AIBR プレミアム
拓海さん、最近部下から『クロスデバイスのデータでユーザーを突き合わせると広告効率が上がる』って聞いたのですが、要するに何が変わるんでしょうか。うちのような現場ですぐ使える話ですか？
素晴らしい着眼点ですね！大丈夫、一緒に整理しましょう。結論としては、端末ごとに分断された顧客像をつなげることで、広告や顧客対応の精度が上がり、無駄な広告費を削減できるんですよ。
なるほど。でもうちのデータ、現場のログってバラバラですよ。個人情報の取り扱いも怖い。具体的にはどんなデータが要るんですか？
安心してください。基本はクリックや閲覧の履歴、ドメインやページの情報といったいわゆるクリックストリーム(clickstream: ユーザーの閲覧履歴)です。個人を特定できる情報を直接使わず、行動のパターンをモデル化しますから、実務的な導入ハードルは低いです。
んー、それをやると現場の工数と費用が増えますよね。投資対効果はどう判断すれば良いですか。
良い質問です。要点を3つにまとめます。1つ、既存の広告費や接触数に対するコンバージョン改善率を基準にする。2つ、小さな検証群で効果を測るA/Bテストを行う。3つ、モデルは段階的に導入して運用コストを抑える。これだけで投資判断はかなりクリアになりますよ。
それって要するに、最初から大きく投資するのではなく、小さく試して有効なら拡大するということですか？
おっしゃる通りです！大丈夫、一緒にやれば必ずできますよ。技術的には、複数デバイスの閲覧履歴を組み合わせて『この2つの端末は同じ人かな？』を判定する仕組みを作ります。実装は段階的に進めれば現場負担は限定できます。
技術的にはどの程度ブラックボックスなんですか。現場から説明を求められたときに答えられる自信がありません。
専門用語を使わずに説明すると、システムはまず端末ごとの行動を要約する『特徴』を自動で作ります。それを組み合わせて『二つの端末が似ているか』を判定する。重要なのは、この特徴作成の多くが教師なし学習(unsupervised learning: 教師なし学習)で行われる点です。
なるほど、現場向けの説明はできそうです。では最後に、要点を私の言葉でまとめると……
お願いします。田中専務の言葉で聞かせてください。その上で補足しますよ。
分かりました。要するに、閲覧ログを使って端末同士の『行動パターンの類似度』を機械で見つけ、それを段階的に導入して広告や施策の効率を高め、最終的に投資を回収する、ということですね。
