1. 「関係性技術」実証実験について
2014年6月
株式会社スパイスボックス

2. マーケティングにおける「未来予測」
より効果的なマーケティング活動をめざし、
「未来予測」はミクロ・パーソナルな単位の予測への進歩の過程にある。
こ
れ
ま
で
 データの統計的性質・集団的な
動向から将来の予測を行う。
→ マーケティング施策もマクロ観点・
セグメント単位にならざるを得な
い。
 個々のデータの持つ”個別性”や
“特異性”に着目した精度の高
い将来の予測が必要。
→ ミクロ観点・個人単位の施策実
行を実現。
こ
れ
か
ら
日次/月次の出荷予測
顧客セグメント別コミュニケーション
予測出荷
(Amazon.com)
運用型/SNS広告
顧客個人別コミュニケーション
マスマーケティング
効率的なマーケティング活動・
激化する競争環境下での企業成長の要請
Copyright (c) 2014 spicebox, inc. All right reserved.

3. 関係性技術について
人と人・人とモノの関係性をネットワーク化し、時間的変化を予測する手法。
「様々なデータを統合し、未来を予測する新しい技術」として期待。
 「ある人が、友人の好きなモノを気に入るかどうか」を予測。
→ 生活者の社会性も含めたレコメンドによって、効果的な広告・CRM・販促活動が可能に。
 「あるモノに関心を持つ人の数が、将来増加するか」を予測。
→ 商品・ブランドなどのトレンド予測により、精緻な予算・リソース管理が可能に。
関係性技術のマーケティング活用イメージ
Copyright (c) 2014 spicebox, inc. All right reserved.

4. 関係性技術の優位性
京都大学大学院 情報学研究科 新熊准教授らが開発。
メール送受信履歴(※)を使用したシミュレーションでは、
一般のネットワーク構造の予測方法と比べ、送受信の「未来予測」精度が向上。
A B
B C
A D
A
C
B
D
?
《関係性技術の再現率比較》
対 Jaccard係数 : 2.5倍
対 共通隣接ノード指標 : 1.3倍
対 Adamic/Adar指標 : 1.2倍
人物をノードと見立て
関係性グラフを作成
ノード間の共通ノード数などから、
現在リンクのないノード間に
将来リンクが出来るか否かを予測。
(例:CとDにリンクが出来るか)
※: エンロン社のメール送受信記録Copyright (c) 2014 spicebox, inc. All right reserved.

5. 関係性技術のマーケティング活用
「未来予測」性能を活かした“商品・ブランド価値予測”、“コンテンツマッチ”や
”オーディエンス拡張”などが当社が目指すマーケティング分野での応用。
Copyright (c) 2014 spicebox, inc. All right reserved.

6. 関係性技術の実証実験テーマ
関係性技術は、シミュレーションでは良好なパフォーマンスを発揮。
→ 関係性技術の実運用を行い、「未来予測」性能を他の技術と比較・検証する。
実験②: ECサイトにおける既存レコメンド手法との比較実験
実験③: 広告配信対象者の拡張技術の比較実験
実験①: 商品やブランドのファン獲得・販売の予測
- 実証実験例 -
Copyright (c) 2014 spicebox, inc. All right reserved.

7. 事業会社のマーケティング・商品開発等企画部門、調査・リサーチ会社
実施内容 ：商品・ブランドやカテゴリの半期程度のトレンド予測を行い、予測販売量を算定。
検証方法 ：予測結果と実績を比較検証する。
商品・ブランド・コンテンツなどのモノや、商品カテゴリなどの概念が持つ関係性は、
生活者がそれらに対しての購買回数・使用頻度を示すと考えられる。
したがって、個別のモノや概念に着目した関係性グラフ構造の時間的変化を予測することで、
モノや概念の流行発生や収束といったトレンド予測が可能となる。
実験①: 商品やブランドのファン獲得・販売の予測
想定クライアント
実施内容と検証方法
実証したい仮説
ソーシャル上のテキストデータ、商品のメタデータ、POSデータ、マスメディアの広告・報道データetc
活用するデータ(イメージ)
目指す応用 商品・ブランド価値の未来予測システムの構築
Copyright (c) 2014 spicebox, inc. All right reserved.

8. 多商材を扱うEC事業者・直販事業者、EC事業/メールマーケティング支援企業
実施内容 ：Topページ/商品ページ/メールでの商品レコメンド
検証方法 ：商品クリック・CVの再現率を既存技術と関係性技術で比較(A/Bテスト)
一般的なレコメンドは、モノとモノの関係に基づくもの。
 過去購買・併買傾向によるモノとモノの関係(協調フィルタリング・アソシエーションルール)
 メタ情報によるモノとモノの関係(コンテンツベースアルゴリズム)
関係性技術では、ヒト・モノ・メタ情報も区別なく数値化できるため、
従来技術と比べ将来の興味に基づくレコメンドが出来る可能性がある。
実験②: ECサイトにおける既存レコメンド手法との比較実験
想定クライアント
実施内容と検証方法
実証したい仮説
ソーシャルグラフ、商品閲覧・購買履歴、商品の属性データ、マスメディアの広告・報道データetc
活用するデータ(イメージ)
目指す応用 DMPにおけるコンテンツマッチングへの適用
Copyright (c) 2014 spicebox, inc. All right reserved.

9. DSP/DMP開発会社
実施内容 ：関係性技術で行ったオーディエンス拡張に基づく広告配信
検証方法 ：CTR等の指標を既存方法と関係性技術で比較(A/Bテスト)
広告配信の対象者を既存来訪者・顧客から拡張する方法に、 閲覧履歴などから算定される
”優良顧客との類似度”を基に対象を抽出する「アルゴリズム拡張」がある。
代替アルゴリズムとして関係性技術を拡張技術に用いることで、見込来訪者・顧客の予測を既存
アルゴリズムよりも精度よく実現する。
実験③: 広告配信対象者の拡張技術の比較実験
想定クライアント
実施内容と検証方法
実証したい仮説
インタレストグラフ、サイト・広告の閲覧履歴、サイトのメタ情報、ユーザー属性etc
活用するデータ(イメージ)
目指す応用 DSP/DMPでのオーディエンス拡張ロジックへの応用
Copyright (c) 2014 spicebox, inc. All right reserved.