SAS ユーザー会2012 【DAY1-マーケティング】
リクルートにおけるデータ分析活⽤事例
株式会社リクルート 松本 健 ⻄郷 彰株式会社リクル ト 松本 健 ⻄郷 彰
演者紹介⽒名 ⻄郷彰 松本健⽒名 ⻄郷彰 松本健
所 属株式会社リクルートMIT United
株式会社リクルートCAP カンパニー所 属 MIT United
ソリューションプランニング部マーケティングプランニングG
CAP カンパニネットビジネス推進室CRM・ポイントID G
略 歴
⼤⼿飲料メーカー、マーケティングリサーチ会社を経て、分析サービス会社の設⽴その後 リクル トに⼊社
医療機器メーカ、ポータルサイト、マーケティングリサーチ会社を経て、リクルートに⼊社リクル ト略 歴 その後、リクルートに⼊社
全社インターネット部署にて分析全般やマーケティング施策の開発、分析組織提案等に従事
リクルートインターネットマーケティング局 → ブライダルカンパニー → CAPカンパニー
学 歴⼤阪⼤学⼯学部筑波⼤学⼤学院ビジネス科学研究科(MBA)
⼤阪府⽴⼤学 数理⼯学(MBA)
Facebook http://www.facebook.com/akira.saigo http://www.facebook.com/takeshi.matsumoto.906
2
本⽇のアジェンダ
1.リクルートについて
2 リクルートのレコメンド活⽤2.リクルートのレコメンド活⽤
3.ポンパレのメールレコメンド
3
本⽇のアジェンダ
1.リクルートについて
2 リクルートのレコメンド活⽤2.リクルートのレコメンド活⽤
3.ポンパレのメールレコメンド
4
1.リクルートについて
社名 株式会社リクル ト社名 株式会社リクルート代表者 峰岸 真澄従業員数 5,974名<2012年4⽉1⽇現在>資本⾦ 30億264万円(1995年3⽉1⽇より)資本⾦ 30億264万円(1995年3⽉1⽇より)本社所在地 東京都千代⽥区丸の内1-9-2
東京都中央区銀座8-4-17(登記上)東京都中央区銀座8 4 17(登記上)
創業 1960年3⽉31⽇(設⽴ 1963年8⽉26⽇)主な事業内容 ⼈材採⽤広告領域・⽣徒募集領域・住宅領域・
結婚領域・街の⽣活情報領域・旅⾏領域・その他領域に関わる商品 サ ビスの提供他領域に関わる商品、サービスの提供
5
1.リクルートについて
カスタマーとクライアントを新しい接点で結び、「まだ、ここにない、出会い」の場結び、「まだ、ここにない、出会い」の場を創造する。
カスタマー(ユーザー) クライアント
6
リクルートのサービス
⼈⽣のあらゆる⼈⽣のあらゆるシーンにおいて、多様な情報最適なメディアで届けるメディアで届ける。
http://www.recruit.jp/
7
リクルートのサービス
8
リクルートのサービス
9
リクルートのサービス
10
リクルートの機能組織
MITはITとマ ケティングの集約組織MITはITとマーケティングの集約組織
正社員領域 エリアHR 住宅領域 ⽇常⽣活領域 結婚・⾃動⾞
MIT U i dMIT United
全社IT&ネットマーケ部署として 専⾨性と集約価値を担う インフラ・シス全社IT&ネットマーケ部署として、専⾨性と集約価値を担う。インフラ・システム構築〜サイト改善、SEO、WebAnalytics、統計解析・DM…etc
11
CAPカンパニーNB室の紹介
『カ タ クシ プ ト ムカ パ『カスタマーアクションプラットフォームカンパニーネットビジネス推進室』
の紹介の紹介
ライフイベント ライフスタイルライフイベント ライフスタイル進学する就職する
⽔を買う服を買う就職する
転職する結婚する
服を買う旅⾏する外⾷する
家を買う⾞を買う
髪を切るお稽古する
12
CAPカンパニーNB室の紹介
13
CAPカンパニーNB室の紹介
莫⼤なユーザー資産をポイント・IDで統合
14
リクルートのデータ
⼤きいだけでなく多種で複雑なデ タpageview
⼤きいだけでなく多種で複雑なデータ
Webサイト pageviewセッション
アイテムアイテム 営業情報UU クライアントエリア クライア ト
会員 店舗情報15
本⽇のアジェンダ
1.リクルートについて
2 リクルートのレコメンド活⽤2.リクルートのレコメンド活⽤
3.ポンパレのメールレコメンド
16
どのようにレコメンド・パーソナライズの活⽤をするか
レコメンドをどのように活⽤?たくさんの事業があるので、それぞれに適したレコメン
ド・パーソナライズのやり⽅がある。ド パ ソナライズのやり⽅がある。※⼀概に同じ形式のものを⼊れれば良いわけでないところ。
ナレッジ・勝ちパタ ンの集約17
ナレッジ・勝ちパターンの集約
どのようにレコメンド・パーソナライズの活⽤をするか
ゴール:「アクション最⼤化」
⾯や⽅法がわからない
導⼊事例の量産
適切なASP選定、導⼊
独⾃のエンジンの開発わからない 量産 の型化 チューニング
現状:活⽤できてない18
本⽇のアジェンダ
1.リクルートについて
2 リクルートのレコメンド活⽤2.リクルートのレコメンド活⽤
3.ポンパレのメールレコメンド
19
ポンパレの紹介
20
ポンパレの紹介
フラッシュマーケティングとは?24時間から72時間程度の短時間(フラッシュ)
集客 売が⾏ 売に集客と販売が⾏われる販売⼿法
お得なク ポンお得なクーポンほとんどのクーポンは50%Offでお得に購⼊可能
扱っている商材グルメ、旅⾏・レジャー、美容室・ネイルサロ
他 物 ギ トカ ド他 健ン他、レッスン、物販・ギフトカード他、健康・医療
21
モデリングと最適化
モデリング 最適化
数理計画(OR)の世界• 統計・確率の世界
• 数理計画(OR)の世界
• 膨⼤な組み合わせの中から• 過去を要因を理解したり、
将来を予測したり出来る
膨⼤な組み合わせの中から最⼤値・最⼩値を⾒つける
• 制約条件
22
モデリングと最適化
デ① 予測モデルを作成する各施策ごとに精度が⾼
曲線を推定する がい曲線を推定するのがモデリングの役割
コスト
コストを変化させた時の収益を予測する変化 収 予
23
モデリングと最適化
② 利益を最⼤にするためには?各施策のコストを25にすれば 収益は にすれば、収益はmaxになる(合計100)
コスト
24
モデリングと最適化
算 約条③ 予算の制約条件を加味してコストを最適化する予算の制約が50の時、それぞれに くら配分それぞれにいくら配分すれば良いか?
コスト
ある制約条件のもとで関数を最⼤化/最⼩化する解を⾒つける制約条件 関数 最 化/最 化 解 ⾒
25
レコメンデーションの事例紹介
PC メールメルマガ経由売上全体 今回の対象全体の %
SEO
マガ経由売 全体 全体の○○%
MOB
リスティング
MOB
SP
ブックマーク
SP
その他
26
レコメンデーションの事例紹介
ク ポ ごとに想定粗利を予測すStep 1:クーポンごとに想定粗利を予測する
11.
2.
3.メール
4.
27
レコメンデーションの事例紹介
ク ポ ごとに想定粗利を予測すStep 1:クーポンごとに想定粗利を予測する
28
レコメンデーションの事例紹介
粗利が最⼤にな 組 合わせを⾒ けStep 2:粗利が最⼤になる組み合わせを⾒つける
【ビジネス上の制約式】【ビジネス上の制約式】-
-
-
--
29
レコメンデーションの事例紹介
最終的には⼈ ⽬ チ クStep 3:最終的には⼈の⽬でチェック!
すべての項⽬をモデルの中に取り込めているわけではないのすべての項⽬をモデルの中に取り込めているわけではないので、最終的には⼈の⽬でチェックする必要がある
30
レコメンデーションの事例紹介
フィジビリの⽅法
⾼ <-- RFMのセグメント -- > 低
各RFMセグメントからフィジビリ対象者を均等にサンプリングするサンプリングする
通常グループ
フィジビリグループ
効果⼤? 効果中? 効果なし?
31