[C11] ビックデータ×マーケティング進化するディジタルマーケティングを支えるビックデータ活用基盤 by Takatomo Kamatsu

ビックデータ×マーケティング
進化するデジタルマーケティングを支える
ビックデータ活用基盤 2014 大阪
株式会社ゴルフダイジェスト・オンライン
お客様体験デザイン本部情報活用推進部
DB開発・行動分析チームマネージャ嘉松孝友

PC 携帯電話スマートフォンタブレット雑誌店舗ソーシャル
GDOとは？

取扱商品点数
新品約10万点
中古約2万点
ゴルフ場予約
月間送客数
41万人※1
スコア管理登録者数
44.3万人
月間注文件数
71,700件※1
GDOクラブ会員数
229万人
月間PV
1.5億PV※1
アクティブ
ブラウザ数
376万ブラウザ※2
提携ゴルフ場数
1,916コース
ユニークユーザー数
260万人※3
来訪アクティブ会員数
43.2万人※4
※1：過去最高値を公表数値としています。
※2 アクティブブラウザ数：当月中にGDOに来訪したブラウザ数
※3 ユニークユーザー数：当月中に当社サービスにアクセスしたユーザー数
※4 来訪アクティブ会員数：会員の当月のユニーク来訪者数
<2013年9月末時点>
総ビジター数
1,242万V※1
公式フェイスブック
85,188いいね！
GDOの規模感

自己紹介
嘉松孝友
Takatomo Kamatsu
1972/05/10 7年
O型
174.5cm
65.4kg
ベストスコア 75 （前回 88）
神奈川県
ゴルフのきっかけゴルフ好きの上司に誘われて
好きなゴルファー中部銀次郎
よかったこと中部銀次郎異業種、世代を超えた交友関係が広まった
（1997年～）印刷会社の受注システム開発(VMS)
（1998年～）製薬会社の営業支援システム開発
（2002年～）ビールメーカの物流システム開発、商社のPMO

1.ビックデータがマーケティングで利用される背景
2.GDOのビックデータ活用の軌跡と活用事例
3.ビックデータ活用を支える基盤と今後の展開
今日のセッションで紹介すること

ゴルフダイジェスト・オンラインが挑んだ
データ活用の軌跡、教訓、そして未来へ
ビックデータがマーケティングで
利用される背景

2011年
2014年
2012年
2013年
ビックデータを取り巻く変化

「モノ不足」時代「モノ余り」時代「ビックデータ」時代
「デジタルマーケティン
グ」時代
キーワード大量生産・大量消費
主導権は提供者
主導権は消費者
（メーカー⇒小売り）
顧客視点
ユーザニーズの把握
消費者の価値観が多様化
ビックデータ
顧客のインサイトを知る
⇒ 分析
マーケティング・
オートメーション
マーケティング対象大衆（マス）セグメント別個客個客
マーケティング手法マスマーケティング
ブランディング
セグメントマーケティング One to Oneマーケティング One to One マーケティング
＋オートメーション
DB 集計、見える化データベースマーケティング
（会員情報×購買履歴）
データベースマーケティング
（会員情報×購買履歴×
行動履歴）
テクノロジデータウェハウス(DWH)
ビジネスインテリジェンス(BI)
アクセス解析
データサイエンティスト
Hadoop、NoSQL
クラウド
キャンペーンマネージメント
パーソナライズ
機械学習
レコメンドエンジン
プライベートDMP
その他ポイントカード
会員データベース
POS
プライベートブランド、SPA
「お願いランキングGOLD」レ
トルト食品総選挙
カスタマージャーニー
O2O
ショールーミング
スマートフォン
オムニチャネル
ビックデータがマーケティングで利用される背景
ビックデータ、企業が他社と差別化できる数少ない武器
企業の生き残りが掛かっている

流通・小売業にとって目下最大の脅威は「ショールーミング」
リアル店舗で商品をチェックして、ネットで購入する、という消費者行動、スマホの普及で加速
米Macy’sのCEOは2011年に
「オムニチャネル企業を目指す」
と宣言
経営不振からの脱却
お客様体験デザイン
全ての顧客接点でシームレスで一貫性のある個客ごとに最適化された顧
客体験を提供することで、ロイヤリティの獲得、ブランド・エクイティを向上
させる戦略、その取り組み
オムニチャネル戦略

購買履歴や会員情報といったこれまで分かっていた情報に加えて、全ての顧客接点から取得した
行動履歴から、来訪したが購買に至らなかった、といったこれまでは見えなかった、見ることが難し
かった情報から顧客の姿を捉えることが必要になる。
既存顧客
（見える姿）
既存顧客
（見えない姿）
来店したが購入しなかった人
潜在顧客
購入してくれそうな人
購買履歴
会員情報
サイトアクセスログ
メール配信ログ
CS問合ログ
・・・
従来見えなかった顧客の姿や潜在顧客の発掘

会員情報と購買履歴によるセグメンテーションでは同じセグメントでも、サイトの行動履歴を加えた
セグメンテーションでは、セグメントは異なってくる。
会員情報＆購買履歴
 最新購入日：2か月以内
 購買頻度：過去1年間で3回以上
 過去の購入金額：10万円以上
 40代男性
行動履歴
1ヶ月以内に
サイトアクセス
RFM分析などでは同じセグメント
1週間以内に
3回サイトアク
セス、カートに
商品を入れて
いる
1ヶ月以上サ
イトアクセスな
し
ホントに同じセグメントでいいの？
A B C A B C
例：行動履歴を利用した顧客セグメント

お客様体験デザインとは？
「全ての顧客接点でシームレスで一貫性のある最適化された顧客体験を提供する」
その仕組みをデザインすること
タイミングの最適化
セグメントの最適化
コンテンツの最適化
チャネルの最適化
顧客接点最適化の４要素
いつ接点を持つのか？
誰に対して接点を持つの
か？
何を提供するのか？
どの経路で
接点を持つのか？
• ゴルフ場予約の翌日、商品購入後1週間後
• プレーの前日
• 商品詳細ページ閲覧の翌日
• 商品をカートに放置した3日後
• メール未開封が1か月経過した後
• 東京、神奈川、埼玉、千葉在住の男性
• 過去にコンペを3回以上予約している会員
• 過去に10万円以上購買実績があるが、過去半年購買経
験がない離脱予備軍
• セール商品の商品ページを過去1週間以内に閲覧した会員
• 関心のあるブランドの商品をお薦め（レコメンド）
• 消耗品（ボール、グローブ、ティ）の販促
• セール商品のお知らせ
• キャンペーンのお知らせ
• クーポンの提供
• 自社サイト
• メール
• 検索エンジン（SEO）
• リスティング広告
• リターゲティング広告
• ディスプレイ広告
• アフィリエイト広告
• 電話
• マスメディア
• リアルプロモーション
顧客接点最適化の４要素

仮説
セグメンテーショ
ン
実行効果検証
3W1H
「誰に」、「いつ」、「何を」、
「どのように」接点を持つか
自動化モニタリング廃止
＋ Seve
顧客をセグメントし、対象者を
抽出
Responsys, R2AD,
Rtoaster, iOneでテストマー
ケティングを実行
効果検証を実施
全ての顧客接点でシームレスで一貫性のある最適化された顧客体験を提供するといっても？？？
PDCA＋自動化のサイクルを回し、変化する顧客のニーズを把握する継続的な取り組みが最重要！！
人（知恵）データ
体系化＝システム化
暗黙知 ⇒ 形式知
継続的な効果検証＆チューニ
ング
データ
知恵
テクノロジ
お客様体験デザイン・プロセス

予約版
Seve
ショップ版
Seve
会員版
Seve
予約
履歴
会員
マスタ
購買
履歴
会員
マスタ
会員
マスタ
予約
サマリ
購買
サマリ
統合版
Seve
会員
マスタ
購買
明細
予約
明細
アクセ
ス
ログ
メール配
信ログ
レコメンド
データ
広告配信
ログ
CS問合
ログ
あらゆるチャネルのデータを統合し
た顧客の360°View
Seve（会員分析＆抽出ツール）

初回来訪（リスティング経由）
会員登録
商品詳細ページ閲覧（メルマガ経由）
CS問合せ
商品レビュー投稿
再来訪（リターゲティング経由）
メルマガ配信・開封
口コミ（商品レビュー）閲覧
初回購入（ドライバー）
会員情報、トランザクションデータ（購買履歴、予約履歴）、行動履歴（サイトアクセスログ等）
を統合することで、個客一人一人のタイムライン（カスタマージャーニー）を作ることできる。
統合版Seveにより自由にセグメンテーション、対象者抽出が可能となる。
Seve（会員分析＆抽出ツール）

GDOのビックデータ活用の軌跡と
活用事例

2009 2010 2011 2012 2013
★DWH/BIリリース ★大リニューアル(G10)
KPIレポート
ゴルフ場営業支援レポート
新ゴルフ場営業支援レポート
MD分析プラットフォーム
Phil(閲覧ページ会員属性分析ツール)
Rtoaster連携
人気ゴルフ場ランキング
ショップレビューランキング
Seve(メルマガ対象者抽出ツール)
R2AD連携
Responsys連携
11/14
GoogleShopping連携
全社データ活用基盤として2010年5月にリリースしたDWH/BI、G10プロジェクトで大幅なリニューア
ルを実施し、現在では当初の目的である社内データの「見える化」に加えて、日常業務での「分析・
意思決定支援」での活用、そしてランキングといった自社サイトでの利用や広告配信システムとの連携
といった「デジタルマーケティング活用」と、その活用範囲を拡大してきている。
デジタルマーケティング
（売上向上）
分析・意思決定支援
（業務効率化・高度化）
集計、見える化
DWH/BI活用の軌跡

E-Commerce
ゴルフ場予約事業
OLAP分析
GBDP
ゴルフ場営業
サポート
KPIマネジメント
予実管理
BI Platform
ゴルフ場予約
連携システム
会員管理
ERP
スコア管理
ワークフロー
広告営業管理
DWH
DWH Platform
ETL
Data Stage
ログ解析システム
アクセス
ログデータ
Digital Marketing Platform
アウトバウンドマーケティング
顧客抽出ツール(Seve)
ゴルフ場向
営業支援帳票
インバウンドマーケティング
統合レコメンドエンジン
GDOサイト
EC事業
MD分析
プラットフォーム
受注・発注分析
在庫・欠品分析
会員属性と連携した広告配信システム
広告配信システム
ECショッピングモール
(Google Shopping)
会員分析
統計解析
IBM SPSS R
社外データ
システム構成（2013年11月13日時点）

数字で見るDWH
J
データ量
6TBytes
DWHに格納されているデータ量は2013
年11月現在で6TByteです。Sybase IQ
のデータ圧縮機能により、約20%に圧
縮され保存されています。
連携システム数
22システム
DWHは社内・社外の21のシステムと
データ連携を行っています。連携して
いるデータの種類(I/F数)は300にもの
ぼります。
テーブル数
1,400
テーブル
DWHが各種システムから取得したデー
タは、ETL処理により取込、用途ごと
に集計され、1,400のテーブルに格納
されています。
利用者数
BI 50ユーザ
ODBC 200ユーザ
全社員400人中、50人が日々BIツール
を業務で活用、200人がODBC接続で
ExcelやAccessを活用しています。
ジョブ数
1,200ジョブ
DWHでは日々1,200のバッチ処理が行わ
れています。全てのジョブがジョブ管
理ツールにより制御され、エラー発生
時には即座にメールが送信されます。
バッチ処理時間
10時間
日次のバッチ処理にかかる時間は約8
時間です。バックアップにかかる時間
はその中で1時間半を占めます。

HP StorageWorks MSA2312fc x 4 (2009)
HDD:48, Size:28TB
DWH Server(SybaseIQ)
HP ProLiant DL380 G5 (2006)
CPU: Intel® Xeon® Processor X5260
CPU:1, Core:2
MEM:32.0GB, HDD:136GB
OS: Windows Server 2003 SE SP2 (x64)
CPU:1, Core:2
OS: Windows Server 2003 EE SP2(32bit)
ETL Server(DataStage)
CPU: Intel® Xeon® Processor E5540
CPU:2, Core:8
OS: Windows Server 2008 EE SP2 (x64)
BI Server(MicroStrategy)
本番環境
# of CPU:1, # of cores:2
OS: Windows Server 2003 SE SP2 (x64)
DWH Server(SybaseIQ)
開発環境
Strage
DWH/BIを支えるインフラ

Seve（メルマガターゲティングツール）
会員情報 × 購買履歴＆予約履歴
会員情報（性別、年代、・・・）と過去の購買履歴からターゲティング

Seve（メルマガターゲティングツール）

Phil（サイト来訪者分析ツール）
会員情報 × アクセスログ
アクセスログ（サイト閲覧履歴）から会員情報（性別、年代、・・・）を分析

Phil（サイト来訪者分析ツール）

値下げお知らせメール
今日からセールになる商品を『直近1週間に閲覧』し『直近1ヶ月以内にその商品
を購入していない』お客様に対してセールになった事を伝えるメールを配信。
CTR（来訪率）
約25％～30%
※レギュラーメール 2%～2.5%

サイト利用

マーケティング・システム連携
広告配信システム(DSP)
（リターゲティング広告）
レコメンドエンジン
（自社サイトパーソナライズ）

データ活用を進めるための3つのポイント

進化のための安定
DWH起因他システム起因サービス停止
2012年1月 5 5 0
2012年2月 2 5 3
2012年3月 4 1 2
2012年4月 1 1 0
2012年5月 4 1 0
2012年6月 3 4 0
2012年7月 1 6 1
2012年8月 1 3 1
2012年9月 1 2 0
2012年10月 3 0 1
2012年11月 1 1 1
2012年12月 3 3 1
2013年1月 2 1 0
2013年2月 1 1 0
2013年3月 1 2 1
2013年4月 1 1 1
2013年5月 0 2 2
2013年6月 2 2 1
合計 36 41 15
 DWH起因の障害原因
 バグ
 人的ミス
 OS,ミドルウェア障害
 他システム起因の障害原因
 データ連携遅延
 他システム連携エラー(API)
 データ不備

東京都
千葉県
（33,633）神奈川県
（7,422）
茨城県
（15,654）
栃木県
（12,026）
群馬県
（7,124）
埼玉県
（15,028）
静岡県
15,800
16,955
2,99019,498
34,817
8,739
2,058
38,330
21,772
21,067
16,634
自由研究（20%ルール）①
会員居住地と予約されたゴルフ場の場所（関東地方編）
予約確定件数上位の居住地に住んでいる会員はどんなゴルフ場を予約しているのか？

自由研究（20%ルール）②
EC 商品ジャンル別のクラスタリング分析 (R)

自由研究（20%ルール）③
マイクロストラテジービジュアルインサイト

自由研究（20%ルール）④
Mahoutを利用したレコメンドエンジンの開発

データ活用推進を阻む大きな壁：データ活用の需要と供給
供給需要＜供給需要＞
システムデータ活用リテラシー＜システムデータ活用リテラシー＞

ビックデータ活用を支える基盤と
今後の展開

E-Commerce
EC事業
ゴルフ場予約事業
OLAP分析
GBDP
ゴルフ場営業
サポート
会員分析
KPIマネジメント
予実管理
ゴルフ場向
営業支援帳票
BI Platform
MD分析
プラットフォーム
受注・発注分析
在庫・欠品分析
社外データ
ゴルフ場予約
連携システム
会員管理
ERP
スコア管理
ワークフロー
広告営業管理
GDOサイト
統合レコメンドエンジン
Digital Marketing Platform
統計解析
IBM SPSS R
DWH
DWH Platform
ETL
Data Stage
ログ解析システム
アクセス
ログデータ
Hadoop Platform
HDFS
Hive
インバウンドマーケティング
アウトバウンドマーケティング
顧客抽出ツール(Seve)
キャンペーンマネージメントシステム
会員属性と連携した広告配信システム
広告配信システム
ECショッピングモール
(Google Shopping)
マーケティング・オートメーション（2013年11月14日時点）

Amazon Web Service
Amazon VPC(Virtual Private Cloud)
プライベートサブネット
GDO社内
キャンペーン
マネージメント
.
スレーブノード (m1.large) ×３（Datanode)
Amazon EC2
アクセス
ログデータ
ログ解析
システム
マスターノード(m1.large) ×3台（Client,Active,Standby)
Standby
(EC2)
NameNode
JournalNode
HDFS
(EBS)
500GB
HDFS
(EBS)
500GB
DataNode
TasKTracker
DataNode
TaskTracker
(EC2)
HDFS
(EBS)
500GB
DataNode
TaskTracker
Active
(EC2)
Client
(EC2)
(EC2)(EC2)
Client
JournalNode
Hive
NameNode
JournalNode
CPU : Intel(R) Xeon(R) CPU 2.66GHz x 2cores
メモリ:7.5GB
CPU : Intel(R) Xeon(R) CPU 2.66GHz x 2cores
メモリ:7.5GB
Hadoop システム構成

Hadoop + Hive
 なぜGDOはHadoopを利用したのか？
① 夜間バッチが夜間に終わらなくなった。。。
② タダ（無料）だから。
③ 使ってみたかった
 Hadoopを利用してみて分かったこと。
 意外と安定している。
 HiveQLには制限は少ない（SELECT）
 開発生産性は高い
 クラウドなのでスケールアウトは、とっても簡単。いろんな意味で。
 更新、削除は出来ない
 レスポンスは遅い
 Hadoop + Hive のベストプラクティス
 バッチ処理

R2AD ResponsysIgnision One
DWH Seve
基幹システム
WEB
ログシステム
Rtoaster
リスティング/ディスプレイ/リマーケティングメール
レコメンド
LPO
顧客抽出
ログ・レスポンスデータ
トランザクションデータや顧客属性だけでなく
お客様の行動をとらえる大量のログ・レスポンスデータを蓄積、集計・加工し、
デジタルマーケティングツールに提供する必要がある。
DWHに求められる要件
• 大量データを蓄積、高速に処理できる
• リアルタイム性（半リアルタイム）
• 可用性が高い（落ちない）
お客様の行動に合わせた高度なマーケティングを実行するためには・・・・
Ad CRM
DWH
RI
Rtoas
ter
R2ADiOne
基幹
システム
WEB
ログシステム
データの集中と相互利用
今後のデジタルマーケティング時代に求められるDWH

製品選定
 GDOの製品選定の特徴
① 検証(POC)に時間とお金を掛ける
② 移行性を重視する
③ 当然ですが、最小の費用で、最大の効果を！！

ご清聴ありがとうございました。

[C11] ビックデータ×マーケティング進化するディジタルマーケティングを支えるビックデータ活用基盤 by Takatomo Kamatsu

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Ähnlich wie [C11] ビックデータ×マーケティング進化するディジタルマーケティングを支えるビックデータ活用基盤 by Takatomo Kamatsu

Ähnlich wie [C11] ビックデータ×マーケティング進化するディジタルマーケティングを支えるビックデータ活用基盤 by Takatomo Kamatsu (20)

Mehr von Insight Technology, Inc.

Mehr von Insight Technology, Inc. (20)

Kürzlich hochgeladen

Kürzlich hochgeladen (9)