DataRobot で小売業のお客様を担当しているデータサイエンティストのグザビエです。本稿では、DataRobot と KARTE を連携することで実現できる、デジタル顧客体験を高度にパーソナライズする方法をご紹介します。

ここ数年、デジタルトランスフォーメーション（DX：Digital Transformation）が非常に重要なテーマとなっています。経済産業省が発表した2018年のレポートでは、企業がデータを活用できなければ、急激な市場の変化に対応できず、デジタル競争の敗者になると言及しています^［1］ 。そして、コロナ禍における新しい日常により、消費者の習慣はオフラインからオンラインへの移行が加速し、E コマースでの買い物の統計だけを見ても、前年比20％以上の伸びを示しています^［2］。

DX は、この変化の激しい環境で企業が生き残るための鍵となります。そのため、当社のお客様の中には、DX に挑戦し、デジタル顧客体験（DCX：Digital Customer Experience）の向上に力を入れている企業が多く見られます。

DCX の目的は、デジタル・カスタマージャーニーの各タッチポイントにおいて、お客様一人一人により多くの記憶に残る瞬間（感動と満足）を提供することです^［3］。この目的を実現するために、PLAID 社が開発したカスタマー・エクスペリエンス・プラットフォーム「KARTE」が多く使用されていますが、KARTE プラットフォームを使用したとしても、アクションやセグメント作成など、人間が判断しなければいけない部分は多岐にわたります。そこで、DataRobot のような人工知能（AI：Artificial Intelligence）と KARTE を組み合わせて活用し、より簡単にパーソナライズされた体験を提供する試みが始まっています。

本稿の次章で、機械学習を DCX 向上に活用したユースケースを紹介します。続いてLife Time Value（LTV：顧客生涯価値）予測を例に、DataRobot を使うことでどのようなメリットがあるのかを見ていきます。最後に、DataRobot と KARTE を組み合わせて使う場合に使用できる様々な連携方法を紹介します。

DCX で注力すべき機械学習活用方法は？

本章では、E コマース分野の DCX に適用できる機械学習ユースケースに焦点を当て、人工知能（AI）を活用することで、顧客がカスタマージャーニーの各ステップをより効率的に進められることをご紹介します。

DataRobot のような機械学習プラットフォームを利用すれば、過去の履歴データに基づいて機械学習モデルを構築し、顧客の属性や行動に基づいて、一人一人の顧客のコンバージョン確率を予測したり、顧客セグメントを作成するためのルールを出力することができます。

また、KARTE のような CX プラットフォームでは、ウェブサイトやアプリ上から個人情報を除く顧客属性（年齢、性別、地域など）や行動データを収集することができ、それらのデータを分析することで作成したセグメントやアクションに基づくデジタル顧客体験を提供できます。

そこで、DataRobot の予測値と KARTE のプラットフォームを組み合わせることによって、ウェブサイトやアプリケーションを閲覧している利用者によりパーソナライズされた体験やオファー、サービス（コンテンツの出し分け）を提供することができます。

次のセクションでは、顧客の LTV 予測に基づく顧客体験設計のケースを例に、マーケターが今まで直面していた課題と、DataRobot のような AI プラットフォームがそれらの課題解決にどう役立つのかを解説していきます。

LTV を活用した DCX で発生する課題を解決するには？

ある EC サイトが多額の費用をかけてプロモーションを行い、新規顧客を獲得したとして考察します。彼らの収益や ROI を最大化（＝顧客のLTVを最大化）させるためには、新規顧客がその後その EC サイトで販売している商品を繰り返し購入するようになってくれるかどうかが非常に重要です。

このような「リピート購入」を促進するために、その EC サイトのマーケターは彼らの通販サイトやアプリを通して商品を購入する顧客の DCX をパーソナライズします。具体的には、以下の4ステップによって、パーソナライズされた体験、オファーやサービスなどを提供していきます（下図2）。

1. CX プラットフォームを利用して顧客の属性データや行動データなど、様々なデータを連携させる
2. 過去の顧客行動を可視化しながら分析する
3. ルールベースによるセグメントを作成する：例えば、 LTV が高くなりそうなセグメントを定義するために、「初めて購入する人で、注文額は5,000円以上」というようなシンプルなルールでセグメントを作成
4. 各セグメントに合わせて、ウェブサイトやアプリ上でオファー（例：10%の割引を適用）やコンテンツの出し分けを行う

しかし、このアプローチにはいくつかの課題があります。

1. データ分析に時間がかかる：マーケターは今まで、個々の顧客の行動を分析していましたが、顧客数の増加やデータの種類の増加に伴い、データ分析にはますます時間がかかります。
   
2. 複雑なデータ分析：複数のタッチポイント（ウェブサイト、アプリ）と複数の顧客属性情報（年齢、性別、地域など）があるため、リピート購入や高い LTV と強く相関しているパターンを見つけ出すのが困難になります。
   
3. シンプルすぎるゆえの不正確なセグメンテーション：「初めて購入する人で、注文額は5,000円以上」のような単純なセグメンテーションを利用するといくつかの問題が生じると考えられます。例えば、予測に基づかない方法で高 LTV セグメントを定義しているため、実際の LTV と乖離が生じる可能性があります。また、年齢、性別、商品の閲覧回数など複数の属性情報が存在しているにも関わらず、上記のセグメンテーションでは高LTV顧客を定義するのに1つの属性（＝購入金額）しか使用されていません。その欠点を補完しようと大量のセグメントが作成され、それらの管理に追われ、顧客に合わせて十分にパーソナライズされた体験を提供することが困難になる可能性があります。

もしこれらの課題を解決できず、顧客体験のパーソナライズが限定的にしか提供できない場合、大きな機会損失を招いてしまうでしょう。

しかし、心配には及びません。上記3つの課題は、DataRobot の機械学習の自動化製品（DataRobot Auto ML）によって解決することができます。上記 LTV 予測のテーマ例について、DataRobot を使ってよりパーソナライズされた顧客体験が可能になることを下図3に示しましたので、具体的に見ていきましょう。

1. 価値を生み出すまでの時間を短縮：DataRobot Auto ML を使うことで、マーケターは自動化された機械学習プラットフォームによって、短時間で大量のモデルを作れる（様々なシナリオに基づいたAIモデルを作成することができる）ようになります。
   
2. 高精度で透明性の高いモデルを自動的に生成：DataRobot Auto ML は、高度に自動化された前処理に加え、最新の機械学習ライブラリや独自のアルゴリズムを使用し、自動的に精度の高いAIモデルを作成します。更に特徴量のインパクトや特徴量ごとの作用などのインサイトを提供することで、LTV に影響するドライバーを見つけることができます。
3. 正確で緻密なパーソナライゼーションが可能：DataRobot Auto ML は、全ての属性や行動データに基づいて見込み LTV（例：初購入から1年間の合計購入金額）を予測し、「LTV が平均的に5万円になる顧客」のようなセグメントを自動的に検出してくれます。全てのデータを利用して、見込み LTV の高い顧客セグメントを同定することによって、より正確でかつ詳細なパーソナライズを実現できます。

以上のように、DataRobot を利用すれば、マーケターはセグメント作成を自動化でき、セグメントに対してのアクション設計（例：LTVスコアの高い顧客にはリアルチャットサービスを提供する、など）により多くの時間を割けるようになります。以上、「DataRobot を活用した DCX の向上」が従来の DCX 設計における課題をどのように解決するのかを、下図4にまとめました。

DataRobot と KARTE を使った連携方法のご紹介

前章では、DataRobot を活用した DCX の向上について説明しました。DataRobot のアウトプットに基づいて、マーケターは KARTE のようなカスタマー・エクスペリエンス・プラットフォームでセグメントを設定でき、オファーやコンテンツの出し分けのシナリオを設定できます。

この章では、LTV を活用してカスタマイズされた DCX を例に、DataRobot と KARTE の代表的な連携方法（3種類）を紹介します。

1. ホットスポット方式：DataRobot で LTV の予測精度の高いルールを自動的に生成することで、ホットスポット（例えば、LTV の高い顧客セグメント）を見つけ、そのルールに基づいて、KARTE 内でカスタムセグメントを設定します。
   
2. バッチ連携：DataRobo tを使用して、一人一人の顧客に対して LTV の予測値を計算し、バッチ連携によってこれらの予測値を KARTE に連携します。
   
3. リアルタイム連携：JavaScript で DataRobot と KARTE を連携させることによって、最新の顧客の閲覧行動を活用し、DataRobot による個々の予測値を計算することができます。

それぞれの連携方法について詳しく見ていきましょう。

1. ホットスポット方式

DataRobot Auto ML は、数回のクリックで予測精度の高いモデルを自動的に作成することができます。その中に Rulefit というアルゴリズムが含まれており、ルールベースの塊となった AI モデル（ホットスポット）を構築します。ホットスポットによって、LTV の高いユーザーや LTV の低いユーザーに該当するルールが自動生成されます。（下図5で沢山の◯の一つ一つが、個別のルールに該当します）

生成されたルールは、ユーザーの属性や行動、複数の条件の組み合わせが考慮されています。

自動的に生成されたルールに基づいて、マーケターは KARTE でカスタムセグメントを作成することができます。それぞれのセグメントに対して、顧客体験をパーソナライズするための様々なシナリオを作成し、素早くテストすることで、PDCA サイクルを大幅に短縮することができます。

この方法は非常にシンプルであるという利点があります。ただ、ルール作成が自動化されたとしてもカスタムセグメントの更新を PDCA サイクルごとに行わないといけないというデメリットが残ります。このデメリットを解決し、より詳細なパーソナライゼーションを行う方法として、次にバッチ連携の方法を紹介します。

2. バッチ連携

バッチ連携では顧客の LTV 予測値を事前に計算するので、大量のデータを対象とすることができます。個々の予測値に基づいて、例えば、LTV が50,000円以上の場合はチャットサポートやクーポンを提供する、LTV が10,000円～49,999円の場合はクーポンを提供するなど、より高度なシナリオを KARTE で設定することが考えられます。

主に2種類のバッチ連携方法が考えられます。それぞれの方法で、KARTE から払い出された GCS バケットを活用し、DataRobot と KARTE Datahub の間で予測用のデータと予測値を転送できるようになります。

a. バッチ実行端末によるジョブスケジューリング

下図7にプロセスフローを示します。

1. バッチ実行端末を使って DataRobot の予測ジョブをスケジューリング（図7 – ①）
2. 予測結果を取得（図7 – ②）
3. 出力結果は、バッチ端末から GCS バケットに転送（図7 – ③）
4. 最終的に KARTE Datahub に取込まれる（図7 – ④と⑤）

この方法は必要に応じてバッチ実行端末内でデータエンジニアリングを行い（高度な特徴量エンジニアリングや KARTE に含まれていないデータソースの使用など）、要件に応じてエラー処理を行うことができるという利点があります。

b. DataRobot と KARTE 双方のジョブスケジューリング機能を活用

高度なデータエンジニアリングを行う必要がなく、エラー処理にクリティカルな要件がない場合には、DataRobot と KARTE 双方のジョブスケジューリング機能を活用することが考えられます。ジョブは DataRobot と KARTE それぞれでスケジューリングされるため、追加の端末コストを節約することができます（図8）。

DataRobot ML Ops 製品の「バッチ予測ジョブの定義とスケジューラー」（本稿公開時には公開ベータ機能）を使うとバッチ予測のジョブを簡単に設定できます。「予測」>「ジョブ定義」タブで、ソースタイプに GCP を選択し、予測データ用のURLと形式を指定することによって予測ジョブを登録します（下図9）。その後、そのジョブをスケジューリングすることが可能です。

以上、バッチ連携で事前に予測値を計算する方法をご紹介しましたが、実業務においては「たったいまユーザーがウェブサイト上で行っている行動データを使ってシナリオを提供したい」というケースもあると思います。このケースに対応するリアルタイム連携について、次のセクションで詳しく解説します。

3. リアルタイム連携

JavaScript で開発することによって DataRobot と KARTE をリアルタイム連携することが可能です。KARTE で取得した値やアクションは JavaScript から直接呼び出すことができ、JavaScript から DataRobot API を呼び出して予測値を取得します。

1. KARTE で必要データを取得
2. DataRobot の予測を呼び出し、予測を実行、結果を取得
   ※リアルタイム予測を満たすデプロイ手法を選択
3. 予測結果を元に KARTE のアクションを実行

上記全てのステップを JavaScript で実現しますが、この方法をとると、データの前処理が必要な場合には、そちらもJavaScriptで実施する必要があり、場合によっては JavaScript の処理に時間がかかり過ぎてしまうため、UX の悪化に繋がる可能性があることに注意が必要です。

そこで、リアルタイムに大きく変化しない過去のトランザクションデータや属性データの前処理は事前に済ませておき、そのデータを元にした予測値（今回の場合は LTV）は上のバッチ連携方式で計算しておくのがポイントです。その上で、バッチ連携方式での予測値＋リアルタイムに利用したいデータのみを JavaScript で KARTE と DataRobot に連携することによって JavaScript の処理を最小化しつつリアルタイムデータを活用した予測値を利用できます。

ただこの方式でも、JavaScript 開発が必須となり、かつ、計算時間の影響によるアクションのラグは多少発生するので、これらのトレードオフを見極めて本当にリアルタイム連携で実装する必要があるかどうかを検討するのが良いと思います。筆者の感覚では実際には前章のバッチ連携方式で8割以上のケースをカバーできます。

なお、リアルタイムに利用したいデータの種類が多くない場合には少しアプローチを変えて、バッチ連携方式＋ルールベースで組み合わせたセグメント（LTV の予測値と「滞在時間1分以上」などのルールの組み合わせ）を作ることによって、JavaScript の追加開発なしにアクションはリアルタイムにした上で、十分なパーソナライゼーションを行える場合があります。したがって、リアルタイム連携に興味がある方はまずはこちらを検討していただくのも良いかと思います。

まとめ

本稿では、機械学習を使ってデジタル顧客体験（DCX）を改善する方法を紹介しました。DataRobot を活用する事で、よりスピーディーかつ簡単に高度な顧客セグメントを構築できるようになります。また、DataRobot と KARTE を連携させることによって、一人一人の顧客に対して、より高度にパーソナライズされた体験を提供できるようになります。

参考文献

［1］https://www.meti.go.jp/shingikai/mono_info_service/digital_transformation/pdf/20180907_01.pdf

［2］https://www.businessinsider.jp/post-230159

［3］https://en.wikipedia.org/wiki/Customer_experience

投稿 機械学習を使ってデジタル顧客体験（DCX）を向上させるには？：DataRobotとKARTEの連携方法のご紹介 は DataRobot に最初に表示されました。

DataRobot と Palantir は、AI や機械学習を活用した業務においては、組織のデータサイエンティスト、意思決定者、および一般従業員が協力して取り組める環境を整えることで、AI の価値を実現できるという考え方を共有しています。

両社は、小売業界が直面している極めて複雑な課題の 1 つである需要予測に連携して取り組むことを​発表​しました。

機械学習や AI による需要予測は、すでに多くの小売企業で欠かせないものになっていますが、新型コロナウイルスの感染拡大以降、予測可能な過去のパターンおよび行動を前提として構築された既存のモデルとトレーニングデータには大きな限界があることがわかってきました。世界的な感染拡大によって買い物の仕方が大きく変わったり、特定の商品の需要が増加したりしたことは、誰も予測できなかったでしょう。しかし、実際のところ、小売企業による需要予測の方法には以前から問題がありました。長年抱えてきた問題には、よりスマートで現実的な解決策が必要であることが、パンデミックによって明らかになったのです。

需要と供給をリアルタイムで可視化するには、ソースシステム、権限、更新サイクルなどが異なる複数のデータセットを 1 つにまとめる必要があります。このような資産をまとめて、小売業のエコシステムをリアルタイムで包括的に把握することは、ほとんどの組織にとって克服できないほど複雑な作業です。また、データサイエンティスト、各分野の専門家、ビジネス上の意思決定者に全体的な視点や「共通言語」がないと、見落としている点に気づかないまま重要な意思決定をしてしまうでしょう。

DataRobot と Palantir は需要予測ソリューションで連携して、こうした問題に正面から取り組んでいます。その中で新しく開発されたカスタムフレームワークには、Palantir Foundry と DataRobot のモデル開発およびモデルデプロイの機能が統合されており、非常に複雑な小売業界のユースケースを単一のプラットフォームで管理できます。

需要予測により、小売企業では次のことが可能になります。

エンドツーエンドの統合ソリューションにより、機械学習モデルの作成とデプロイを容易に実現

ユーザーは、データ準備から、モデルの自動開発、モデルのデプロイ、予測に至る、エンドツーエンドの AI ワークフローを簡単に作成できます。

ワークフローを迅速かつ効果的に運用することで、ダッシュボードやビジネスインテリジェンスから本番環境への移行につなげ、意思決定を促進することができます。また、機械学習に関するすべての資産が 1 か所に集められるため、モデルの監視と継続的な管理が大幅に簡素化されます。

自動化とスマートな統合により、アプローチを迅速に拡大

Palantir Foundry でデータ準備が完了すると、そのデータを 1 つの DataRobot プロジェクトで直接使用できます。プロジェクトが設定されると、DataRobot のオートパイロット機能で組み込みのガードレールやデータサイエンスのベストプラクティスが適用されるため、モデリングプロセスの重要なステップを確実に実施できます。

最適なモデルフレームワークが特定されると、専用の予測環境へデプロイされます。そして、このモデルフレームワークで新しいデータを使用し、Palantir Foundry に予測結果を送り返すことができます。Palantir Foundry の新しいデータにはスコアが付けられるので、データドリフトや精度を追跡することで、モデルのパフォーマンスを監視および確認できます。

さまざまなユーザーをエコシステムの 1 つのビューにまとめることで、より迅速に価値を実現

組織のデジタルツインが作成され、重要なデータや分析資産は、データに意味を与えるレイヤーによって理解しやすい形式にまとめられます。

アクセス可能な単一の情報源により、技術系以外の専門家も簡単に予測を評価および理解し、ビジネス上の重要な意思決定をより迅速に、より自信を持って行うことができます。

DataRobot と Palantir Foundry が連携することで、小売企業の需要予測プロセスを変革し、よりインテリジェントでインパクトのあるソリューションを実現できます。

投稿 DataRobot と Palantir Foundry の連携によって、革新的なエンドツーエンドの需要予測ソリューションを実現 は DataRobot に最初に表示されました。

DataRobot とデータクラウド企業の ​​Snowflake​ が 2018 年に新たなパートナーシップを発表した際、「企業内での ​AI​ の導入を加速させる」という目標を掲げました。両社は、それから 2 年以上にわたり緊密に協力し合い、お客様のニーズに応えるためのシームレスな連携について理解を深めてきました。

数か月にわたる有益なコラボレーションを経て、DataRobot と Snowflake はこの度、両社のパートナーシップの下で初となる製品連携を発表しました。​​​DataRobot の特徴量探索​（特徴量エンジニアリングの自動化により、機械学習モデルで使用する重要な特徴量の新規作成が可能）が、Snowflake で利用できるようになりました。これにより、Snowflake の顧客は AI と​機械学習​を活用してイノベーションを加速させ、ビジネスを促進する予測インサイトを手にすることができます。​

DataRobot の特徴量探索: 次世代の特徴量エンジニアリングの自動化

特徴量エンジニアリング​は AI において最も重要なタスクの 1 つです。なぜなら、作成する特徴量によって、機械学習プロジェクトの成否が決まることがよくあるからです。

​問題は、データに適切な特徴量​が存在することは稀であり、複数のデータソースを 1 つのデータセットに統合してモデルをトレーニングし、予測を行う必要があることです。これには通常、複数のテーブルを結合させ、異なる派生ウィンドウ（直近の 30 日間、先週など）で多くの集計データ（合計値、最大値、平均値、カウント、エントロピーなど）を探索することが含まれます。

​DataRobot の自動特徴量探索は、エキスパートレベルのデータサイエンスのベストプラクティスを自動化することで、特徴量エンジニアリングのプロセスを簡素化して高速化します。

一般的な特徴量エンジニアリングの自動化ソリューションと比較して、DataRobot の場合、1 つだけでなく複数のデータセットからデータを活用して、機械学習モデルで使用する数百の重要な特徴量を新たに見つけ、テストし、作成することで、それらモデルの精度を劇的に向上させることができます。

Snowflake でさらに高速化

複数のデータソースを探索するには、常に大量のデータをシステム間で転送する必要があり、これには多くのリソースと時間がかかりました。

DataRobot と Snowflake との新たな連携により、特徴量探索の処理を Snowflake に組み込むことで、データの移動を最小限に抑えることができます。その結果、素早く結果を導き出せるので、運用コストを削減できます。

特徴量探索は、データサイエンスのプロセスに自動化をもたらすという観点において、さまざまな意味で ​​DataRobot の AutoML​​（Automated Machine Learning）製品の拡張機能と言えます。この連携により、Snowflake のデータクラウドからより精度の高いモデルを開発できます。

特徴量探索機能について詳しくは、​特徴量探索の製品ページ​​をご覧ください。

投稿 DataRobot の特徴量探索機能と Snowflake を連携 は DataRobot に最初に表示されました。

セクション②では、機械学習を用いたリードスコアリングについて詳しく見ていきます。マーケターは、ここ数ヶ月でウェビナー経由でリードの集客を実施することが多くなりましたが、成約率が非常に低いという問題に直面しています。このような成約率の低さには、CRM で利用できるデータが限られていたり、複雑なルールベースのスコアリングを使用していたり、営業チームへの説明が不十分であったりと、複数の理由があります。

しかし、これらの課題は、DataRobot 6.0 リリースにあるエンドツーエンドのソリューションを活用し、機械学習を自動化する事で解決可能です。DataRobot Data Prep (旧Paxata)で、Salesforce Sales Cloud などの B2B CRM システムと簡単に接続し、必要なデータ処理を行います。そして、DataRobot Auto ML を使って、高速かつ高精度のモデルを構築し、営業チームが納得してアクションを起こすために必要な情報を提供することができます。セクション③では 、以上の様な Salesforce Sales Cloud と DataRobot の連携方法を紹介します。

セクション①：B2B CRM で注力すべき機械学習の活用方法は？

過去のブログで、B2B マーケティングでの機械学習を活用したユースケース一覧を紹介しました。 しかし、COVID19の状況下では、優先順位を再検討し、顧客の新たな行動に対応できるようにプロセスを再構築することが重要です。その際に以下の4つは必ず押さえておきたい重要なポイントです。

1. 顧客の獲得
2. 既存の顧客の LTV 向上
3. 顧客の解約防止
4. 営業のパフォーマンス向上

それでは、以上のポイントに添って、ポスト COVID19 で B2B の CRM のプロセス改善のために優先的に始めるべき4つの機械学習の活用方法を紹介しましょう。

1. リードスコアリング：顧客の行動は、対面でのミーティングやイベントからオンラインのウェビナーに移行しています。この新たな行動を捉えるため、ウェビナーデータなどの新しいデータソースを使用し、既存のスコアリングロジックを更新する必要があります。
2. ネクストベストアクション：従来、過去のマーケティングキャンペーンや顧客の購買履歴データを利用して、顧客に適切なオファーや商品を推奨していました。しかし、顧客のニーズや行動が変化しているため、最新のデータを分析し、既存のネクストベストアクションロジックを大幅に更新する必要があります。
3. 顧客の解約を防止：既存顧客の中には、COVID19 の危機によって経済的に打撃を受けた企業もあります。そのため、最新のデータに基づいてこれらの変化を取り入れ、解約確率の高い顧客を早期に特定することが重要です。そして、それらの顧客と早期に交渉し、必要に応じて値引き対策などを講じなければなりません。
4. 営業チームのパフォーマンス分析：顧客の解約防止のために優先順位付けをし、優先度の高いアカウントにスキルの高い営業担当者をアサインすべきです。

しかし、このような既存プロセスの改良には、一朝一夕にはいかない多数の課題が存在します。それでは今から、リードスコアリングの例を用いて、具体的な課題と DataRobot を使った解決方法を説明します。

セクション②：リードスコアリングのユースケースで発生する課題を解決するには？

COVID19 の影響で、B2B 企業の営業・マーケティング部門は、リード獲得チャネルの変更を余儀なくされました。また、リアルで行われるセミナーを避け、より気軽なウェビナーに参加する人が増えました。その結果、以前よりも集客人数は増えた一方で、見込み顧客のエンゲージメントは下がっています。

しかし、この早い変化に合わせてマーケターがスコアリングルールを更新できず、変化に未対応の既存のスコアリングルールを運用しているケースがよく見られます。その結果、成約率は下がり、営業担当者は以前よりも増えたリードにアプローチするために多くの時間をかけています。

リードスコアリングプロセスを、急速な変化に適応させることができないのには、以下の3つの原因があります。

1. データ準備の問題：CRM システムには、見込み顧客、連絡先、購入情報など、限られたデータしか蓄積されておらず、リードの注意力度などのウェビナーのデータやマーケティングキャンペーンに対する反応など、重要なデータが不足していました。マーケターやアナリストが、このようなデータを含めるためにはデータエンジニアの助けを借りるケースも少なくありません。しかし、データエンジニアのリソースは限られており、必要なデータ処理の依頼を待たされる事も多く、マーケティングキャンペーンにも遅延が発生しました。また、ウェビナーやマーケティングキャンペーンが頻繁に行われるため、その都度データのクレンジングや準備をするのは多くの時間がかかりました。
2. スコアリングロジックの複雑さの問題： マーケターは、企業規模、業界、リードの役職などをアドホックに分析して、複雑なスコアリングのルールを作成していました。例えば、役職が部長の場合は50ポイントを与え、パンフレットをダウンロードした場合は10ポイントを加えると言ったルールです。ウェビナーの結果などを新たにルールに反映したい場合、再び長い時間をかけてその影響を分析する必要がありました。
3. 分析結果に対する不信感：CRM システムに元々含まれているスコアリングのツールは、成約確率を出力するだけで、インサイトが得られないブラックボックスがほとんどです。そのため、マーケターがモデルのアウトプットを信頼することが難しく、マネージャーや営業担当者に説明できません。一方で、営業担当者に何の説明もなく、リストだけを渡した場合、営業担当者は予測値を完全に信用することができず、今まで通り自分の感覚で優先づけしたり、全てのリードにアプローチしようとする場合がよく見られます。

DataRobot はこれらの課題を解決するためのエンドツーエンドのソリューションを提供しています。

1. データ準備問題の解決策：DataRobot Data Prep は、誰でも簡単に CRM システムのデータにアクセスし、マーケティングオートメーションツールなどの他のデータソースとデータを結合することを可能にします。そして、結合キーも自動で検出し、短時間でデータをクレンジングし、大規模に加工することができます。一度作ったデータ準備プロセスを編集・再利用することで、新しいデータに対する準備作業を自動化することもできます。
2. スコアリングロジックの複雑さ問題の解決策：DataRobot Auto ML は、数回のクリックで高速かつ高精度のモデルを構築します。
3. 分析結果に対する不信感の解決策：特徴量のインパクトや特徴量ごとの作用などを使う事でモデルの理解と信頼をもたらします。 最後に、予測の説明を使って、リードが優先された理由を理解する事で、営業チームはリストを納得して活用する事ができます。またインサイトを活用し、見込み顧客に合わせてカスタマイズしたメッセージングを行うこともできます。

以上の様に、DataRobot を活用することで、営業部門とマーケティング部門は、スコアリングルール作成の時間を大幅に短縮し、ビジネス価値を生み出すことができます。

セクション③：DataRobot と Salesforce Sales Cloud をダイレクトに連携したリードスコアリング

リードスコアリングでは、リードに関連するイベントが発生するかどうかを予測します。例えば、リードとのミーティングがセットされるか、リードが案件化されるか、リードが成約するかを予測する場合が多くあります。今回は、リードが成約するかを予測します。そして、Salesforce Sales Cloud からのデータ、および ウェビナーツールやマーケティングオートメーションツールから CSV ファイルとして取得されたデータを使ったモデリング方法を紹介します。

Salesforce Sales Cloud のデータやその他の顧客データからビジネス価値を生み出すためには3つの重要なステップがあります：

1. データ準備
2. モデル構築
3. モデルの運用（予測）

ステップ1：データ準備 

DataRobot Data Prep と Salesforce Sales Cloud の連携はとても簡単です。接続を有効化するには、一般情報とユーザークレデンシャルに必要なフィールドを入力するだけです。

Salesforce Sales Cloud との接続が確立されれば、必要な項目を選択するだけで簡単にデータをインポートすることができます。そして、DataRobot Data Prep では、データの詳細な情報を確認して、パターンをハイライトし、フィルタグラムでデータの異なる断面を見るなど感覚的な UIで、データを深く理解することができます。

しかし、Salesforce Sales Cloud からのデータは限られています。機械学習モデルのパフォーマンスを向上させるには、様々なデータソースから、その他の顧客行動特性でこのデータを充実させることが重要です。例えば、ウェビナーツールのデータから、リードがウェビナーのウェブページを継続的に見ていた時間を表す特徴量、「セッションの注意力継続時間」、を追加することによって、モデルのパフォーマンスを向上させるのかもしれません。

ところが、その他のデータソースから情報を追加したい際に大きな問題となるのが、データセットの結合です。DataRobot Data Prep では、結合キー自動探索機能を使う事で簡単に複数のデータセットを結合する事ができます。

データの準備が終われば、DataRobot の AIカタログにデータをプッシュしてすぐにモデル構築に移る事ができます。

ステップ2：モデル構築

DataRobot Auto ML は数回のクリックでモデリングプロセスを全て自動化します。まずは AI カタログから、DataRobot Data Prep で用意したデータを元にプロジェクトを作成します。

DataRobot Auto ML は、高速で高精度のモデルを構築するだけではありません。特徴量のインパクトと特徴量ごとの作用でモデルが何を学習したかを理解することができるため、営業チームにそのモデルを説明する事もできます。

意力向上のために、オーディエンスの興味を引くより良いウェビナーのコンテンツを準備することは間違いなく役立ちそうですね！

特徴量ごとの作用で、注意力の変化による成約への影響を見ると、リードがウェビナーを注目度が高いほど、成約の可能性が高いことが分かります。 ビジネスの観点からは、これは間違いなく理にかなっており、よりモデルの信頼性を高める結果となります。 また、聴衆の関心を維持するために、ウェビナーでは20分ごとに投票を含めることなどの改善案を考えることができます。

予測の説明で、営業チームはモデルが出す予測値の主要な判断基準を理解することができます。

ここで、成約確率が最も高いトップ2のリードは、45分間（60分のウェビナーセッションの場合）しかウェビナーに参加していなかったことがわかります。しかし、それらのリードは45分の内45分に注意を払っています。ウェビナーに参加するのが遅れたのかもしれませんが、極めて強い関心を持っていました。営業チームは、今すぐにこれらのホットリードに連絡を取るべきです。

ステップ3：モデルの運用（予測）

高精度や信頼できるモデルを構築した後、新規リードのデータをスコアリングするためにモデルをデプロイします。

「モデルをデプロイ」をクリックすると、サーバインスタンスをアクティブ化し、API 介してアクセスすることができます。

時間のかかるステップの一つは、予測データの準備です。しかし、DataRobot Data Prep では、モデリング時に利用した処理ステップを再利用して予測データを生成することができます。処理ステップの再利用で時間の節約し、同時に、DataRobot Data Prep の Automatic Project Flows を使用して、簡単にこのプロセスを自動化・スケジュール化することができます。

そして、API キーを入力とデプロイ済みモデルを選択すると、DataRobot Data Prep から、予測結果、及び予測の説明をすぐにアウトプットすることができます。

最後に、データを CSV ファイルとしてエクスポートし、Salesforce Sales Cloud に手動でアップロードすることで、優先度の高いリードのリストと優先順位の理由を付けた形で、営業担当者にアラートを出すことができます。

まとめ

このブログでは、機械学習を使って B2B CRM マーケティングを改善する方法を紹介しました。DataRobot を活用する事で、データからビジネス価値への道のりで直面する多くの課題を解決することが可能です。DataRobot は Salesforce Sales Cloud から簡単にデータにアクセスすることができ、DataRobot の予測値を使って、営業やマーケティングチームは効果的にリードに優先順位をつけることができます。

ここでは Salesforce Sales Cloud との連携を紹介しましたが、DataRobot は Marketo のようなマーケティングオートメーションツールへのコネクタがあり、Marketoに直接モデルをデプロイする事も可能です。この様に DataRobot は様々なマーケティングツールと簡単に連携し、機械学習を使ったより高度なマーケティング活動を可能にします。

参考情報

Salesforce Sales CloudとDataRobot Data Prepの接続の詳細については、DataRobot Data Prep (旧Paxata)のドキュメンテーションを参考にしてください。「Consumer Key」と「Consumer Secret」は、Salesforce Sales Cloud で接続アプリケーションを作成する必要があります。詳細については、Salesforce 管理者にお問い合わせいただくか、Salesforce Sales Cloud のマニュアル をご覧ください。

投稿 B2B CRMで機械学習を活用して成功するには？ DataRobotとSalesforce Sales Cloud のダイレクト連携方法の紹介 は DataRobot に最初に表示されました。

DataRobotでは先進的な外部ツールとの連携をすることで、ユーザー様がすでに構築された既存ツールの利用価値を更に高める取り組みを行っています。特にデータベース分野で最近注目されているTreasure Dataとの連携は、先日行われたAI Experience 2019 Tokyo でも大きく取り上げさせていただきました。

トレジャーデータ堀内氏と握手を交わすDataRobotプロダクトVPのPhil Gurbacki

企業には様々な顧客データがあり、Treasure Dataの提供するCDP（Customer Data Platform）の仕組みは、その収集と一元管理を容易に可能にしてくれます。一方でそういった顧客データから本当に価値のある顧客インサイトや、サービス向上の打ち手がどれだけ生まれているでしょうか？このブログでは、２つの製品の組み合わせがいかに顧客データの利用価値を広げてくれるのかを見ていきたいと思います。

Treasure Data CDP x DataRobot でどんな事ができるの？

CDPは、主にB2Cにおける、顧客データ（Customer Data）のプライベートDMP（Data Management Platform）として注目され、導入が活発になっているソリューションです。

近年、販売チャネルの多様化、顧客接点の多様化に伴い、顧客に関する大量のデータが様々な場所で発生するようになってきました。

一人の顧客が、同じメーカー／ブランドの商品を、実店舗で購入したり、ECサイトで購入したりするようになってきました。また、アプリで商品に関していろいろと調べたあと、実店舗に来店して購入したり、逆に、実店舗で商品を試着したあと、ECサイトで購入したりすることもあります。

こうした変化に伴い顕著になってきた課題がデータのサイロ化です。一人の顧客のデータが、発生源ごとに別々に管理され、互いに共有されない状況が見られるようになってきています。実店舗の購買データ、ECサイトの購買データ、アプリのアクセスログなどがバラバラに管理されているのです。こうした状況を改善するのがTreasure Data CDPです。大量の顧客のデータを一箇所に収集し、共有することができます。

また、収集したデータを活用する場合、第3者が提供するデータ、第3者が収集した顧客データと組合せると効果的である場合が多いです。特に、旅行などのイベントや、進学・就職・結婚・出産などのライフステージの変化において、消費性向が大きく変わることがありますが、その時、第3社の顧客データと組合せるとそうした変化をとらえやすい場合があります。

Treasure Data CDPはCDPのデファクトスタンダードであるため、利用企業が非常に多く、互いの顧客データをtd_global_idをキーとして一人一人の顧客を一致させる形で、結びつけることができます。

更に、Treasure Data CDPと連携するサービス・プロダクトは非常に多種・多岐にわたるため、データを収取・分析した結果を、様々な施策に落とし込むことができます。

ここでDataRobotと組合せると、できることが一気に広がります。マーケティングひとつ取り上げても、以下のようなマーケティング施策をより精緻に実施できるようになるとともに、自動化によるコスト削減も期待できます。

• ターゲットセグメンテーション
• マーケティング反応予測（開封・クリック・コンバージョン予測）
• 解約予測・休眠顧客掘り起こし
• 顧客満足度予測
• LTV予測
• プロダクトミックス
• クロスセル・アップセル・レコメンデーション
• アトリビューション分析・マーケティングチャネル最適化
• 価格弾力性予測

以下、仮想のアパレルメーカーを例に、Treasure Data CDPとDataRobotとを組み合わせて使う効果を示していきたいと思います。

A社は老舗アパレルメーカーです。従来は実店舗のみで販売しており、顧客はハウスカードで管理してきました。しかし、数年前からオンラインショップでも販売を開始し、こちらの顧客はデジタル会員証で管理しています。オンラインショップはWebだけでなく、独自アプリからもアクセスすることができます。実店舗は実店舗の販売履歴のみを使用して、アプリの利用者に対してはアプリ経由のオンラインショップの購入履歴のみを使用して、それぞれ個別にマーケティング施策を打ってきました。これからはOMO（Online Merged with Offline）を意識して、実店舗では実店舗でしか提供できない体験を提供することにより、総合的にマーケティングを打ちたいと考え、ハウスカードからデジタル会員証への移行（統一）を完了したところです。これから、新しいマーケティング施策を打つ予定であり、そのターゲッティングをしたいと考えています。

ここで、使用するデータは、以下の6つのテーブルです。

• 顧客別キャンペーン履歴
• 顧客マスター
• 商品情報
• 実店舗購入履歴
• App購入履歴
• Web購入履歴

この6つのテーブルすべてがTreasure Data CDPに格納されているとします。

Treasure Data をDataRobotのAI Catalogに登録

まずDataRobotに Treasure Data のデータ接続を登録します。

続いて、AIカタログからデータ接続を利用し、使用したいテーブルを登録します。ここでSQLを記述する必要はなく、テーブルをいくつかクリックし、まとめてカタログに登録できます。

AIカタログにテーブルが登録されると、新しいプロジェクトを作成できるようになります。

DataRobotの自動特徴量探索を経て予測モデルを構築

自動特徴量探索の設定は簡単です。プロジェクトデータ(ここでは「顧客別キャンペーン履歴」)をアップロードし、ターゲット(「redeem」)を指定すると、「特徴量探索」エリアのメニューを使用して探索設定を行うことができます。

「グラフを新規作成」を使用してセカンダリーデータとの関係性を定義します。ここでの「グラフ」とは表や図といった意味ではなく、「関係性」を意味しています。例えば以下の例では、プロジェクトデータセットと「実店舗購入履歴」をそれぞれの「cust_id」列を使って結合し、さらに「実店舗購入履歴」と「商品情報」をそれぞれの「sku_id」列を使って結合するように定義していることがわかります。

同様に他のデータに対してもグラフを作成しました。この例では時間を意識した結合も設定しており、プロジェクトデータの「start_date」列を見てそれより30〜0日前の購入履歴のみを集計・結合対象とするようにしています。

これでは準備は完了です。「開始」ボタンをクリックしてオートパイロットをスタートさせましょう。

自動特徴量探索の設定を行っている場合、オートパイロット中に特徴量の探索や生成を自動実行するステップが追加されます。ここでデータの集計や結合が自動的に行われます。

この例ではプロジェクトデータには4つの特徴量しかありませんでしたが、特徴量探索により最終的には187の特徴量が使用されていることがわかります。

AIによる顧客インサイトと、予測のさらなる活用方法

DataRobotが作成したモデルのうち、「デプロイ推奨」というバッジが付いたモデルを見てみましょう。下図はDataRobotの「特徴量のインパクト」という機能で、モデルの生成に用いられた特徴量を、ターゲットの予測に与える影響度の大きな順に並べたものです。一番上の特徴量の影響度を100％としたときの相対影響度で表示されます。

特徴量名の末尾に（）で「30 days avg」とあるような特徴量はすべてFeature Discovery機能によって自動生成されたものです。この図で表示されている25個の特徴量のうち、元のテーブルにあった既存の特徴量はoffer_idとgnederのわずか2つです。それ以外はすべてFeature Discoveryによって生成されており、Feature Discovery機能がいかに強力かが分かります。これを自分で生成しようとすれば、膨大な時間がかかり、しかも、同じような特徴量をすべて見つけ出すのは至難の業でしょう。自動生成された特徴量が上位にきていることから、得られるモデルの精度にも大きく影響することが容易に想像できます。

また、上位に来ている特徴量に関し、DataRobotの「特徴量ごとの作用」という機能を使って、その特徴量を単独で変化させたときのターゲット（今の場合はマーケティング施策の反応率）の変化を見ることにより、今後のマーケティング施策の設計を最適化できます。

例えば、実店舗購入履歴[offer_discount](30 days avg)を見ると、実店舗でのディスカウントは、たかだか350ドルまでとしても、なんら問題はないと考えられます（ただし、サンプル数が少ないことに注意する必要があります）。

実店舗購入履歴[sku_id](30 days counts)の様子は、DataRobotの「カテゴリクラウド」という機能を使って見ることができます。この機能は、サンプル数の大小を文字の大きさで、ターゲット（今の場合はマーケティング施策の反応率）の予測値の高低を文字の色（赤いと高い）で表現するものです。この図から、既存の商品をキャンペーン対象とする場合、sku_id 53521の商品は今後キャンペーン対象とすべきではないことが分かります。代わりに、33569や17419を用いた方が反応率は高くなると見込めます。

以上のように、Treasure Dataに格納された大量のトランザクションデータから、DataRobotのFeature Discovery機能を使って、有用な特徴量を大量に自動生成することにより、精度の高いモデルが得られ、かつ、今後のマーケティング施策の設計に対するインサイトが得られることが分かります。

投稿 Treasure Data CDP x DataRobot AI = 顧客データから価値を生み出す は DataRobot に最初に表示されました。

前回の、ビジネス・アナリストがAIの民主化を成功させるためにはでは過去データを元にしたBIとAIによる予測における意思決定の違いについて説明させて頂きました。会社の意思決定はあらゆる業務で連動しており、一つ一つの活動結果は会社全体に大きく影響を与えます。マーケティングの活動結果次第で、売り上げへの影響も大きく出ますし、販売計画に誤差があると、製造計画や物流・SCMにも大きな影響が発生します。

意思決定を行う際には、将来良くなる場合と悪くなる場合をそれぞれ想定して、最終的にどう判断すれば良いかといった考えを誰もが持たれると思います。そこで、今回はWhat-if分析を例に具体的に意思決定がどう変わってくるのかについて説明させて頂きます。

【目次】

1. 従来のWhat-if分析における意思決定の課題
2. AIを活用したWhat-if分析
3. DataRobot新機能 What-If Extension for Tableau

１. 従来のWhat-if分析における意思決定の課題

　What-if分析とは、何かを目的決定するとき、あり得るシナリオのシミュレーションを計算し、どのシナリオが一番いいかを考える手法です。具体的には過去実績を元にルールベースで数式を作成し、ExcelやBIツールなどでシミュレーションを行い比較します。シミュレーションした結果、将来のシナリオが

• xx%良かった時、
• yy%悪かった時

といった複数シナリオを立てて比較を行います。為替による原価シミュレーション、価格最適化、収益の最大化など様々なユースケースがあげられます。しかしながら、ExcelやBIツールでは、以下のような課題があります。

1. 精度
   将来の不確定な要因が多かったり、不確実性が高かったりする経営環境のシミュレーションを行うのであれば、考慮すべきリスク要因や未来のシナリオも多数となる。しかしながら全ての要素をルールベースで構築する事は困難なため、シナリオの精度が悪くなる。
2. スピード
   常に変化するビジネス状況に合わせてルールベースの計算ロジックを改編し続けるためには柔軟な対応が求めらるが、常にスピーディーに対応し続けるのは困難。
3. ビジネス適用
   ルールベースで決められたシナリオに基づいてアクションを取るため、ルールから外れたシナリオを考慮できない。

それでは、このような課題を解決するにはどうすれば良いでしょうか？

２. AIを活用したWhat if分析

上記で述べた３つの課題はAI（機械学習の自動化）を活用する事で解決できます。

1. 精度
   考慮すべきリスク要因のデータを取り込み予測モデルを再構築する事で、予測精度をあげる事ができる。
2. スピード
   ルールベースの計算ロジックではなく、AI(機械学習の自動化）により様々な要因となりえるデータを取り込みモデルを構築する事ができる。
3. ビジネス適用
   特徴量となり得る様々なデータを取り込む事により、説明可能な予測シナリオに基づいて、ビジネスユーザーが意思決定を行う事ができる。

AIによるWhat-if分析においては、意思決定の際に与えられた予測を元に判断するだけでなく、変数を変える事でビジネスユーザーが仮説を元により深い判断を下す事ができるようになります。

DataRobotで作成したモデルを元にした予測値をTableau ダッシュボードに組み込むと以下のような活用例が可能です。

【業務例：小売の出店予測】

客席数によって、会社の売り上げがどのように変わるのか？また、売上が最大化される条件はどこなのかをシミュレーションできます。

上の図では110席から120席がベストな売上である事が判断できます。
（130席から150席までは、席を増やすと売上が下がる事がわかります。これは限られた面積の中で、客席数（店舗面積）を増やす事により、逆に駐車場の面積が減る事が原因の一つとして考えられます。）

3. DataRobotで新機能 What-If Extension for Tableau

DataRobotでは、既にご説明させて頂きました通りTableau連携としてDataRobot insightをリリースしております。今月、リリースしたDataRobot What-If Extension for Tableauでは、DataRobotが構築した予測モデルを利用して、予測値のシミュレーションが可能になりました。

本ブログでは、Tableauとの技術的な連携方法については述べませんが、ビジネスとしてどう活用できるのかについて簡単に説明させていただきます。

　What-if Extensionでは、Tableauを利用しているビジネスユーザーがDataRobotを予測値を元にシナリオを比較して意思決定を行う事が可能です。ユーザーはDataRobotでどのような予測モデルで構築されたのかを意識する事なく、普段使っているBIツールを元にAIで予測された最適な答えを得る事ができます。

例として、先ほどと同じ業務例でみて見たいと思います。

【業務例：小売の出店予測】
１店舗ごとの売り上げ予測を比較する場合、客席数、駐車場台数、接道数、視界性などを変更しシナリオ別に比較する

1. 画面例としては、以下のように変数を変える事で予測値が変える事でシナリオを作成し、
   
2. 設定されたシナリオの変数による売上予測を求めます。
3. 変数を変える事で複数シナリオ毎の売上予測を比較する事が可能です。

　上記の図のシナリオを見てみるとScenario 1の売上予測が一番大きくなる事がわかります。このシナリオですと、客席数100、駐車場55となっています。（客席数をこれ以上増やしても駐車場が減る事になるので、売上が下がると予測されています）

このようにWhat-if分析をAIで活用する事により、様々なユースケースにおいてビジネスユーザーが意思決定を行う際に、ビジネスインパクトにどう影響が起きるかのシナリオを比較する事が可能になります。

 　AIの民主化では、シチズン・データサイエンティストを増やすだけでなく、ビジネス・ユーザーがAIを元にした意思決定及びアクションができるかまで考える事が重要です。AI導入の際にはビジネスユーザーにどのように意思決定として役立てられるかを是非考えてみてください。

ご不明な気になる点やご興味のある部分などあれば、DataRobotまでご質問ください！！最後までお読み頂きましてありがとうございました。

本ブログ作成に関して、ご協力頂きましたCFDS中山 晴之さんにこの場をお借りして御礼申し上げます！！

メンバー募集

DataRobot Japanでは一緒に働いて頂けるメンバーを募集しております。様々な職種で募集しておりますので、是非ご検討ください。詳しくはこちら

投稿 Tableau 連携による意思決定の高度化 は DataRobot に最初に表示されました。

会社全体でAIの潜在能力をフル活用するには、お使いのアナリティクスツール、プロセスおよびアプリケーション内でDataRobotの機械学習自動化モデルを民主化する必要があります。各社員がAIを利用できるようにすることで、最終収益を改善できます。このシリーズでは、お使いのアナリティクスツールにDataRobotの機械学習モデルを組み込む際、使用できる各種オプションをご紹介します。 それでは、AIの民主化について詳しく見ていきましょう。

AIで約束されている機能を実現する

既存のETL/データパイプラインにスコアリングを追加し、結果をデータベースに保存して、一般的なアプリケーションやBIツールからアクセスできるようにするのが、予測インサイトを合理的に民主化する上で最も一般的な方法の1つです。私個人としては、可能な限りこのアプローチを選択します。このシナリオでは、社内の既存のガバナンス、データセキュリティ、変更履歴、バージョン管理等の信頼できるレポートプロセスにDataRobotを追加します。  

データパイプラインにDataRobotを追加するには、まず予測モデルを構築し、デプロイオプションを選択してから、DataRobotで生成されたコードをETLプロセスに追加します。DataRobotのREST APIを使用すれば、ほぼすべての最新ETLツールからデータのスコアリングが可能です。Alteryxをお持ちであれば、データのモデリングとスコアリングはもっと簡単です。DataRobot Automodel and Predict toolsを使用できます。

その他の場合、ご使用のデータ可視化ツールで予測モデルの結果とチャートを確認すると良いでしょう。こうしたシナリオでは、DataRobotのAPIコールでバッチスコアリングやリアルタイムでのスコアリングが必要になります。 通常、これらオプションに制限はありません。

DataRobotのAPI ー REST、R、Python等

DataRobotで構築されたモデルはどれも、コードが事前に構築されていて、本番環境ですぐに使用できるため、予測結果を迅速に取得できます。長々とした予測コードを自分で作成したり、インフラストラクチャを管理したりする必要はありません。多くのデータ準備ツールやアナリティクスツールですでにRやPythonを使用できるため、まず、DataRobotで予測した結果や可視化した内容をDataRobotのAPIで追加するかどうか検討すると良いでしょう。

Microsoft Power BIでのPythonスクリプトによるクエリ手順内のDataRobot REST API

リアルタイム予測、オフライン予測、バッチデプロイ、そしてHadoopでのスコアリングの要・不要を問わず、機械学習モデルを本番環境で簡単に運用化できます。弊社カスタマーフェイシング・データサイエンティストが、各種APIオプションをご案内できます。プログラミングに慣れている方であれば、Jupyter Notebook、R Studio等、普段使用しているスクリプトツールで新たにDataRobotのライブラリを参照して、使用可能なAPIを確認できます。

DataRobotのPython API

コーディングが苦手な方のために、DataRobotでは、コード不要の簡単なサードパーティーコネクターおよびパートナー拡張機能をご用意しています。以降では、こうしたコネクターや拡張機能をご紹介します。   

DataRobotのExcelアドイン

最初に、CDataのDataRobot用Excelアドインをご紹介します。 CDataが提供するDataRobot用Excelアドインにより、DataRobotによるCSVファイルのバッチスコアリングをExcel内で簡単に実施できます。アドインのインストール後、DataRobotの認証情報とファイルのパスを入力し、スコアリングで使用するデプロイモデルを選択します。予測の実行と結果の保存はExcelで実施されます。

CDataのDataRobot用Excelアドイン

このアドインを使用すると、データスコアリングだけでなく、プロジェクト、モデルおよびデプロイモデルのリストを取得できます。ただし、現在のところ、このCDataのアドインはWindows環境でのみ使用可能です。Macをご使用の場合は、MacでのODBC設定手順をご参照ください。

CDataのDataRobot用ODBCコネクター

DataRobot用ODBC/JDBCコネクター

また、CDataのBI/ETLツール用DataRobot OBDC/JDBCコネクターを使用しても、ETLまたはBIツールのファイルでコード不要のバッチスコアリングが可能です。 このオプションはWindows、Mac、Linux、Unixの各システムで使用できます。以下の図では、ODBCコネクターとそれを使ったNathan Patrick Taylorのアイディア(Nathanはカスタマーフェイシング・データサイエンティストです)を紹介しています。これは、Microsoft Power BIギャラリーで公開されました。

DataRobotでの予測をMicrosoft Power BIのダッシュボードで使用

Tableau + DataRobot

TableauではDataRobotを簡単に使用できます。分析対象のデータに効率よく注力し、ダッシュボードで予測インサイトとその説明を入手して、シミュレーションを実行できるため、次にやるべきことについて実用的な指針を得ることができます。以下に示すのは、ウェビナー「DataRobot and Tableau in Action:A Zen Master’s View」でご紹介したDataRobotのAI主導ダッシュボードの例です。  このダッシュボードは、Tableau Publicのインタラクティブビューでも使用できます。

Tableau + DataRobot  再入院防止ダッシュボード（Teknion Data Solutions作成）

また、予測モデルを可視化することで、モデルの性能を向上することもできます。弊社カスタマーフェイシング・データサイエンティストが作成した例を以下に示します。

DataRobotのWhat-If拡張機能があれば、さらに一歩踏み込んだ分析が可能です。管理対象のDataRobot予測モデルを使用した各シナリオの実験、シミュレーションおよび比較をTableau上で実施できるため、リソースを投入する前に最善策を特定したり、アイデアをテストしたりすることができます。

DataRobotのTableau用What-If拡張機能

DataRobot Starter Kit for Tableauにサインアップすると、TableauでのDataRobotの使用方法について詳細およびステップバイステップのチュートリアルを入手できます。

Qlik用拡張機能:Qlik2DataRobot

Qlik社による弊社の最新のパートナー拡張機能がQlik Sense用Qlik2DataRobotコネクターです。Qlik2DataRobotサーバーとクライアント側の拡張機能により、QlikのユーザーはQlikのデータをDataRobotのプロジェクトに取り込んで、モデルを作成できます。また、Qlik Loadでスクリプトを使用してデータをスコアリングすることで、予測結果を可視化したり、フィルターを設定して独自のwhat-ifシナリオを作成したりすることができます。

Qlik2DataRobot拡張機能

詳細情報

本記事では、ポピュラーなアナリティクスツールでAIを民主化する方法（その1）をご紹介しました。関連シリーズのウェビナーをぜひご視聴ください。他の事例でのAI主導ダッシュボードや、一般的な民主化オプションのライブデモをご覧になることができます。

今後お届けする記事では、DatabricksでDataRobotのAPIを使用する方法 、Hadoopでのスコアリングの概要、MicroStrategyのmstrio-py（Python用データI/O）入門、UI PathやAutomation AnywhereのRPAツールにDataRobotのボットを追加する方法をご紹介いたします。インテグレーションのアイデアをお持ちの方、あるいはDataRobotの既存のパートナーオプションについて理解を深めたい方は、私にご連絡ください。

筆者紹介

プロダクトマーケティング担当シニアディレクターJen Underwood（ジェン・アンダーウッド）は、マイクロソフトにおいて全世界のアナリティクス製品を統括し、システム実装を専門とする企業数社においてテクニカルリードとしての業務経験を持つ。エンタープライズデータのウェアハウジング、レポートおよび高度なアナリティクスを対象とした新製品の立ち上げとプロジェクトの立て直しに携わる。現在は、製品の設計を担当するとともに、新たなセグメントであるシチズンデータサイエンスにおいて、アナリティクスの専門家が機械学習 で複雑な問題を解決できるよう助言・指導を行っている。ウィスコンシン大学ミルウォーキー校にて優秀な成績で経営学士号（マーケティング）を取得。カリフォルニア大学サンディエゴ校にてコンピューターサイエンスの準修士号（データマイニング）を取得。

投稿 ポピュラーなアナリティクスツールでAIを民主化するには？（その1） は DataRobot に最初に表示されました。

DataRobotは今年7月にTableauとの協業を発表しました。そして10月に米国ニューオーリンズで開かれたTableau Conference 2018で、その実装の第一弾であるInsight連携をリリースしています。 DataRobotはなぜTableauと協業するのでしょうか？そしてこのInsight連携とはどのようなものなのでしょうか。

「BIで新たな発見をする」から「BI + AIが発見してくれる」へ

BIの変遷を振り返ってみると、かつてのBIはデータアナリストが決まったデータセットを定期的にビジュアル化し、ビジネスアナリストがそれを参照するというスタイルでした。これは、ビジネス担当者が過去の事実を理解するのに役立ちましたが、なぜそのような結果が出たのか、どこに問題の原因があったのかを試行錯誤しながら調べる用途には向いていませんでした。

やがてデータ操作・UIの進化とともに、ビジネスユーザーが直接インタラクティブにデータを探索するセルフサービス型へと発展しています。これによりビジネスユーザーは自らビジネス課題の原因を探ったり、将来への計画を立てられるようになっています。しかしデータの相関性を発見したり将来の値を精度高く予測できるかどうかは各分析者の知見とスキルに依存しています。

そこで新たなBIの革新として、分析ソフトウェアがAIを活用して自ら積極的に知見を抽出できる能力が注目されており、Augment Analyticsという概念も提唱されています。そこでキーとなるAI技術の一つが機械学習です。

DataRobotとTableau：洗練されたBIから高度な機械学習を利用

DataRobotは高精度な機械学習モデルを生成し、その中身を理解し、システムに組み込むまでの全プロセスを自動化してくれます。その応用先は、製造業、金融業、流通業などあらゆる業界、マーケティング、人事などあらゆる業務における予測・推定・分類・検知・判定作業に及びます。

一方、Tableauはセルフサービス型BIのトップランナーとして市場から極めて高い評価を受けています。TableauとDataRobotが組み合わさることで、Tableauの直感的なビジュアル分析インターフェースからDataRobotの知見抽出の能力を活用することができます。特に今回の連携では、「なぜその問題が起こったのか？(この問題と関連性の高いデータは何か？)」という相関分析や、さらには「今後何が起こるのか？」という予測的分析をTableauから実施できるようになります。

本ブログではこのうちの前者、Tableauのインターフェースを使ってデータから相関性を見つけ出す部分について見ていきましょう。

DataRobot Insight for Tableauによる相関性分析

例えば皆さんが通信業の会社に勤めるビジネスアナリストで、顧客のサービス解約率の高さに悩んでいたとしましょう。皆さんはサービス解約と関係の高そうなデータ(通話時間、通話料金、コールセンターへのコール数・・・)を見つけるためにTableauでさまざまなチャートを試していくことでしょう。

DataRobotではTableauとの連携の第一弾としてDataRobot Insight for Tableauをリリースしました。DataRobot Insightを使用すると、こうしたデータ間の相関分析をTableauのダッシュボードからマウス操作だけで簡単に行うことができます。これはTableauダッシュボードの拡張機能で、Tableau拡張機能ギャラリーからダウンロードすることができます。

Tableauでダッシュボードを作成し、左下の「オブジェクト」から「拡張子」をドラッグ&ドロップします。上記の拡張機能ギャラリーからダウンロードした拡張ファイル(.trexファイル)を指定して読み込み、続いてDataRobotのAPIトークンを入力すると下記のような画面になります。

 ここで、他の項目との相関性を調べたい項目(ここでは「3ヶ月以内の解約(の有無)」)を指定してSTARTボタンをクリックしてみましょう。そうすると、データがDataRobotへ転送され自動的に探索的データ解析が行われ、結果がTableau上に表示されます。

DataRobotが自動的にさまざまなデータとの関連性を調べてスコアの高いものからランキングにしてくれますので、皆さんは探索的な作業を大幅に軽減することができます。

この時、Tableauを介してDataRobotのプロジェクトが自動的に作成されています。データが投入されターゲットも指定されていますので、DataRobotの画面に移動すれば、そのまま3ヶ月以内の解約を予測するモデルを作成してしまうこともできます。

いかがでしたでしょうか。Insight連携による相関分析は便利ですが、とはいえAI/機械学習の活用というにはまだちょっと物足りませんね。次回のアップデートでは、DataRobotの真価、つまり高精度な機械学習モデルを使った予測分析をTableauから利用する連携についてご紹介する予定です。

投稿 TableauとDataRobot (その1)：Insight連携 は DataRobot に最初に表示されました。

DataRobotはAIモデルを生成し、そのモデルの中身を理解し、最終的にシステムに組み込むまでの全プロセスを自動化してくれますが、加えて様々な外部ツールとアライアンスを組むことで、データ準備から予測を用いたアクションの実施まで、更に幅広いデータ活用の自動化を目指しています。例えば機械学習のインプットデータは1つの構造化テーブルデータとして準備いただく必要がありますが、弊社ではSQLやR、Pythonといったプログラミング言語を知らない方でもそのような作業を可能となるETLツールのTrifactaやAlteryxとアライアンスを組んでいます。またDataRobotの予測した値を現場の人たちが活用する際にわかりやすく表示できるようにTableauなどのBIツールともアライアンスを組んでいます。

DataRobotユーザー様の多くがAIを活用されている主要分野にマーケティングがあります。マーケティングはサービスを売っていく企業活動の根幹となる部分ですし、最近はWebでのマーケティングデータを蓄積すことが一般化してきてデータが豊富にあるという理由から小売、製造、金融、保険など業界に関わらずDataRobotが活用されています。そのマーケティング活動を自動化してくれるツールはマーケティングオートメーションと呼ばれ、弊社のユーザー様からも以前からDataRobotと連携できないのかといったお声をいただいていました。

そこでDataRobot Japanは2018/10/17にマーケティングオートメーションにおけるリーディングカンパニーのMarketo株式会社とパートナーシップを締結しました。これにより、DataRobotとMarketoをAPIで接続し、DataRobotの高精度なスコアリングに基づいてリアルタイムでMarketoがアクションを実施することができるようになりました。

DataRobotとMarketoの連携のマーケティングへの価値

マーケティングオートメーションは：

1. 多くのデータソースからのデータを連携して一元化
2. スコアリングすることでマーケティング行動のターゲットを選定
3. eメールの送付やDSPでのターゲティング広告、CRMと連携した営業へのアクションの喚起などのマーケティングアクションまでを自動化

してくれます。これによりマーケターは日々メールを送付する繰り返しの作業から解放されるだけでなく、即時にメール送信を実施することができます。

しかしここで唯一問題となる事があるのはスコアリングです。これまではマーケターが自分の経験や勘に基づいてルールベースで行ってきた部分です。例えば、部長ならば５０点、見積もりフォームダウンロードならば８０点そしてユーザーのトータルの点数が１５０点を越えればインサイドセールスがコールをかける等です。しかし実際には：

1. 多くのマーケティングチャネルの効果を正しく評価してスコア付けをすることが難しい
2. 新たなマーケティング行動が日々増えていく中、その度にスコアを再評価するのは非常に時間がかかる

などの問題がありました。

今回DataRobotとMarketoの連携が可能になりこのスコアリングの問題が解消され、リアルタイムで高精度なマーケティングを自動化することができるようになりました。

スコアリングにDataRobotを使っていただくことにより：

1. 全てのマーケティングチャネルを正しく評価したルールベースよりも高度な機械学習モデル を自動で生成し、スコアリングする
2. 特徴量のインパクトや部分依存などといったDataRobotのインサイトを用いて全てのマーケティングチャネルの評価をインサイトとして得る

ことができるようになります。

DataRobotとMarketoの連携方法

DataRobotとMarketoの連携はMarketoのウェブフックよりDataRobotの予測API（Prediction API）を呼び出す事によって行われます。設定も簡単で、以下の4つを設定するだけでMarketoよりDataRobotのAPIが呼び出せます。

1. 予測に使いたいDataRobotのプロジェクト・モデルID
2. インプットデータ用のDataRobotの特徴量とMarketoフィールドの対応表
3. DataRobotのAPIのアウトプットとMarketoフィールドの対応
4. Authentification

この設定を行うだけでMarketoのウェブフックを通してDataRobotの予測値を自動かつリアルタイムに計算し、次のマーケティングアクションを行うことができます。以下はDataRobotからのレスポンス例です。

例えばWebのログをMarketoと連携しており、長い期間訪問がなかったユーザーが再度訪問したとします。Marketoでそのステータスのアップデートをトリガーに自動でウェブフックを用いて最新のデータを用いたユーザーの購入確率をDataRobotで作ったAIが計算します。その購入確率が一定より高い場合自動でメールをそのユーザーに送るなどのマーケティングアクションを自動で行うことができます。

DataRobotとMarketoの連携活用事例

DataRobotとMarketoを連携する事によってDSPでの配信など、マーケティングファネルの上部から、解約予測をCRM経由で営業と連携する等の下部まで、あらゆるマーケティングの場面で高精度なマーケティング活動のAI化が可能になります。

この連携をマーケティングに活かして非常に大きなROIを得られた事例がもうすでに出てきています。プレスリリースにも名前をあげさせていただいたSansan様の実際の事例が、来たる11/27(火）に開催予定のAI Experience 2018 Tokyoで発表されます。是非ご来場いただきDataRobotとMarketoの連携によってもたらされるマーケティングへの大きな変革を皆様に聞いていただければと思います。

投稿 DataRobotとMarketoの連携によるマーケティングの自動化 は DataRobot に最初に表示されました。