マーケティングは “過去データ分析” から “予測分析” へ／Adobe Digital Marketing Summitより

※筆者はアドビ システムズ社の招待を受けてこのイベントに参加していることを開示しておく。ただし、招待がなくても参加する意志があったことを付け加えておく。

デジタルマーケティングに関する大規模イベント「アドビ デジタル マーケティング サミット」のレポート第5弾をお届けする（サミット関連の他の記事は「Adobe Digital Marketing Summit 2012」タグでチェック）。

マーケティングは「リアクティブ」から「プロアクティブ」に

これまで紹介したAdobe CQ（レポート第3弾）、Adobe Discover（レポート第2弾）、Adobe Social（レポート第4弾）はいずれもデジタルマーケティングの何らかの側面に対応した製品だが、今回紹介する「予測分析」は特定の製品ではなく、Adobe Digital Marketing Suiteを構成する各製品に追加される機能にあたる。つまり、Adobe SiteCatalyst、Adobe Discover、Adobe Test&Target、Adobe Insight、Adobe Socialといった製品それぞれが、「予測分析」に対応していくということだ。

アドビではEfficient Frontierの買収によりすでに一部製品では予測分析の機能を実装しており、さらにDigital Marketing Suite全体への拡張にむけて開発を進めている。

「予測分析」とは、過去に蓄積されたさまざまなデータを基に将来を予測したうえで、リアクティブに（データに反応して）ではなく、プロアクティブに（先を見越して）行動をとることにより、将来を変えビジネス成果に結びつける能動的な分析を意味する。

データマイニングは、その目的から次の2つに大別できるが、「予測分析」と一般的にいう場合、これらの双方を包含するものになる。

• 予測データマイニング ―― 過去のデータから将来を予測する
• 記述的データマイニング ―― データのパターンを発見する

これまでは、アクセス解析などのWeb行動に関する分析というと、どちらかというと現状把握や要因分析といった「過去に起きた出来事」を対象としたものが中心であり、ともするとデータの測定手法ばかりが取り上げられがちだった。しかし、「データの蓄積」ではなく「データの活用」という本来の目的に立ち返りデータをアクションにつなげていくうえで、予測分析を取り入れていくことは不可避の流れだと考えていいだろう。

プロダクトマネージャーのジョン・ベイツ氏

予測分析に関しては、すでにIBMやSASなど各社がソリューションを提供しており、実際のところは特段新しい分野ではない。それらの企業との差別化要素や特徴などについて、同社の予測マーケティングソリューションの指揮を執るジョン・ベイツ氏に伺った。

経済学や計量経済学、統計学を学んだベイツ氏は、予測分析を専門とするコンサルティンググループを立ち上げ4年間コンサルタントとしてグループを率いてきた後、現在はプロダクトマネージャーとしてDigital Marketing Suiteへの予測マーケティングソリューションの導入を担当している。

ベイツ氏は、現在のデータ分析業界における課題として、次のように指摘し、製品への意気込みを語った。

統計やモデリングなどに関する高度な知識や経験がないと統計ソフトや分析ツールを使いこなすことが難しい点だ。

私たちは、デジタルマーケターがそのような知識がなくとも、自信を持ってデータに基づいた判断ができるようなソリューションを提供していきたい。

IBMやSASなどの先行企業とのポジショニングの違いについては、他社が「リスク管理」「サプライチェーン」「医療分野」など幅広い領域を対象にしていることを挙げたうえで、次のように語った。

予測分析は、確かにオフラインではすでに利用されてきている分析方法だが、デジタルマーケティングの世界ではまだ一般的ではない。

アドビはコンテンツ制作から配信、データ測定までの一連のプラットフォームを提供するが、このポジションでの競合はいないと考えており、デジタルマーケティング領域におけるマーケターの業務支援にフォーカスしたソリューションを提供することで差別化を行っていく。

また、「データをアクションにつなげていく」という視点から考えるとアルゴリズムによる自動化に注目が集まりがちだが、それだけでなく、もっと大切なものがあるのだという。

自動化も大切だが、それ以上に「ビジュアル化」が大切だと考えている。データをビジュアル化されたストーリーにすることで、データの意味を理解するにとどまらず、アクションにつなげることができるようになるのだ。

予測分析の代表的な手法には「アソシエーションルール」「クラスター分析」「回帰分析」「時系列分析」などさまざまなものがあるが、このうち時系列分析に関するマーケティングダッシュボードのデモ動画が、サミット後に公開されていた。

その様子を解説すると（「ビジュアル化」というトピックを文字で表現するのも無理があるが）、ダッシュボード上には現在までのデータだけでなく、今後の収益予測が示され、画面横には収益に関連する指標とそれらの影響度が棒グラフで表示されているもので、同社がいかにビジュアル化に力を入れているかが一目でわかる動画だった。

また、収益目標に対するシミュレーションの機能も注目に値するものだ（たとえばソーシャルメディア経由での流入数の変動による収益シミュレーションなど）。サイト上での行動データからのシミュレーションだけでなく、株価や天気予報などの外部データも加味したシミュレーションも可能になると思われる。

予測分析では「特異値の検出や関連要素の自動抽出」に注目

ベイツ氏の講演した分科会では、Digital Marketing Suiteに盛り込んでいく予測分析の機能として、次の5つの分野が紹介されていた。

• 特異値の検出や関連要素の自動抽出
• ユーザースコアリング
• ソーシャルパフォーマンス予測
• クラスター分析
• マーケティングミックスモデル

この中でも特に活用シーンが多くなると思われるものが、「特異値の検出や関連要素の自動抽出」だ。これは、さまざまなデータから「他とは異なる特異な変動をしている値」を自動的に検出し、さらにその指標と関連性の高いデータを特定する機能のことだ。

ベイツ氏のチームがコンサルティングを担当していたなかで実際にあったケースとして挙げていたのが、あるECサイトでの収益改善の取り組み事例で、次のようなものだった。

サイトで測定している膨大なデータに対するマイニングの結果、Google Chrome利用者は他のブラウザよりもカート放棄率が高い傾向にあることが判明した。

Google Chromeで表示した際のSSLエラーメッセージが要因のようで、対策を行った結果、1日あたり45万ドルの収益増につながった。

もちろん、こうした改善は予測分析がなくても可能だ。分析担当者がカート放棄率に着目し、さらにブラウザ別にデータを確認しさえすれば、同じような問題点に気づいたことだろう。しかし、データのレポーティングが運用業務として定型化すればするほど、さまざまなデータの中から他とは異なる変動を示す値（しかも主要なKPIに指定していない値）を見つけ出していくというのは、現実的には難しいことだろう。

さらには、数値の変動が統計的に有意な差を示すものなのかは、レポート内のデータを見るだけではわかりにくい。実際に、ベイツ氏も次のように指摘している。

企業内では、たとえばコンバージョン率が減少したというデータが示されても、それが許容範囲のものなのか、それとも何らかの対策を打つべきものなのかを即座に明確に切り分けることは難しい。そのため、原因を探ろうといたずらに時間を費やしてしまうケースは少なくない。

サミットのクロージングセッションではAdobe MAXでおなじみのSneak peeks（公開前のもののチラ見せ）が行われ、特異値検出のプロトタイプ版にあたるものが「Navigator」という名称で披露された。

SiteCatalyst上にある［Navigator］メニューをクリックすると、収集されたデータの中から他とは異なる特異な動きをしている指標を表示し、さらに関連性の高い要因をドリルダウンして把握できるようになっているものだった。

サミットで紹介されたものはあくまでも開発中のプロトタイプであり実際のサービス化が確約されたものではないが、おそらくSiteCatalystに近々実装されるものと思われる。