Tokyo webmining
Transcript of Tokyo webmining
第 32回 データマイニング +WEB 勉強会@東京
「マーケティングサイエンス徹底入門と実践」
@sanoche16
About me
About me
・@sanoche16 and/or佐野宏喜・外資系企業で育つデータサイエンティストの卵・ R, PHP, Python, Linux, Java, Ruby, assembler
・商学部出身(マーケティング , 金融 , 会計)・最近、機械学習の勉強を始めました!・修行が終わったら起業します!
本日は!
Marketing
Marketing
×
Marketing
×
Data Science
Marketing
×
Data Science
Marketing Science!
agenda
1 . 市場の選定2 . 市場セグメントとターゲティング3 . 商品設計4 . 消費者行動
agenda
1 . 市場の選定
みなさんは新規事業を始めるときどんな新製品・サービスを市場に投入しますか?
1 . 市場の選定
SWOT分析1 . 市場の選定
アンゾフのマトリクス1 . 市場の選定
そして
1 . 市場の選定
プロデジーモデル1 . 市場の選定
プロデジーモデル1 . 市場の選定
・顧客の購買行動から市場の競争 構造を把握・互いに激しくスイッチする商品 同士は同じサブマーケットに属 すると考える
例:プロデジーモデル1 . 市場の選定
人数 A B C D
A 40
B 20
C 30
D 10
市場の構成比
例:プロデジーモデル1 . 市場の選定
人数 A B C D
A 400
B 20
C 30
D 10
もし Aがなくなったら
例:プロデジーモデル1 . 市場の選定
人数 A B C D
A 40 0 1/3 1/2 1/6
B 20
C 30
D 10
B, C, Dへ比率を変えずにスイッチするはず
例:プロデジーモデル1 . 市場の選定
人数 A B C D
A 40 0 1/3 1/2 1/6
B 20 1/2 0 3/4 1/4
C 30 4/7 2/7 0 3/7
D 10 4/9 2/9 1/3 0
他商品へ比率を変えずにスイッチ
例:プロデジーモデル1 . 市場の選定
人数 A B C D
A 40 0 20 +13 30+20 10+7
B 20 40+10 0 30+7 10+3
C 30 40+17 20 +8 0 10+5
D 10 40+5 20 +2 30+3 0
無構造仮説での想定
例:プロデジーモデル1 . 市場の選定
人数 A B C D
A 40 0 33 50 17
B 20 50 0 37 13
C 30 57 28 0 15
D 10 45 22 33 0
無構造仮説での想定
例:プロデジーモデル1 . 市場の選定
人数 A B C D
A 40 0 45 40 15
B 20 50 0 37 13
C 30 57 28 0 15
D 10 45 22 33 0
無構造仮説に反し、想定以上に A→Bにスイッチ
例:プロデジーモデル1 . 市場の選定
人数 A B C D
A 40 0 45 40 15
B 20 50 0 37 13
C 30 57 28 0 15
D 10 45 22 33 0
Aと Bは構造化していた!
例:プロデジーモデル1 . 市場の選定
人数 A B C D
A 40 0 45 40 15
B 20 50 0 37 13
C 30 57 28 0 15
D 10 45 22 33 0
たまたま Bが増えただけなのでは?
例:プロデジーモデル1 . 市場の選定
人数 A B C D
A 40 0 45 40 15
B 20 50 0 37 13
C 30 57 28 0 15
D 10 45 22 33 0
平均: 40×1/3, 分散 40×1/3×2/3の正規分布で検定
例:プロデジーモデル1 . 市場の選定
人数 A B C D
A 40 0 45 40 15
B 20 50 0 37 13
C 30 57 28 0 15
D 10 45 22 33 0
たまたま Bが増えただけなのでは?
例:プロデジーモデル1 . 市場の選定
人数 A B C D
A 40 0 45 40 15
B 20 50 0 37 13
C 30 57 28 0 15
D 10 45 22 33 0
例:プロデジーモデル1 . 市場の選定
人数 A B C D
A 40 0 45 40 15
B 20 50 0 37 13
C 30 57 28 0 15
D 10 45 22 33 0
やっぱり構造化されている!
2 . 市場セグメントと ターゲティング
セグメンテーションとは?「マーケターの仕事は、セグメントを作り出すことではなく、セグメントを特定し、どのセグメントをターゲットにするかを決定することである。」(マーケティング・マネジメント)
2. 市場セグメントとターゲティング
市場セグメントの3パターン2. 市場セグメントとターゲティング
均質型選好
分散型選好 クラスター型選好
市場セグメントの3パターン2. 市場セグメントとターゲティング
均質型選好
分散型選好 クラスター型選好
ナチュラル市場セグメント
クラスター型選好の場合消費者は様々な市場で「ナチュラル市場セグメント」と呼ばれる明確なクラスターを形成する。この場合、3つの戦略が好まれる。1)中央に位置して全グループを狙う2)規模の大きいクラスターに特化する(集中型マーケティング)3)複数のブランドを開発してそれぞれ別セグメントにポジショニングする
2. 市場セグメントとターゲティング
クラスター型選好の場合消費者は様々な市場で「ナチュラル市場セグメント」と呼ばれる明確なクラスターを形成する。この場合、3つの戦略が好まれる。1)中央に位置して全グループを狙う2)規模の大きいクラスターに特化する(集中型マーケティング)3)複数のブランドを開発してそれぞれ別セグメントにポジショニングする
2. 市場セグメントとターゲティング
ここは確実にクラスタリングを抑えたいところ!
2. 市場セグメントとターゲティング
クラスタリングの手法
こちらもご覧ください!
2. 市場セグメントとターゲティング
クラスタリングの手法
重心法
k-means最長距離法
ウォード法群平均法自己組織化マップ
EMアルゴリズム最短距離法
LSH
階層型非階層型
2. 市場セグメントとターゲティング
k-meansの紹介
2. 市場セグメントとターゲティング
k-meansの紹介クラスター数を決定し、ランダムに重心となる点を当てる
2. 市場セグメントとターゲティング
k-meansの紹介すべての点について、最も近い重心となる点と対応させる
2. 市場セグメントとターゲティング
k-meansの紹介重心を所属している点のそれになるよう移動する
2. 市場セグメントとターゲティング
k-meansの紹介再度、一番近い重心にすべての点を対応させる
2. 市場セグメントとターゲティング
k-meansの紹介重心を再計算する
2. 市場セグメントとターゲティング
k-meansの紹介再度、一番近い重心にすべての点を対応させる
2. 市場セグメントとターゲティング
k-meansの紹介重心を再計算する
2. 市場セグメントとターゲティング
k-meansの紹介再度、一番近い重心にすべての点を対応させる
2. 市場セグメントとターゲティング
k-meansの紹介重心を再計算する
2. 市場セグメントとターゲティング
k-meansの紹介再度、一番近い重心にすべての点を対応させる
2. 市場セグメントとターゲティング
k-meansの紹介重心を再計算する
2. 市場セグメントとターゲティング
k-meansの紹介点が変わらなくなればクラスタリング終了
2. 市場セグメントとターゲティング
k-meansの紹介点が変わらなくなればクラスタリング終了
2. 市場セグメントとターゲティング
ちょっと TIPSロングテールの変数
この変数を持つクラスターが出来てしまう
2. 市場セグメントとターゲティング
ちょっと TIPS対数変換を行う
2. 市場セグメントとターゲティング
ちょっと TIPS順序を保って、補正してくれる
3 . 商品設計
3. 商品設計
商品発売後
様々な声が届く!一体どうすれば!!
デザインをもっとオシャレに!
持ち運びが便利だと。
性能向上。。。
低価格、低価格
セキュリティが心配
3. 商品設計
商品を見える化したい
重要なものを把握したい!
消費者イメージを知りたい!!
そんなあなたへ!!!!
3. 商品設計
知覚マップの作り方→主な方法 2つ
1)多次元尺度構成法(MDS)
2)属性評価(因子分析 , 主成分分析等)
3. 商品設計
知覚マップの作り方→主な方法 2つ
1)多次元尺度構成法(MDS)
2)属性評価(因子分析 , 主成分分析等)
ということで拝借3. 商品設計
コク 香り 酸味
Sマルタ -0.116248 1.2456822 1.5275252
モーニング S -1.278724 -1.245682 0.0727393
BOSS 1.0462287 -0.415227 0.8001323
FIRE 1.0462287 0.4152274 -0.654654
サンタマルタ 1.0462287 1.2456822 1.5275252
BLACK無糖 0.4649906 -0.415227 -0.654654
UCCB -1.278724 1.2456822 -1.382047
ジョージア B -1.278724 -1.245682 -1.382047
ROOT -0.697486 -1.245682 0.0727393
WANDA 1.0462287 0.4152274 0.0727393
3次元空間へのプロット3. 商品設計
3次元空間へのプロット3. 商品設計
有向線分を引く
3次元空間へのプロット3. 商品設計
法線を下ろして点と直線を対応させる
点の違いを際立たせる直線を引く!
3次元空間へのプロット3. 商品設計
もう1本!
3次元空間へのプロット3. 商品設計
もう1本!
・第1主成分・第2主成分
平面にプロットして完成!3. 商品設計
素晴らしきMarkezineさんより拝借
Rのコード3. 商品設計
Rのコード3. 商品設計
結果3. 商品設計
4 . 消費者行動
ブランドカテゴライゼーション4. 消費者行動
入手可能集合
知名集合
非知名集合
処理集合
保留集合
拒否集合
想起集合
非処理集合
ブランドカテゴライゼーション4. 消費者行動
入手可能集合
知名集合
非知名集合
処理集合
保留集合
拒否集合
想起集合
非処理集合
ブランドカテゴライゼーション4. 消費者行動
入手可能集合
知名集合
非知名集合
処理集合
保留集合
拒否集合
想起集合
非処理集合
ブランドカテゴライゼーション4. 消費者行動
入手可能集合
知名集合
非知名集合
処理集合
保留集合
拒否集合
想起集合
非処理集合
ブランドカテゴライゼーション4. 消費者行動
入手可能集合
知名集合
非知名集合
処理集合
保留集合
拒否集合
想起集合
非処理集合
ブランドカテゴライゼーション4. 消費者行動
入手可能集合
知名集合
非知名集合
処理集合
保留集合
拒否集合
想起集合
非処理集合
購買に至るためには想起集合に入る必要がある
ブランドカテゴライゼーション4. 消費者行動
入手可能集合
知名集合
非知名集合
処理集合
保留集合
拒否集合
想起集合
非処理集合
購買に至るためには想起集合に入る必要がある
約 3つと言われる
4. 消費者行動
購買モデルはロジットモデルで考えられるロジットモデルとは、「回帰モデルの目的変数をロジット変換し
たもの」
4. 消費者行動
購買モデルはロジットモデルで考えられる
ロジット変換
6 . 消費者行動
購買モデルはロジットモデルで考えられる
商品の特性を把握して、購買率の予測が出来る!
ご清聴ありがとうございました!
Thank you