Service 仕事の合間に! 3分間データマイニング入門第2回 データマイニングをマーケティングに活用する3つの考え方

多くのデータから、受注率や購入率などの確率を算出する「予測」

「予測」には、「これから起きることを予め言い表す」という意味があります。予想にもこうした意味がありますが、予測の場合はさらに「合理的な説明が可能である」という条件がついてきます。

予測と予想はどう違うのか、具体的な例を挙げてみましょう。
｢明日、東京は晴れると思う｣は予想ですが、「西高東低の冬型の気圧配置で、高気圧に広く覆われるため、明日の東京地方の降水確率は20％です」は予測になります。
「次のレースでネットイヤー号が勝つと思う」は予想。「中山競馬場の次のレースは雨で重馬場。絶好調の田中騎手が、重馬場が得意な先行型のネットイヤー号に乗る。そのため、ネットイヤー号の勝率は60％以上70％未満」は予測になります。

予測は、その要因をデータに基づき明らかにし、事象が発生する確率を算出します。そのため、営業先の受注率、DM経由の商品購入率、サービスの解約率などを算出するのに適しています。

膨大な情報を「分類」することで、優良顧客やターゲットを見つける

似通った仲間同士に分けること、それが「分類」です。データマイニングにおける分類には2種類あります。

回転寿司店のメニューを例にとってみましょう。メニューの集団を「1日の平均売上が10万円以上か/未満か」という明確な条件で分類し、カテゴリを見つける。これは、似たもの同士を集める分類になります。

もう1つは、細かい情報で分けてから、共通点を持つもの同士をまとめる分類です。例えば、大トロ、中トロ、トロ、赤身、ヅケは「マグロ」という共通の情報を持っているので、同じ仲間に分類できます。データを小さな集合体に分け、その集合体が「似ている/似ていない」で分類し、カテゴリを見つけます。

回転寿司店の例では、単純で簡単に思われるかもしれませんが、データマイニングに用いるデータ量は何十万、何百万レコードであることが一般的です。こうした膨大な情報をある法則に基づいて分類できることが、実業務では大きなメリットになります。大量にある購買データの中から優良顧客を分類したり、営業先の膨大な情報をセールスターゲット別に分類したりといったことが可能になります。

もう一つ、3つめの考え方となる「関連性」については、第1回で紹介した「ビールとおむつ」こそ、その代表例です。データベース上に大量に蓄積されたデータから、頻繁に同時に起こる事象を見つけ出すことを意味します。

次回は、「予測」「分類」「関連性」を発見するための、具体的な手法をご紹介します。

スペシャリスト

カスタマーエクスペリエンス事業部 デジタルテクノロジーグループ
シニアディレクター
神田卓哉

弊社スペシャリストが登壇するセミナーはこちら