顧客情報データやPOSデータを保持しているものの施策への活用へは至っておらず現状を把握するに留まっていた。顧客のステイタス（新規・アクティブ・休眠・離反）と売上との関連性を分析した上で、顧客育成や売上向上のための施策に活かすことができないかということが課題。
過去のPOSデータを学習させることでDNN（ディープニューラルネットワーク）モデルを作成。POSデータをモデルに読み込ませることで未来の顧客ランクがどのように遷移するのかを予測することでき、ランクが上下する顧客それぞれに対して適した対策を練ることができる。また顧客ランクを予測した結果からPOSデータのどのような要因からランクが遷移するのか分析を行った。
過去のPOSデータと顧客情報データで検証を行った結果、予測精度80％以上のモデルの作成に成功。また未来のランク遷移を可視化することで、より詳細な顧客の実態を把握できることが見込める。
過去の商品画像＋原稿を学習データとして撮影画像から特徴量を抽出し、品名、着用シーン、コーディネート、ファッション用語、パーツ&カラーの各要素の単語が入るテンプレートを生成、更に各要素の適切な単語をAIが自動選択して画像に適した商品説明コピーを自動生成するマルチモーダルなAIモデルを構築。
ターゲットが多く居住するエリアを分析し、予め対象エリアを抽出することで効率化を図る。国勢調査などの統計データとID-POSデータなどを組み合わせ、バギングやブースティングといった精度の高い機械学習アルゴリズムを用いた分析を実施。町丁目単位でエリアをスコア化（ランキング化）することでターゲットエリアに優先順位を付け、地図上で可視化した。選定エリアの状況を確認しながらインタラクティブに操作、変数の調整が可能なTableauによるダッシュボードを提供。
販売と買取、また商材ごとの関係性を明らかにし、それが個人にどのように影響を与えるかを階層ベイズモデルを用いて分析した。商材ごとの過去の購入、買取実績や顧客属性など複数の要素を変数として、顧客ごとの個人差を推定し、購入ポテンシャルを算出。それによって対象商材の購入経験がない顧客であってもターゲットとして捉え、その中から効率的に潜在顧客を絞り込むことが出来るようになった。 戦略的商材であるAのキャンペーンを行う際に、予測モデルから未購入者も含めた潜在顧客をターゲティングし、需要喚起のダイレクトメールを送付した。
© soda Inc.