1. 第 28 回 Tokyo.R
R を用いた CBBE モデルに基づく
ブランド資産の測定
@sanoche16

2. About me

3. About me
・ @sanoche16
・商学部４年
・システムエンジニア ( アルバイト )
・ PHP, Python, Linux, Java, Ruby, assembler
・禁煙しました！（昨年はご迷惑を。。。）

4. Introduction

5. Introduction
ブランドとは？

6. Introduction
“ ある売り手の製品・サービスを競合他社のそれと差別
化することで識別を可能にする、名称・キャッチコピー
・デザイン・象徴、あるいはその他一切の特徴”
( アメリカ・マーケティング協会 , sanoche16 訳 )

7. Introduction
強いブランド 弱いブランド

8. Introduction
ブランド資産の測定方法

9. Introduction
ブランド資産の測定方法
ブランド資産モデル

10. Introduction
BAR(Brand Asset Valuator)
・ヤングアンドルビカム社が開発（日本では電通と提携）
・ 44 ヶ国 50 万人の消費者調査に基づいて測定
・ブランドベースの比較アプローチ
・ Differentiation, Energy, Relevance, Esteem, Knowledge の
５項 目を測定

11. Introduction
BRANDZ
・ミルワードブラウン社と WPP 社が開発
・ 31 ヶ国 65 万人の消費者・専門家への調査に基づいて測定
・毎年出している TOP100 はかなり有名
・ブランド資産は段階的に構築されるものだと提唱

12. Introduction
アーカーモデル
・デビッド・アーカーが提唱
・ブランド資産は右図のように
５つの要素から構成される
・ブランドアイデンティティ
コンセプトを最も重視

13. Introduction
そして

14. Introduction
CBBE(Customer Based Brand Equity) モデル
・ケビン・レーン・ケラーが提唱
・ブランド構築のステップを
ピラミッドで表す
・ブランド構築を理性的側面と
感性的側面に分解して考察

15. HOWTO

16. Introduction
これは

17. Introduction
僕にも測定出来るの
ではないか！！？？

18. Introduction
Let's try!!

19. agenda

20. agenda
１、 HOWTO
２、準備
３、 TRY ！
４、結果

21. 1, HOWTO

22. HOWTO
参考

23. HOWTO
やりたいこと
ピラミッ
WEB 上 テキスト ドのブロ
で文章 マイニング ック毎に
を収集 得点を集
計

24. 2, 準備：テキスト収集

25. テキスト収集
2012 年の話題と言えば！

26. テキスト収集
漫画カメラ

27. テキスト収集
ということで

28. テキスト収集
デジタルカメラ

29. テキスト収集
価格 .com から
レビューデータ
を取得

30. テキスト収集
５段階評価に加
えてレビュー情
報を取得
CSV 形式に保存

31. テキスト収集
サイバーショット・ LUMIX ・
PowerShot のデータを
Python で取得

32. テキスト収集

33. テキスト収集
・前処理ではダブルクオーテーション
の消去のみ
・欠損データは利用しない

34. テキスト収集
集計結果
LUMIX サイバーショット PowerShot
メーカー パナソニック SONY CANON
データ数 393 948 485
欠損値あり 34 83 54
満足度平均 4.35 4.51 4.48
ブランド・ライン 23 23 30
データ数 / ブランドラ
17 41 16
イン

35. テキスト収集
完了！

36. テキスト収集
DL は @sanoche16
から

37. 3, TRY

38. TRY
R でテキストマイニングと言えば

39. TRY
YjdnJlp
Version: 0.9.8
Depends: XML, RCurl, methods
Published: 2012-10-29
Author: Yohei Sato
Maintainer: Yohei Sato <yokkuns at
tkul.jp>
License: BSD
CRAN checks: YjdnJlp results

40. TRY
ですが

41. TRY
ボリューミーなテキストを夢見て
RMeCab で形態素解析

42. TRY
RMeCab とは？

43. TRY
現 Google の工藤拓氏によって開発
された形態素解析エンジン MeCab
を R で利用するパッケージ
徳島大学の石田先生が開発
便利な関数もいっぱいついてくる！

44. TRY
使用例）
> mecab
すもももももももものうち
すもも 名詞 , 一般 ,*,*,*,*, すもも , スモモ , スモモ
も 助詞 , 係助詞 ,*,*,*,*, も , モ , モ
もも 名詞 , 一般 ,*,*,*,*, もも , モモ , モモ
も 助詞 , 係助詞 ,*,*,*,*, も , モ , モ
もも 名詞 , 一般 ,*,*,*,*, もも , モモ , モモ
の 助詞 , 連体化 ,*,*,*,*, の , ノ , ノ
うち 名詞 , 非自立 , 副詞可能 ,*,*,*, うち , ウチ , ウチ
EOS

45. TRY
たまにこんな時も！

46. TRY
辞書を追加（今回はユーザー辞書）
１、単語を定義する csv ファイルを作成
ミラーレス ,,,1000, 名詞 , 一般 ,*,*,*,*, ミラーレス , ミラーレス , ミラーレス
２、作成

47. TRY
成功！

48. TRY
重要語の探索
> library(RMeCab) # ライブラリ読み込み
> res <- docMatrix2("csv", pos = c(" 名詞 ", " 形容詞 "), minFreq = 100,
+ weight = "tf*idf*norm") # 頻度が 100 以上の単語を取得し、重み付け
> res <- data.frame(res) # データフレームに変換
> res$sum = apply(res, 1, function(row) row[1] + row[2] + row[3])
> res[order(res$sum),]

49. TRY
重み付け？
OcMatrix2 のイメージ
Term doc1 doc2 doc3
docMatrix2 の引数に weight = "tf*idf*norm"
は 1 1 1
を指定
学生 1 1 0
norm を かけて正規化することで、文章の 僕 1 0 0
量に基づく頻度の違いをなくすことができ 彼女 0 1 1
で 0 0 1
る
を 0 0 1
数学 0 0 1
doc1: 私は学生です
doc2: 彼女は学生です。
doc3: 彼女は数学を学んでいます。

50. TRY
重要語の探索
363 語ヒット！

51. TRY
重要語の探索
重要語のうち CBBE モデルに寄与して
いると思われる単語を選択し、分類して
いく
この時点で類似語もまとめていく

52. TRY
重要語の探索
よい方法があれば教えてください！

53. TRY
重要語の探索
> library(RMeCab) # ライブラリ読み込み
> res <- docMatrix2("csv", pos = c(" 名詞 ", " 形
容詞 "), minFreq = 100,
+ weight = "tf*idf*norm") # 頻度が 100 以上の
単語を取得し、重み付け
> res <- data.frame(res) # データフレームに
変換
> res$sum = apply(res, 1, function(row) row[1]
+ row[2] + row[3])
> res[order(res$sum),]
SUM でソート

54. TRY
５７個の単語に絞り込み
好き、最高、優
秀、素晴らしい
速い、細かい、 好み、すごい、
キレイ、良好な 高級、面白い、
ど 見やすいなど
おまかせ、 USB 、 絵、進化、風景、気
ビデオ、パノラマ 軽、改善、シーン、
自動、反応、シンプ 場所、屋外など
ル、 HD など

55. TRY
５７個の単語に絞り込み
単語と左図の分類に対
A
B D 応する CSV ファイルを
C E
作成

56. TRY
得点化
> definition <- read.csv('definition.csv', FALSE) # csv ファイル読み込み
> catA <- definition[definition[2] == "A", ] # ブロック A の単語ベクトル取得
> resA = res[which(row.names(res) %in% catA[["V1"]]),] # 該当単語を含むデータを切り取り
> cyberA <- sum(resA[[1]]) / nrow(resA) * 10000
> lumixA <- sum(resA[[2]]) / nrow(resA) * 10000
> powerA <- sum(resA[[3]]) / nrow(resA) * 10000
データフレームで重み付
けしているので、平均が
取れる！

57. TRY
以下、 B ～ E まで同様

58. 4, 結果

59. TRY
130.3
66.2 119.9
67.6 59.7
サイバーショット
45.7 69.3
51.6 107.2 65.7 107.9
57.3 66.6 48.4 67.1
LUMIX PowerShot

60. TRY
認知度はデータ数 / ブランドラインを利用
( 見栄えが悪いので適当に５倍 )

61. TRY
130.3
66.2 119.9
67.6 59.7
205
サイバーショット 参考
45.7 69.3
51.6 107.2 65.7 107.9
57.3 66.6 48.4 67.1
70 80
LUMIX PowerShot

62. TRY
課題

63. TRY
否定の加味（係り受け解析）
仮定段階での検定
適合度検定

64. TRY
否定の加味（係り受け解析）
仮定段階での検定
適合度検定
次回以降に期待！？

65. Thank you
See you next time.