サービス横断データを活用したプッシュ型マーケティング最適化技術の開発

01. まえがき

スマートフォンとモバイルインターネットの普及により，企業の顧客との接点は飛躍的に増加している．例えば，公式アプリやSNSを通じた情報発信，Eコマースサイトでの商品購入時のおすすめの紹介，チャットボット*1による顧客対応，プッシュ通知やメールマガジンによる案内など，さまざまなデジタルチャネルを通して，企業は顧客と頻繁にコミュニケーションを取るようになっている．
しかしながら，企業からの一方的，もしくは画一的な情報配信は，一般的に顧客にとって有益な情報とはなりにくく「広告疲れ」や単なる「ノイズ」として認識されやすい傾向にある．このため，マーケティング施策での反応率の低下や配信コストの増加，さらにはブランドに対する顧客体験（CX：Customer Experience）*2の悪化といった課題が，多くの企業で顕在化しつつある．
この課題に対し，ユーザの能動的な探索を支援する「プル型」の領域では，レコメンドエンジン*3の進化[1]が一定の解決策を示してきた．機械学習*4の発展，特に協調フィルタリング*5や深層学習*6の導入により，ユーザの過去の行動履歴や評価データに基づく高精度な提案が可能となり，ユーザの検索コスト低減とCX向上が実現されている．
しかしながら，企業側から顧客へ情報を届ける「プッシュ型」マーケティングにおいては，未だ解決すべき課題が多く残されている．マーケティングにおいて重要とされる概念に「4R」がある．これは，正しいターゲット（Right Target）に，正しい内容（Right Content）を，正しいタイミング（Right Timing）で，正しい媒体（Right Media）を通じて届けることを指すが，特にドコモでは，スマートフォン向けの多様な事業展開や顧客接点の特殊性により，4Rを最適化することが課題となっている．具体的には，以下の3つの課題が，プッシュ型マーケティングの質向上を阻んでいる．
・第1は，ターゲティング最適化（Right Target）の課題である．プッシュ型マーケティングでは，サービスごとに適切なユーザへの配信を実現するため，ターゲティングAIモデルの構築が不可欠となっている．しかし，複数のセグメント*7や多様な行動パターンを対象とする場合，AIモデルの数が急増し，それに伴い開発・運用の負担が増大する．
・第2は，タイミング最適化（Right Timing）の課題である．ドコモのプッシュ配信は主にモバイル端末を対象とするため，配信するタイミングによってユーザの開封率やクリック率（CTR：Click Through Rate）*8が大きく変動してしまう．これらは，ユーザが端末を利用する時間帯・環境に左右されやすく，汎用的なタイミングで一律に配信を行うと，効果が著しく低減するリスクが生じる．
・第3は，チャネル最適化（Right Media）の課題である．ドコモでは多くの配信チャネル（例：メール，アプリ通知，SMSなど）をもっているが，ユーザによって配信チャネルに対する閲覧や反応の傾向が大きく異なり，一律のチャネル選択では配信の効果を十分に得られない場合がある．チャネルの選択や組合せにおいてユーザごとの特性を考慮しなければ，ユーザにとって不要な接触回数の増加やCXの低下に繋がる恐れがある．

これらの課題に対しては，従来，担当者の経験則や単純なルールベース（例：「30代男性にはこの商品」「配信は一律12時」など）に頼らざるを得なかった．しかし，顧客のライフスタイルが多様化した現在，属性や過去の購入履歴といった静的なデータのみに基づくセグメンテーションでは，顧客の「今」の状態をとらえきれない．また，数千万規模の顧客1人ひとりに対し，人手で最適なタイミングやチャネルを設計・設定することは，運用工数の観点からも事実上不可能である．これら現状を踏まえ，ドコモでは保有する顧客基盤と大規模で多様なサービス利用データを活用し，マーケティングの4Rのなかでも，特にデータドリブンなアプローチによる高度化が急務となる「ターゲット」「タイミング」「チャネル」の3領域に範囲を絞り，以下の3つのアプローチを検討した．
①多様な用途に応じたターゲティング最適化AIモデル開発の効率化
②ユーザの周期性やサービス利用履歴を活用した配信タイミングの最適化
③ユーザの横断的なサービス利用履歴を活用した配信チャネルの最適化

本稿では，上記の課題についてより詳しく紹介するとともに，それらに対するプッシュ型マーケティング最適化技術の各要素における技術アプローチ，および履歴データを用いた実サービスでの精度検証結果について解説する．

02. プッシュ型マーケティングにおける課題とアプローチ

2.1 さまざまな用途に応じた多数のターゲティング最適化モデル開発の効率化

プッシュ型マーケティングにおいては，サービスごとに最適なユーザターゲティングが求められる．そのため，多様なセグメントおよびユーザ行動パターンへの対応に伴い，ターゲティングAIモデルの構築数が増加し，その結果として開発・運用工数も増大する傾向にある．この課題に対し，本開発では保有する大規模な契約・利用データを共通化することで，AIモデル開発効率の向上を図った．具体的には，特徴量*9の共通化およびMLパイプライン（Machine Learning Pipeline）*10の導入により，各種マーケティング用途に対するターゲティングAIモデルの高速かつ柔軟な構築を可能とした．

2.2 ユーザの周期性やサービス利用履歴を活用した配信タイミングの最適化

ドコモのプッシュ配信は主にモバイル端末を対象とするため，配信時刻がユーザの開封率やCTRに直接的な影響を及ぼす．ユーザごとの端末利用状況や生活リズムを無視した一律配信は，マーケティング効果の低減に繋がる．こうした課題への対応策として，周期的な行動パターン・サービス利用履歴の分析により，個別ユーザごとの最適な配信タイミングを導出する手法を提案し，その有効性を確認した．

2.3 ユーザの横断的なサービス利用を活用した配信チャネル最適化

ユーザごとに異なる閲覧・反応傾向をもつ複数の配信チャネル（メール，アプリ通知，SMSなど）それぞれに対し，一律のチャネル選定は施策効果の低下や無用な接触頻度増加を招きやすい．本開発では，各チャネルの開封履歴のみならず，サービス横断的な利用データ・ユーザ属性情報を用いて，最適な配信チャネルの選択を可能とした．

03. 提案手法

3.1 効率的なAIモデル開発を実現するMLパイプラインの構築

ドコモの大規模データ環境下において，従来のAIモデル開発では，例えば「Aサービスの契約予測」と「Bチャネルの開封率予測」といった異なる施策を行う際，それぞれに特徴量設計や抽出クエリ*11を作成することになり，多大な工数が発生していた．
この問題に対し，特徴量生成からモデル学習・評価までの標準化とそれらの工程を自動化・効率化するシステム（以下，MLパイプラインおよび共通特徴量基盤）を構築した．概念図を図1に示す．MLパイプラインおよび共通特徴量基盤の最大の特徴は，「特徴量の共通化・資産化（Feature Store*12の概念）」を取り入れ，それを自動化した点にある．汎用性の高い特徴量（例：過去1カ月のログイン回数，利用金額の推移など）を一度定義・生成し，それをカタログ化し，あらゆる予測モデルから呼び出して再利用できる構成とした．これにより，AIモデル開発者は定型的なデータ加工から解放され，特徴量の追加・変更やアルゴリズムの比較といった本質的な試行錯誤に注力できるようになり，AIモデル開発プロセスの効率化および高速化ができるようになった．

3.2 タイミング最適化モデルの開発

携帯電話などのパーソナルデバイスへのプッシュ配信をユーザが閲覧するかどうかは，配信した時点でのユーザの状態に大きく依存するため，開封率やCTRは配信タイミングによって大きく変動する．そこで，本開発では，以下の工夫を取り入れることで，個々のユーザが最も反応を示しやすい時間帯を推定するモデルを構築した．
（1）曜日・時間帯ごとの周期性を考慮した予測
ユーザの行動には平日・休日といった生活リズム（周期性）があることに着目し，単一の最適時間ではなく，曜日×時間帯ごとに開封率を予測するモデルを構築した．これにより，「平日は通勤時間のX時，休日はリラックスタイムのY時」といった，ユーザの生活に即した最適な配信タイミングを算出できる．
（2）チャネルごとの特性を考慮した最適化
ユーザ単位の最適化にとどまらず，ユーザ×チャネル（配信媒体）の組合せごとの開封率を予測できるようにした．これにより，「メールマガジンは朝のX時，アプリ通知は夜のY時」のように，媒体特性や利用シーンに応じたきめ細かなタイミング制御を実現している．
（3）多様なデータの活用
配信に対する単なる反応履歴だけでなく，ユーザの属性情報や，ドコモのサービス全体の利用ログなども組み合わせることで，配信実績が少ないユーザに対しても予測精度の向上を図った．

3.3 チャネル最適化モデルの開発

ドコモでは電子メール，各種アプリでのプッシュ配信，アウトバウンドテレマーケティング*13，郵便によるダイレクトメールなど，さまざまな配信チャネルが存在する．ユーザによって「メールは見るがアプリ通知は見ない」といったチャネルごとの利用度が大きく異なるので，配信にあたっては閲覧確率の高いチャネルを選択する必要がある．しかし，その確率の予測においては，すべてのチャネルでの配信実績があるユーザばかりではないため，データが不十分（スパース：まばらな状態）になりがちであるという課題があった．そこで本開発では，特徴量として，過去の配信実績だけでなく，ユーザの属性情報や各種サービスの利用履歴といった「非配信データ」も入力に用いる工夫を行った．これにより，特定のチャネルでの配信実績が無いユーザについても，比較的高精度な開封率の予測を可能とした．

04. プッシュ型マーケティング最適化技術の効果

4.1 ターゲティング最適化モデル

前述のMLパイプラインおよび共通特徴量基盤（図1）の導入は，モデル開発のリードタイム*14短縮と計算リソース（コンピューティングコスト）の大幅な削減で，顕著な成果を上げた．重複する集計処理が排除され，開発プロセスが標準化されたことで，データサイエンティストはモデルの精度向上に注力できるようになった．
本基盤の有効性と拡張性を示す実績として，導入前は数種類にとどまっていたターゲティング予測モデルが，現在では約60種類にまで拡大し，本基盤上で実装・運用されている．これは，従来の個別開発体制では維持管理が困難であった規模であり，サービスごとに最適化されたAIモデルを，迅速かつ大量に，実運用に投入し続ける体制が確立されたことを示している．
また，共通基盤化は単なる工数削減にとどまらず，モデル品質の均一化にも寄与している．従来はそのモデル開発に携わるデータサイエンティストのスキルセットに依存していた特徴量設計が，検証済みの高品質な特徴量をカタログから選択する形式となったことで，属人化を排除し，組織全体としての予測精度向上を実現した．

4.2 タイミング最適化モデル

タイミング最適化モデルの有効性を評価するために，数千万人の会員基盤を有するスマートフォン向け公式アプリケーションの会員向けチャネルにおける検証を実施した．本チャネルは，契約に関する重要なお知らせやお得なキャンペーン情報などを毎月定期的に配信する，顧客接点の中心的な媒体である．この大規模かつ多種多様な情報配信が行われる環境下において，本モデル（個別最適化）による配信と，従来の全ユーザに対する一括配信（同一時刻配信）を行った場合の効果とを比較検証した．
その結果，従来の一括配信と比較し，本モデル適用時の開封率は最大で10.6％改善することを確認した（図2）．これは，数千万規模という膨大な顧客を対象としながらも，個々の生活リズムに合わせパーソナライズされた「ゴールデンタイム」にきめ細かな配信が可能となったことを示しており，情報の伝達性向上によるマーケティング効果の最大化とCXの向上に寄与している．特に，深夜や早朝といった，ユーザにとって迷惑となり得る時間帯への配信をシステム的に回避し，生活リズムに寄り添った配信を実現することは，短期的な開封率向上だけでなく，中長期的なアプリ削除（アンインストール）や通知オフ設定のリスク低減にも繋がっていると考えられる．

4.3 チャネル最適化モデル

チャネル最適化モデルにおいては，決済サービスの利用促進を目的とした施策を対象に検証を行った．本施策は，数百万人単位のユーザに対してメッセージを届ける大規模なものであり，ユーザ1人当りの平均売上（ARPU：Average monthly Revenue Per Unit）*15を向上させるための極めて重要な戦略的プロセスである．検証の具体的な手法として，各ユーザの過去の行動データから「予測開封率」を算出し，あらかじめ設定したしきい値以上の反応が見込まれるユーザに限定して配信を行う場合と，従来から行われてきた「単一チャネルによる一斉配信」の場合との比較を実施した．
その結果，しきい値以上の予測開封率のユーザに配信を行ったグループでは，一斉配信と比較してCTRが2.27倍へと飛躍的に向上した（図3）．特筆すべきは，配信対象を絞り込んだにもかかわらず，最終的な成果地点であるコンバージョン*16数が維持された点である．これは，情報の受取り手にとって不要な通知を抑制しつつ，関心の高い層へ的確にアプローチできたことを意味しており，配信効率の劇的な改善を裏付けている．
さらに，本モデルには機械学習における「コールドスタート問題*17」への対応が実装されている．これにより，配信履歴が蓄積されていない新規ユーザに対しても高精度な予測が可能であることが分かった．この技術的進歩により，現在は特定の決済施策にとどまらず，多種多様なジャンルの施策において，マーケティング効果を最大化するための基盤として広く活用されている．

05. あとがき

本稿では，プッシュ型マーケティング施策に関する主要な課題を整理し，これらに対するドコモ独自の大規模で多様なデータ活用による技術的アプローチを詳細に解説した．また，特徴量の共通化とMLパイプラインの導入による多様なターゲティングモデル開発効率化，周期性・利用履歴を活用した配信タイミング最適化，サービス横断データ活用によるチャネル最適化といった3つの技術を紹介した．
これらの技術の実サービス環境下での検証結果についても述べ，ターゲティングモデルの開発効率化，タイミング最適化モデルによる開封率の最大10.6％改善，チャネル最適化モデルによるCTRの2.27倍向上など，各指標において有意な改善が認められることを示した．加えて，CXの向上やコールドスタート問題への対応など，実運用上の展開にも寄与することを確認した．
このプッシュ型マーケティング最適化技術は，ドコモの多様なサービスにおけるCX向上を通じ，収益性やエンゲージメント*18の改善にも貢献するものである．今後も本技術を軸に，顧客に最適なコミュニケーションの実現をめざし，より良いCX実現に向けて技術開発を行っていく．

文献