予測分析で顧客との関係を改善する

顧客は製品やサービスを膨大な市場から選択します。ほとんど無限のマーケットから選ぶのは、かなり困難なことです。顧客ニーズに沿った製品を予測し提案することは、顧客の心を動かし利益につながる信頼関係を築くことにつながります。

Antuitのリコメンデーションシステムは、お客さまの無数の製品やコンテンツから顧客にふさわしいアイテムを選び出します。そしてお客さま独自のビジネス要件に合わせて、カスタマイズすることが可能です。

主要な機能

  • 独自の手法
  • クライアントのビジネス要件に合わせたカスタマイズ
  • 複数のリコメンデーションからの最適な選択
  • リアルタイムな実行
  • あらゆるスケールに対応した設計
  • 「テスト & ラーン」プログラムとの連携による継続的なモデルの改善

リコメンデーションシステムは、構造化データ(ERP・POSデータ・店舗販売など)と非構造化データ(検索エンジン・クリック・Webサイト・モバイル・メール・コールセンターなど)から、リアルタイムな情報を結合し、顧客一人ひとりに最も関連のある商品をおすすめします。これは複数のアルゴリズムから最適な集合を作成する独自のメソッドを備えた機械学習(マシンラーニング)のテクノロジーがコアになっています。

目的別に様々なカスタマイズが可能なプラットフォーム

複数のまたは相反する目的を果たすために、高度なカスタマイズが可能な構造になっています。たとえば (1) 既存顧客の活性化、(2) 離反顧客を取り戻す、(3) 新規客の獲得、(4) 既存顧客へのクロスセルなど、また、ユーザー定義の指標を更に追加することもできます。

製品特性、顧客情報、製品関連性スコア

コンテンツベースのレコメンドは、製品や顧客の特徴からなる多次元の指標から算出されます。製品特性については、産業分野別の専門知識を駆使し、複数の実例から核となる手法を確立しています。
この特性指標は、ユーザー特性などを追加してカスタマイズするインターフェイスもあります。さらに特殊なケースでは、Antuitのディープラーニング・アルゴリズムを利用して特性を自動抽出することも可能です。

またレコメンドエンジンは、様々なデータを組み合わせて、顧客情報や顧客プロファイルをリアルタイムに導き出します。人口統計などの標準的な情報、Web上の行動データやそこから浮かびあがる感情、その他の外部データなどを解析します。

最終的には、最高のリコメンデーションを決定するために、顧客関連性スコア(過去の購買頻度・購買傾向・順応傾向など)も活用します。もちろんこれらの関連性スコアは、お客さまに合わせてカスタマイズできます。

「テスト & ラーン」プログラムとの統合

リコメンデーションシステムは、「テスト & ラーン」プラットフォームと統合することで、A/Bテストを利用して新しい仮説を検証しレコメンドシステムを改善します。