1. Uplift Modelling入門(1)
- 費用対効果の最大化を目的とした最新データマイニング手法 -
@yokkuns: 里 洋平
yohei0511@gmail.com
2012.03.10 第21回Tokyo.R
2012年3月10日土曜日

2. AGENDA
◆ 自己紹介
◆ Uplift Modellingとは
2012年3月10日土曜日

3. AGENDA
◆ 自己紹介
◆ Uplift Modellingとは
2012年3月10日土曜日

4. 自己紹介
時系列解析や異常検知などの方法論を
実ビジネスに適用するデータマイニングエンジニア
◆ 名前: 里 洋平
◆ ID : yokkuns
◆ 職業:
データマイニングエンジニア
◆ 統計解析 パターン認識 機械学
習 データマイニング NLP 金融工学
などを勉強中
2012年3月10日土曜日

5. 活動例: 勉強会の主催・執筆
Tokyo.R主催
パッケージ本執筆しました！
2012年3月10日土曜日

6. 活動例: 動画レコメンド
閲覧されている動画の情報を用いて
おすすめ動画を表示する
2012年3月10日土曜日

7. 活動例: 市場予測
Web上の情報から市場予測
2012年3月10日土曜日

8. 活動例: 異常検知
Anomaly detection
複数時系列から異常な振る舞いを検知する
C
A
時系列のモデリング 複数時系列の異常検知 B
時系列A 時系列A
異常な振る舞い
時系列B
時系列C 時系列B 時系列C
異常な振る舞いの時系列を検出
例1:トラフィック異常検知 例2:CM効果のノイズ除去
トラフィックA ケースA
CM効果
トラフィックB ケースB
トラフィックC 調査 ケースC
異常な振る舞いをしている 異常な振る舞いをしているケースを
トラフィックの原因を調査する 除外して、CMの効果を算出する
85
2012年3月10日土曜日

9. 活動例: 時系列解析と異常検知
Anomaly detection
新しいデータと過去時系列モデルの乖離から異常検出
8000.0000
異常スコア推移 3.0000
モデル構築
異常値
◇例 : ARIMAモデル 2.2500
5970.7500 1.5000
0.7500
3941.5000 0
異常スコアの算出
-0.7500
◇例 : 対数損失
1912.2500 -1.5000
-2.2500
-117.0000 -3.0000
t
4/ 週
4/ 1週
4/ 8週
5/ 週
5/ 週
5/ 週
5/ 週
5/ 週
6/ 週
6/ 週
6/ 週
6/ 週
7/ 週
7/ 週
7/ 週
7/ 8週
週
4
25
2
9
16
23
30
6
13
20
27
4
11
25
1
1
1
4/
86
2012年3月10日土曜日

10. 活動例: 時系列解析と影響分析
TV Commercial Effects
時系列的な振る舞いの特徴から各KPIへのCMの影響度を算出
イベン
CM時系列 ト
新規
登録
CM ARPP
U
ARPU
各KPIの時系列
その他
外部
継続率
要因
ケース
87
2012年3月10日土曜日

11. 活動例: データマイニングCROSS
2012年3月10日土曜日

12. AGENDA
◆ 自己紹介
◆ Uplift Modellingとは
2012年3月10日土曜日

13. Uplift Modellingとは
費用対効果の最大化を目的とした最新のデータマイニング手法
介入による行動変化をモデル化し効果を最大化する
介入による4つの行動パターン
介入を受けた場合の反応
No あまのじゃく 無関心
YES テッパン 説得可能！
YES No
介入を受けなかった場合の反応
2012年3月10日土曜日

14. これまでのマーケティングモデル
顧客を有望な顧客とそうでない顧客に分類し
有望な顧客だけをターゲットにする事で費用対効果を向上させる
◆ 浸透モデル
・既に製品を購入した顧客を特徴づけるモデル
◆ 購入モデル
・最近購入した顧客を特徴づけるモデル
・浸透モデルに似てるが、最近の履歴に注目し、顧客の特性の変化を捉える
◆ レスポンスモデル
・マーケティング活動に反応して購入した顧客を特徴づけるモデル
2012年3月10日土曜日

15. これまでのマーケティングモデル
顧客を有望な顧客とそうでない顧客に分類し
有望な顧客だけをターゲットにする事で費用対効果を向上させる
◆ 浸透モデル
・既に製品を購入した顧客を特徴づけるモデル
◆ 購入モデル
・最近購入した顧客を特徴づけるモデル
・浸透モデルに似てるが、最近の履歴に注目し、顧客の特性の変化を捉える
◆ レスポンスモデル
・マーケティング活動に反応して購入した顧客を特徴づけるモデル
2012年3月10日土曜日

16. レスポンスモデリング
処置群の反応データを用いて
レスポンスをモデル化し、ターゲットを決める
Training Data 従来のレスポンスモデリング
反応なし 反応あり
処置群
処置群 分類結果
反応あり の場合
良いターゲット
予測対象
2012年3月10日土曜日

17. レスポンスモデリングの課題
処置群だけで学習しているため
介入による行動変化を考慮出来ていない
Training Data 従来のレスポンスモデリング
反応なし 反応あり
あまのじゃく 説得可能！
処置群
処置群
無関心 テッパン
分類結果
反応あり の場合
良いターゲット
予測対象
2012年3月10日土曜日

18. レスポンスモデリングの課題
処置群だけで学習しているため
介入による行動変化を考慮出来ていない
Training Data 従来のレスポンスモデリング
介入しなければ
反応した
反応なし 反応あり
あまのじゃく 説得可能！
処置群
処置群
無関心 テッパン
介入しなくても
反応した 分類結果
反応あり の場合
良いターゲット
予測対象
2012年3月10日土曜日

19. 処置群と対照群を用いた学習
処置群と対照群の両方を学習データとする事で
介入による行動変化を捉える
Training Data
反応なし 反応あり
あまのじゃく 説得可能！
処置群
処置群
無関心 テッパン
対照群
説得可能！ あまのじゃく
対照群
無関心 テッパン
予測対象
2012年3月10日土曜日

20. 処置群と対照群を用いた学習
処置群と対照群の両方を学習データとする事で
介入による行動変化を捉える
Training Data
反応なし 反応あり
あまのじゃく 説得可能！
処置群
処置群
無関心 テッパン
対照群
説得可能！ あまのじゃく
対照群
無関心 テッパン
予測対象
2012年3月10日土曜日

21. 処置群と対照群を用いた学習
処置群と対照群の両方を学習データとする事で
介入による行動変化を捉える
Training Data
反応なし 反応あり
あまのじゃく 説得可能！
処置群
処置群
無関心 テッパン
対照群
説得可能！ あまのじゃく
対照群
無関心 テッパン
予測対象
2012年3月10日土曜日

22. Uplift Modelling
単純な 反応あり ・ 反応なし ではなく
介入による行動変化をモデル化しターゲットを決める
Training Data Response Uplift Modelling
L R
あまのじゃく
説得可能！
処置群
処置群
無関心
テッパン
分類結果
R の場合
あまのじゃく
対照群
説得可能！ 良いターゲット
対照群
無関心
テッパン
予測対象
2012年3月10日土曜日

23. 分割基準
行動変化によるレスポンス率増と
その重要性を最大化する分割を行う
L R
あまのじゃく
処置群(T)
説得可能！
無関心
テッパン
UL UR
あまのじゃく
対照群(C)
説得可能！
無関心
テッパン
2012年3月10日土曜日

24. 分割基準
行動変化によるレスポンス率増と
その重要性を最大化する分割を行う
L R
あまのじゃく
処置群(T)
説得可能！
無関心
テッパン
UL UR
あまのじゃく
対照群(C)
説得可能！
無関心
テッパン
◆ 行動変化によるレスポンス率の増分
◆ 重要性 (t統計量の2乗)
2012年3月10日土曜日

25. 分割基準
行動変化によるレスポンス率増と
その重要性を最大化する分割を行う
L R
あまのじゃく
処置群(T)
説得可能！
無関心
テッパン
UL UR
あまのじゃく
対照群(C)
説得可能！
無関心
テッパン
◆ 行動変化によるレスポンス率の増分
◆ 重要性 (t統計量の2乗)
2012年3月10日土曜日

26. 分割基準
行動変化によるレスポンス率増と
その重要性を最大化する分割を行う
L R
あまのじゃく
処置群(T)
説得可能！
無関心
テッパン
UL UR
あまのじゃく L
対照群(C)
説得可能！
無関心
テッパン
◆ 行動変化によるレスポンス率の増分
◆ 重要性 (t統計量の2乗) L R
2012年3月10日土曜日

27. 介入による行動変化の定式化
介入による行動変化を
介入効果とグループ効果の相互作用として表現
L R
介入による効果 介入による効果
処置群(T)
グループ効果 グループ効果
相互作用 相互作用
UL UR
介入による効果 介入による効果
対照群(C)
グループ効果 グループ効果
相互作用 相互作用
※Cの介入効果 = Lのグループ効果 = CR相互作用 = TL相互作用 = CL相互作用 = 0 とおく
2012年3月10日土曜日

28. 介入による行動変化の推定
相互作用はRグループとLグループの増分の差で推定される
L R
介入による効果 介入による効果
処置群(T)
グループ効果 グループ効果
相互作用 相互作用
UL UR
介入による効果 介入による効果
対照群(C)
グループ効果 グループ効果
相互作用 相互作用
※Cの介入効果 = Lのグループ効果 = CR相互作用 = TL相互作用 = CL相互作用 = 0 とおく
2012年3月10日土曜日

29. 介入による行動変化の推定値の誤差と重要性
介入による行動変化は回帰係数として算出され
その重要性はt統計量で与えられる
T:1, C:0 R:1, L:0 Xi1Xi2
基準値
介入効果
グループ効果
相互作用
◆ 標準誤差の算出 ◆ t統計量の2乗
2012年3月10日土曜日

30. 分割基準
行動変化によるレスポンス率増と
その重要性を最大化する分割を行う
L R
あまのじゃく
処置群(T)
説得可能！
無関心
テッパン
UL UR
あまのじゃく L
対照群(C)
説得可能！
無関心
テッパン
◆ 行動変化によるレスポンス率の増分
◆ 重要性 (t統計量の2乗) L R
2012年3月10日土曜日

31. AGENDA
◆ 自己紹介
◆ Uplift Modellingとは
2012年3月10日土曜日

32. Rでの実行は？
2012年3月10日土曜日

33. Rでの実行は？
まだパッケージが存在しない
2012年3月10日土曜日

34. Rでの実行は？
まだパッケージが存在しない
2012年3月10日土曜日

35. Rでの実行は？
まだパッケージが存在しない
iAnalysisと共同開発予定！
2012年3月10日土曜日

36. 謝辞
Uplift Modellingの存在はisseing333さんが教えてくださいました！
ありがとうございます！
2012年3月10日土曜日

37. 次回以降の
発表者・LTを募集しています！
2012年3月10日土曜日

38. ご清聴ありがとうございました！
2012年3月10日土曜日

39. 以下参考資料
2012年3月10日土曜日

40. 参考資料
◆ t統計量
http://en.wikipedia.org/wiki/T-statistic
◆ 線形回帰
http://ja.wikipedia.org/wiki/%E7%B7%9A
%E5%BD%A2%E5%9B%9E%E5%B8%B0
◆ Real-World Uplift Modelling with Significance-Based Uplift Trees
http://stochasticsolutions.com/sbut.html
2012年3月10日土曜日