Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (20)
Destaque
マーケティングサイエンス徹底入門と実践Part2
- 2. 名前：@sanoche16 職業：コンサルタント 得意：マーケティングサイエンス 好き：R, Python, Linux, PHP, Ruby 大志：世の中にイノベーションを 2
- 4. 現代のマーケテイング全体像 離散選択モデルの概要 –ロジットモデル –入れ子ロジットモデル –プロビットモデル –混合ロジットモデル 4
- 5. 5 ソーシャルメ ディアマーケ ティング Web広告 キャンペーン 管理 LPO/動的コン テンツ スマホ 比較サイト ライフ スタイル SNSの利用 スマホ マーケティング 担当者 消費者 エリアマーケ ティング マーケット 新規参入 ニッチ商品 One To One マーケティングの必要性が拡大
- 6. 6 製品の設計 資材調達 製造 価格設定 販売 プロモーション 流通 サービス 製品の製造 製品の販売 顧客の細分化 市場の選 択/集中 ポジショ ニング 製品開発 サービス 開発 価格設定 資材調達 流通 セールス フォース 販売促進 広告 価値の選択 価値の提供 価値の伝達 従来のマーケティングプロセス1) 新しいマーケティングプロセス 1)マーケティングマネジメント第12版日本語訳版より モノを作って 売る 多くのマス市場が ミクロ市場に分裂 STP分析 「ターゲットとアプローチの明確化」 ４P（マーケティング・ミックス） 「マーケティング・ミックスの検討・実行」 STP＋4Pによるミクロ市場への適切な対応・適応が求められている
- 7. 7 Segmentation Targeting Positioning Product Price Place Promotion STP分析 4P（マーケティング・ミックス） 目的 マーケティング戦略の立案 マーケティング戦術の実行 概要 マス市場を適切なミクロ市場に分け (Segmentation)、どの市場に対して (Targeting)、どのようにアプローチする か（Positioning)を検討 STP分析により立案したポジショニング目標≒ブランディング を達成すべく、商品・サービス提供の計画・実行・検証・高 度化（PDCA）を行い、ミクロ市場でのNo.1を目指す 実行期間 （市場によるものの）プロダクト・ライフ サイクルに合わせて、長期スパン（数年～ 5年間）で検討される 実行・検証・高度化を行うための効果的なアプローチを行う ため、短期スパン（数週間～数か月）で検討される マーケティン グサイエンス の活用余地 •市場分析（市場セグメンテーション、 プロデジーモデル、ポジショニング マップ等） •需要予測（普及モデル、時系列解析 等） … •ニーズ分析（知覚マップ、コンジョイント分析、顧客セグ メンテーション等） •プロモーションROI分析（アトリビューション分析等） •消費者行動の理解（離散選択モデル、購買行動モデリング 等） … 前回の発表内容 今回の発表内容
- 8. マーケティングの領域は大きく、戦略的マーケティング と戦術的マーケティングに分かれる –戦略的マーケティングではターゲットを選定し、アプローチ方 針を立案 –戦術的マーケティングでは定義されたアプローチ方針達成に向 け、極力効率的に施策を実施 分析により明らかにすべきことと分析方法の対応は非常 に重要である –ネクストアクションの決定に役立つ、適切な分析方法を選択 –可能であれば上位概念はフレームワークを利用 8
- 10. 現代のマーケテイング全体像 離散選択モデルの概要 –ロジットモデル –入れ子ロジットモデル –プロビットモデル –混合ロジットモデル 10
- 11. 11 離散選択モデルの概要 複数の選択肢の中から選択肢を1つ選択する消費者行動をモデル化したもの （例）次の選挙はどこに投票するか、どの飲料を買おうか、etc… 特に、以下の3点を満たす場面を想定している 1.選択する選択肢は必ず1つである（複数の選択肢も考慮する場合は、複数の選 択肢を選ぶという選択肢を作ればよい） 2.必ずいずれかの選択肢を選択する（選択しない可能性がある場合は選択しな いという選択肢を作ればよい） 3.選択肢の数は有限である（いくつ購入するかをモデル化する場合には離散選 択モデルがそぐわない場合がある⇔回帰分析） どこに行こうかなぁ… いずれかの選択肢を必ず1つ選択 a b c
- 12. 12 選択肢の吟味 意思決定 ポ イ ン ト •意思決定者はそれぞれの選択肢から魅力 =効用を得られると考える •選択肢がそれぞれ持っている特徴が選択 肢の効用に影響を与え、効用は定量化さ れていると考える •意思決定者は、その意思決定に際して、 効用が最大の選択肢を常に選択すると考 える（効用の最大化） •選択肢は必ず1つだけ選択される 効用：90 夜景：☆☆☆☆★ 食事：☆☆☆★★ 価格：☆☆☆☆★ 効用：80 夜景：☆☆☆☆☆ 食事：☆☆☆☆★ 価格：☆★★★★ 効用：60 夜景：☆★★★★ 食事：☆☆★★★ 価格：☆☆☆★★ 効用：90 夜景：☆☆☆☆★ 食事：☆☆☆★★ 価格：☆☆☆☆★ 選択 どのように効用を定量化するか？
- 13. 13 （意思決定者・選択肢毎の） 効用 利用データイメージ 概要 モデルへの組 み込み 観測要因 選択行動に影響している、 観測されている情報 例）性別、年齢、商品価格、色… 多くの場合は説明変数に対して 線形モデルを仮定 非観測要因 選択行動に影響しているものの、 観測されていない情報 例）その時の気分、感覚的なイメージ… ランダム項として、確率分布を仮定 確定項 ランダム項 顧客 性別 A価格 B価格 C価格 選択 結果 Aさん 男性 200 180 150 B Bさん 男性 210 170 160 B Cさん 女性 190 180 140 A … … … … … … nさんの選択肢jに 対する効用 パラメータの推定 仮定した確率分布によりモデルが決定
- 14. 14 顧客属性 データ 選択肢 データ 離散選択モデル •年齢 •性別 •年収 ・・・ •価格 •スペック •保証期間 ・・・ アウトプット インプット Aさん 選択肢1:40% 選択肢2:10% 選択肢3:50% Bさん 選択肢1:70% 選択肢2:20% 選択肢3:10% 実際の選択 モデルのなかで 求まる定数 確率分布 「特定の確率分布に従う確率変数が閾値を下回る確率」が 選択肢の選択確率となる ランダム項について様々な確率分布を考慮し、柔軟にモデル化を行っていく
- 15. 15 離散選択モデル、ランダム項の分布と特徴 ランダム項 の分布 パラメータ 推定 制約等 ロジットモデル 極値分布 プロビットモデル 多変量正規分布 入れ子ロジット モデル 極値分布 混合ロジット モデル 極値分布 最尤推定 シミュレーション 最尤推定 シミュレーション IIAを仮定 誤差分布が 正規分布を仮定 サブセットのなかでIIA を仮定 誤差分布は1つに限定 （⇔ベイズ推定）
- 16. 現代のマーケテイング全体像 離散選択モデルの概要 –ロジットモデル –入れ子ロジットモデル –プロビットモデル –混合ロジットモデル 16
- 17. 17 概要 Luce(1959)によりロ ジットモデルの式が 導出され、翌年に効 用最大化をモデル化 できることがすぐに 証明された モデルが閉じた形で 表現されるため、解 釈しやすく、幅広い 領域で利用されてき た モデル化 ランダム項の確率分布を ガンベル分布と仮定 アウトプット ロジットモデルの P(確率)は必ず0から1 の範囲に入る すべての選択肢の選 択確率の合計は必ず1 になる nさんが選択肢iを選ぶ確率 選択肢iの効用が、その 他のすべての選択肢の 効用より大きい確率
- 18. 18 車購入での利用例 •T社とH社の車で顧客が迷っている状況をモデル化する それぞれの車の価格（P）、燃費（C）を用いて購買行動をモデリング •効用を以下のように表現 確定項
- 19. 19 Rでの実行例 > #libraryの読み込み > library(mlogit) > data("Train", package = "mlogit") > #データの作成 > Tr <- mlogit.data(Train, shape = "wide", varying = 4:11, choice = "choice", + sep = "", opposite = c("price", "time", "change", "comfort"), + alt.levels = c("choice1", "choice2"), id = "id") > head(Tr, n=10) id choiceid choice alt price time change comfort chid 1.choice1 1 1 TRUE 1 -2400 -150 0 -1 1 1.choice2 1 1 FALSE 2 -4000 -150 0 -1 1 2.choice1 1 2 TRUE 1 -2400 -150 0 -1 2 2.choice2 1 2 FALSE 2 -3200 -130 0 -1 2 3.choice1 1 3 TRUE 1 -2400 -115 0 -1 3 3.choice2 1 3 FALSE 2 -4000 -115 0 0 3 4.choice1 1 4 FALSE 1 -4000 -130 0 -1 4 4.choice2 1 4 TRUE 2 -3200 -150 0 0 4 5.choice1 1 5 FALSE 1 -2400 -150 0 -1 5 5.choice2 1 5 TRUE 2 -3200 -150 0 0 5 1さんが choice1・ choice2から choice1を選択
- 20. 20 Rでの実行例 > summary(Train.ml) Call: mlogit(formula = choice ~ price + time + change + comfort, data = Tr, method = "nr", print.level = 0) …略… Coefficients : Estimate Std. Error t-value Pr(>|t|) choice2:(intercept) -0.03249805 0.04108023 -0.7911 0.4289 price 0.00148495 0.00007479 19.8550 < 2.2e-16 *** time 0.02873396 0.00267475 10.7427 < 2.2e-16 *** change 0.32581324 0.05950424 5.4755 4.364e-08 *** comfort 0.94704645 0.06498665 14.5729 < 2.2e-16 *** --- Signif. codes: 0 ・**・0.001 ・*・0.01 ・・0.05 ・・0.1 ・・1 Log-Likelihood: -1723.8 McFadden R^2: 0.15089 Likelihood ratio test : chisq = 612.66 (p.value = < 2.22e-16) 係数の推定値を算出
- 21. 21 2つの選択肢の選択確率比 離散選択モデル 他の選択肢の影響を受けていない = The independence from irrelevant alternatives(IIA) •IIAが成立している場合は、特定の2つの選択肢 以外の特徴が変化しても、２つの選択肢の選択 確率比は一定であることを意味している •多くの場合で実際にIIAが成り立っている消費者 行動がたくさん観測されている •ほとんどの要因が観測変数としてとらえられている 場合は、IIAは問題にはならない •一方で、次の例のように常にIIAが成り立つとは考 えにくい場合も多く存在する A電鉄の電車とB交通のバスの選択肢があ る通勤に際して、市場に新たにC交通がバ スを運営し新規参入した場合、これまでの A電鉄とB交通の顧客比は一定になりえ か？ •モデルがIIAを満たす原因はランダム項が選択肢 毎に独立しているためである。 ⇒より柔軟なモデルが必要
- 22. 現代のマーケテイング全体像 離散選択モデルの概要 –ロジットモデル –入れ子ロジットモデル –プロビットモデル –混合ロジットモデル 22
- 23. 23 概要 多くの研究者により、 エネルギー、輸送、 住宅、通信業界など に適用された GEV（一般化極値モ デル）のなかでは比 較的シンプルな形で あり、解釈しやすい 選択肢はいくつかの サブグループに分割 してモデル化を行う モデル化 ランダム項の累積確率分 布を以下とする λを入れ子k内の選択肢間 独立性を表す （すべてのkについて λk=1であれば、ロジッ トモデルと等しくなる） アウトプット 階層構造を持ったロ ジットモデルになっ ており、IIAが成り立 たない事象もモデル 化している 自転 車 自家 用車 バス 電車 交通 機関 保有 車両 入れ子ロジットの2選択確率比率は以下となる
- 24. 現代のマーケテイング全体像 離散選択モデルの概要 –ロジットモデル –入れ子ロジットモデル –プロビットモデル –混合ロジットモデル 24
- 25. 25 概要 ロジットモデルでは 制限されていた、以 下の3つを組み込み可 能にする 1.Random taste variationを表現 2.IIAを表現 3.非観測データが 相関を持ってい るパネルデータ にも適用可能 モデル化 ランダム項を多変量正規 分布と仮定 アウトプット シミュレーションに よりパラメータを推 定 個人ごとに確定項の パラメータを推定
- 26. 現代のマーケテイング全体像 離散選択モデルの概要 –ロジットモデル –入れ子ロジットモデル –プロビットモデル –混合ロジットモデル 26
- 27. 27 概要 ロジットモデルで推 定していたβを確率分 布として一般化を行 う プロビットモデルと 同様にRandom taste variationを表現 比較的シンプルなシ ミュレーションで推 定可能 モデル化 ランダム項を多変量正規 分布と仮定 アウトプット シミュレーションに よりパラメータを推 定 個人ごとに確定項の パラメータを推定
- 28. 28 Rでの実行例 > #libraryの読み込み > library(mlogit) > data("Train", package = "mlogit") > #データの作成 > Tr <- mlogit.data(Train, shape = "wide", varying = 4:11, choice = "choice", + sep = "", opposite = c("price", "time", "change", "comfort"), + alt.levels = c("choice1", "choice2"), id = "id") > head(Tr, n=10) id choiceid choice alt price time change comfort chid 1.choice1 1 1 TRUE 1 -2400 -150 0 -1 1 1.choice2 1 1 FALSE 2 -4000 -150 0 -1 1 2.choice1 1 2 TRUE 1 -2400 -150 0 -1 2 2.choice2 1 2 FALSE 2 -3200 -130 0 -1 2 3.choice1 1 3 TRUE 1 -2400 -115 0 -1 3 3.choice2 1 3 FALSE 2 -4000 -115 0 0 3 4.choice1 1 4 FALSE 1 -4000 -130 0 -1 4 4.choice2 1 4 TRUE 2 -3200 -150 0 0 4 5.choice1 1 5 FALSE 1 -2400 -150 0 -1 5 5.choice2 1 5 TRUE 2 -3200 -150 0 0 5 1さんが choice1・ choice2から choice1を選択
- 29. 29 Rでの実行例 > # mixed logitの実行(共分散あり) > Train.mxlc <- mlogit(choice ~ price + time + change + comfort, + Tr, panel = TRUE, rpar = c(time = "cn", change = "n", + comfort = "ln"), + correlation = TRUE, R = 100, halton = NA) > # mixed logitの実行（共分散なし） > Train.mxlu <- update(Train.mxlc, correlation = FALSE) > summary(Train.mxlc) …略… McFadden R^2: 0.23345 …略… > summary(Train.mxlu) …略… McFadden R^2: 0.21703 …略… ←McFadden決定係数が向上
- 30. 30 離散選択モデルからのインプリケーション ネクストアクションの例 商 品 •色の嗜好 •サイズの嗜好 •機能の必要性 •商品改革 価 格 •キャンペーンの効果 •値上げ時の需要予測 •価格戦略立案 チ ャ ネ ル •チャネル変更によるリフト効果 •適正商品配分 •チャネル最適化 プ ロ モ ー シ ョ ン •広告効果測定 •商品種類との親和性 •広告予算編成