【BDSP】データドリブンのマーケティングチームの構築方法 - Natic | Application Modernization Platform – 日商エレクトロニクス

【BDSP】データドリブンのマーケティングチームの構築方法

本記事は米RapidMiner社ホームページ内、RapidMiner BLOGに掲載されている、”How to Build Data-Driven Marketing Team”(2019年8月23日)を翻訳したものです。


マーケティング担当者は、データドリブンであると主張したいのですが、実際にそうだろうか…。

我々は確かにリード獲得から購入までのコンバージョンを、リードコンバージョンファネルで追跡していますし、キャンペーンにアトリビューション分析を使用し、最高の収益を生み出すためにどこに予算を投資するかを把握します。

また私たちはEメール、webサイトでのA/Bテスト、ランディングページをパーソナライズし、ExcelやTableauで美しいレポートを作成するなど、成長へ貢献しています。確かにデータが問題ではありません。SalesForceやGoogle AnalyticsからDMP、エンタープライズ規模のDWHやデータレイクまで、マーケティング担当者はこれまで以上に多くのデータを入手でき、それをレポートする方法もたくさんあります。

データドリブンのマーケティング担当者になる

本当の課題は、やはりデータを「今私は何をすべきなのか。」に変えることです。そしてそれは難しいため、私たちは結局データに基づいて意思決定をしていると考えます。ーデータを使用することで、私たちの直感と過去の経験を補強します。確かに、マーケティング費用の半分が理由もわからず無駄になったMad Menマーケティングからは、ポジティブな前進です。しかし、データから情報を得ることとデータドリブンは大いに異なります。

正直なところ、データドリブンマーケティングの方程式で最も重要な部分が欠けています。私たち自身が持つ偏見を切り離し、きれいなチャートやグラフでは見えない隠された洞察を明らかにし、最も重要な、私たちの意思決定の背後にある数学的真実を明らかにします。

それがデータサイエンスです。

データサイエンスはすでに多くの革新的な組織の中心に位置しています。例えばAlphabetは、ディープラーニングと人工知能に関する困難な問題の解決に専念する研究チーム、Google Brainを作りました。ほとんどが研究組織ですが、Brainチームの革新はすでにGoogle Photoなどの消費者向け製品に取り入れられています。テスラは、データサイエンスを使用して自動運転を構築し、1億マイルをこえる自動運転データを分析しました。Netflixは、データサイエンスを使用して、テレビ番組の制作内容を把握しています。

データサイエンスチームの構築

私はデータサイエンスチームを、マーケティングテクノロジー、プロセス、分析を担うマーケティング運用機能の進化と見なしています。マーケティングオペレーションの責任者は、CMOと見なされることが多く、マーケティングにおいてデータサイエンスの取り組みをするにふさわしい役職です。データサイエンスには様々な肩書がありますが、マーケティング運用チームに追加すべき、2つのスキルセットがあります。

データサイエンティスト

データサイエンティストは、機械学習とビジネスの洞察力を融合し、マーケティングチームを実用的な学習へ導きます。彼らは成長仮説を立て、予測ソリューションを試作、検証および展開を担当する責任があります。一般的なスキルには、機械学習と統計に関する専門知識、Python、RapidMinerなどの予測モデリングツールの習熟度、データの視覚化とストーリーテリング、ビジネス要件をテスト可能な仮説に変更する能力などが含まれています。Airbnbがデータサイエンティストを採用する方法はこちらに記載されている通りです。

データエンジニア

データエンジニアは、データへのアクセスの複雑さに取り組み、データサイエンティストチームのインフラストラクチャとツールを取り扱っています。マーケティング担当者はデータに溺れ続けており、データエンジニアは何百もの構造化及び飛行増加ソース間でデータを接続することにより、データサイエンティストが顧客の全体像にアクセスすることに役立ちます。一般的なスキルには、SQL/NoSQLデータベースシステム、データモデリングおよびETLツール、データウェアハウス、Apache Sparkなどがあります。

データサイエンスの役割を見つけるのが難しく、雇うのに費用が掛かることは間違いありません。そして、組織はデータサイエンスの人材を採用しようと争奪戦を繰り広げているため、この問題は今後数年で悪化していきます。マッキンゼーは、2018年までにデータサイエンティストの需要が供給を50%以上、上回ると予測を発表しました。

すぐに開始できる3つのマーケティングデータサイエンスプロジェクト

データサイエンスチームの構築に投資することを決めました、大きな決定です!ここに、あなたが最初に見るべき3つのプロジェクトを書きます。

1. 機械学習を使用してリードを採点する

リードの採点に対する既存のアプローチは、主に直感と本能に基づいてあり、あまりにも多くの不適格なリードがセールスに引き渡され、より適格なリードはそのまま残っていました。データサイエンティストは、全てのソース(CRM、MA、製品の使用状況、SNS)からのデータを組み合わせ、モデルをトレーニングして、最も高い頻度で「受注」の機会に繋がるリードを予測できます。アカウントベースドマーケティングを行っている場合は、同様の方法でアカウントにスコアを付けることができます。
ここでは、RapidMinerで予測リードスコアリングを最近実装した方法について詳しく知ることができます。

2. 顧客の解約を防ぐ

解約は、リカーリングモデルを持つすべての企業に起こり得ます。データサイエンティストは、顧客のすべての属性(機能と呼ばれている)を確認し、解約の可能性が高いと予測される属性を特定することに役立ちます。その後、顧客が解約する前に積極的オファーをターゲティングできます。
解約を最小限に抑えることの経済的影響について、David Skokの素晴らしい記事があります。

3.クラスタリングを使用して顧客をセグメント化し、オファーをパーソナライズする。

ドミノピザは、85,000を超える構造化データソースと非構造化データソースを使用し、顧客を同様の行動をする人々のグループに分類します。このセグメンテーションは、パーソナライズされたオファーを通じて収益を増加させることに役立ちます。同じ尺度を同じセグメントに適用することにより、同セグメントのメンバーから収益をもたらします。

では、予測型マーケティング製品を購入することはできないか。

それは絶対に違います。データサイエンスは、既製の予測マーケティング製品だけを頼るにはあまりに重要です。例えば、私が以前いた会社では、最も人気のある予測リードスコアリング製品の一つを展開したところ、次のことが分かりました。

・データサイエンスはブラックボックスでした。どのリードが優れているかはわかりましたが、その理由はわかりませんでした。

・予測リードスコアリングモデルを微調整するたびに、ベンダーを待つ必要がありました。また、変更には数か月かかりました。

・データサイエンスのユースケースごとに、新製品の購入が必要でした。例えば、アカウントベースドマーケティングプログラムのターゲットを特定するための予測モデルの構築を検討しましたが、別の製品を購入する必要がありました。

なにより、予測型マーケティング製品は、熟練したデータサイエンティストの好奇心と創造性に取って代わることはできません。

データサイエンティストは行動の背後にある洞察を提供し、仮説を立てて証明する方法を知っています。彼らは、相関と因果関係の違い、およびそれを証明する方法を理解しています。これらのソリューションを実装する方法についてさらにアイデアを探している場合は、マーケティング担当者向けの予測分析に関するプログ投稿をチェックしてください。

機械は依然として学習方法を教える必要があり、予測マーケティング製品のブラックボックスへのアプローチは、画期的なデータサイエンスを提供するために依然として必要な人間性を排除してしまいます。

データと分析の力を活用するのに苦労していませんか?あなたは一人ではありません。
RapidMiner GO
がどのように役立つかをご覧ください。


 

記事担当者:アプリケーション企画開発部 積田
投稿日:2020/09/23