2017 Fiscal Year Research-status Report
階層ベイズによるマルチデバイス状況を考慮したオム二チャネルモデルの構築
| Project/Area Number |
17K03989
|
|---|
| Research Institution | University of Tsukuba |
|---|
Principal Investigator |
近藤 文代 筑波大学, システム情報系, 講師 (40322010)
|
|---|
| Project Period (FY) |
2017-04-01 – 2020-03-31
|
| Keywords | オムニチャネル / 複数デバイス利用 / スマートフォン利用 / 潜在クラス分析 / 顧客セグメンテーション / POSデータからの非集計潜在変数の推定 / ランダム係数選択モデル / 階層ベイズモデル |
|---|
| Outline of Annual Research Achievements |
本研究では、オムニチャネルマーケティングに関して顧客の購買意思決定に及ぼすような状況を、実データまたは潜在データにより構造化する。
PCインターネットやモバイルインターネットによりウエブサイト情報を閲覧した際に履歴であるページビューデータを、実店舗における顧客購買データと結びつけ、オムニチャネル購買の実態を階層ベイズモデルを用いてモデル化する。まず、マルチメディア・マルチチャネル環境下における消費者のデバイス利用実態の変化に関する研究を行った。具体的には、消費者のデバイス利用の偏りやすさと属性・時間帯の影響を評価し、下記の結果を得た。（１）偏りやすさの分類とその構成比の算出。（２）複数デバイスを多く使う人と一つのデバイスに偏る人の双方にて、 スマートフォン利用が多い層の構成比が高いことが判明した。(3)複数デバイスの多使用者は単体デバイス利用量だけでなく同時利用量も多くなった。(4)単体デバイスに偏重する人には性年代の傾向が出やすいことが分かった。次に、現代の小売環境で顧客が複数のチャネルとメディアの使用に関して検証を行った。この研究では、低関与商品カテゴリやより高頻の度購入商品カテゴリに関して、メディアコンタクトログデータおよび消費者調査データと同じIDで紐づけされている日本のシングルソーススキャンパネルデータを用いて分析を行った。 実店舗やオンラインストアという購入チャネル、PC、モバイル、ソーシャルメディアのメディアタッチポイント、及び心理学的・人口統計的特性に焦点を当て、潜在クラス分析により顧客セグメンテーションを行った。その結果、リサーチショッパーやマルチチャンネル愛好者の特性を含む7つのセグメントの存在が示された。さらに、階層ベイズによる「集計データを用いたランダム係数選択モデル」により、POSデータを用いて顧客履歴データを潜在変数として推定した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
PCインターネットやモバイルインターネットでのページビュー履歴データを、実店舗における顧客購買データと結びつけ、オムニチャネル購買の実態をモデル化するための第一ステップとして消費者のデバイス利用実態の変化に関する研究を行った。その結果、消費者のデバイス利用の偏りやすさと属性・時間帯の影響を評価でき、それを査読付き論文として刊行した。第二のステップとして、実店舗やオンラインストアという購入チャネル、PC、モバイル、ソーシャルメディアのメディアタッチポイント、及び心理学的・人口統計的特性に焦点を当て、潜在クラス分析により顧客セグメンテーションを行い、顧客層による差異を明らかにし、査読付き論文を刊行した。第三のステップとして、トップページビューが購買にどのように影響を与えるかについて階層ベイズモデルを用いてモデル化を行い、国際会議にて、アブストラクト付き口頭発表を行った。さらに、階層ベイズによる「集計データを用いたランダム係数選択モデル」により、POSデータ用いて顧客履歴データを潜在変数として推定を行ったので、結果を国内学会にて口頭発表を行う予定である。
|
| Strategy for Future Research Activity |
階層ベイズによる「集計データを用いたランダム係数選択モデル」を用いて、POSデータから顧客履歴データを用いて潜在変数として推定を行った。これらの研究を論文化し、刊行する予定である。また、イタレーション回数30000回 、バーンイン期間を5000回と設定した場合、所要計算時間は22時間となり、実行時間の短縮が課題となった。本年度はGPGPUシステムを用いて所要時間を短縮したい。また、階層ベイズモデルを用いたオムニチャネル購買の実態のモデル化は途上にある。その理由として、ウエブサイト情報の閲覧履歴は膨大なため、特徴抽出を自動化するプロセスが必要である。今年はその部分も行いたい。
|
Research Products
(4 results)
