機械学習技術を用いることにより、マーケターは巨大なデータを処理し、顧客の行動パターンを検出し、従来のパーソナライズを超える方法を見出すことができます。これは、次世代のレコメンダーシステムへのインプットとして使用され、マーケティング活動やセールスオファーにおいて、ハイパーパーソナライゼーションのレベルに達することを可能にします。

ハイパーパーソナライゼーションの実現に使われる実際の機械学習ツールと技術について説明する前に、組織が実際に収集できる３つの一般的なデータを考察していきましょう。

カスタマー・インタラクション

カスタマー・インタラクションの履歴は、クライアントに関する非常に広範囲な情報であり、これはMLシステムにとっての宝庫と言えるでしょう。これらのデータが、購入、クエリ、予約、問い合わせ、交渉などにおける顧客の情報の貴重なペイロードとなります。CRMはこれらのデータの情報源ですが、オンラインとオフラインの両方で可能な限り多くのインタラクションをキャプチャすることは非常に重要です。

製品やサービスの評価

カスタマー・レーティングは、Amazon、Netflix、Spotifyなどのレコメンダー及びパーソナライズサービスの中心となります。重要なことは、レーティングは必ずしも数値スコアや自由な記述コメントの形式で表されないということです。レーティングは暗黙的に表示される場合もあり、これは顧客の選択や行動に反映されます。例えば、Eコマースのウェブサイトで同じカテゴリの製品を閲覧しどちらかを選択した場合、これは選択した製品を肯定的に評価したという暗黙的なレーティングとみなすことができます。同様に、ある製品またはサービスを購入した後、顧客が突然非アクティブになった場合、これは製品やサービスの質が顧客の期待を満たさなかったことを意味し、対処する必要があることがわかります。しかし、通常このような決定は判断しづらく、大規模になるとさらに複雑になります。そこでML /ALシステムがサポートを提供します。

カスタマー・デモグラフィック

カスタマー・インタラクションの履歴は、一般的に顧客の行動を予測する優れたデータ源とみなされますが、顧客に関するカスタマー・デモグラフィックの情報は、マーケティング・パーソナライゼーションシステムにとって重要なインプットです。従来、これらの情報は、コラボレーション・フィルタリングの推奨システムに使用されてきました。これは、潜在的な顧客に対し、他の顧客が過去に選択した製品を提案するために設計されました。類似している点は、年齢層、場所、有線販売チャネル、購入履歴などです。

以上のデータは機械学習システムに入力できる主要なデータです。次にマーケティング・パーソナライズに使用できるいくつかのML /ALメソッドを紹介します。これらは、Comarch Loyalty Managementプラットフォームにおいて、研究開発部門の一部として現在開発中です。

人口ニューラルネットワーク

人口ニューラルネットワーク[ANN]は、人間の脳と神経系の特性をモデルにしたソフトウェアです。マーケティングの観点からはANNベースのシステムを利用して、意思決定プロセスの一部をサポートするか、又は完全に自動化することができます。ANNが予測を計算するには「トレーニング」と呼ばれるプロセスのレファレンスデータが必要です。ユースケースとしては、個々の顧客について収集された履歴データ全体を使用できます。これにはデモグラフィックデータ、レーティングやその他の情報源に基づくインタラクションの詳細などが含まれます。ANNは膨大な量のデータを処理することができ、トレーニングデータセットに応じて計算を調整します。又、手動入力での追加や修正をすることなくトレーニングデータに適応できるため、すべての顧客に対して、同じモデルを再利用することができます。トレーニングされたANNは以下に挙げる様々な方法で利用されています。

• 顧客が過去に選択した製品に基づいて、顧客向けにさらなるベストオファーを作成する。
• ターゲットカスタマーベースを手動で設定するか、又はANNに自動的に決定させることにより、新製品やキャンペーンの受信方法をシミュレーションする。
• 事前に条件付きセグメントを設定しないで、新製品発表や販促キャンペーンに最も効果的なターゲットグループを選択する。

ANNは多数のサブタイプとユースケースを備えており、強力で幅広い用途に適応するテクノロジーです。機械学習ソリューションのほとんどは、完全に又は部分的に何らかのANNシステムに基づいています。

製品の埋め込み

機械学習のもう一つの特徴的な技術は、元々は自然言語処理[NLP]を目的として開発されたツールです。これは密接な関連性があり類似するコンテキストにおいて、頻繁に使用される単語を分析することにより、単語の潜在的な意味を検出する方法です。マーケティングの観点から見ると、このアプローチでは、頻繁に同時に購入されるアイテムを分析することにより、類似する製品を認識することができます。例えば、製品AとBが製品C、D、Eと一緒に購入されることが多い場合、AとBの間に何らかの関連性がある可能性が高いと仮定され、製品は同じカテゴリに属する、類似する顧客が購入する、又はどちらかの商品が補完的な役割を持つなどの意味を導き出すことができます。

製品間にある関係を検出すると、企業はパーソナライズされたアップセル又はクロスセルキャンペーンを実行できるようになります。前の例で説明すると、製品Bが製品Aより高価である場合、過去にAを購入した顧客にBを宣伝するマーケティング活動を開始し、購入の可能性の高いターゲット層にプレミアムブランドをアップセルすることができます。同様にBが在庫切れだった場合などは、顧客に代替品としてAを提供することができます。

多層協調フィルタリング

協調フィルタリングは、従来の推奨システムにおいて、頻繁に使用されるツールの一つです。同じ購入履歴を持つ顧客が、将来的に同じ製品を購入する可能性が高いという仮定に基づいています。したがって、類似する2人の顧客のうちの1人が何らかの製品を購入した場合、他の1人にその製品を推奨するというのは非常に効果的だとみなされます。この単純な過程は多くの商用レコメンダーシステムを強化します。

機械学習が生活に浸透するに連れて、それを使用して同様の結果、さらにはより良い結果を出すために様々な試みが行われてきました。一般的には、自動エンコーダーの形式で頻繁に多層人工ニューラルネットワークを使用するのが解決策だと言えるでしょう。

つまり、機械学習システムの最大の利点は、膨大なデータを処理できるように設計されており、発見が非常に難しいパターンを自動的に検出できるということです。パーソナライズを行う際にMLを使用して結果を出し付加価値を見出すには、様々な要因が関係します。最も重要なのは、アルゴリズムのトレーニングプロセスに使用されるデータの質と量です。これは全てのユースケースに当てはまる絶対的な解決策ではないかもしれませんが、ML駆動型システムへの投資は、マーケティングプロセスの最適化、キャンペーン費用の削減、コンバージョン率の改善などを確実にもたらすでしょう。