Webマーケティングを通じたデータサイエンティストの価値発揮方法
•
0 gostou•780 visualizações
2020年9月29日 滋賀大学 第92回データサイエンスセミナー の発表資料 https://www.ds.shiga-u.ac.jp/dscenter/event/p5428/
Recomendados
Mais conteúdo relacionado
Semelhante a Webマーケティングを通じたデータサイエンティストの価値発揮方法
Semelhante a Webマーケティングを通じたデータサイエンティストの価値発揮方法 (20)
Mais de E2D3.org
Mais de E2D3.org (20)
Webマーケティングを通じたデータサイエンティストの価値発揮方法
- 2. 概要 • 新サービスの設計・開発・運用・保守・販売に対して、データサイエンスを用いた改善 が近年期待されている。 • 本講演では、Webマーケを軸に、運用・販売におけるデータサイエンティストの価値発 揮方法を概説する。 特に 1. PJ（プロジェクト）の目標設定方法 ← 相手のwinを知る方法、相手のneedsを知る方 法 2. データの利用方法 3. 社外＜社内のコラボレーション方法 ← を分からないと、恐怖 について、民間企業における具体例を紹介する。 ← 社名・サービス名・主語は曖昧に
- 3. 本セミナーのスコープ • 開発＝売るものを作る • セールス＝売る仕組みを作って実行 • マーケ＝売れる仕組みを作って実行
- 4. 要件定 義 設計 構築 運用 監視 保守 本セミナーのスコープ 2. 既存事業 Idea Verification CPF： customer problem fit PSF： problem solution fit PMF： product market fit Transition to Scale 1. 新規事業 課題の一覧化 課題の絞り込み 具体化 プロトタイプの作成 MVPの作成 メトリクスの測定 ユニットエコノミクス の健全化 [起業の科学]
- 6. 概要 • 新サービスの設計・開発・運用・保守・販売に対して、データサイエンスを用いた改善 が近年期待されている。 • 本講演では、Webマーケを軸に、運用・販売におけるデータサイエンティストの価値発 揮方法を概説する。 特に 1. PJ（プロジェクト）の目標設定方法 ← 相手のwinを知る方法、相手のneedsを知る方 法 2. データの利用方法 3. 社外＜社内のコラボレーション方法 ← を分からないと、恐怖 について、民間企業における具体例を紹介する。 ← 社名・サービス名・主語は曖昧に
- 11. 2. データの利用方法の問題 • 2000年のITバブルから、20年増築を行った九龍城砦 • 誰も全体を理解できない
- 15. 概要 • 新サービスの設計・開発・運用・保守・販売に対して、データサイエンスを用いた改善 が近年期待されている。 • 本講演では、Webマーケを軸に、運用・販売におけるデータサイエンティストの価値発 揮方法を概説する。 特に 1. PJの目標設定方法 ← 相手のwinを知る方法、相手のneedsを知る方法 2. データの利用方法 3. 社外＜社内のコラボレーション方法 ← を分からないと、誰も協力・動いてくれない について、民間企業における具体例を紹介する。 ← 社名・サービス名・主語は曖昧に
- 17. セミナーの想定：新入社員向けの研修 年齢 エキスパート職 マネージメント職 役割 Commit to the 22-27 エンジニア 与えられた仕事をこなす Process 27-34 シニアエンジニア チームリーダー 二人仕事の責任者 資格を取る （他の業界・別の職種への転 職も考える） Result 35-42 チーフエンジニア、 グループリーダー マネージャー 難しい仕事が回ってくる 人をまとめるのに特化 Result ResultにCommit（価値発揮）できるようになって欲しい Resultとは何か？を自分で考えられるようになって欲しい by 先輩
- 18. 概要 • 新サービスの設計・開発・運用・保守・販売に対して、データサイエンスを用いた改善 が近年期待されている。 • 本講演では、Webマーケを軸に、運用・販売におけるデータサイエンティストの価値発 揮方法を概説する。 特に 1. PJの目標設定方法 ← 相手のwinを知る方法、相手のneedsを知る方法 2. データの利用方法 3. 社外＜社内のコラボレーション方法 ← を分からないと、誰も協力・動いてくれない について、民間企業における具体例を紹介する。 ← 社名・サービス名・主語は曖昧に
- 20. 概要 • 新サービスの設計・開発・運用・保守・販売に対して、データサイエンスを用いた改善 が近年期待されている。 • 本講演では、Webマーケを軸に、運用・販売におけるデータサイエンティストの価値発 揮方法を概説する。 特に 1. PJの目標設定方法 ← 相手のwinを知る方法、相手のneedsを知る方法 2. データの利用方法 3. 社外＜社内のコラボレーション方法 ← を分からないと、誰も協力・動いてくれない について、民間企業における具体例を紹介する。 ← 社名・サービス名・主語は曖昧に
- 21. 目標設定の階層 1. 世界 2. 国、政府、自治体 3. 企業 4. 組織 5. PJ
- 22. PJとは何か？ • 独自の成果物、またはサービスを創出するための期 限のある活動 • 本セミナーでは、仕事と理解してください PMBOK（Project Management Body of Knowledg） プロジェクトマネジメント知識体系ガイド by プロジェクトマネジメント協会
- 23. 目標設定の階層 1. 世界 2. 国、政府、自治体 3. 企業 4. 組織 5. PJ PJの目標を、企業の目標と、組織の目標に重ね合わせるこ とが大事 相手にwinが有ると、相手は動いてくれやすい 相手にwinが無いと、相手は動いてくれにくい
- 24. 企業の目標設定方法 1. 経営理念（企業理念） 2. Vision-Mission-Value 3. 中期（5年）経営計画 一マーケ社員はだと決定に関わるのは難しい
- 25. 経営理念に書かれていること 1. なぜ、われわれは働いているのか？ 2. なぜ、この仕事をするのか？ 3. なぜ、ここまでやるのか？ の哲学 • 絶対的に正しい、絶対的に間違っているはない • 自分達で考えて決めるもの [坂上 仁志、経営理念の考え方・つくり方]
- 26. 企業の最大の課題 社会的な正当性の確立 1. Vision （将来像） 2. Mission（使命） 3. Value（価値観） 「儲かる！」は重要 「儲かる！」だけでは人はついてこない 「儲かる！」は手段 [P・F・ドラッガー、ネクスト・ソサエティ]
- 27. 企業倫理 （の構成要素、骨格） = 経営理念 Value = How 会社のが持つ/大切にする価値 Product / Service の作成する Mission = What 会社の使命・任務 Vision = Why 会社の目指す姿 As is Will-1:したいこと Can-1：できること Must-1：すべきこと Resource：経営資源（人・物・金・情報）を 自社内 or 他社 or 個人と 交換することで再生産する（増やす） To be：作りたい未来の世界 を実現したい Gap：現在と未来の差を埋めたい 課題（problem）を解決したい As is：現在の世界 物 情報 金 人 人 物 情報 金 「経営目標を一緒に達成しましょうよ。どんどんやり方提案して、 手を動かして、周りと調整して、結果出していきますよ」 と言って結果を出す＝価値発揮に必須 仕組みを回す or 仕組みを作ること = 仕事 企業活動とあなたの関係 To be Will-2 Can-2 Must-2 企業B 企業A 人 物 情報 金 あなた Gap Career Path を考えるということ 会社というResourceはGapを埋めてくれるのか？ Yes = 会社楽しい、No = 会社楽しくない
- 28. 目標設定の階層 1. 世界 2. 国、政府、自治体 3. 企業 4. 組織 5. PJ PJの目標を、企業の目標と、組織の目標に重ね合わせるこ とが大事 相手にwinが有ると、相手は動いてくれやすい 相手にwinが無いと、相手は動いてくれにくい
- 29. 組織、個人の目標設定方法 • OKR • MBO • KGI-KSF-KPI
- 30. OKR：Objectives and Key Results 目標と主要な結果 図表削除 https://note.com/kengomori/n/ncaf88a5a94dc
- 32. 目標設定の階層 1. 世界 2. 国、政府、自治体 3. 企業 経営理念：Vision-Mission-Value、中期（5年）経営計画 4. 組織：OKR、KGI-KSF-KPI、MBO 5. PJ PJの目標を、企業の目標と、組織の目標に重ね合わせることができたら 社内のメンバーが協力してくれる＝相手を動かせる その他の方法で設定してPJを始めようとしても 「It‘s not my business」 「It‘s not your business」
- 33. 事業会社における DS業務のイメージ ＜機械学習クエスト〜ドラゴンクエスト＞ • 竜王（機械学習）にたどり着くまで 80% • 竜王（機械学習）を倒す 20% • 機械学習の（Kaggle的な）問題を作ること 80% • 機械学習の（Kaggle的な）問題を解くこと 20%
- 34. 概要 • 新サービスの設計・開発・運用・保守・販売に対して、データサイエンスを用いた改善 が近年期待されている。 • 本講演では、Webマーケを軸に、運用・販売におけるデータサイエンティストの価値発 揮方法を概説する。 特に 1. PJの目標設定方法 ← 相手のwinを知る方法、相手のneedsを知る方法 2. データの利用方法 3. 社外＜社内のコラボレーション方法 ← を分からないと、誰も協力・動いてくれない について、民間企業における具体例を紹介する。 ← 社名・サービス名・主語は曖昧に
- 35. Result = 価値 ＜経営層がやりたいこと＞ • 「不確実な情報」の中で、「資源をどのような施策（アクション）に使う か/使わないか」を意思決定したい • 「意思決定の確度を高めるための情報」をデータから作って欲しい欲 しい ＜分析の成果物＞ • 実行してほしい/欲しく無い 施策を３行のStoryで提案 • 図表、数値は提案の根拠、必須で見せるのは最小、その他は聞か れたら出す • 図表、数値から話すと「so what？結論から言って」と返事が返ってく る
- 36. 0：意思決定したいことの明確化 経営視点を忘れちゃダメよ ＜意思決定表、チェックリスト＞ 事業の課題 Webマーケ の役割 事業拡大 新商品開発 本セミナーのスコープ外 事業拡大 新規顧客の獲得 ・コンセプト把握（顧客像、商品ベネフィット）→クラスタリング分析、因 子分析、主成分分析、コレスポンデンス分析 ・流入経路改善→アトリビューション分析（主にオンライン） 事業安定化 既存顧客のランクアップ ・クロスセル・アップセル→併買分析、価格帯分析 ・販促効率アップ→回帰分析、協調フィルタリング 既存顧客のランクダウンの防止 ・離脱防止→チャーン分析
- 37. Step by Step のすり合わせを忘れちゃダメよ ＜分析フレームワーク＞ 3.問題としている現象・事実の明確化 4. 必要な情報・データ・ロジックの明確化 5. 現象の把握 6. ビジネス全体における課題の特定 7. 施策につながる分析結果 8.報告と合意形成 9. 施策の意思決定 ２：分析手順の明確化
- 38. 3：問題としている現象・事実の明確化 言われたのをぼんやりうけとっちゃダメよ 前提知識・バックグラウンドに違いがあることを忘れちゃダメよ ＜問題候補表＞ 比較対象 （ベンチマーク） 比 差 対 前年 対 前月 対 都道府県 対 計画 対 競合 対～
- 39. 4：現象・事実をとらえるのに必要な 情報・データ・ロジックの明確化 手持ちのデータから考えちゃダメよ データから分析しちゃダメよ どんなデータでも使えると思っちゃダメよ ＜必要材料表＞ 現象 必要な情報 データ ロジック 前月比 前月情報 前年比 前年情報 計画比 計画値＆計画値のロジッ ク情報 他エリア比 他エリア情報 競合比 競合IR情報
- 40. 5：現象の把握 現象 必要な情報 データ ロジック 前月比 前月情報 前年比 前年情報 計画比 計画値＆計画値のロジッ ク情報 他エリア比 他エリア情報 競合比 競合IR情報
- 42. 7： 施策につながる分析結果 分かる・発見だけじゃダメよ。打ち手・施策につながらなきゃダメよ。 ＜施策比較表＞ 例）施策が販促 施策対象の種類 制御可能な変数 施策内容 コスト リターン Who 販促ターゲット顧客 What モノ、コト 商品 When 実施タイミング 冬にアイスは受け入れられづらい Where タッチポイント CM、交通広告、Web広告、メル マガ、DM、新聞、チラシ、電話、 Why 訴求内容、ベネフィ ット キャッチコピー、クリエイティブ How インセンティブ How many
- 43. 分析例 1. 売上予測 ・入力データ形式：時系列ｘ予測対象（売上、伝票数、ユニークユーザ数他） ・手法：ARIMAとか ・アウトプット：予測曲線 2. who ざっくりどんな人たちがお客？ ・入力データ形式：ヒトｘ商品 ・手法：因子分析？主成分分析？⇒クラスタリング ・アウトプット：顧客（ニーズ）のラベル（クラスタリング結果に名前を付けたもの） 3. what よく似た（よく一緒に買われる）商品って何？ ・入力データ形式：併買マトリクス（商品ｘ商品）とか？ リサーチデータで商品の要素データ見つけてくる感じ？ ・手法：相関分析 ・アウトプット：商品（ベネフィットや用途）のラベル（クラスタリング結果に名前を付けたもの） 4. who x what 販促反応予測（退職者予想、新規登録予測、ランクアップ、ランクダウン予測） ・入力データ形式：ヒトｘ予測対象（反応＠特定のwhat） ・手法：ロジスティック回帰、決定木 ・アウトプット：予測スコア、高反応セグメント条件式 5. who x when チャーン予測 ・入力データ形式：ヒトｘチャーン ・手法：ロジスティック回帰、決定木 ・アウトプット：予測スコア、チャーンリスクセグメント条件式
- 45. 8：報告と合意形成 ＜報告書の粒度＞ 経営資源の意思決定、何が起きていて、打開策はどう である、の数行の文章、形式を作るのが大事 図表は証拠 文章に違和感がなければ、意思決定者は、図表みな い
- 46. 概要 • 新サービスの設計・開発・運用・保守・販売に対して、データサイエンスを用いた改善 が近年期待されている。 • 本講演では、Webマーケを軸に、運用・販売におけるデータサイエンティストの価値発 揮方法を概説する。 特に 1. PJの目標設定方法 ← 相手のwinを知る方法、相手のneedsを知る方法 2. データの利用方法 3. 社外＜社内のコラボレーション方法 ← を分からないと、誰も協力・動いてくれない について、民間企業における具体例を紹介する。 ← 社名・サービス名・主語は曖昧に
- 48. マーケ x DSの勉強につかえるデータセット • E-Commerce Data Actual transactions from UK retailer https://www.kaggle.com/carrie1/ecommerce-data 1. InvoiceNo: Invoice number. Nominal, a 6-digit integral number uniquely assigned to each transaction. If this code starts with letter 'c', it indicates a cancellation. 2. StockCode: Product (item) code. Nominal, a 5-digit integral number uniquely assigned to each distinct product. 3. Description: Product (item) name. Nominal. 4. Quantity: The quantities of each product (item) per transaction. Numeric. 5. InvoiceDate: Invice Date and time. Numeric, the day and time when each transaction was generated. 6. UnitPrice: Unit price. Numeric, Product price per unit in sterling. 7. CustomerID: Customer number. Nominal, a 5-digit integral number uniquely assigned to each customer. Country: Country name. Nominal, the name of the country where each customer resides. 8. Descriptionが途中で変わったり、カードの支払いが入っていたりして面白い
- 49. マーケ x DSの勉強につかえるデータセット • E-Commerce Data Actual transactions from UK retailer https://www.kaggle.com/carrie1/ecommerce-data • Anime Recommendations Database Recommendation data from 76,000 users at myanimelist.net https://www.kaggle.com/CooperUnion/anime-recommendations-database • Innerwear Data from Victoria's Secret and Others 600,000+ innerwear product data extracted from popular retail sites https://www.kaggle.com/PromptCloudHQ/innerwear-data-from-victorias- secret-and-others
- 50. マーケ x DSの勉強につかえるデータセット • Hotel booking demand From the paper: hotel booking demand datasets https://www.kaggle.com/jessemostipak/hotel-booking-demand • New York City Airbnb Open Data Airbnb listings and metrics in NYC, NY, USA (2019) https://www.kaggle.com/dgomonov/new-york-city-airbnb-open-data • E-commerce - Users of a French C2C fashion store Explore user behaviour of 98K users of a successful website https://www.kaggle.com/jmmvutu/ecommerce-users-of-a-french-c2c- fashion-store
- 51. マーケ x DSの勉強につかえるデータセット • Amazon sales rank data for print and kindle books 61,000 unique ASINs and 200,000,000 salesrank data points (JSON / CSV) https://www.kaggle.com/ucffool/amazon-sales-rank-data-for-print-and- kindle-books • Instacart Market Basket Analysis Which products will an Instacart consumer purchase again? https://www.kaggle.com/c/instacart-market-basket-analysis/data • Zillow Prize: Zillow’s Home Value Prediction (Zestimate) Can you improve the algorithm that changed the world of real estate? https://www.kaggle.com/c/zillow-prize-1/overview
- 52. まとめ 1. PJの目標設定方法 ← 相手のwinを知る方法、相手のneedsを知る方法 2. データの利用方法 3. 社外＜社内のコラボレーション方法 ← を分からないと、誰も協力・動いてくれない について、民間企業における具体例を紹介する。 困ったことがでてきたらいつでもメール、SNS等で気軽に相談してください 代表 五十嵐康伸、博士（理学）