする最適な出稿プラン予測 予測精度 ／最適化 効果検証 運用 システム化 の支援 クライアント 企業様の ベネフィット Analysis DB-Mktg Optimization最適化ブレインパッド
Webサイトアクセスログ解析ソリューション
Webサイトは重要な顧客接点の一つ
Webサイトアクセスログは顧客との関係性を確認できるインタラクティブなデータ
ブレインパッドでは
データマイニング事業で培ったノウハウを活かした
データマイニング事業
各種
Webサイトアクセスログ解析ソリューションを展開
データベース・マーケティング、数理的なマーケティングを行なう上で・・・
Webサイトアクセスログ解析 マーケティング戦略への活用ステージ
ビジネス 貢献度 Webサイト 全体把握 Web Webサイトサイト 全体把握 全体把握 PV数／セッション数／ユニー ク訪問者数など、Webサイト 全体のパフォーマンスを示す 各指標の把握 PV数／セッション数／ユニー ク訪問者数など、Webサイト 全体のパフォーマンスを示す 各指標の把握 1 広告 効果測定 広告 広告 効果測定 効果測定 リスティング広告／純広告／ メール配信などの広告媒体別、 サイト流入元別のコンバー ジョン率の把握 リスティング広告／純広告／ メール配信などの広告媒体別、 サイト流入元別のコンバー ジョン率の把握 2 個 客の 把握／分析 個 客の 個 客の 把握／分析 把握／分析 顧客行動パターンの分析、コ ンテンツ閲覧傾向、購買傾向 の分析、コンテンツ間の相関 関係の把握 顧客行動パターンの分析、コ ンテンツ閲覧傾向、購買傾向 の分析、コンテンツ間の相関 関係の把握 3 施策の実行 ／アクション 施策の実行 施策の実行 ／アクション ／アクション 顧客の行動パターン、閲覧傾 向に基づいたレコメンデーショ ン（商品推奨）や、メール配信、 キャンペーン実行 顧客の行動パターン、閲覧傾 向に基づいたレコメンデーショ ン（商品推奨）や、メール配信、 キャンペーン実行 4ブレインパッド
Webサイトアクセスログ解析ソリューションの主な実績
どのような集計／レポーティング／分析／予測 を実施したとしても
次にどうアクションするか？どう顧客へアプローチしていくか？が最大の課題である
どのような集計／レポーティング／分析／予測 を実施したとしても
次にどうアクションするか？どう顧客へアプローチしていくか？が最大の課題である
アクセスログ サイト訪問者のクラスタリング分析 サイト訪問者のクリック傾向によるアソシエーション分析 インターネット広告出稿のレスポンス予測（寄与要因の発見） ・・・等 データ マイニング＋
アクセスログ 解析ツール システム 開発＋
アクセスログ解析ツールのカスタマイズによる独自レポート構築インターネット広告出稿における媒体別の係数化した貢献度の抽出 ・・・等 アクセスログ 解析ツール 基幹系 データ＋
＋
システム開発 顧客DB、購入履歴DBとアクセスログとの連携による独自レ ポートの構築 アクセスログの流入元別／販売ジャンル別構成比レポート ・・・等 アクセスログ 基幹系 データ＋
＋
マイニングデータ 顧客DB、購入履歴DBとアクセスログを併せた分析用データ マートの構築 サイト訪問者個別の反応率予測によるDM、カタログ発送、 アウトバウンドコールへの展開 ・・・等ブレインパッドの考える
Webサイトアクセスログ解析の展開
サイト改善のための PDCサイクル （全体アプローチ）Check
Web解析Plan
ユーザビリティデザイン 広告出稿プラン作成Do
Webデザイン変更 広告出稿実施Plan
過去の傾向に基づき、 「個」客単位での施策立案Do
「個」客単位での施策実施 「個」客単位 売上向上の為の PDCサイクル （個別アプローチ） データマイニング 分析サービス Web解析にデータマイニングの技 術を適用し、「個」客単位での行動 の特性を抽出する分析プロセス データマイニング 分析サービス Web解析にデータマイニングの技 術を適用し、「個」客単位での行動 の特性を抽出する分析プロセス レコメンデーションシステム Rtoaster Webマイニングの分析結果として抽 出されたルールに基づき、貴社Web サイトへアクセスした「個」客に対して、 リアルタイムにコンテンツを選定・提 示するプロセス レコメンデーションシステム Rtoaster Webマイニングの分析結果として抽 出されたルールに基づき、貴社Web サイトへアクセスした「個」客に対して、 リアルタイムにコンテンツを選定・提 示するプロセスデータマイニングによる分析結果から、アクションへ繋げる
サイト訪問者の行動をユーザ単位で集計し、データマイニングによる分析を実施すれば、 様々な知見（有意なパターン、関係性等）が得られる どんな行動をとった訪問者へどんな情報（コンテンツ）を提供すればよいか？が見えてくる・・・ ■ 3つのジャンルを閲覧した経験があり、滞在時間が10分を超えたユーザは購入する確率が高い！ ■ 商品Aを購入したユーザは商品Gを購入する確率が高い！ ■ 商品Bを閲覧したが購入しなかったユーザは商品Kを購入する確率が高い！ ■ 初回購入日から30日以内に再来訪があり、2ジャンル以上で購買経験があれば優良顧客となる確率が高い！ データマイニングによる知見 （例）データマイニングによる分析結果は
データマイニングによる分析結果は
レコメンデーション技術で
レコメンデーション技術で
アクションに繋がる！
アクションに繋がる！
有意なパターン／関係性の活用データマイニングによるマーケティング施策例
データマイニングから推測される顧客行動・嗜好傾向に基づいて 顧客に適切なオファー（提案）を実行し、成約率を飛躍的に向上させる。 次回の購入確率 の抽出 次回の購入確率 の抽出 効果的なセグメント の分類 効果的なセグメント の分類 有意な関係性 の抽出 有意な関係性 の抽出「レコメンデーション」はマーケティング戦略上、大変重要なソリューション
＞ 回帰分析、SVMなど ＞ クラスタリング分析（＋回帰）など ＞ アソシエーション分析など（＋時系列分析） 顧客が次に購入する可能性の高い商品・サー ビスの確率を一人一人に対してもとめる。 会員001 確率 1位 確率 2位 確率 3位 確率 4位 確率 5位 商品 A 商品 G 商品 D 商品 C 商品D 商品M 商品Y 商品 H 商品A 商品B 商品D 商品 C 商品E 商品H 商品X 会員002 会員003 会員001 確率 1位 確率 2位 確率 3位 確率 4位 確率 5位 商品 A 商品 G 商品 D 商品 C 商品D 商品M 商品Y 商品 H 商品A 商品B 商品D 商品 C 商品E 商品H 商品X 会員002 会員003 セグメントA セグメントB セグメントn ・・ ・ A B C D E F G ・・・ n 属性 各軸 セグメントA セグメントB セグメントn ・・ ・ A B C A B C D E F D E F G ・・・ n 属性 各軸 顧客を属性情報、購買傾向、行動などから、 複数のセグメントに分類する。 セグメントに対して効果的な商品・サービスの 確率をもとめる。 セグメントAに対して効果的な商品・サービス 化粧品 肌着 健康食品 確率1位 確率2位 確率3位 セグメントAに対して効果的な商品・サービス 化粧品 肌着 健康食品 確率1位 確率2位 確率3位 商品・サービスの相関分析 商品 A 商品X 商品Y 商品Z 購入確率 3.2% 2.5% 1.7% 商品・サービスの相関分析 商品 A 商品X 商品Y 商品Z 購入確率 3.2% 2.5% 1.7% 商品・サービスの相関関係をもとめる。（協調 フィルタリング、KANEL法など） 商品同時購入のルール（マーケットバスケット 分析）をもとめる。 商品・サービスの相関関係を発見 化粧品 肌着 肌着 健康食品 ルール1 ルール2 ※ 「化粧品」の利用者は「肌着」も利用し易い ※ 「肌着」の利用者は「健康食品」も利用し易い ・ ・ ・ 商品・サービスの相関関係を発見 化粧品 肌着 肌着 健康食品 ルール1 ルール2 ※ 「化粧品」の利用者は「肌着」も利用し易い ※ 「肌着」の利用者は「健康食品」も利用し易い ・ ・ ・ Check Web解析 Plan 過去の傾向に基づき、 「個」客単位での施策立案 Do 「個」客単位での施策実施 Check Web解析 Plan 過去の傾向に基づき、 「個」客単位での施策立案 Do 「個」客単位での施策実施 データマイニングの結果を単に分析結果として把握するだけでは意味がない。 実際にマーケティング施策としてアクションに移す必要がある。Webサイトにおける レコメンデーションの位置付け
コンバージョン時の利便性促進 ・SEO対策 ・SEM（検索エンジン連動型広告） ・インターネット広告 ・メール配信／メール広告 ・アフィリエイト ・etc・・・ ・サイトユーザビリティの改善 ・商品の階層化・カテゴリ化 ・LPO（ランディングページ最適化） ・レコメンデーション ・etc・・・ ・各種決済手段のオプション ・ユーザ登録によるワンクリック決済 ・ポイントサービスによる囲い込み ・etc・・・ Webサイト内でのナビゲーション Webサイトへの誘導Web
Web
サイトに呼び込んだ後、どう顧客に対して
サイトに呼び込んだ後、どう顧客に対して
アプローチ（アクション）していくか！？
アプローチ（アクション）していくか！？
Webサイトにおける レコメンデーション効果の領域
レコメンデーションでは、プロモーション施策実施後（母集団形成後）のステージにおいて、 コンバージョン率（転換率）を高める効果が期待できます。 集客 （母集団形成） 純広告 リスティング広告 その他誘導メディア ランディングページ グランドトップ ショッピングカート 購入完了 SEO対策 ファーストインプレッション （興味喚起） コンテンツ（商品情報）提示 （説明・啓蒙） アクション （行動喚起） 商品情報ページ 転換率 転換率 転換率 転換率 新規訪問者 リピーター （既存顧客） レコメンデーションで コンバージョン率の改善が 期待できる領域Webサイトにおいてコンバージョン率（CVR）の改善は重要な指標
1クリックあたりの獲得コスト（CPC）、新規顧客獲得1件あたりの獲得コスト（CPA）に制限 がある中で、全体のプロモーション予算内で経営目標値を達成する為には、クリック率 （CTR）、コンバージョン率（CVR）は大変重要な指標となります。 純広告 リスティング広告 誘導メディア ランディングページ 購入完了（ゴールページ） その他誘導メディア グランドトップ ランディングページ CTR ●●% CTR ●●% CTC ●●円 CTC ●●円 CVR ●●% CVR ●●% CPA ●●円 CPA ●●円 メディアプランニング による改善が見込めるが、 どうしても限界がある 経営目標値の達成には 大変重要な指標です！ Webサイト Webサイト Webサイト 購入完了 ページ 限られた予算内で 経営目標値を 達成する為には、CVRの改善は必須レコメンデーションによる
Webサイト価値の向上
― 顧客へ気付きを与える ― ― 顧客の利便性を向上させる ― ― 顧客のステージに合わせる ― クロスセル効果 アップセル効果 サイト内回遊向上 ユーザビリティ改善 クリック率向上 コンバージョン率向上 顧客関係深化／LTV拡大 顧客育成 離反防止レコメンデーション・ソリューションによる
レコメンデーション・ソリューションによる
Web
Web
サイト価値の向上
サイト価値の向上
Check
Plan
Do
顧客育成とビジネスの成長を実
現する
PDCサイクル
イベントベース型
CRMの実践
お客様を逃がさない 仕組みを継続的に 実施していくぞ！レコメンデーション手法
1 ルールベースでのレコメンデーション
サイト訪問者の訪問時の検索キーワードや、リファラ（参照元）サイト、サイト内のクリック行動 等から、レコメンデーションルールを予め設定しておく レコメンデーションルールに該当したサイト訪問者に適したコンテンツ（情報）を レコメンデーションする サイト訪問者のクリック行動から、事前に設定したルールからのレコメンデーション 事前に設定した レコメンデーションルール サイト訪問 ルール 事前に設定したルール に合わせてWebサイトの コンテンツをレコメンデーション ルール ルール 課題点 1. レコメンデーションルールの設定をサイト側で設定しなければならない（思い付かないのでは？） 2. ルール、コンテンツの更新等、メンテナンスの負荷がかかるレコメンデーション手法
2 統計的類似性でのレコメンデーション
同じような嗜好をもつ顧客をグループ化し、その顧客の属するグループの他の顧客が好んで いる商品を、グループ内の他の顧客も好みであると推測する 来訪した顧客と嗜好の似たグループを探し出し、そのグループの顧客にて購入されており、 まだ当該顧客が購入していない商品をレコメンデーションする A B C 当該顧客の属する グループの購入商品 A B 当該顧客の購入商品 C 当該顧客へレコメンド する商品 「協調フィルタリング」等の統計的類似性を用いたアルゴリズムによるレコメンデーション ・ この商品を購入した人はこの商品も買っています ・ ご一緒にこの商品もいかがですか？ ・ 他にこんな商品も売れていますよ 課題点 1. 一定の予測精度を保つには非常に多くの商品点数、顧客数、コンバージョン数（購入成約）の サンプルデータが必要 （この手法が有効なWebサイトは限定される） 2. 販売強化対象商品、季節商品などWebサイト側の意図するマーケティング戦略を反映しにくい 3. あれもこれも購入してください、というセールストークに嫌悪感を示すユーザも存在する2種の レコメンデーション 手法はどちらが最適か？
Webサイト戦略には「物語性」が必要
– 戦略には顧客像を物語を語るように多くの場面を想定して、生き生きとした像を作り上 げることが大切である （ペルソナ戦略）
Good Story has the right details
アクセスログから顧客の利用場面を理解し、顧客像を明確にすることによる
集中的かつ濃密なコミュニケーションが必要
統計的類似性か？ルールベースか？ 一長一短だが・・・
単なる商品案内（セールス）のレコメンデーションではない、サイト訪問者との関係を深化させる コミュニケーション・シナリオに沿ったWebサイト戦略が求められているのが現状
レコメンデーションにおけるWebサイトアクセスログ解析の重要性
レコメンデーションによって「物語性」をもった
Webサイト戦略を
実現する為には、顧客を理解し、顧客像を明確にする必要がある
アクセスログデータの解析は重要な要素である
購入回数が10回を越えており、サイト訪問回数も50回を越えるユーザ ロイヤリティ高いユーザへの限定キャンペーンの提示（限定の為、コストを抑えられる） 10回以上サイト訪問して会員登録も済んでいるが、購入経験が無いユーザ 過去のクリック傾向、検索キーワードなどから特集ページへ誘導するバナー表示 購入経験があるが、6ヶ月ぶりにサイト訪問したユーザ 疎遠客向けの離反防止キャンペーンの提示（限定の為、コストを抑えられる）アクセスログ解析から得られる顧客像とそれに対する施策例
顧客像を明確にするWebサイトアクセスログ解析の課題
一般的にアクセスログをサイト訪問者単位で取得・保持していると膨大なデータ
量となってしまう
一人一人のアクセスログを事後的に解析するのは難しい（解析に時間を要する）
すべてのサイト訪問者のクリックストリームを解析したとしても
100人いれば100
通りの経路がでてきてしまい、解析からの知見を得にくい
0 1 2 3 4 5 6 7 8 9 1 0 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H 0 1 2 3 4 5 6 7 8 9 10 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H 0 1 2 3 4 5 6 7 8 9 10 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H 0 1 2 3 4 5 6 7 8 9 1 0 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H 0 1 2 3 4 5 6 7 8 9 10 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H 0 1 2 3 4 5 6 7 8 9 10 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H一人一人のクリック行動をスコア化（点数化）することにより
アクセスログ解析は比較的容易になる（データ量もコンパクトになる）
サイト訪問者単位 Database サイト訪問者一人一人のスコアマーケティングROIを最大化するPoint “レコメンデーション” 1/2
サイト訪問者一人一人の行動遷移を如何に読み解き、
どのように適切なコミュニケーションを実施していくか？
サイト訪問者一人一人の行動遷移を如何に読み解き、
どのように適切なコミュニケーションを実施していくか？
0 1 2 3 4 5 6 7 8 9 10 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H 0 1 2 3 4 5 6 7 8 9 10 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H 0 1 2 3 4 5 6 7 8 9 10 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H 0 1 2 3 4 5 6 7 8 9 10 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H 0 1 2 3 4 5 6 7 8 9 10 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H 0 1 2 3 4 5 6 7 8 9 10 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H サイト訪問者単位 Database サイト訪問者一人一人の サイト内の行動スコア“レコメンデーション”は マーケティング戦略上、大変重要な課題
“
“
レコメンデーション
レコメンデーション
”
”
は
は
マーケティング戦略上、大変重要な課題
マーケティング戦略上、大変重要な課題
顧客は企業の都合ではなく、自らの都合に合わせて企業とのコンタクトを
取ろうとするようになってきた。（マーケティング手法の変革を迫られている）
顧客は企業の都合ではなく、自らの都合に合わせて企業とのコンタクトを
取ろうとするようになってきた。（マーケティング手法の変革を迫られている）
顧客の関心が最も高まっている瞬間に適切な提案を行なう能力 ＋ 属性 DB 購入履歴 DB ｺｰﾙｾﾝﾀ DB ・・・ 顧客に関連するマーケティング情報 顧客が関心を示すだろうポイントを予測して適切な提案を行なう能力 単なる商品推奨 ではなく顧客育成として のレコメンデーション レコメンデーションはWebサイト だけではなくメール、DM、対面等 も含めるマーケティングROIを最大化するPoint “レコメンデーション” 2/2
大量の顧客データを迅速に解析し、顧客の関心が最も高まっている瞬間に適切な提案を行う能力が必 要となってきます。また、顧客のライフステージ、購買した商品、購買行動（アクセスログ等）の変化は、顧 客の持つニーズの発生や離反の予兆を示唆しています。こうした変化を検知することも重要です。■ Webサイトアクセスログ、顧客プロフィールデータ、購買履歴データ・・・
＞ 膨大なマーケティング関連データが蓄積される時代です。
■ 消費者の嗜好や消費行動は日々多様化が進み、変化しています。
＞ 消費者は自分の都合に合わせて企業とのコンタクトを取ろうとする。
＞ 消費者は自分の「期待」以上の経験価値を提供できる企業に好感を持つ
消費行動の変化は「AIDMA」から「AISAS」等がいわれるように、急速に進行しています。また、マーケット には情報が溢れおり、消費者の「都合（タイミング）」、「期待」を察知した上での先回りした情報提供が 様々な顧客接点において求められています。大量データを解析し、推測される顧客行動、顧客嗜好に合わせた
「レコメンデーション」 によるマーケティング施策の実行が必要です
ブレインパッドが提供する レコメンデーション システム 「Rtoaster」
リアルタイムに取得したアクセスログから、ルールベース＋自動化による
Webサイトレコメンデーションを実現するシステム
CRMとの連携を視野にいれた設計思想
ASPサービスで導入が容易 （サーバ設置型も提供）
サイト訪問者のクリック行動をスコア（点数）として管理
既存
Webサイトの指定コンテンツをタグで囲うだけでレコメンド場所を指定可能
ルールベース＋自動商品推奨レコメンデーションも可能
2008年5月下旬よりモバイルサイト対応版をリリース
100%自社開発製品／カスタマイズ対応もご相談可能
Rtoaster が提供する 2種のレコメンデーション手法
ブレインパッドでは手軽に導入でき、かつCRM的視点で設計された、顧客との関係深化を 目的とするレコメンデーションシステム「Rtoaster」（アール・トースター）をご提供しています。 （PCサイト版はASPサービスまたはサーバ設置型／Mobile版はサーバ設置型での提供） 「Rtoaster」は2種のレコメンデーション手法をサポートしております。 （アール・トースター） ルールベースによる レコメンデーション ルールベースによる レコメンデーション 確率による 自動商品推奨レコメンデーション 確率による 自動商品推奨レコメンデーション 1 2Rtoaster レコメンデーションの概要
「Rtoaster」レコメンデーションの概要は以下の通りです。 CRMとの連携、活用を設計思想としており、Webサイト訪問者一人一人を特定した上での、 ルール・ベースレコメンデーションと自動商品推奨レコメンデーションとの併用が特徴です。 Webサイト 「自動レコメンド場所1」 「自動レコメンド場所2」 「自動レコメンド場所3」 「自動レコメンド場所4」 「自動レコメンド場所5」 「ルールベース・ レコメンド場所1」 「ルールベース・ レコメンド場所2」 顧客を育成する 顧客を育成する ルール ルール・・ベースベース レコメンデーション レコメンデーション 1 確率からの自動 確率からの自動 レコメンデーション レコメンデーション 2 会員情報をインポートすることで、会員プ ロフィール、購買履歴情報、リアル店舗 情報などを利用した、より精緻なレコメン デーションも実現可能です（オプション） CRM的設計思想 CRM的設計思想 会員プロフィール ポイント利用履歴 リアル店舗情報 購入履歴特徴1. ルールベース＋自動レコメンデーション 1/2
レコメンデーションシステム「Rtoaster」では、ルールベースのレコメンデーションと、確率か らの自動レコメンデーションを併用することが可能です。 また、自動レコメンデーションのアルゴリズムはセミオーダで構築するオプションもご用意し ております。（顧客属性データ、購買データも用いた高精度なアルゴリズム開発） Webサイト 各ページ 自動レコメンデーション のエリア ルールベース・レコメン デーションのエリア ※ レコメンド場所はWebサイトの任意の場所をHTMLタグで 囲うことで指定できる （PC／Mobile共に） ルールベース・レコメンデーション 任意に設定するレコメンドルールによって、戦略的 商品・キャンペーンなどのコンテンツをレコメンデー ション（コンテンツが切り替わる） クリック行動だけでなく、サイト訪問回数や訪問頻 度、曜日・時間帯などからのレコメンドルール設定 も可能であり、顧客育成、顧客関係深化を目的と するレコメンデーションを実現 クリエイティブテスト（ABテスティング）も可能 ルールベース・レコメンデーション 任意に設定するレコメンドルールによって、戦略的 商品・キャンペーンなどのコンテンツをレコメンデー ション（コンテンツが切り替わる） クリック行動だけでなく、サイト訪問回数や訪問頻 度、曜日・時間帯などからのレコメンドルール設定 も可能であり、顧客育成、顧客関係深化を目的と するレコメンデーションを実現 クリエイティブテスト（ABテスティング）も可能 自動レコメンデーション サイト訪問者のクリック行動に基づき、規定のアル ゴリズムから、自動的にレコメンデーションを実行 （推奨コンテンツが切り替わる） データマイニング分析による予測モデルを用いた、 セミオーダのお客様個別のアルゴリズムによるレ コメンデーションも可能 自動レコメンデーション サイト訪問者のクリック行動に基づき、規定のアル ゴリズムから、自動的にレコメンデーションを実行 （推奨コンテンツが切り替わる） データマイニング分析による予測モデルを用いた、 セミオーダのお客様個別のアルゴリズムによるレ コメンデーションも可能 レコメンド場所1 レコメンド場所2特徴1. ルールベース＋自動レコメンデーション 2/2
ルールベース・レコメンデーション
どのような属性、嗜好傾向、行動傾向、サイト利用経験がある顧客セグメントに対してどの情報を提示していくか？ マーケティング戦略、顧客育成シナリオ、LTV戦略を考慮したKnowledgeによるレコメンデーションを実現します。自動レコメンデーション
顧客一人一人に対してどの商品・サービスの購入確率が高いか？を予測することで、One2Oneレコメンデーション を実行します。セグメント分類による推奨ではない、精度の高い個別の推奨となります。 推奨する商品が大量にある場合に有効です。また、アルゴリズムから自動的に推奨される為、マーケティング戦略 は反映しにくい面があります。 セグメント セ グ メ ン ト 顧客（色は嗜好） 施策 顧客に関連する 大量データ（CRM等） One2One 自動レコメンド精度の高い 精度の高い One2One 自動レコメンド Knowledgeへの変換 ルールベース・レコメンド Knowledgeへの変換 ルールベース・レコメンド ルールベース・レコメンド 自動レコメンド 1 2特徴2. クリエイティブの評価と知見の確立（ABテスト機能）
レコメンドするページ Webサイト訪問者 Aさん 表示方法は以下から選択可能 ①ランダム表示 ②レート設定 ③最適化表示※ ※ クリック率、コンバージョン率などから自動計算 今、会員になると半額クーポンプレゼント！ 今、会員になると５０％OFFクーポンプレゼント！ 今、会員になると送料無料キャンペーン中！ 表示コンテンツ （３パターンのバナーを設定） クリエイティブパターン1 クリエイティブパターン1 クリエイティブパターン2 クリエイティブパターン2 クリエイティブパターン3 クリエイティブパターン3 効果測定 レポート 効果的なルールは何か？ クリックされるクリエイティブはどれか？ 最適な組み合わせはどれか？ 効果測定レポート画面 で、各クリエイティブの CTR、CVRを確認 Rtoasterには複数のコンテンツを指定した比率で表示させたり、表示比率を最適化するこ とができます。レコメンデーションするクリエイティブの評価を実施することにより、効果的な オファーは何か？の知見を貯めることができます。特徴3. 顧客属性データのインポートによるレコメンド （CRM連携）
Rtoaster のルールベース・レコメンデーションでは、外部データベースに蓄積された顧客 属性データをインポートすることで、その顧客属性データを利用したレコメンドも可能です。 メンバ値 居住エリア 性別 年代 顧客ランク 001 東京 男性 20代 A 002 東京 男性 30代 B 003 埼玉 女性 40代 C 004 神奈川 女性 30代 B 005 千葉 男性 50代 A 006 大阪 男性 40代 D 007 愛知 女性 30代 D 008 京都 男性 20代 E 009 北海道 女性 30代 F 010 熊本 女性 40代 B Rtoaster管理画面 会員ID 会員IDに紐付く属性情報、購入履歴情報、顧客ランク等 CSVファイル Webサイト 各ページ お奨めメンズスキンケア 男性20代向けの 商品を推奨 サイト訪問者 Aさん （Cookieから会員IDが001と判明） (東京在住の男性20代 顧客ランクはA） イベント 関東エリアの イベントを推奨 今なら10%OFF！ 顧客ランクA向け のキャンペーン Rtoaster側での事前設定 顧客属性データによるレコメンデーション顧客属性データによるレコメンデーション特徴4. 個別推奨データのインポートによるレコメンド （顧客個別推奨）
会員001 確率 1位 確率 2位 確率 3位 確率 4位 確率 5位 商品 A 商品 G 商品 D 商品 C 商品D 商品M 商品Y 商品 H 商品A 商品B 商品D 商品 C 商品E 商品H 商品X 会員002 会員003 会員001 確率 1位 確率 2位 確率 3位 確率 4位 確率 5位 商品 A 商品 G 商品 D 商品 C 商品D 商品M 商品Y 商品 H 商品A 商品B 商品D 商品 C 商品E 商品H 商品X 会員002 会員003 会員 （オートログイン含む） Webサイト 各ページ G H A オートログイン時 ログイン後共に Cookieから 会員IDが識別 可能である この会員IDが 次に反応する 確率の高い 商品は GとHとA である 顧客一人一人の購入確率予測 Rtoaster レコメンデーション （購入確率の高い商品・サービスのレコメンド） 顧客一人一人に対して、個別に推奨する商品（コンテンツ）を決定しておくこともできます。 予測した確率や参加したキャンペーン、イベントから、顧客へ個別に商品推奨できます。 会員IDが 002である Rtoaster管理画面 CSVファイル インポート メンバ値 推奨商品1位 推奨商品2位 推奨商品3位 推奨商品4位 推奨商品5位 001 A C G F H 002 G H A H F 003 F D H F B 004 B F G H F 005 H A B C D 006 D B E C A 007 G H F A C 008 B C G A F 009 F G C D A 010 B D H C A特徴5. 自動レコメンデーションのアルゴリズム 「KANEL法」
商品１ 商品２ 商品３ 商品４ 商品５ 商品６ 商品７ 左図は購買関係がある商品間で線を引き、線が太さは、 購買回数が多いことを表現しております。 KARや2gramでは線が引いてある両端の商品の関係のみ の把握となります。 カーネル法では購買関係が近さでスコアを傾斜して計算 することで、間接的な購買関係をみることができます。 （例）商品1の場合 ①直接購買関係のある商品２，３，４のスコアが最も高く でます。 ②その後、商品４と直接購買関係のある商品５との関係を 上記の①より低くスコアに反映させます。 ③さらに商品６、７についての関係を②より低くスコア に反映させます。 この場合、商品６のような購買関係する商品が少なく、 購買回数も少ない商品をお勧めすることが可能となります。 １ ５ １ １ １０ １０ ２０ 自動レコメンデーションのアルゴリズムは、顧客購買行動によって複数種類のものを選択・開発していく 必要があると考えますが、Rtoasterのデフォルト機能では、ブレインパッドが採用している「KANEL法」 によるレコメンデーションとなります。 「KANEL法」は直接の購買関係がない商品についての関係を反映できる手法です。1. レコメンデーション・ソリューションで期待される効果 1/5
マーケティング戦略に基づく、顧客育成シナリオを策定することで、顧客との関係深化を目的とした 情報提供を実現できます。 サイト訪問者のサイト利用経験、顧客ランク、RFM評点などに合わせた適切なコミュニケーションを 図ることにより、顧客関係の深化によるLTVの拡大に貢献します。 また、効果測定を適切に行なうことで、Knowledge（知見）の蓄積にもなります。ルール・ベースレコメンデーションによる顧客ステージに合わせた情報提供
Time LTV （Life time Value）サイト 初回訪問 サイト 初回訪問 リピート 訪問 リピート 訪問 会員登録 初回購入 会員登録 初回購入 リピート 購入 リピート 購入 1ヶ月ぶりに 訪問 1ヶ月ぶりに 訪問 リピート 購入 リピート 購入 VIP会員 登録 VIP会員 登録 Webサイト訪問者 訪問者一人一人に合わせた、適切なコンテンツ（情報）の提示 1ヶ月 ・ 男性30歳 ・ 会社員 ・ 既婚 Time LTV （Life time Value）
サイト 初回訪問 サイト 初回訪問 リピート 訪問 リピート 訪問 会員登録 初回購入 会員登録 初回購入 リピート 購入 リピート 購入 1ヶ月ぶりに 訪問 1ヶ月ぶりに 訪問 リピート 購入 リピート 購入 VIP会員 登録 VIP会員 登録 Webサイト訪問者 訪問者一人一人に合わせた、適切なコンテンツ（情報）の提示 1ヶ月 ・ 男性30歳 ・ 会社員 ・ 既婚 顧客のステージに合わせる 顧客関係深化／LTV拡大 顧客育成 離反防止 ＜期待される効果＞ Knowledge（知見）の蓄積 Webサイトの任意の場所でレコメンド 実行可能です。 サイト訪問者がログイン状態／ビジター を問わず実行可能です。 サイト訪問者がログイン状態であれば、 属性データ、購入履歴データをイン ポートすることにより、これらデータを用 いたレコメンドルールも実行可能です。
2. レコメンデーション・ソリューションで期待される効果 2/5
Webサイト訪問者 目的・期待 目的・期待 目的・期待 目的・期待 ランディングページ （最初のページ） 目的・期待 検索サイト 社名 サービス名 2階層目ページ 訪問者の期待を 満たすゴールページ ・・・・・ メール配信 広告バナー 外部サイト （SNS/ﾌﾞﾛｸﾞ/提携ｻｲﾄ） 様々な訪問経路 サイト内での行動 サイト訪問 ・・・・・ 様々な「目的・期待」 適切なコンテンツ（情報）を 提示することで、ゴール ページへの誘導率を向上 レコメンデーション レコメンデーション 訪問の最初のページで 何をオファー（提示）するか？ 行動に合わせて 何をオファー（提示）するか？ 検索キーワード 検索キーワード ・・・・・ URL入力 Bookmark Webサイト訪問者 目的・期待 目的・期待 目的・期待 目的・期待 ランディングページ （最初のページ） 目的・期待 検索サイト 社名 サービス名 2階層目ページ 訪問者の期待を 満たすゴールページ ・・・・・ メール配信 広告バナー 外部サイト （SNS/ﾌﾞﾛｸﾞ/提携ｻｲﾄ） 様々な訪問経路 サイト内での行動 サイト訪問 ・・・・・ 様々な「目的・期待」 適切なコンテンツ（情報）を 提示することで、ゴール ページへの誘導率を向上 レコメンデーション レコメンデーション 訪問の最初のページで 何をオファー（提示）するか？ 行動に合わせて 何をオファー（提示）するか？ 検索キーワード 検索キーワード ・・・・・ URL入力 Bookmark サイト訪問者は必ず何らかの「目的」・「期待」を持ってサイトに訪れます。この目的・期待に応える最 適なコンテンツ（情報）提供を実現することにより、訪問者が目的とするゴールページへの誘導率を 高めることができます。また、これはユーザビリティーの改善にも繋がります。 また、効果測定を適切に行なうことで、Knowledge（知見）の蓄積にもなります。ルール・ベースレコメンデーションにより、訪問者をゴールページへ誘導する情報提供
顧客の利便性を向上させる ユーザビリティ改善 クリック率向上 コンバージョン率向上 ＜期待される効果＞ Knowledge（知見）の蓄積 Webサイトに呼び込んだ後、どう顧客に対して アプローチし、ナビゲートしていくか 誘導率を高めていく3. レコメンデーション・ソリューションで期待される効果 3/5
サイト訪問者のアクセスログ（閲覧履歴）や購入履歴データ等から、「この商品を見た人は他にこん な商品も見ています」、「この商品を買った人は他にこんな商品も買っています」といった、 自動的にコンテンツを推奨するレコメンデーションを実現します。 （サイト内の閲覧傾向等から、あなたへのお勧めの商品はこれです、というイメージ） Webサイト この商品を買って いる方は他に こんな商品も買って います！ 分析結果自動レコメンデーションによる高い精度での商品推奨
会員001 確率 1位 確率 2位 確率 3位 確率 4位 確率 5位 商品 A 商品 G 商品 D 商品 C 商品D 商品M 商品Y 商品 H 商品A 商品B 商品D 商品 C 商品E 商品H 商品X 会員002 会員001 確率 1位 確率 2位 確率 3位 確率 4位 確率 5位 商品 A 商品 G 商品 D 商品 C 商品D 商品M 商品Y 商品 H 商品A 商品B 商品D 商品 C 商品E 商品H 商品X 会員002 商品 A 商品 B 商品 C 商品 D 商品 B 商品 E １位 2位 3位 商品 J を閲覧した 人は他に・・ を閲覧した 人は他に・・ を閲覧した 人は他に・・ を閲覧した 人は他に・・ ・・・ 商品 G 商品A 商品P 商品 E 商品D 商品K 商品 C 商品E 商品B 10位 商品 H 商品 A 商品 B 商品 C 商品 D 商品 B 商品 E １位 2位 3位 商品 J を閲覧した 人は他に・・ を閲覧した 人は他に・・ を閲覧した 人は他に・・ を閲覧した 人は他に・・ ・・・ 商品 G 商品A 商品P 商品 E 商品D 商品K 商品 C 商品E 商品B 10位 商品 H 顧客へ 気付き を与える クロスセル（単価UP） アップセル（単価UP） サイト内回遊向上 商品１ 商品２ 商品３ 商品４ 商品５ 商品６ 商品７ １ ５ １ １ １０ １０ ２０ 商品１ 商品２ 商品３ 商品４ 商品５ 商品６ 商品７ １ ５ １ １ １０ １０ ２０ 採用アルゴリズム KANEL法、SVM 2gram、etc. Webサイトの任意の場所でレコメンド 実行可能です。 サイト訪問者がログイン状態／ビジター を問わず実行可能です。 ※ 商品詳細ページ、ショッピングカートページ等 クリック率向上 コンバージョン率向上 ＜期待される効果＞4. レコメンデーション・ソリューションで期待される効果 4/5
顧客毎のMyページ（ログイン後）において、当該顧客に最も適切なコンテンツを推奨します。 データマイニングによる高い精度の予測モデルを利用することにより、顧客の関心が最も高まって いるタイミングに適切な提案を行うことができます。 顧客にとって心地の良い最適なオファーを実現します。ログイン後 （オートログイン状態）の会員へ向けた
One2Oneでのコンテンツ推奨
Webサイト ●●さんのMyページ 他にこんな商品は 如何ですか？ 当該購買パターン であれば購入して いておかしくない 商品で、未購買の ものを推奨 過去にチェック しつつも、登録まで 至っていない キャンペーンを推奨 消耗品など購入に 周期性がある商品 を前回購入からの 推定して提示 ※ ログイン後トップページ、Myページ等 買物カゴに入って いる商品と、 「ついで買い」され やすい商品の提示 会員ランクに応じた キャンペーンを推奨 Rank A 顧客へ 気付き を与える クロスセル（単価UP） アップセル（単価UP） サイト内回遊向上 顧客のステージに合わせる 顧客関係深化／LTV拡大 顧客育成 離反防止 ＜期待される効果＞5. レコメンデーション・ソリューションで期待される効果 5/5
今回のレコメンデーション・ソリューションでは、訪問者の行動情報をスコアとして蓄積しています。 この情報を活かした数理マーケティング環境（データマイニングの分析プラットフォーム）を構築する ことで、Webサイトでのレコメンデーションだけでなく、様々なマーケティング領域でこれら分析結果 を活用することができます。サイト内の行動情報をサイト外でのアクション（
DM送付、eメールなど）へ活用する
データに基づく意思決定 マーケティングリソースの最適化 確率によるﾀｰｹﾞｯﾄ抽出 ｸﾘｴｲﾃｨﾌﾞﾊﾟﾀｰﾝの発見 ｾｰﾙｽﾄｰｸﾊﾟﾀｰﾝの発見 ＜期待される効果＞ 需要予測 （在庫削減） 0 1 2 3 4 5 67 8 9 1 0 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H 0 12 34 5 6 7 8 9 10 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H 0 12 3 4 5 6 7 8 9 10 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H 01 2 3 4 5 6 7 89 10 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H 0 1 2 3 4 5 6 7 89 10 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H 0 12 34 5 6 7 8 9 10 スコア項目A スコア項目B スコア項目C スコア項目D スコア項目E スコア項目F スコア項目G スコア項目H サイト訪問者の行動情報 （スコア） 分析用 DHW 分析用DWHの構築 会員属性情報 会員購入履歴 リアル店舗データ データマイニングよる分析 会員の基本属性（年齢・性別・エリア・等）や、 購買履歴、アクセスログ（行動情報）をデータ マイニング分析、予測モデル等を構築 ポイント利用履歴 コールセンター情報 あらゆる顧客接点（タッチポイント）において 分析結果に基づくアクション Phone Mail Web Face to Face Mobile Web DM 業務効率化 （ｺｽﾄ削減） Knowledge（知見）の蓄積 データマイニングによる様々な反応確率、有意なパターン、関係性から数理的にマーケティング 顧 客 接 点 反応結果をフィードバック 分 析 結 果 に 基 づ く ア ク シ ョ ンRtoaster 導入実績
株式会社セシール様
Rtoasterは2006年11月のリリース後、すでに40社以上のお客様に採用頂いております。 株式会社セシール様のオンライン通販サイトにてご導入頂き、プレスリリース*いたしました。 ※ 2007年6月18日 プレスリリース 株式会社セシール Webサイト http://www.cecile.co.jp/ ※ セシール様ではRtoasterをカスタマイズし、会員属性データを利用した レコメンデーションも実現しております。Rtoaster 導入実績
HMVジャパン株式会社様
RtoasterはHMVジャパン株式会社様のWebサイトにてご導入頂き、プレスリリース*いた しました。 ※ 2008年3月26日 プレスリリース HMVジャパン株式会社 Webサイト http://www.hmv.co.jp/ 2008年3月26日 日本経済新聞 掲載記事Rtoaster 導入実績効果
レコメンデーション実施前のサイト全体の指標数値と比較して
全体クリック率 約1.5ポイント向上 ／ 全体コンバージョン率 2.8ポイント向上の実績
レコメンデーション実施前のサイト全体の指標数値と比較して
全体クリック率
約
約
1.5
1.5
ポイント向上
ポイント向上
／ 全体コンバージョン率
2
2
.8
.8
ポイント向上の実績
ポイント向上の実績
サイト訪問者へ一律的な情報提供を行なっていた従来のサイト構成と比較して
トップページからの遷移率 約9.6ポイント向上（直帰率の低減）
サイト訪問者へ一律的な情報提供を行なっていた従来のサイト構成と比較して
トップページからの遷移率
約
約
9.6
9.6
ポイント向上
ポイント向上
（直帰率の低減）
ローテーションでランダムに表示していた従来のトップページバナーと比較して
トップページバナークリック率 約3.8ポイント向上
ローテーションでランダムに表示していた従来のトップページバナーと比較して
トップページバナークリック率
約
約
3.8
3.8
ポイント向上
ポイント向上
全体のコンバージョン率が11%→14.2%へ改善したことにより、
年間の売上効果として数億円の改善効果
全体のコンバージョン率が
11%
11%
→
→
14.2%
14.2%
へ改善したことにより、
年間の売上効果として
数億円の改善効果
数億円の改善効果
総合通販サイト D社
媒体系サイト C社
証券サイト B社
ECサイト A社
Webサイト Webサイト Webサイト
実績・効果
1. 訪問者のセグメント分類 レコメンデーション 1/3
セグメントA セグメントB セグメントn ・ ・ ・ 行動情報の把握から 行動情報の把握から セグメント毎の セグメント毎の 嗜好・傾向を把握 嗜好・傾向を把握 各セグメントに対して 各セグメントに対して 効果的な商品、メッセージ・ 効果的な商品、メッセージ・ キャンペーンを提示！ キャンペーンを提示！ 初回訪問 リピータ VIP顧客 サイト経験 閲覧カテゴリ 訪問目的 化粧品 健康食品 衣類 ダイエット 健康 サイト訪問者Aさん 初回訪問者／ダイエットに興味有り ダイエット 初めての方へ サイト訪問者Bさん 10回目の訪問者／健康食品に興味有り 健康食品 キャンペーン ・・・ サイト訪問者をセグメント分類し、各セグメントに対してWebサイト上での「おもてなし」を実現 するような、レコメンデーション・ルールを策定。 （接客マニュアルを作るイメージ） サイト訪問者のセグメント毎に最適なコンテンツをレコメンデーションすることにより、Webサ イト上でリアル店舗のような「おもてなし」する接客を実現。実績・効果
1. 訪問者のセグメント分類 レコメンデーション 2/3
分析用 データマート 顧客データ 購買履歴データ アクセスログデータ 分析用データマート 分析データから顧客をセグメント化 セグメントA セグメントB セグメントn ・ ・ ・ A B C D E F G ・・・ n セグメント毎に効果的な商品・サービスを発見 例） セグメントAに対して効果的な商品・サービス 化粧品 肌着 健康食品 ・ ・ ・ 商品・サービスの相関関係を発見 分析データから商品・サービスの相関分析 商品 A 商品X 商品Y 商品Z 購入確率 3.2% 2.5% 1.7% 化粧品 肌着 肌着 健康食品 ルール1 ルール2 ※ 「化粧品」の利用者は「肌着」も利用し易い ※ 「肌着」の利用者は「健康食品」も利用し易い ・ ・ ・ 確率1位 確率2位 確率3位 属性 各軸 サイト訪問者のセグメント分類には属性データや購買履歴データ、アクセスログデータを 活用し、各セグメント別に推奨商品（コンテンツ）を発見。 サイト訪問者が特定できない場合の推奨商品を選定する為、商品間の相関関係も分析し、 結果として保持した。（アソシエーション分析による） サイト訪問者がどのセグ メントに属するか、特定 できない場合（新規訪問 者等）の為、商品同士の アソシエーション分析も 実施実績・効果
1. 訪問者のセグメント分類 レコメンデーション 3/3
貴社Webサイト 各ページ 非会員（ビジター） 会員 （オートログイン含む） 貴社Webサイト 各ページ 既存データの分析結果から立案した セグメントAに対する効果的な商品・サービス 化粧品 肌着 健康食品 確率1位 確率2位 確率3位 1 2 3 1 2 3 オートログイン時 ログイン後共に Cookieから 会員IDが識別 可能である この会員IDは セグメントAに 属する会員 であると判定 Rtoasterによるレコメンデーション （確率の高い上位3つの商品・サービスのレコメンド） 非会員である 為、会員IDは 不明である この非会員が 主に閲覧して いるページは 「化粧品」 である 化粧品 肌着 ルール1 ※ 「化粧品」の利用者は「肌着」も利用し易い 既存データの分析結果から立案した 「化粧品」に相関関係の高い 商品・サービス Rtoasterによるレコメンデーション （閲覧している商品・サービスに相関の高い商品・サービスのレコメンド）ECサイト
実績・効果
2. ランディングページ レコメンデーション
検索サイトからのランディングページにおいて効果的なレコメンデーションを実施。 ユーザが期待するランディングページで無かった場合の取りこぼしを最小限に留め、直帰率 を低減し、Webサイト（本サイト）への誘導率を向上させることを目的とした。 モダンインテリア 検索 検索サイト インテリア のランディングページ レコメンド レコメンド ランディングページからの ランディングページからの コンバージョン率 コンバージョン率 10%UP10%UP！！ サイト訪問者ECサイト ECサイト
実績・効果
3. キャンペーン レコメンデーション
サイト訪問者の訪問回数、クリック傾向、サイト流入時の検索キーワードから最適なキャン ペーン情報のレコメンデーションを実施。 限られた告知スペースにおいて効果的にキャンペーン情報を提示することで、キャンペーン 効果を最大限に高めることを目的とした。 レコメンド トップページ キャンペーン一覧ページ 同時に複数の キャンペーンが 展開されている レコメンド キャンペーン情報の紹介コンテンツ（2箇所） キャンペーン情報の紹介コンテンツ キャンペーン情報の紹介コンテンツ （ （22箇所）箇所） のクリック率のクリック率 40%UP40%UP！！ トップページへ掲載するキャンペーン トップページへ掲載するキャンペーン の選定作業、社内調整業務を軽減！ の選定作業、社内調整業務を軽減！ECサイト サイト内検索ページ
