WEB 閲覧時における無意識的な行動のデータマイニング

2013/10/19株式会社 DoBoken

桑山　礎@HAJIMEXI

http://zenclerk.com

目次

• 自己紹介

• ZenClerk とは

• Hesitate （ためらい）状態の行動パターンについての特定手法

• Hesitate アルゴリズムを使ってユーザーを特定しクーポン施策

• まとめ

自己紹介

• 1986 年生まれ 27 才

• 2005 年 : 早稲田大学理工学部経営システム工学科入学

• オークションのマルチエージェントシミュレータや、オークションデータを用いた中古商品価格予測モデルの研究等

• 2006 年 : 水のネットショップ立ち上げ、３ヶ月目で売上 100 万円

• 2007 年 : オークファン創業時よりインターン

• 2010 年 : 世界最大油田検層会社シュルンベルジェ入社

• 2012 年 : 株式会社 DoBoken 創業

データとインターネットとビールが好き。

株式会社 DoBoken の主な関心領域

意識的ではないが故にユーザー１人１人の性質を最も表す「無意識の行動情報」を分析対象とし、リアルタイムに推定したサイコグラフィックデータに基づく施策の実施までをサポートする事DoBoken の

主要な関心

Web SMP

Scroll

Mouse

App

TouchFlick DoubleTap Shake

２．リアルタイムにユーザーのサイコグラフィックを推定

３ . データに基づく施策の実施を自動化

Web SMP

モバイルに注力

興味 心理 欲求

1. ユーザーの「無意識の行動情報」を取得・分析

5

EC 向けデジタルコンシェルジュサービス

6

離脱

離脱

離脱 CV興味 購買心理

離脱 離脱

「初めてのお客様が来店！」

「特定の商品を探されているなぁ」

「決断を迷われているようだ・・」

CASE 1 CASE 2 CASE 3

ZenClerk の考え方

優秀な店員さんがお客さんの「無意識の行動」を観察し、相手に合わせて接客対応を変えるのと同じく、ZenClerk は web サイト内において、個々のユーザーに適切な情報を適切なタイミングで配信する

着眼点：リアル店舗での良いサービス

【購入の後押し】【選択肢を提供】【あえて何もしない】

お客さんの行動の観察 相手の状態に合わせた対応の実施

で可能な事for EC

7

ZenClerk のサイト内施策例

SearchPhase1 SelectPhase2 HesitatePhase3

特定の商品に興味を持っているが、まだ比較検討までは至っていない状態

ウェルカムメッセージ機能で

サイトの魅力を伝えるパーソナルクーポンで

離脱を防ぐ !

ランキングサイトからの流入で、他の競合他社と比べられている状態

あなたのお気に入りアイテム

アルゴリズムで

気に入ったと判別された商品を

一覧表示し比較行動をスムーズに！

複数の商品を比べ始め、一つの商品に絞ろうとしている状態

2.2倍！CVR 1.4倍！CVR1.6倍！売上

弊社クライアントLP

ZenClerk の分析面の目標

店をわかってもらうための Welcome message

来店 (100 人 )ニーズは具体的か抽象的かリピーターか新規か

いい商品を見つけるための Recommend

Search(20 人 )何かいいものがないかと探している

選択を絞る手伝いする自動 Bookmark

Select(10 人 )購入に向けた選択行動を行っている状態

最後の一押しCoupon

Hesitate(2 人 )一つの商品について、買うか買うまいか迷っている状態

1. ユーザーがなぜコンバージョンをするのかという理由を解明する2. ユーザーにメリットのある施策を行えること

CV

A B

Hesitate の定義、着想

ショッピングカートに入れる直前に買うか買うまいか迷っている状態

モノを買うという行為は、お金を払った後に対価を受け取る行為であり、一種のリスクが内在している。

そのリスクを出来るだけ少なくする為に、気に入ったものを見つけた後、その商品を買おうとする前には、エモーショナルな「欲しい」という気持ちに突き動かされながらも、その商品に関しての情報集めの「おさらい」をある程度きちんと行おうと Try し、「懸命な判断」をしようとする。

しかし人間の頭の処理容量には限界がある。

「何かをする、しない」という判断をするような、全ての決断は、意志の HP （ヒットポイント）を消耗するので、非常に疲れる。

そして、脳の抑制力が弱まる瞬間が必ずやってきて、苛立ちを感じ、決断を下すためにも非論理的な近道を取るようにもなる。

その瞬間こそ、ユーザーにキャンペーンを送信するべき時であり、CV に近いところであると言えるが、

同時に「苛立ち」を抱え、意志の HP を消費したユーザーが離脱するかもしれない分水嶺なのである。

感情の高ぶり

理性的判断の Try

意志の HP の消耗

脳の抑制力の弱体化

購入 or 離脱

Hesitate 時における無意識的行動の観察結果

[前提 ] アイテムページにおける行動である。

1. そのページに来たのが２回目

2. カードボタンホバー

3. （色／サイズ等）ラジオボタンクリック

4. 迷ってるから滞在時間が長い

5. レビュー／写真等をクリックするためクリックカウントが多い

6. マウスが行ったり来たりする　

同じページを再度チェック

購入する

カートボタンへのホバー

色を選択してください製品情報の確認・選択

マウスの動き

スクロールの動き

20,000ページ分の閲覧行動の集計を行ったところ、実際に 1.かつ 2.or3. を満たしたページの CV率は 34/71件

そんなに CV に近いなら施策でもっと CV させたいと思いません？

11

【重要】 2.ホバー、 3. ラジオの特徴には一つ問題が有る

0:00:00 0:00:17 0:00:34 0:00:51 0:01:09 0:01:26 0:01:43 0:02:00 0:02:180:00:00

0:00:17

0:00:34

0:00:51

0:01:09

0:01:26

0:01:43

0:02:00

0:02:18

カードボタンホバーかラジオボタンクリックが起きた時間

ページを開いてからの時間

ペー

ジを閉

じる

まで

の時間

A. 入ってすぐ CV

B. もしホバー等しても、でもクーポンを出す暇がない

C. 理想的

理想は、ページを開いてすぐ Hesitate 的な行動を行い、その後しばらく滞在すること。でも少ない。どうする？

無意識的な行動パターン分析から、その人が Hesitateか予測

【命題】そのページ閲覧 10秒目までにした行動から、その行動が Hesitate ユーザーの行動であるかどうか判別

教師データ

アイテムページ上で、

• 同じページ２回目以上の閲覧で、ラジオボタンクリックかカートボタンホバーをする（：１）。と、そのときの行動データ。

• それ以外のケース（：０）。と、その行動データ。

仮説検証のため、機械学習を用い、ユーザー行動パターンの分析を行う

説明変数 (15〜 20種類）

• 基本系（例）滞在時間、マウスを動かした回数、カーソル移動距離

• 頻度系…頻度が高ければ注意深く／アクティブに見ている（例）スクロール頻度、カーソル移動頻度

• スピード系…遅いよりは早い方がアクティブ。ただし早すぎるのは飛ばし読みしている（例）スクロールスピード、カーソル縦／横スピード

• ページ見た長さ当たり系…こちらも大きければ注意深く／アクティブに見ている（例）見た長さ当たりカーソル移動距離、見たページ長さあたりクリック回数

使う機械学習手法…非線形用モデル（決定木 C4.5 ）

機械学習結果の結果説明

• 精度… 75.0%

• 重要な変数…スクロールスピードマウスカウントページ長さ当たりクリックカウント等

14

　 TP FP Precision Recall F-MeasurenotHesitate 76.8% 26.7% 74.2% 76.8% 75.5%Hesitate 73.3% 23.2% 75.9% 73.3% 74.6%Weighted Avg 75.0% 25.0% 75.1% 75.0% 75.0%

15

決定木説明

1. スクロール速度が遅すぎない

2. マウスカウントが多い

３ . クリックカウントがあったときは、スクロール頻度が低い

クーポン施策結果

Hesitate 的な行動ではない

Hesitate 的な行動＆クーポンな

し

Hesitate 的な行動＆クーポン

CV率 0.0211131337165135

0.0704443412292924

0.0803571428571428

0.5%

1.5%

2.5%

3.5%

4.5%

5.5%

6.5%

7.5%

8.5%

14%UP

配信したクーポンと同様なキャンペーンを、同じ期間に全ページでサイト右側（イメージ）で告知していた。迷っているタイミングだというのと、自分だけに送られ

て来たという体験が結果に結びついている。 t 検定済。

クーポンイメージ

同時期に行われていたセールイメージ

17

クーポンを出すのに適切なタイミング

1秒

後か

ら10秒

後

11秒

後か

ら20秒

後

21秒

後か

ら1

分後

1分

後か

ら2

分後

2分

後か

ら5

分後

0.00%

0.50%

1.00%

1.50%

2.00%

2.50%

3.00%

3.50%

4.00%

4.50%

クーポンをランダムに配布し、表示されたタイミングと CV率

ちなみに

1. クリックの前にホバーする人は 27% くらいいる

2. 「２回目にそのページを訪問して hesitate 行動にならない人」で多いのは、タブブラウジングをしているユーザー（情報強者）が多い

まとめ

• ページ内での動きの”アクティブ指数”（ページ内のクリック回数、マウススピード、スクロール頻度等）が高いと、”結果的に”、セッション滞在時間が伸びる傾向も分かった

• ユーザーがなぜコンバージョンをするのかという理由を、無意識的な行動をに着目し、機械学習手法を用いて、追究して行くのが ZenClerk です。

• 今後は言語解析領域に踏み込んで行く予定です。

20

DoBoken チーム

DoBoken の強み

( 大規模データ処理 )×(機械学習によるアクショナブルなデータ分析 )×(改善に効果のあるアクションの実施 )この「３本の矢」を、リアルタイムに高いレベルで扱うことができる組織であること

大規模データ受け入れ

データ分析機械学習

施策の実施UI,UX

早稲田大学理工学部経営システム卒カヤックで 1 年働き、 ADK で 4 年web広告の経験を蓄積デザインから JS 、 rails プログラミング、データ分析まで幅広くこなす

AKIBA Growth Hacker

機械学習とデータ分析を専攻就職後を含めて６年の経験データ分析で南青山 120m^2の家を割安な 15 万円で発見

HAJIME co-founder

COLE co-founder東京大学法学部卒戦略コンサルティング CDI出身

NAJI co-founder10 年以上のエンジニア歴大規模データのリアルタイムな受け入れが得意既存の ZenClerk の根幹システムを単独で構築

YUJI Security Hacker

北海道大学中退、 University ofNottingham交換留学、 LutherCollege卒業works applications の EC 事業のセキュリティ領域を単独で構築

JOUKOFront-end Hacker

フィンランド出身10代前半からプログラミングに親しみ、 3D のモデリングなどを経験5カ国語を話し、囲碁が得意。

お問い合わせ先桑山礎 hajime.k@doboken.net