©  2013  Market  Intelligence  Lab

活動内容のご案内

2013年8月

Market Intelligence Lab

©  2013  Market  Intelligence  Lab 1

日立製作所×博報堂協働の狙い

ITとマーケティングにおける両社の知見を融合し、

「ビジネスを加速する新たな駆動装置」 の開発をサポートします。 （データはそのための動力源）

日立製作所 情報・通信システム会社

博報堂

大規模データハンド リング／解析ノウハウ

マーケティング 仮説構築知見

Market Intelligence Lab

©  2013  Market  Intelligence  Lab 2

Market Intelligenceとは？

「市場」＝企業活動の場×生活の場の実体を把握するために、

モノ、ヒト、コトの幅広いデータを収集、分析し、 「生活者」の潜在的なニーズ、「企業」における新たな事業機会を掘り出す。

データ解析 サービス

データ活用 プラットフォーム

構築

事業創生

Market Intelligence Labの業務内容

企業活動を通じて取得されたデータを分析することにより、業務効率化、サービス向上、売上増大に寄与する「気づき」を発見します。

企業内データと外部データを効率的に蓄積／分析／活用するための「仕組み」を設計し、業務プロセスを　見直します。

企業の保有するデータを活用、または他社の保有するデータと掛け合わせることで、これまでにない提供価値を具体化します。

©  2013  Market  Intelligence  Lab

マーケティング関連ビックデータの例

購買実績 データ (ID-POS)

位置情報 行動履歴 （スマホ）

ネット上の 人間関係 (SNS）

メディア接触 WEBサイト アクセス履歴

商品の 購買・ 検討行動

ブランドや 商品関わる 行動・態度

3

©  2013  Market  Intelligence  Lab

ビックデータ活用の可能性

4

２

３

１

解像度の高さ

• 全体から個別へ • サンプルから全数へ

見えなかったものが見えてくる

多様な組合せ

• 異なるデータの組合せ • 多次元での分析

新しい視点での価値を発見できる

鮮度の高さ

• リアルタイム • 予測分析

　・リアルタイムモニタリング、予防保守

　・リアルタイムな最適化、計画、経営

「今」から「未来」を予測し、先手をうつ

　・個別の動向や嗜好、ロングテール

　・未来のトレンドや故障の「兆し」の発見

　・複雑な世界のビジュアライズ（地図情報・・・）

　・多角的な評価、原因分析

©  2013  Market  Intelligence  Lab

マーケティングでのビッグデータ利活用機会

ビッグデータの利活用によるマーケティングの高度化が期待されている。

課題

マーケティング施策の効果が きちんと把握できていない

市場動向・顧客ニーズの 把握に時間がかかっている

蓄積された顧客データが 十分に活用されていない

ビッグデータによる解決

深く広いデータ利活用による、 原因把握・経営指標管理

高精細データ分析に基づく、「個」に向けたﾏｰｹﾃｨﾝｸﾞ活動

データ解析時間の短縮による、 迅速な意思決定

5

©  2013  Market  Intelligence  Lab

ビッグデータを入口としたマーケティング改革

最終的には、顧客のブランド体験を継続的に高める活動を支える「仕組み」 （マーケティング・プラットフォーム）としてのビッグデータ活用を検討する。

マーケティング・プラットフォーム

＝全ての顧客接点で、顧客の ブランド体験を継続的に高める活動を支える「仕組み」

→これにより、顧客起点で顧客接点がシームレスに連携可能になる

6

©  2013  Market  Intelligence  Lab

分析

データ収集

課題

生まれる価値

事例：顧客の声から、現場のリアルを把握

店舗に寄せられたお客さまからの声を分析し、顧客満足度の向上につなげたい

収集したお客さまの声に加えて、インターネット上に散在する商品、サービスなどに関する声を収集してデータ化。

大量の声から改善すべき点を抽出することで、 ニーズに即した対策を打つことができます。

お客さまはどのような点を不満に感じるのか？

 お問い合わせ  お客さまカード  アンケート  ソーシャルメディア ・・・

お客さまの用途に合わせた辞書を使用して特定の声を抽出。 出現頻度の高い単語や単語間の関係を可視化・分析します。

これまで見落としていた事実や意見に基づいて 業務を改善し、顧客満足度が向上

分析の結果､“店舗近くの｢ある場所｣が見つけにくい”ことや、“ある製品では特定の時期に類似したお問い

合わせが多い”という事実を発見しました。

事実に基づいて業務を改善することで、顧客満足度の向上に加えて、商品開発とも情報を共有しています。

・・・ ・・・

・・・

・・・ ・・・

テキストマイニング ネットワーク分析

・・・　・・ ・・・・・　・・・・・・・・ ・・・・・・・　・・・・・ ・・・・　・・ ・・・・・・・・・・・ ・・・・・・・・・・・・・ ・・・・・・ ・・・・・・・・・・・・・・・ ・・・・・・・・・・・・  

大量の声のデータを分類

・・・　・・ ・・・・・　・・・・・・・・ ・・・・・・・　・・・・・ ・・・・　・・ ・・・・・・・・・・・ ・・・・・・・・・・・・・ ・・・・・・

・・・　・・ ・・・・・　・・・・・・・・ ・・・・・・・　・・・・・ ・・・・　・・ ・・・・・・・・・・・ ・・・・・・・・・・・・・ ・・・・・・ ・・・・・・・・・・・・・・・ ・・・・・・・・・・・・  

・・・・・・・・・・・

・・・・・・・・・・・・・

・・・・・・

・・・・・・・・・・・・・・・

・・・・・・・・・・・・  ・・・・・・・・・・・

・・・・・・・・・・・・・

・・・・・・

特定の声でよく使われるキーワードを分析

不満につながる ワードを把握

ＸＸＸが 見つけにくい

○○○について 知りたい

対策

対策

7

©  2013  Market  Intelligence  Lab

分析

データ収集

課題

生まれる価値

8

事例：マーケティングの最適化／自動化

各顧客に最適なマーケティング施策で、 マーケティング効率を最大化したい

顧客情報をキーに、顧客獲得のステップ毎にマーケティング施策への反応に関するさまざまなデータを収集。

リード（見込み客）判定のイメージ

受注可能性を推定するための重要な要因は何か？

 顧客情報（業界／規模／／地域／役職）

 取引履歴／営業接触／ イベント参加

 オンライン接触状況（メールクリック／デモ閲覧／DL） ・・・

顧客セグメント毎に受注に寄与する要因を特定し、 指標化を行い、シュミレーションで説明力を検証します。

リード（見込み客）評価の判定スコアを設定、とるべき施策を規定することで、マーケティング効率を向上

顧客属性と顧客行動データの相関から、受注可能性の高まっている顧客の特徴的行動を発見。顧客プロファイル毎に、顧客属性、

検討状況に最適な施策を実行するプロセスを標準化しました。

これに基づき施策を実施、判定方法を改善していくことで、顧客獲得単価、営業効率が継続的に向上しています。

顧客プロファイリング 受注可能性推定モデル

喚起 育成 優先 化 受注

顧客セグメント別 取引パタン（製品／

サービス利用…)

リード（見込み客）判別基準特定 ＝購買能力／購買決定関与／

購買トリガー／購買タイミング

顧客属性

購買関心レベル

C B A

C C

C

B

C

1．顧客属性評価判定基準

・業界／規模／実績／関係性

（営業部門評価0~-20）

2．情報探索行動判定基準

・サイト訪問／メールクリック+1

・先進事例DL　+3

・１ヶ月行動なし 初期スコア

3．評価情報収集行動判定基準

・価格頁閲覧（+10、詳細頁+15）

・デモ視聴（概要+5、詳細+10）

・仕様表DL　+8

・時間経過　３ヶ月以下　+10

©  2013  Market  Intelligence  Lab

分析

データ収集

課題

生まれる価値

9

事例：小売店舗での顧客単価の向上

店舗に来訪していただいたお客さまの購買単価を上げたい

人の行動を測定する専用のセンサーを利用して、お客さまと 店員の人流ややり取りの度合いを定量的に測定。

そのほかにも、現場に関するさまざまなデータを収集。

接客の質がお客さまの購入する商品単価につながり、さらに 店員の配置と店舗滞在時間は相関があることを活用します。

売上げに寄与する重要な要因は何か？

 コミュニケーション  店内の人流  POSデータ  店員の業務状況  店舗環境 ・・・

売上げに関連する6,000個超の指標を自動生成し、 その指標から顧客単価向上の方程式を出力。

特定のエリアに店員を重点的に配置して 顧客単価が15％アップ

データの相関から、接客の質がお客さまが購入する商品の単価 向上につながることを発見。さらに、店員が存在していると購入

点数が増加する高感度なスポットが店内に存在していることを 発見できました。

この結果に基づいて、高感度スポットへ店員を重点的に配置した ところ、15％もの顧客単価の向上につながりました。

指標の自動生成 相関分析

滞在時間

接客回数 購入金額

購入点数 立ち止り回数

来店時間 会話時間

店内移動距離

顧客単価

店員の配置

購入点数

接客の質

商品単価

©  2013  Market  Intelligence  Lab

ビックデータ活用の具体化アプローチ(例）

課題／解決したいこと （データ活用機会の洗い出し）

定量化モデル仮説 （どんな機序で動いているのか？）

利用可能データ （どんなデータが利用できるのか？） ×

課題解決のための方法 （手段／プロセス／システム）

10

©  2013  Market  Intelligence  Lab

データ活用 機会

（初期仮説）

創出

顧客体験 シナリオ記述 （CEM）

タスク0 タスク3

 ライフログ／センシングログ／オープンデータ等、活用可能なデータの洗い出し

 マーケティング戦略上の論点、顧客体験上の痛点の特定、／対象領域の確定

 定量化モデルをベースに、実務での運用を踏まえたプロトタイプを設計し、一定期間運用して効果を検証

タスク4

定量化 モデルの 構築／

試用解析

タスク2.2

 顧客とのインタラクションの「あるべき姿」を規定。データ活用によるビジネス機会の特定

プロトタイプ デザイン

サービス 展開計画

タスク2.1

タスク5

課題／問題 意識の共有化

 課題、データ活用可能性（仮説）の洗い出し

 同一産業／先進事例のベンチマーク

タスク１

活用可能 データの 洗い出し

データ利活用方針規定からプロトタイピングまでのアプローチ(例）

 サービス展開に向けた詳細ルール確認（個人情報取り扱い、許諾）、システム要件、開発スケジュールのとりまとめ

 ビジネス上の目標を実現するための定量モデルを構築。実際のデータを用いて、検証

例示

11

©  2013  Market  Intelligence  Lab

Market Intelligence Lab概要

12

©  2013  Market  Intelligence  Lab

Data Analytics

Market Intelligence

Business Insight

13