uplift modelling 入門（1）

Uplift Modelling入門(1)

@yokkuns: 里洋平[email protected]

2012.03.10 第21回Tokyo.R

- 費用対効果の最大化を目的とした最新データマイニング手法 -

2012年3月10日土曜日

mailto:[email protected]

mailto:[email protected]

AGENDA

◆ Uplift Modellingとは

◆ 自己紹介


時系列解析や異常検知などの方法論を実ビジネスに適用するデータマイニングエンジニア

◆ 名前: 里洋平

◆ 職業: データマイニングエンジニア

◆ ID : yokkuns

◆ 統計解析パターン認識機械学習データマイニング NLP 金融工学などを勉強中

自己紹介


Tokyo.R主催

パッケージ本執筆しました！

活動例: 勉強会の主催・執筆


閲覧されている動画の情報を用いておすすめ動画を表示する

活動例: 動画レコメンド


Web上の情報から市場予測

活動例: 市場予測


異常な振る舞い

複数時系列の異常検知

時系列A

時系列B 時系列C

ケースA

ケースB

ケースC

例2:CM効果のノイズ除去

異常な振る舞いの時系列を検出

異常な振る舞いをしているケースを除外して、CMの効果を算出する

CM効果トラフィックA

トラフィックB

トラフィックC

例1:トラフィック異常検知

異常な振る舞いをしているトラフィックの原因を調査する

調査

AB

C

時系列のモデリング

時系列A

時系列B

時系列C

Anomaly detection

複数時系列から異常な振る舞いを検知する

85

活動例: 異常検知


-117.0000

1912.2500

3941.5000

5970.7500

8000.0000

4/4週4/11週4/18週4/25週5/2週5/9週5/16週5/23週5/30週6/6週6/13週6/20週6/27週7/4週7/11週7/18週7/25週-3.0000

-2.2500

-1.5000

-0.7500

0

0.7500

1.5000

2.2500

3.0000

t

異常スコア推移

異常値モデル構築

異常スコアの算出

◇例 : ARIMAモデル

◇例 : 対数損失

Anomaly detection

新しいデータと過去時系列モデルの乖離から異常検出

86

活動例: 時系列解析と異常検知


87

CM時系列

各KPIの時系列

CM

新規登録

ARPU

ARPPU

継続率

ケース

イベント

その他外部要因

TV Commercial Effects

時系列的な振る舞いの特徴から各KPIへのCMの影響度を算出

活動例: 時系列解析と影響分析


活動例: データマイニングCROSS


AGENDA


◆ 自己紹介


あまのじゃく無関心

テッパン説得可能！

介入を受けた場合の反応

介入を受けなかった場合の反応YES

No

YES

No

Uplift Modellingとは費用対効果の最大化を目的とした最新のデータマイニング手法

介入による行動変化をモデル化し効果を最大化する

介入による4つの行動パターン


これまでのマーケティングモデル顧客を有望な顧客とそうでない顧客に分類し

有望な顧客だけをターゲットにする事で費用対効果を向上させる

◆ 浸透モデル

◆ 購入モデル

◆ レスポンスモデル

・既に製品を購入した顧客を特徴づけるモデル

・最近購入した顧客を特徴づけるモデル・浸透モデルに似てるが、最近の履歴に注目し、顧客の特性の変化を捉える

・マーケティング活動に反応して購入した顧客を特徴づけるモデル


処置群

Training Data 従来のレスポンスモデリング

予測対象

分類結果“反応あり”の場合良いターゲット

レスポンスモデリング処置群の反応データを用いて

レスポンスをモデル化し、ターゲットを決める

処置群

反応なし反応あり


処置群


予測対象


レスポンスモデリングの課題

処置群


無関心

あまのじゃく

テッパン

説得可能！

処置群だけで学習しているため介入による行動変化を考慮出来ていない


処置群


予測対象


レスポンスモデリングの課題

処置群


無関心

あまのじゃく

テッパン

説得可能！

処置群だけで学習しているため介入による行動変化を考慮出来ていない

介入しなければ反応した

介入しなくても反応した


処置群

Training Data

予測対象

処置群と対照群を用いた学習

処置群


処置群と対照群の両方を学習データとする事で介入による行動変化を捉える

対照群

対照群

無関心

あまのじゃく

テッパン

説得可能！

無関心

説得可能！

テッパン

あまのじゃく


処置群

Training Data Response Uplift Modelling

予測対象

Uplift Modelling

処置群

L R

単純な”反応あり”・”反応なし”ではなく介入による行動変化をモデル化しターゲットを決める

対照群

対照群

無関心

あまのじゃく

テッパン

説得可能！

無関心

説得可能！

テッパン

あまのじゃく

分類結果“R”の場合

良いターゲット


分割基準行動変化によるレスポンス率増とその重要性を最大化する分割を行う

処置群(T)

L R

対照群(C)

無関心

あまのじゃく

テッパン

説得可能！

無関心説得可能！

テッパン

あまのじゃく

URUL



処置群(T)

L R

対照群(C)

無関心

あまのじゃく

テッパン

説得可能！


テッパン

あまのじゃく

URUL

◆ 行動変化によるレスポンス率の増分

◆ 重要性 (t統計量の2乗)



処置群(T)

L R

対照群(C)

無関心

あまのじゃく

テッパン

説得可能！


テッパン

あまのじゃく

URUL

L

L R




介入による行動変化の定式化

処置群(T)L R

対照群(C)

URUL

介入による効果

グループ効果

相互作用


グループ効果

相互作用


グループ効果

相互作用


グループ効果

相互作用

※Cの介入効果 = Lのグループ効果 = CR相互作用 = TL相互作用 = CL相互作用 = 0 とおく

介入による行動変化を介入効果とグループ効果の相互作用として表現


介入による行動変化の推定

処置群(T)L R

対照群(C)

URUL


グループ効果

相互作用


グループ効果

相互作用


グループ効果

相互作用


グループ効果

相互作用

※Cの介入効果 = Lのグループ効果 = CR相互作用 = TL相互作用 = CL相互作用 = 0 とおく

相互作用はRグループとLグループの増分の差で推定される


介入による行動変化の推定値の誤差と重要性

T:1, C:0 R:1, L:0 Xi1Xi2

基準値

介入効果

グループ効果

相互作用

介入による行動変化は回帰係数として算出されその重要性はt統計量で与えられる

◆ t統計量の2乗◆ 標準誤差の算出



処置群(T)

L R

対照群(C)

無関心

あまのじゃく

テッパン

説得可能！


テッパン

あまのじゃく

URUL

L

L R




AGENDA


◆ 自己紹介


Rでの実行は？


Rでの実行は？

まだパッケージが存在しない


Rでの実行は？

まだパッケージが存在しない

iAnalysisと共同開発予定！


謝辞Uplift Modellingの存在はisseing333さんが教えてくださいました！

ありがとうございます！


次回以降の

発表者・LTを募集しています！


ご清聴ありがとうございました！


以下参考資料


http://en.wikipedia.org/wiki/T-statistic

http://ja.wikipedia.org/wiki/%E7%B7%9A%E5%BD%A2%E5%9B%9E%E5%B8%B0

参考資料

◆ t統計量

◆ 線形回帰

http://stochasticsolutions.com/sbut.html

◆ Real-World Uplift Modelling with Significance-Based Uplift Trees










uplift modelling 入門（1）

Documents