セグメント拡張（Lookalike モデリング）: 理論と実践

Piano DMPにおけるオーディエンス拡張（Lookalike モデリング）

Piano DMP オーディエンス拡張はDMPで有効化したセグメントをより大規模で高価値のオーディエンスに拡張させるための強力なツールです。オーディエンス拡張は特定のセグメント内のメンバーとよく似たユーザを見つけ出し、リーチを拡大することができます。例えば既に有料会員であるユーザをターゲットにしたり、1stパーティデータに基づいたログインユーザと類似していない匿名ユーザをセットしてターゲットにします。オーディエンス拡張セグメントを使用することで、広告主は質の高いセグメントを購入することができ、以前より在庫に対して広告費用をもっと効率的に使用することができるようになります。

主な機能

• 一度で要求されたサイズに対してオーディエンス拡張を満たすよう、先月のイベントに基づいたセグメントモデルへ即時反映する

• 以前よりも広範なデータソース(コンテンツ消費、サイト行動、オフラインデータ)を利用するセグメントモデル

• 元のセグメントとオーディエンス拡張との間に重複がない

• 各セグメントに特定の選択基準を定義することでセグメント品質(低い割合)とリーチ(高い割合)の間の適切なバランスを見つけることができる

• 可能な限り、高い品質を保証するためにオーディエンス拡張の精度を継続的にモニタリングする

Piano DMP のこのセクションではオーディエンス拡張の背後にあるロジックの説明と、セグメントでこの機能を有効化するための操作手順やオーディエンス拡張の品質を改善する上でのTipsを提供します。

オーディエンス拡張: 理論

Piano DMP におけるオーディエンス拡張は高度な機械学習と人工知能モデルによって動いています。モデルに供給するデータは以下から取得されます。

• ページビューイベントの統計値

• コンテンツプロファイル

セグメント拡張がDMPでセグメントに有効になった場合、いくつかの機械学習モデルが過去31日のデータとイベントから学習され、元のセグメントに最も類似したユーザを選択するために使用されます。選択された類似ユーザは、元のセグメントのユーザと重複しないようになっています。オーディエンス拡張の設定をする類似ユーザの数はセグメントにオーディエンス拡張の有効か設定をする際のオーディエンスの割合、目標設定に制限されます。機械学習モデルはサイト上の全てのオーディエンス（過去31日のサイトへの訪問者)が元のセグメントのメンバーにどれだけ似ているかに応じて、ランク付けします。システムはオーディエンス拡張として最も似ているユーザを選択し、（目標設定で定義した）ご希望の量までオーディエンス拡張セグメントを満たします。オーディエンス拡張ユーザの量は元のセグメントのセグメントエディタにある "類似モデル" タブで表示されます。

リーチを拡大するためにオーディエンス拡張を使った例

例えば過去31日に50万ユニークユーザがサイトに訪問しているとします。オリジナルのセグメントで、商品の一つに対する変更に対するアップデートに申し込みをした1万ユーザいるとします。これらの特定のオーディエンスセグメントを形成するユーザはCRMシステムの1stパーティデータを基にしたものでも、申し込んだ後に特定のURLに訪問したユーザを識別するDMPイベントでも構いません。

この商品がもっと売れるようにターゲットしたキャンペーンを行いたい一方で、1万ユーザは広告キャンペーンとして意味のある結果をもたらすには少なすぎます。キャンペーンのリーチを拡大するために元のセグメントで目標設定を10%として類似モデルを有効にします。これはPiano DMPに元のセグメントにいるユーザと最も類似しているユーザをオーディエンス合計の10%から見つけるということです。弊社の高度な機械学習モデルは1万ユーザの行動や興味関心からパターンを見つけるための学習をし、類似ユーザを見つけるために残りのオーディエンスに適用します。出力結果は元の1万に類似している5万ユーザのセグメントで、ユーザの重複はありません。

オーディエンス拡張を利用した結果として、キャンペーンでターゲットするための 6万ユーザを獲得しました。それはリーチを拡大し、売上の増加に寄与します。

記載したオーディエンスに対して広告キャンペーンをターゲットするために、貴社のアドサーバーに元のセグメントと類似モデルのセグメントの両方をエクスポートし、広告キャンペーンのターゲティングに2つのセグメントを使う必要があります。外部アドサーバーを使わずにターゲットキャンペーンを実行したい場合、サイト上でこれらのセグメントのユーザに合わせたレコメンドを配信するために Cxense のレコメンド技術を使うこともできます。

機械学習モデル

Piano DMPの オーディエンス拡張で現在使用されている機械学習モデルはコサイン類似度とロジスティック回帰に基づきます。

• 消費されたコンテンツを基に、各ユーザを単語ベクトルとして表す

• 最も重要な単語のセットを見つけるためにロジスティック回帰を使う

• 全てのセグメントメンバーの重心（平均ベクトル）を計算する

• 非セグメントメンバーと重心との類似度を計算する

• 最も類似しているものからそうでないものまで、非セグメントメンバーのランク付けされたリストを出力する

• デモグラフィック属性（性別、年齢など）はランク付けではなく分類器として訓練される

オーディエンス拡張セグメントを作成する

オーディエンスセグメントの拡張セグメントは Piano DMP の画面から直接有効にすることができます。詳しい操作方法は オーディエンス拡張の設定 をご覧ください。

最も高いパフォーマンスをもたらす拡張セグメントを作成するためには次の点にご注意ください。

• オーディエンス拡張にベストな対象者となるのは次のようなセグメントです

  • (ユーザーが小規模に一致するよう)狭く定義されている

  • 1stパーティデータまたは直接的に識別可能なイベント特性を基にする

• 最適な量と品質のバランスを達成するには適切なパーセンテージを設定する(1-20% が適切): パーセンテージが高いほど類似ユーザが少ないことを意味します

• "ネガティブセグメント" はいつも指定する、例えば 

  • 女性の類似モデル: ネガティブセグメントとして男性を使う

  • 年齢の類似モデル: ネガティブセグメントとして他の年齢を使う

上記Tips に関する詳細な説明は オーディエンス拡張の品質 をご確認ください。

オーディエンス拡張の品質

Piano DMP は定期的にオーディエンス拡張の精度を時間に即して評価します。つまり評価プロセスは次のように記述できます。

まず評価アルゴリズムはセグメントのメンバーを2つの部分に分割します:

• モデル学習用

• テストセット、非メンバーのサンプル

モデルはテストセット内のユーザから類似ユーザを予測します。モデルの精度は予測された類似ユーザ間で実際のセグメントメンバー比率として計算されます。全ての精度スコアがランダムサンプリングのベースラインとして比較されます。精度スコアはオーディエンス拡張の高い精度を保証するために継続的に追跡されます。

Last updated: January 24, 2022