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

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

Copyright © IMJ Corporation. All Rights Reserved.

2

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


3

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

4


Consulting

Technology

コンサルティング

テクノロジー


5

Consulting
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
6

Technology
キャンペーン
マネジメント
メール
マーケティング

アクセス解析

広告統合管理

統合DWH
（Online/Offline）

統計解析
データマイニング


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
7

Marketing Intelligence System
Integration
/Management

Data
Aggregation

ダッシュボード

セグメント

Action
PC/スマホ

オンライン
データ
メール
オフライン
データ

3rdパーティ
データ

統合データ

シナリオ設計
広告

統計解析
/データ
マイニング

店舗
（O to O）
8

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%
※北米は82%
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）

9

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%

10

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


11

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%

12

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%

13

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%

14

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？


15

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？

16

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。


18

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


19

マーケティングROIの算出を
どこから着手すべきか？


20

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

21

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

実行

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
22

データ整理


統合・分析


予測

実行


23

【統合・分析】全マーケティング活動の検証
SNS
メディアプラン

日付

Jan. 2013

Feb. 2013

Mar. 2013

店頭

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

天気
気温
行事・祭事
2013年新年挨拶編
スポット新年会編

成人式

節分

バレンタインD

ひな祭り

ホワイトD

1,200GRP

2,000GRP
1,200GRP

自宅で鍋編
番組 A
番組 B
番組
番組 C
番組 D

競合
マーケティング投資
キャンペーン
バナー広告


OOH

24

【データ整理】売上を構築するデータ
広告宣伝部

セールス部

CRM部

ATL広告出稿

データ

Webﾏｰｹﾃｨﾝｸﾞ部
ｻｲﾄ内ﾄﾗﾌｨｯｸ数

契約数

リード獲得

認知率

リファラー情報

DM/折込み配布

顧客満足度

BTL広告ﾄﾗｯｷﾝｸﾞ

ウェブ広告CTR

イベント

退会率/継続率

競合比較

メルマガ登録・開封

サイト内CV率
自社サイトPV数
「いいね！」数

累積顧客数
新規契約数
エリア内シェア

リード獲得数
リテンション率
顧客満足度
Up/Crossｾﾙ

ｳｪﾌﾞ接触

部署目的
認知
CV率

契約数

態度
エンゲージ
（中間目標）

棚シェア

投資

ｳｪﾌﾞ広告Imp.

KPI

認知率
ﾌﾞﾗﾝﾄﾞ･ｲﾒｰｼﾞ

売上

（最終目標）
接触

選好度

WOM

配荷
販促

全体最適
ﾛｲﾔﾙﾃｨ
UPセル
部分最適
経験

継続購買
25

データ整理


統合・分析


予測

実行


26

【統合・分析】シンプルな構造に

投資対効果の一次的な関係構造
ROI

「投資」「売上」の直接的な一次関係

（結果重視）

「注意」「関心」「欲求」「記憶」「行動」
のプロセス的な関係性

AIDMA

投資～購入までの時系列構造
「注意」「関心」「検索」「行動」「共有」

AISAS

（プロセス重視）

AISCEAS

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
27

【統合・分析】シンプルな構造に
TV広告

GRP
段/ﾍﾟｰｼﾞ

OOH

投資

ﾄﾗﾌｨｯｸ

新聞/雑誌

投資

投資

マーケティング
店頭活動
投資
リスティング
販売促進

配布数

投資

棚シェア

投資

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

売上

投資


数量
金額

28

データ整理


統合・分析


予測

実行


29

【予測】実測値と予測値の高い予測力

実測値

vs.

予測値

予測力の高さは必須
正確な売上/ROIの事前予測

綿密なプランニングが可能

複数の投資シナリオの策定

予実ズレの発見/背景の理解


30

【予測】精度の高い予測力のために
重回帰分析

モデル

エージェントベースモデル

𝑺𝒂𝒍𝒆𝒔
= 𝑺𝒂𝒍𝒆𝒔 𝒃𝒂𝒔𝒆 + 𝜶 𝒊 𝒙 𝒊 + 𝒆 𝒊
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

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


31

【予測】外部環境からの影響の把握

消費税増税

気候（温度）

人口動態

外部環境・トレンドを予測に反映


32

【事例】マーケティング投資配分の最適化

vs.

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

33

データ整理


統合・分析


予測

実行


34

【実行】予実のモニタリング
予測値と実測値のモニタリング
売上

店頭施策

ウェブ接触

広告出稿

ブランド接触

サイト閲覧

広告接触

プリント広告

価格

売上予測
売上
ズレ

「実測値」と「予測値」のズレを検証
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
35

【実行】計画～改善のループ

最適化の実現
⑤
予実検証

⑥
改善

④
売上実測
改善

改善

③改善
日付

Jan. 2013
1

2

3

4

5

6

7

8

日付

Feb. 2013

Mar. 2013

確定

9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 1

気温

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

行事・祭事
スポット

新年会編

成人式

節分

1,200GRP
800GRP

自宅で鍋編

バレンタインD

ひな祭り

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

ホワイトD

1,200GRP
600GRP

600GRP

番組 A
番組 B
番組
番組 C
番組 D

ブランドA

Jan. 2013

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

Feb. 2013
2

3

4

5

6

7

8

Mar. 2013

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

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

天気

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

天気

①
計画
1

②
予測

気温
行事・祭事

スポット

成人式

節分

バレンタインD

ひな祭り

1,200GRP

新年会編

2,000GRP
1,200GRP

自宅で鍋編
番組 A
番組 B
番組
番組 C
番組 D

ブランドA

ブランドB

ブランドB


36

ホワイトD


37

データ量の流れ

27ゼタバイト
５００倍のデータ量
５エクサバイト

２００３年


２０12年

39

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


40

それらのデータの課題

非構造化データ


41

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。

42

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


43

二つのキーワード

速さ


正確さ

44

体
温

血
圧
彼は健康
だろうか？

体
重

45

勤務
時間

天候

睡眠
時間

スト
レス

運動
量

食事
46

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


47

３つの課題

現状理解

モニタリング


原因分析

データと分析官

施策実行
修正

実行・検証ツール
と検証者
48

現状理解：様々なデータを素早く把握
現状理解

原因分析

顧客商品

施策実行・改善

アクセスデータ
広告データ

営業
店舗購買

その他
外部
データ

ソーシャル
49

現状理解：ダッシュボード
必要な頻度で

サイト
広告
KPI
売上
KGI

様々なデータを
繋ぎ合わせて
ソー
シャル
拡散

ダッシュ
ボード
間接
効果

市場
状況
競合
状況

予想と実績を


見やすく

50

現状理解：可能にしたテクノロジー

従来のＢＩツール


51


各データソースから
連想技術による効率的な読込

52

ディスク上
ID
Ａ
Ａ
Ａ
Ｂ
Ｂ
Ｂ

購買
ﾁｹｯﾄ
雑誌

ID
Ａ
Ａ
Ａ
Ｂ

メモリ上
広告
ｺｽﾒ
NEWS
ﾀﾞｲｴｯﾄ
NEWS

購買
ﾁｹｯﾄ
雑誌

ID
Ａ
Ｂ

広告
ｺｽﾒ
NEWS
ﾀﾞｲｴｯ
ﾄ

20億件以上の大量データ対応
化粧品
化粧品
かつﾚﾄﾙﾄ
ﾁｹｯﾄ
全ての項目を検索キーにできる
ﾚﾄﾙﾄ
雑誌


53

現状理解：マーケティングダッシュボード


54

原因分析：早く・正確に
現状理解

原因分析


顧客IDをいかにつなぐか？


55

原因分析：ソーシャルログインで得られるデータ


56

原因分析：例）ユーザーボリュームを把握


57

原因分析：例）あるプロダクトのキーワードを注力

キャンペーン開始

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

58

原因分析：可能にした基盤

データ取得基盤設計
顧客商品

アクセスデータ

広告データ

営業
店舗購買


その他
外部
データ

ソーシャル

59

施策実行・改善：オムニチャネル時代の施策
現状理解

原因分析


いままで

これから

（シングルチャネル）

（オムニチャネル）

「どこで」

「誰に」

「何を」

「どうやって」

売るか？

買ってもらうか？


60

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


61

新宿デザイナーズ
Questions？
渋谷

マンション

あなたに合うものを

敷金お探しします
礼金
無料

Start Chat


62

施策実行・改善：重要なこと

１

「個客」視点でデータを取り扱っていく

インハウスでこれら施策を実施していく
2

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）


63

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。


64

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。


65

今日のまとめ

言い換えれば「顧客志向」の
会社へ変革。


66

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。


67

今日のまとめ

企業のデータ活用
を支援します


68

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


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

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to 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

Similar to 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 (20)

More from IMJ Corporation

More from IMJ Corporation (19)

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