Suche senden
Hochladen
R言語で学ぶマーケティング分析 競争ポジショニング戦略
•
51 gefällt mir
•
26,926 views
Yohei Sato
Folgen
Melden
Teilen
Melden
Teilen
1 von 65
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
Mds20190303
Mds20190303
考司 小杉
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
Empfohlen
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
Mds20190303
Mds20190303
考司 小杉
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
Visual Studio CodeでRを使う
Visual Studio CodeでRを使う
Atsushi Hayakawa
心理学のためのPsychパッケージ
心理学のためのPsychパッケージ
考司 小杉
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Hiroshi Shimizu
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
Beta distribution and Dirichlet distribution (ベータ分布とディリクレ分布)
Beta distribution and Dirichlet distribution (ベータ分布とディリクレ分布)
Taro Tezuka
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
ベイズ機械学習(an introduction to bayesian machine learning)
ベイズ機械学習(an introduction to bayesian machine learning)
医療IT数学同好会 T/T
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
Rで学ぶ離散選択モデル
Rで学ぶ離散選択モデル
宏喜 佐野
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
Takashi Yamane
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
Kaggleのテクニック
Kaggleのテクニック
Yasunori Ozaki
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
Stanでガウス過程
Stanでガウス過程
Hiroshi Shimizu
ベイズモデリングで見る因子分析
ベイズモデリングで見る因子分析
Shushi Namba
生存時間分析数理の基礎
生存時間分析数理の基礎
Koichiro Gibo
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
Takashi J OZAKI
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
takehikoihayashi
Abテストと検定
Abテストと検定
Teruki Shinohara
可視化周辺の進化がヤヴァイ~rChartsを中心として~
可視化周辺の進化がヤヴァイ~rChartsを中心として~
Nagi Teramo
Weitere ähnliche Inhalte
Was ist angesagt?
Visual Studio CodeでRを使う
Visual Studio CodeでRを使う
Atsushi Hayakawa
心理学のためのPsychパッケージ
心理学のためのPsychパッケージ
考司 小杉
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Hiroshi Shimizu
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
Beta distribution and Dirichlet distribution (ベータ分布とディリクレ分布)
Beta distribution and Dirichlet distribution (ベータ分布とディリクレ分布)
Taro Tezuka
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
ベイズ機械学習(an introduction to bayesian machine learning)
ベイズ機械学習(an introduction to bayesian machine learning)
医療IT数学同好会 T/T
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
Rで学ぶ離散選択モデル
Rで学ぶ離散選択モデル
宏喜 佐野
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
Takashi Yamane
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
Kaggleのテクニック
Kaggleのテクニック
Yasunori Ozaki
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
Stanでガウス過程
Stanでガウス過程
Hiroshi Shimizu
ベイズモデリングで見る因子分析
ベイズモデリングで見る因子分析
Shushi Namba
生存時間分析数理の基礎
生存時間分析数理の基礎
Koichiro Gibo
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
Takashi J OZAKI
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
takehikoihayashi
Was ist angesagt?
(20)
Visual Studio CodeでRを使う
Visual Studio CodeでRを使う
心理学のためのPsychパッケージ
心理学のためのPsychパッケージ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Beta distribution and Dirichlet distribution (ベータ分布とディリクレ分布)
Beta distribution and Dirichlet distribution (ベータ分布とディリクレ分布)
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
ベイズ機械学習(an introduction to bayesian machine learning)
ベイズ機械学習(an introduction to bayesian machine learning)
変分ベイズ法の説明
変分ベイズ法の説明
Rで学ぶ離散選択モデル
Rで学ぶ離散選択モデル
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Kaggleのテクニック
Kaggleのテクニック
Stan超初心者入門
Stan超初心者入門
Stanでガウス過程
Stanでガウス過程
ベイズモデリングで見る因子分析
ベイズモデリングで見る因子分析
生存時間分析数理の基礎
生存時間分析数理の基礎
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
Andere mochten auch
Abテストと検定
Abテストと検定
Teruki Shinohara
可視化周辺の進化がヤヴァイ~rChartsを中心として~
可視化周辺の進化がヤヴァイ~rChartsを中心として~
Nagi Teramo
第31回TokyoR LT資料
第31回TokyoR LT資料
tetsuro ito
rzmq
rzmq
Masayuki Isobe
中の人が語る seekR.jp の裏側
中の人が語る seekR.jp の裏側
Takekatsu Hiramura
R による文書分類入門
R による文書分類入門
Takeshi Arabiki
Tokyo r30 anova_part2
Tokyo r30 anova_part2
Takashi Minoda
TokyoR#31 初心者セッション
TokyoR#31 初心者セッション
TokorosawaYoshio
はじめよう多変量解析~主成分分析編~
はじめよう多変量解析~主成分分析編~
宏喜 佐野
10分でわかる主成分分析(PCA)
10分でわかる主成分分析(PCA)
Takanori Ogata
RとPythonによるデータ解析入門
RとPythonによるデータ解析入門
Atsushi Hayakawa
Andere mochten auch
(11)
Abテストと検定
Abテストと検定
可視化周辺の進化がヤヴァイ~rChartsを中心として~
可視化周辺の進化がヤヴァイ~rChartsを中心として~
第31回TokyoR LT資料
第31回TokyoR LT資料
rzmq
rzmq
中の人が語る seekR.jp の裏側
中の人が語る seekR.jp の裏側
R による文書分類入門
R による文書分類入門
Tokyo r30 anova_part2
Tokyo r30 anova_part2
TokyoR#31 初心者セッション
TokyoR#31 初心者セッション
はじめよう多変量解析~主成分分析編~
はじめよう多変量解析~主成分分析編~
10分でわかる主成分分析(PCA)
10分でわかる主成分分析(PCA)
RとPythonによるデータ解析入門
RとPythonによるデータ解析入門
Mehr von Yohei Sato
Tokyor60 r data_science_part1
Tokyor60 r data_science_part1
Yohei Sato
Tokyor60 opening
Tokyor60 opening
Yohei Sato
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
Yohei Sato
Tokyor42_r_datamining_18
Tokyor42_r_datamining_18
Yohei Sato
Tokyor42 ggplot2
Tokyor42 ggplot2
Yohei Sato
Tokyor39 yokkuns
Tokyor39 yokkuns
Yohei Sato
EasyHtmlReportの紹介
EasyHtmlReportの紹介
Yohei Sato
20131206 japan r
20131206 japan r
Yohei Sato
Tokyor35 人工データの発生
Tokyor35 人工データの発生
Yohei Sato
ドリコムの分析環境とデータサイエンス活用事例
ドリコムの分析環境とデータサイエンス活用事例
Yohei Sato
Rでレポートメール
Rでレポートメール
Yohei Sato
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
Rでピボットテーブル
Rでピボットテーブル
Yohei Sato
第3回Japan rパネルディスカッション
第3回Japan rパネルディスカッション
Yohei Sato
Tokyor26 data fusion
Tokyor26 data fusion
Yohei Sato
Tokyor24 yokkuns
Tokyor24 yokkuns
Yohei Sato
Tokyowebmining19 data fusion
Tokyowebmining19 data fusion
Yohei Sato
傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling
Yohei Sato
Complex network ws_percolation
Complex network ws_percolation
Yohei Sato
異常行動検出入門(改)
異常行動検出入門(改)
Yohei Sato
Mehr von Yohei Sato
(20)
Tokyor60 r data_science_part1
Tokyor60 r data_science_part1
Tokyor60 opening
Tokyor60 opening
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
Tokyor42_r_datamining_18
Tokyor42_r_datamining_18
Tokyor42 ggplot2
Tokyor42 ggplot2
Tokyor39 yokkuns
Tokyor39 yokkuns
EasyHtmlReportの紹介
EasyHtmlReportの紹介
20131206 japan r
20131206 japan r
Tokyor35 人工データの発生
Tokyor35 人工データの発生
ドリコムの分析環境とデータサイエンス活用事例
ドリコムの分析環境とデータサイエンス活用事例
Rでレポートメール
Rでレポートメール
Rで階層ベイズモデル
Rで階層ベイズモデル
Rでピボットテーブル
Rでピボットテーブル
第3回Japan rパネルディスカッション
第3回Japan rパネルディスカッション
Tokyor26 data fusion
Tokyor26 data fusion
Tokyor24 yokkuns
Tokyor24 yokkuns
Tokyowebmining19 data fusion
Tokyowebmining19 data fusion
傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling
Complex network ws_percolation
Complex network ws_percolation
異常行動検出入門(改)
異常行動検出入門(改)
R言語で学ぶマーケティング分析 競争ポジショニング戦略
1.
R言語で学ぶマーケティング分析 競争ポジショニング戦略 @yokkuns 里 洋平 yohei0511@gmail.com 2013.06.01
第31回Tokyo.R 2013年6月1日土曜日
2.
本日の内容 マーケティング分析シリーズ 第N弾 2013年6月1日土曜日
3.
AGENDA ■ 競争ポジショニング戦略とは ■ 自己紹介 ■
マーケットセグメンテーション ■ ターゲティング ■ ポジショニング 2013年6月1日土曜日
4.
AGENDA ■ 競争ポジショニング戦略とは ■ 自己紹介 ■
マーケットセグメンテーション ■ ターゲティング ■ ポジショニング 2013年6月1日土曜日
5.
自己紹介 ◆ 統計解析やデータマイニングをビジネスに適用 ◆ 里
洋平(@yokkuns) ◆ 元Webエンジニアのデータサイエンティスト ・今は主にマーケティング周りを見てる ・時系列解析とか異常検知とか最適化とか ・いろんなモデルの構築 ◆ Tokyo.Rの主催者 2013年6月1日土曜日
6.
活動例 2013年6月1日土曜日
7.
活動例 Webアプリ開発 Androidアプリ開発 システム開発 2013年6月1日土曜日
8.
活動例 Webアプリ開発 Androidアプリ開発 システム開発 統計モデリング データマイニング 動画レコメンド 株価市場予測 異常検知 行動変化モデリング 2013年6月1日土曜日
9.
活動例 Webアプリ開発 Androidアプリ開発 ビジネス マーケティング 統計モデリング データマイニング 動画レコメンド 株価市場予測 異常検知 選択行動予測 プロモーション システム開発 Data Fusion 行動変化モデリング 2013年6月1日土曜日
10.
AGENDA ■ 競争ポジショニング戦略とは ■ 自己紹介 ■
マーケットセグメンテーション ■ ターゲティング ■ ポジショニング 2013年6月1日土曜日
11.
市場の構造 市場は様々な価値観や趣向の人達で構成されている 何も考えず思いつきでサービスや商品を提供するのは非効率 2013年6月1日土曜日
12.
効果的なサービス提供 ある程度ターゲットとなる人達を決め そのターゲットに刺さりそうなサービスや商品を提供したい 2013年6月1日土曜日
13.
競争ポジショニング戦略 2013年6月1日土曜日
14.
競争ポジショニング戦略 市場がどんな人達で構成されていて 2013年6月1日土曜日
15.
競争ポジショニング戦略 市場がどんな人達で構成されていて その中で誰をターゲットにし 2013年6月1日土曜日
16.
競争ポジショニング戦略 市場がどんな人達で構成されていて その中で誰をターゲットにし どんなサービス・商品を提供するのか 2013年6月1日土曜日
17.
競争ポジショニング戦略 市場がどんな人達で構成されていて その中で誰をターゲットにし どんなサービス・商品を提供するのか セグメンテーション 2013年6月1日土曜日
18.
競争ポジショニング戦略 市場がどんな人達で構成されていて その中で誰をターゲットにし どんなサービス・商品を提供するのか セグメンテーション ターゲティング 2013年6月1日土曜日
19.
競争ポジショニング戦略 市場がどんな人達で構成されていて その中で誰をターゲットにし どんなサービス・商品を提供するのか セグメンテーション ターゲティング ポジショニング 2013年6月1日土曜日
20.
AGENDA ■ 競争ポジショニング戦略とは ■ 自己紹介 ■
マーケットセグメンテーション ■ ターゲティング ■ ポジショニング 2013年6月1日土曜日
21.
マーケットセグメンテーションとは 市場の人々を何らかの基準で いくつかの意味のあるグループに分ける事 2013年6月1日土曜日
22.
マーケットセグメンテーションとは 市場の人々を何らかの基準で いくつかの意味のあるグループに分ける事 2013年6月1日土曜日
23.
マーケットセグメンテーションとは 市場の人々を何らかの基準で いくつかの意味のあるグループに分ける事 セグメント1 セグメント2 セグメント3
セグメント4 2013年6月1日土曜日
24.
伝統的なセグメンテーション 従来からあるセグメンテーションの方法としては、 性別や年代、地域等基本的な属性情報を使ったグループ分け 2013年6月1日土曜日
25.
伝統的なセグメンテーションの課題 趣味嗜好が多様化した現在、基本的な属性による区分では 意味のあるグループが出来なくなって来ている 2013年6月1日土曜日
26.
伝統的なセグメンテーションの課題 hogehoge 趣味嗜好が多様化した現在、基本的な属性による区分では 意味のあるグループが出来なくなって来ている 2013年6月1日土曜日
27.
伝統的なセグメンテーションの課題 hogehoge fuga 趣味嗜好が多様化した現在、基本的な属性による区分では 意味のあるグループが出来なくなって来ている 2013年6月1日土曜日
28.
伝統的なセグメンテーションの課題 hogehoge foofuga 趣味嗜好が多様化した現在、基本的な属性による区分では 意味のあるグループが出来なくなって来ている 2013年6月1日土曜日
29.
伝統的なセグメンテーションの課題 hogehoge foofuga 同じセグメント内でも、様々な趣向や価値観が存在している 趣味嗜好が多様化した現在、基本的な属性による区分では 意味のあるグループが出来なくなって来ている 2013年6月1日土曜日
30.
クラスタリングによるセグメンテーション 基本的な属性だけではなく、趣向や行動パターン等を用いて 機械的に意味のいくつかのグループに分ける 2013年6月1日土曜日
31.
クラスタリングによるセグメンテーション 基本的な属性だけではなく、趣向や行動パターン等を用いて 機械的に意味のいくつかのグループに分ける 2013年6月1日土曜日
32.
クラスタリングによるセグメンテーション 基本的な属性だけではなく、趣向や行動パターン等を用いて 機械的に意味のいくつかのグループに分ける 2013年6月1日土曜日
33.
クラスタリングによるセグメンテーション 基本的な属性だけではなく、趣向や行動パターン等を用いて 機械的に意味のいくつかのグループに分ける 2013年6月1日土曜日
34.
Rによる実行例: 利用するデータの元ネタ IMJモバイルが公開している 「スマートフォンユーザー動向定点観測2011」 2013年6月1日土曜日
35.
Rによる実行例: 利用するデータの元ネタ IMJモバイルが公開している 「スマートフォンユーザー動向定点観測2011」 消費行動に関する アンケート ライフスタイルに 関するアンケート 利用サービスに 関するアンケート 2013年6月1日土曜日
36.
Rによる実行例: 利用するデータ 消費行動に関する17項目の質問に回答した仮想データ 2013年6月1日土曜日
37.
Rによる実行例: 利用するデータ 消費行動に関する17項目の質問に回答した仮想データ sp_user_research_data.csv 2013年6月1日土曜日
38.
Rによる実行例: 主成分分析 ユーザー間の類似関係をざっくりと把握するため 主成分分析を実行して可視化してみる sp.user.data <-
read.csv("sp_user_research_data.csv",header = T) sp.user.pca <- prcomp(sp.user.data[, -1], scale = T) biplot(sp.user.pca) 2013年6月1日土曜日
39.
Rによる実行例: 主成分分析 ユーザー間の類似関係をざっくりと把握するため 主成分分析を実行して可視化してみる 2013年6月1日土曜日
40.
Rによる実行例: 主成分分析 ユーザー間の類似関係をざっくりと把握するため 主成分分析を実行して可視化してみる 2013年6月1日土曜日
41.
Rによる実行例: k-means法によるクラスタリング k-means法を使ってクラスタリングを実行 sp.user.km <-
kmeans(sp.user.data[, -1], 4) sp.user.pca.df <- data.frame(sp.user.pca$x) sp.user.pca.df$id <- sp.user.data$id sp.user.pca.df$cluster <- as.factor(sp.user.km$cluster) ggplot(sp.user.pca.df, aes(x=PC1, y=PC2, label=id, col=cluster)) + geom_text() + theme_bw(16) 2013年6月1日土曜日
42.
Rによる実行例: k-means法によるクラスタリング k-means法を使ってクラスタリングを実行 主成分分析でイメージしたクラスタに分類される 2013年6月1日土曜日
43.
Rによる実行例: レーダーチャート レーダーチャートを描くと各クラスタの特徴が分かりやすい R言語では、fmsbパッケージのradarchart関数で実行出来る library(fmsb) df <-
data.frame(scale(sp.user.km$centers)) dfmax <- apply(df, 2, max) + 1 dfmin <- apply(df, 2, min) - 1 df <- rbind(dfmax, dfmin, df) radarchart(df, seg = 5, plty = 1, pcol = rainbow(4)) legend("topright", legend = 1:4, col = rainbow(4), lty = 1) 2013年6月1日土曜日
44.
Rによる実行例: レーダーチャート レーダーチャートを描くと各クラスタの特徴が分かりやすい R言語では、fmsbパッケージのradarchart関数で実行出来る 欲しいものが無い 衝動買い 値段比較する 雑誌や周りを 参考にして買う 計画的な買い物 予定より多く買う 2013年6月1日土曜日
45.
Rによる実行例: レーダーチャート レーダーチャートを描くと各クラスタの特徴が分かりやすい R言語では、fmsbパッケージのradarchart関数で実行出来る ■ クラスタ1:
こだわりデジタル層 ・衝動買いをしない、買う前に値段を比較、 計画的な買い物をする ■ クラスタ2: 慎重スロースターター層 ・欲しいものが無い、商品に詳しくない、 衝動買いをしない ■ クラスタ3: 控えめフォロワー層 ・全般的に消費意欲が低い ■ クラスタ4: 飛びつきミーハー層 ・衝動買いをよくする、雑誌や周りを参考に買う 欲しいものが無い 衝動買い 値段比較する 雑誌や周りを 参考にして買う 計画的な買い物 予定より多く買う 2013年6月1日土曜日
46.
AGENDA ■ 競争ポジショニング戦略とは ■ 自己紹介 ■
マーケットセグメンテーション ■ ターゲティング ■ ポジショニング 2013年6月1日土曜日
47.
ターゲティング 市場をいくつかのセグメントに分割出来たら 次はどのセグメントをターゲットにするかを決定する こだわりデジタル層 ・衝動買いをしない ・買う前に値段を比較する ・計画的な買い物をする 慎重スロースターター層 ・欲しいものが思い当たらない ・商品の情報に詳しくない ・衝動買いをしない 控えめフォロワー層 ・全般的に消費意欲が低い 飛びつきミーハー層 ・衝動買いを良くする ・雑誌や周りを参考に買う ・予定よりも多く買う 2013年6月1日土曜日
48.
ターゲティング 市場をいくつかのセグメントに分割出来たら 次はどのセグメントをターゲットにするかを決定する こだわりデジタル層 ・衝動買いをしない ・買う前に値段を比較する ・計画的な買い物をする 慎重スロースターター層 ・欲しいものが思い当たらない ・商品の情報に詳しくない ・衝動買いをしない 控えめフォロワー層 ・全般的に消費意欲が低い 飛びつきミーハー層 ・衝動買いを良くする ・雑誌や周りを参考に買う ・予定よりも多く買う 2013年6月1日土曜日
49.
AGENDA ■ 競争ポジショニング戦略とは ■ 自己紹介 ■
マーケットセグメンテーション ■ ターゲティング ■ ポジショニング 2013年6月1日土曜日
50.
ポジショニングとは ターゲットセグメントの頭の中の 自分達のサービスと競合サービスの位置づけを理解し 彼らにどんなサービスを提供するかを決める サービスA サービスB サービスC サービスD サービスE サービスG サービスF サービスH 2013年6月1日土曜日
51.
ポジショニングとは ターゲットセグメントの頭の中の 自分達のサービスと競合サービスの位置づけを理解し 彼らにどんなサービスを提供するかを決める サービスA サービスB サービスC サービスD サービスE サービスG サービスF サービスH 新サービス 2013年6月1日土曜日
52.
知覚マップ ユーザーにとってのサービスの位置づけマップ マップ上で近い位置にあるサービスは競争関係になる サービスA サービスB サービスC サービスD サービスE サービスG サービスF サービスH 2013年6月1日土曜日
53.
選好ベクトル 知覚マップ上でユーザーが重視している方角を見付ける サービスA サービスB サービスC サービスD サービスE サービスG サービスF サービスH 2013年6月1日土曜日
54.
知覚マップの作成: MDS 個体間の距離や非類似関係からマップを構築する S1 ...
Sn S1 ... Sn X1 ... Xn S1 ... Sn ■ 距離 ・ユークリッド距離 ・市街距離 ・ミンコフスキー距離 ■ 類似度 ・ピアソンの相関係数 ・パターン類似度 ※ 非類似度 = 1 - 類似度 2013年6月1日土曜日
55.
Rによる実行例: 利用するデータ IMJモバイルが公開している調査結果から作成した 14種類のサービスを評価した仮想データ 2013年6月1日土曜日
56.
Rによる実行例: 利用するデータ IMJモバイルが公開している調査結果から作成した 14種類のサービスを評価した仮想データ target_preference_data.csv 2013年6月1日土曜日
57.
Rによる実行例: MDSによる知覚マップの作成 MASSパッケージのisoMDS関数で作成 library(MASS) target.data <-
read.csv("target_preference_data.csv", header = T) service.dist <- dist(t(target.data[, -1])) service.map <- isoMDS(service.dist) service.map.df <- data.frame(scale(service.map$points)) service.map.df$service_name <- names(target.data[, -1]) ggplot(service.map.df, aes(x = X1, y = X2, label = service_name)) + geom_text() + theme_bw(16) 2013年6月1日土曜日
58.
Rによる実行例: MDSによる知覚マップの作成 MASSパッケージのisoMDS関数で作成 ユーザーにとっての各サービスの位置づけを可視化 2013年6月1日土曜日
59.
Rによる実行例: 選好ベクトル 各ユーザーの選好度を 作成した知覚マップの横軸と縦軸の変数を使ってモデル化 user.preference.data <-
do.call(rbind, lapply(1:nrow(target.data), function(i) { preference.data <- data.frame(p = as.numeric(target.data[i, -1]), X1 = service.map.df$X1, X2 = service.map.df$X2) fit <- lm(p ~ ., data = preference.data) b <- 2/sqrt(fit$coef["X1"]^2 + fit$coef["X2"]^2) data.frame(X1 = b * fit$coef["X1"], X2 = b * fit$coef["X2"], service_name = i) })) ggplot(service.map.df, aes(x = X1, y = X2, label = service_name)) + geom_text() + theme_bw(16) + xlim(-2, 2) + ylim(-2, 2) + geom_point(data = user.preference.data, aes(x = X1, y = X2)) 2013年6月1日土曜日
60.
Rによる実行例: 選好ベクトル 距離が2となるポイントに各ユーザーの選好ベクトルを表示 今回のデータでは、ほぼ-X1方向が重視されている SNSや電子書籍など デジタルな感じのものは 興味ない 写真は好き 天候や地図、 カレンダーなどは好き 2013年6月1日土曜日
61.
Rによる実行例: 選好ベクトル 距離が2となるポイントに各ユーザーの選好ベクトルを表示 今回のデータでは、ほぼ-X1方向が重視されている SNSや電子書籍など デジタルな感じのものは 興味ない 写真は好き 天候や地図、 カレンダーなどは好き 2013年6月1日土曜日
62.
AGENDA ■ 競争ポジショニング戦略とは ■ 自己紹介 ■
マーケットセグメンテーション ■ ターゲティング ■ ポジショニング 2013年6月1日土曜日
63.
参考 ■ スマートフォンユーザー動向定点観測 2011 ・http://www.imjp.co.jp/FileUpload/files/documents/release/2011/imjm20110909.pdf ■
マーケティングの統計分析 ・http://www.amazon.co.jp/dp/4496044072 ■ Rによるマーケティングシミュレーション ・http://www.amazon.co.jp/dp/4254128134/ 2013年6月1日土曜日
64.
次回以降の 発表者を募集しています! 2013年6月1日土曜日
65.
ご清聴ありがとうございました! 2013年6月1日土曜日
Jetzt herunterladen