Icon imj conference2013 session1 リアルタイムでの意思決定によるマーケティング最適化

Copyright © IMJ Corporation. All Rights Reserved. 2

プロフィール

2001年 IMJ入社

-Webプロデューサーとして数多くの

大手企業のWebサイト構築を手がける

2006年 IMJ Vietnam（現地法人）設立

-オフショア拠点の立ち上げ

2006年 Marketing & Technology Labs設立

-データ分析・最適化ソリューションの提供開始

2007年 EC事業本部設立

-ヴィレッジヴァンガード社のEC事業を

IMJの自主事業として手がける

2008年当社執行役員（現任）

2012年当社取締役（現任）

-Marketing & Technology Labsの

管掌担当役員


Vision

THE POWER OF

DATA DRIVEN MARKETING

データドリブンマーケティングの実現を通じて「成果」を価値として提供する


Marketing & Technology Labsとは

データを基に「意思決定の支援」や「マーケティング最適化の支援」を行う


Consulting コンサルティング

Technology テクノロジー




CMO （取締役） /経営部門

マーケティング部門責任者

マーケティング部門実務担当者

・マーケティング投資配分最適化・組織変革/業務変革

・調査分析/戦略立案・ダッシュボード構築・KPI設計・統計解析/データマイニング

・PDCA定期運用・定期分析/レポーティング・トレーニング

Consulting



Technology

統合DWH （Online/Offline）

キャンペーンマネジメント

広告統合管理

行動ターゲティング /レコメンデーション

ビジネスインテリジェンス

統計解析データマイニング

アクセス解析

メールマーケティング


Marketing Intelligence System

オフラインデータ

3rdパーティデータ

Data Aggregation

Integration /Management Action

ダッシュボード

統合データ

統計解析 /データ

マイニング

セグメント

シナリオ設計

オンラインデータ

PC/スマホ

メール

広告

店舗（O to O）


調査データ

データ活用で組織はより適切な意思決定が可能になる？

72%

出典：EMC Forum 2013 Pre Survey ビッグデータ活用に関する意識調査（2013.9.18）

※北米は82%


調査データ

ビッグデータが業界における勝者と敗者を分ける決定的な要因になる？


45%

※北米は57%


調査データ

ビッグデータは意思決定の著しい改善を生み、企業の競争的差別化に大きな影響を与える


調査データ

直近でビッグデータ活用技術の導入計画はない


49%

※北米は26%


調査データ

ビジネス上の意思決定における最も重要な要因は「予算」


72% ※北米は45%


調査データ

ビッグデータ対応を阻害する理由は「上層部の意思決定者の直感と経験」


57%


調査データ

ビッグデータの重要性は認識しつつ、実際には「どう活用してよいか分からない」のが実態では？


今日のテーマ

1. CMO・マーケティング責任者がデータを基にした科学的な意思決定を行うには？

2. ビッグデータで現場はどう変わ

るのか？


Marketing is “the last bastion of

unaccountable spending…” マーケティングは説明責任を問われない最後の砦だ。


マーケティングROIの重要性・必要性は

急速に高まっている


マーケティングROIの算出を

どこから着手すべきか？


マーケティングROIの算出のために

統合的であること

シンプルであること

正確であること


データ整理マーケティングROIの評価に必要と

なるデータを選定・抽出・整理

統合・分析投資（IN）と売上（OUT）の関係

（モデル）を数値的に分析・把握

予測関係（モデル）を使い、マーケティ

ングプランからのリターンを予測

実行予測を基にプランの決定・実行


データ整理

統合・分析

予測

実行

マーケティングROIの評価に必要となるデータを選定・抽出・整理

投資（IN）と売上（OUT）の関係（モデル）を数値的に分析・把握

関係（モデル）を使い、マーケティングプランからのリターンを予測

予測を基にプランの決定・実行


【統合・分析】全マーケティング活動の検証

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

火水木金土日月火水木金土日月火水木金土日月火水木金土日月火水木金土日月火水木金土日月火水木金土日月火水木金土日月火水木金土日月火水木金土日月火水木金土日月火水木金土日月火水木金土日月

成人式節分バレンタインD ひな祭りホワイトD

2013年新年挨拶編

新年会編

自宅で鍋編

番組 A

番組 B

番組 C

番組 D

Jan. 2013 Feb. 2013 Mar. 2013

スポット

日付

気温

行事・祭事

天気

番組

1,200GRP

2,000GRP

1,200GRP

メディアプラン店頭

競合

OOH バナー広告

SNS

キャンペーン

マーケティング投資


【データ整理】売上を構築するデータ

データ

KPI

Webﾏｰｹﾃｨﾝｸﾞ部

ウェブ広告CTR

リファラー情報

ｻｲﾄ内ﾄﾗﾌｨｯｸ数

サイト内CV率

自社サイトPV数

CRM部

リード獲得

顧客満足度

リード獲得数

リテンション率

顧客満足度

Up/Crossｾﾙ

退会率/継続率

メルマガ登録・開封

セールス部

契約数

DM/折込み配布

イベント

競合比較

累積顧客数

新規契約数

エリア内シェア

広告宣伝部

ATL広告出稿

認知率

BTL広告ﾄﾗｯｷﾝｸﾞ

認知率

ﾌﾞﾗﾝﾄﾞ･ｲﾒｰｼﾞ

ｳｪﾌﾞ広告Imp.

「いいね！」数

接触

認知

態度

選好度

ｳｪﾌﾞ接触

CV率

エンゲージ

WOM

契約数

配荷

棚シェア

販促

ﾛｲﾔﾙﾃｨ

UPセル

経験

継続購買

部署目的（中間目標）

部分最適

投資

売上（最終目標）

全体最適


データ整理

統合・分析

予測

実行






【統合・分析】シンプルな構造に

ROI

AIDMA

AISAS

AISCEAS

「投資」「売上」の直接的な一次関係

「注意」「関心」「欲求」「記憶」「行動」のプロセス的な関係性

「注意」「関心」「検索」「行動」「共有」のプロセス的な関係性

「注意」「関心」「検索」「比較」「検討」「行動」「共有」のプロセス的な関係性

投資～購入までの時系列構造

（プロセス重視）

投資対効果の一次的な関係構造

（結果重視）


【統合・分析】シンプルな構造に

売上

TV広告 GRP 投資

新聞/雑誌段/ﾍﾟｰｼﾞ投資

OOH ﾄﾗﾌｨｯｸ投資

販売促進配布数投資

店頭活動棚シェア投資

リスティングｸﾘｯｸ数投資

ディスプレイ Imp数投資

アフィリエイト Imp数投資

ソーシャル Imp数投資

アプリ Imp数投資

価格値引率投資

数量

金額

マーケティング

投資


データ整理

統合・分析

予測

実行






【予測】実測値と予測値の高い予測力

正確な売上/ROIの事前予測

複数の投資シナリオの策定

綿密なプランニングが可能

実測値予測値 vs.

予実ズレの発見/背景の理解

予測力の高さは必須


【予測】精度の高い予測力のために

重回帰分析エージェントベースモデル

モデル

特徴マーケティング活動の売上に対する寄与度を直線的に把握

「仮想パネル」による市場の再現。現実のマーケティング投資と売上を高精度で説明する。

利点簡素さ現実社会の再現

セグメントの高再現力

欠点説明力の低さ

影響の強い変数の影響力の大きさ

モデル構築のリードタイム

𝑺𝒂𝒍𝒆𝒔 = 𝑺𝒂𝒍𝒆𝒔𝒃𝒂𝒔𝒆 + 𝜶𝒊𝒙𝒊 + 𝒆𝒊

Ｘ: マーケティング投資/活動 α: パラメータ（活動の影響度）ｅ: 誤差


【予測】外部環境からの影響の把握

人口動態

外部環境・トレンドを予測に反映

消費税増税気候（温度）


【事例】マーケティング投資配分の最適化

デジタルはカタログの8倍のROI

カタログ投資の20%を

デジタルに移行

5%の売上拡大

vs.


データ整理

統合・分析

予測

実行





Copyright © IMJ Corporation. All Rights Reserved.

予測値と実測値のモニタリング

35

【実行】予実のモニタリング

店頭施策

ブランド接触

プリント広告

ウェブ接触

サイト閲覧

価格

売上売上予測

「実測値」と「予測値」のズレを検証

売上

広告出稿

広告接触

投資の

効果/効率

外部環境の

影響

消費者

の

変化

ROI

関係性の

改修

ズレ


② 予測

36

【実行】計画～改善のループ

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32




新年会編

自宅で鍋編

番組 A

番組 B

番組 C

番組 D

Jan. 2013 Feb. 2013 Mar. 2013

スポット

日付

気温

行事・祭事

天気

番組

1,200GRP

2,000GRP

1,200GRP

ブランドB ブランドA

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32




新年会編

自宅で鍋編

番組 A

番組 B

番組 C

番組 D

行事・祭事

スポット

番組

Mar. 2013日付

Jan. 2013 Feb. 2013

天気

気温

1,200GRP

1,200GRP

600GRP 600GRP

800GRP

ブランドB ブランドA

③ 確定

① 計画

④ 売上実測

⑥ 改善

⑤ 予実検証

改善

改善

改善

最適化の実現



データ量の流れ

27ゼタバイト

２００３年２０12年

５エクサバイト５００倍のデータ量


デジタルデバイスの変化

あらゆるデジタルデバイスが生活の一部になってきている


それらのデータの課題

非構造化データ


データとは生かす価値があるのか？

2016年の日本におけるストレージとビッグ・データ

ビッグデータを単なるバズワードと捉えている企業の大多数は、 IT部門のコスト削減に生かす視点から抜け出せない

ビッグ・データ・プロジェクトに取り組む企業の数は倍増し、その7割にIT以外の経営・事業部門が参画する。

企業のシステム向けストレージを自社で購買する大企業は、フラッシュ・メモリを活用しコスト性能比を改善する。


現場で生かせるデータにするには？

マーケティング視点・

最新技術を活用・

現場へ生かせる仕組み


二つのキーワード

速さ正確さ


彼は健康だろうか？

体温

血圧

体重


スト

レス

勤務

時間

睡眠時間

天候

運動量

食事


二つのキーワード

いかに早く変化をとらえ

いかに正確に分析・対応できるか


３つの課題

現状理解

モニタリングデータと分析官

原因分析

実行・検証ツールと検証者

施策実行

修正


現状理解：様々なデータを素早く把握

顧客商品

購買店舗

営業

アクセスデータ

ソーシャル

広告データ

現状理解原因分析施策実行・改善

その他

外部

データ


現状理解：ダッシュボード

サイト広告 KPI

ソーシャル拡散

市場状況

競合状況

売上 KGI

間接効果

ダッシュボード

必要な頻度で

予想と実績を

様々なデータを

繋ぎ合わせて

見やすく


現状理解：可能にしたテクノロジー

従来のＢＩツール



各データソースから連想技術による効率的な読込



ID 購買

Ａﾁｹｯﾄ

Ａ雑誌

Ａ化粧品

Ｂﾁｹｯﾄ

Ｂﾚﾄﾙﾄ

Ｂ雑誌

ID 広告

Ａｺｽﾒ

Ａ NEWS

Ａﾀﾞｲｴｯﾄ

Ｂ NEWS

購買

ﾁｹｯﾄ

雑誌

化粧品

ﾚﾄﾙﾄ

広告

ｺｽﾒ

NEWS

ﾀﾞｲｴｯﾄ

ID

Ａ

Ｂ 20億件以上の大量データ対応かつ

全ての項目を検索キーにできる

ディスク上メモリ上


現状理解：マーケティングダッシュボード


原因分析：早く・正確に


顧客IDをいかにつなぐか？


原因分析：ソーシャルログインで得られるデータ


原因分析：例）ユーザーボリュームを把握


原因分析：例）あるプロダクトのキーワードを注力

http://www.google.co.jp/trends/explore

キャンペーン開始


原因分析：可能にした基盤

顧客商品

購買店舗

営業

アクセスデータ

ソーシャル

広告データ

その他

外部

データ

データ取得基盤設計


施策実行・改善：オムニチャネル時代の施策

「どこで」

「何を」

売るか？

「誰に」

「どうやって」

買ってもらうか？

いままで（シングルチャネル）

これから（オムニチャネル）



施策実行・改善：オムニチャネル時代の施策

誰に・どうやって


新宿渋谷

デザイナーズマンション

敷金礼金無料

Questions？

あなたに合うものをお探しします

Start Chat


施策実行・改善：重要なこと

「個客」視点でデータを取り扱っていく１

インハウスでこれら施策を実施していく仮説⇒検証の文化をつくる（知見がためやすくなる土壌をつくる）

2


今日のまとめ

データ活用により、真の「個客」マーケティングが実現できる。


今日のまとめ

ビッグデータの本質は、企業全体のマーケティングオペレーションの変革。


今日のまとめ

言い換えれば「顧客志向」の会社へ変革。


今日のまとめ

企業経営は、3K（勘・経験・慣習）ではなくデータを土台にしたものになる。


今日のまとめ

企業のデータ活用を支援します


ご清聴ありがとうございました

株式会社アイ・エム・ジェイ

マーケティング&セールス本部

Documents

Icon imj conference2013 session1 リアルタイムでの意思決定によるマーケティング最適化