AI/機械学習で顧客行動を可視化、アプローチを自動化して売上がアップした成功事例

株式会社アクティブコア 代表取締役社長 山田賢治氏

まずは“顧客接点データの統合”から全てがはじまる

消費者向けビジネス、つまりBtoCモデル企業におけるマーケティング課題の1つに、チャネルの違いによるデータの散逸がある。リアル店舗とECサイトで顧客データベースが分かれていたり、広告や検索で流入してきたユーザーの動態を会員情報に結びつけられなかったりして、結局は個別最適化に留まってしまう。いわゆる“顧客軸”での分析が難しいのだ。

顧客情報は散逸しがち

経営情報を素早く把握するためのBIツールなども存在するが、その多くは集計に特化している。山田氏は「BIの折れ線グラフで表示されているユーザー層にピンポイントで施策を行いたくても簡単にできない。BIはあくまで集計データにすぎず、顧客一人ひとりのデータになっていないからだ」とその限界を指摘する。

結局のところ、顧客を一人ひとり正確に理解するためには、「広告」「Webアクセス」「メルマガ」「売上データ」などあらゆる「顧客接点データ」を統合するしかない。これができてはじめて、顧客のファネル分析が可能となる。

顧客接点データを統合することで、顧客を可視化できる

こうして統合した顧客データを分析し、可視化することによってはじめて、顧客セグメントごとのシナリオ策定、コンテンツのパーソナライズ、顧客セグメントの深堀りといった施策につなげることができる。だからこそ、データ統合のためのプライベートDMPがBtoC企業に欠かせないと山田氏は主張する。

顧客を可視化してはじめて、顧客セグメントごとにシナリオが策定できる

AIでレコメンド精度を向上したプライベートDMP

アクティブコアが提供するプライベートDMP「アクティブコア マーケティングクラウド」は、いわゆるプライベートDMPだが、マーケティング関連の製品を数多く統合しているのが特徴だ。「サイト閲覧データ」「EC利用データ」などに加え、「店舗のPOSレジデータ」も統合可能で、これらのデータを総合的に分析し、さまざまな施策をうつことができる。

さらにアクティブコアでは、ここに、AI「ピタゴラス」を組み合わせ、対象ユーザーの行動のほか、属性まで含めて特徴量を抽出し、それを元にレコメンドを行う。山田氏は「人×人×商品の相関関係をもとにしたレコメンド」と説明する。自社調べによれば、CV率向上効果も大きいという。

アクティブコアのAI「ピタゴラス」によるレコメンド

AI分析の活用事例

ここからは、アクティブコア マーケティングクラウドによるAI・機械学習の活用例を紹介しよう。

① リピートユーザーの予測

1つ目は、リピートユーザーの予測だ。4月に会員登録したユーザーのデータがあるとする。このユーザーがその後、4～12月の間に買い物したかのデータを別に抽出する。ここへ「4月に登録後、2回以上購入がある会員」のデータを“教師データ”（正解データ）として設定し、AIで予測モデルを作る。

AIでリピートユーザーの予測モデルを作成

するとこの事例では、「レシート金額」「商品単価」がリピート購入のキーになることがわかったという。そこで、「レシート金額が大きい」「単価の高い商品を買っている」など、リピート購入する可能性が高いが、リピートしていない顧客だけを狙ってオファーを出すと、高い成果が出るというわけだ。

リピート購入する可能性が高いが、まだリピートしていないユーザーだけを狙ってオファーが出せる

② 退会しそうなユーザーの追跡

退会しそうなユーザーの追跡をAIで行った事例もある。あるECサイトで、データから退会者の傾向を抽出したところ、「最後のWebアクセスからの経過日数」「最後の購入からの経過日数」に特徴が出ていた。しかし、AIの解析によると、「注文履歴」「よくある質問（FAQ）」「お問い合わせTOP」「お客様情報変更」などの閲覧が退会と因果関係があるとの結果が出た。

そこで、退会しない人の閲覧パターンを別途割り出し、その閲覧パターンに基づいて、退会しそうな人に対して、「返品・交換について」「在庫・入荷について」「クーポンについて」「アプリについて」などを個別にレコメンドする施策を取ったという。

退会ユーザーの行動を機械学習して対策

③ メールやプッシュ配信時間帯の最適化

メールやプッシュ配信を行う時間帯は、開封率やその後のCVに与える影響が多いとされるが、配信時間帯の最適化もアクティブコア マーケティングクラウドでは自動化できる。

配信した時間帯の反応結果を機械学習し、ユーザーAには朝9時、ユーザーBには夜18時といった送り分けを最適化してくれるのだ。ある企業は12時に一斉配信していたときの開封率が19.1％だったが、最適化によって29.7％に向上。CVRも4.1％アップした。

顧客ごとのタイミングでコンテンツ配信を自動最適化

④ ブックオフ：AIで買取をさせてくれそうな顧客を予測

これらの事例を凝縮させたのが、中古書籍販売・買取のブックオフによる施策だ。ブックオフから本を買うユーザー、ブックオフへ本を売るユーザー双方を分析していくと、“市場人気の高い本を持っていそうな人”が予測できる。そのユーザー層に高額買い取りオファーを出すという流れだ。これにより、従来の手法と比べてCTRは7倍、CVRは4倍に向上した。

「市場人気の高い本を持っていそうなユーザー」にだけ、買取促進メールを出す

データの多さがAI分析の精度を左右する

山田氏は、最後に「顧客一人ひとりに合わせたアプローチを最適化」したマーケティングの重要性を改めて述べるとともに、それを実施するためのAIをフル活用したマーケティングには、顧客接点を統合した（学習用）データ量が重要になってくると指摘した。

「顧客接点を（DMPで1つに）統合することは、データの量にも関わる。市場競争を勝ち抜くためのポイントになってくるだろう」と山田氏は語り、得たデータをDMPやMAでうまく自動処理・分析し、効果的な施策を繰り返し、運用サイクル化させることの重要性を訴えた。