分析を使用した顧客の把握
ビジネス・ソリューション
ノート:
より多くの顧客を知るシナリオでは、キャンペーン、潜在的にマーチャンダイジング、場合によってはソーシャル・メディア・フィード(有用な形式に自動的にエンリッチされ、記録される)、天候、スポーツ、イベントなどのその他の外部イベントに関する追加データが得られる可能性があります。Oracle Retail Data Platformでは、データのあらゆる側面を取り込んで管理し、1つの場所で適切に編成できます。構造化から非構造化まで、リレーショナルからビデオ、ツイート、地理空間まで、すべての形式が1箇所に存在するため、安全で整理された分析が可能です。
- エグレス料金はありません。
- データのレイテンシと品質の問題が減少します。
- 1つのセキュリティおよびガバナンス・モデル。
関連産業用語および概念の理解
このプレイブックでは、このシナリオの価値をよりよく理解できるように、理解しておく必要がある業界用語と概念をいくつか使用しています。
- 取得
顧客獲得とは、様々なチャネルで新しい顧客を獲得するプロセスです。有料広告、ソーシャル・メディア、口コミ、メール・マーケティングは、企業が新規顧客を獲得する方法の例にすぎません。
- セグメント化
セグメントは、行動およびプロファイルの特性を追跡するデータを使用して作成された顧客のグループです。各セグメントには、顧客データベースの特定の顧客を評価する条件付き基準があります。作成したセグメントは、Oracle ResponsysやOracle Eloquaなどのキャンペーンを実装するための他のOracleマーケティング・オーケストレーション・ツールにエクスポートできます。たとえば、冬季アパレルの過剰在庫を子供向けに販売するためのプロモーション・キャンペーンを実施したいと考えています。マーケティング・オーケストレーション・ツールにエクスポートするために、Oracle Unityでこのキャンペーンのセグメントを作成できます。
- アクティブ化
顧客のアクティブ化とは、顧客がテストしている製品の利点を完全に実現するように動機付けする行為のことで、全体的なエンゲージメントが向上します。結果として、新規顧客を生成したり、非アクティブな顧客を再エンゲージできます。何であれ、アクティブ化は、顧客が自分のメリットを十分に理解することで、関連するマーケティングを通じて製品やサービスに対する熱狂的になったときに発生します(伸縮自在な「アハ!」瞬間)
- 変換率
コンバージョン・レートは、オファーをコンバージョンするWebページを訪問したユーザーの割合です。コンバージョン・レートは、コンバージョンしたユーザーの数を、ページを訪問したユーザーの数で除算して計算されます。
技術ソリューション
- 消費者からの弱いシグナル(ソーシャル・メディアから)。
- 顧客セグメンテーション。アクティブ化/メッセージングを改善し、マーチャンダイジングおよび供給戦略を推進できます。
- キャンペーンまたは外部イベント(天気、スポーツ、全国イベント、ローカル・イベント)に基づく需要の変化。
構造化から非構造化まで、リレーショナルからビデオ、ツイート、地理空間まで、すべての形式が1箇所に保持され、セキュアで整理された分析が可能になります。すべてのクラウド・ベンダーはデータレイクの一種ですが、Oracleは、様々なタイプのデータを1つのツールセットに自由に組み合わせることができる唯一のベンダーです。様々なタイプのデータベース間でデータを移動する必要はなく、リレーショナル・ツールを使用して非構造化データやデータ・サイエンス・ツールに問い合せて、レイク内で機械学習をインプレースで行うことができます。さらに、データ・プラットフォーム全体が、1つのセキュリティ・モデル、1つの場所、1つの管理アプローチを共有し、より簡単で効率的な運用を実現します。
アーキテクチャ
次の図は、このソリューションで説明されているワークフローを示しています。
図retail_lakehouse_fc.pngの説明
- 検出
ここでは、Micros、エンタープライズ・ソース・システム(ERP)、カスタマー・エクスペリエンス、製品、マーケティングなどの様々なソースからの構造化データと非構造化データを、IoT入力、ストア内フット・トラフィックを含むストア・オペレーション、ソーシャル・メディア・データとともに取得しています。
- 収集
データは、OCI統合サービスを使用して様々なソース・システムから取り込まれ、データ・プラットフォームのランディング・ゾーンであるデータ・レイク・オブジェクト・ストレージに渡されます。
- 変換およびキュレート
さらに、完全に管理されたApache SparkサービスであるOCIデータ・フロー・サービスを使用して、データがクレンジング、変換およびエンリッチされます。このサービスは、インフラストラクチャのデプロイや管理を行うことなく、非常に大規模なデータセットに対して処理タスクを実行します。キュレートされたゾーンから、Object StorageとAutonomous Data Warehouse (ADW)の組合せであるデータ・プラットフォームの最終ストレージ・レイヤーにデータを移動します。組織全体のデータを民主化するのに役立ちます。
- 分析、学習、予測
データは、一元化されたOracle Analytics Cloud (OAC)ダッシュボードを通じてビジネス・インサイトを分析および提供するために使用されるようになりました。さらに、OracleのAI/MLスタックを使用して分析を拡張し、結果を学習して予測します。
- 測定および処理
データ・プラットフォームは、カスタム・モバイル・アプリ、オープン・ソースのテクノロジー・スタック、ハイブリッド・プラットフォームと統合できるようになりました。このデモでは、データ・サイエンス・プラットフォームとの統合により、追加されたインテリジェンスが表示され、顧客の行動を把握できます。
アーキテクチャのコンポーネント
このシナリオのアーキテクチャには、次のコンポーネントが含まれています。
- データ・ソース
これらは、Micros、ユーザーWeb行動分析、Fusion Supply Chain Managementアプリケーション、eCommerceソースなどのPOSシステムなど、データ・プラットフォームへのデータ取込みの起点です。
- Oracle Data Integration Service
OCI Data Integrationは、様々なデータ・ソースからAutonomous Data WarehouseやOracle Cloud Infrastructure Object StorageなどのターゲットOracle Cloud Infrastructureサービスにデータを抽出、ロード、変換、クレンジングおよび再シェイプする、フルマネージドのサーバーレス・クラウドネイティブ・サービスです。
- オブジェクト・ストレージ
オブジェクト・ストレージでは、データベース・バックアップ、分析データ、イメージやビデオなどのリッチ・コンテンツなど、あらゆるコンテンツ・タイプの構造化データおよび非構造化データにすばやくアクセスできます。インターネットから直接またはクラウド・プラットフォーム内から、安全かつセキュアにデータを格納し、取得できます。パフォーマンスやサービスの信頼性を低下させることなく、ストレージをシームレスに拡張できます。迅速、即時、頻繁にアクセスする必要があるホット・ストレージには、標準ストレージを使用します。アーカイブ・ストレージは、長期間保存し、ほとんどまたはほとんどアクセスしないコールド・ストレージに使用します。
- データ・フロー
OCIデータ・フローは、クラスタ、運用チームまたは非常に専門的なSparkの知識を必要とせずに、任意のスケールでSparkジョブを作成、編集および実行できるクラウドベースのサーバーレス・プラットフォームです。実行時に、データ・フローはアプリケーション・ソースを取得し、接続を作成し、データを取得して処理し、出力をOracle Cloud Infrastructure Object Storageに書き込みます。
- Autonomous Data Warehouse
Oracle Autonomous Data Warehouseは、データ・ウェアハウスのワークロード用に最適化された、自動運転、自己保護および自己修復が可能なデータベース・サービスです。ハードウェアの構成や管理、ソフトウェアのインストールを行う必要はありません。Oracle Cloud Infrastructureでは、データベースの作成、およびデータベースのバックアップ、パッチ適用、アップグレードおよびチューニングが処理されます。
- データ・カタログ
OCIデータ・カタログは、データ専門家がデータを検出してデータ・ガバナンスをサポートするのに役立つメタデータ管理サービスです。Oracleエコシステムと連携するように特別に設計されており、資産のインベントリ、ビジネス用語集、データレイクの一般的なメタストアを提供します。
- データ・サイエンス
OCI Data Scienceは、データ・サイエンティストのチームがPythonとオープン・ソース・ツールを使用して機械学習モデルを構築、トレーニング、デプロイおよび管理するためのフルマネージド・プラットフォームです。
- Oracle Machine Learning
機械学習は人工知能(AI)のサブセットで、使用するデータに基づいてパフォーマンスを学習または向上させるシステムの構築に重点を置いています。
- OMLノートブック
Oracle Machine Learning Notebooksは、Oracle Autonomous Databaseで機械学習を実行するデータ・サイエンティストやビジネス/データ・アナリストのためのコラボレーション・ユーザー・インタフェースです。
- OCI言語
OCI Languageは、高度なテキスト分析を大規模に実行するクラウドベースのAIサービスです。このサービスは、REST APIとSDKを利用してセンチメント分析、エンティティ認識、翻訳などの非構造化テキストを処理することで、インテリジェントなアプリケーションを構築するのに役立ちます。
- Oracle Analytics Cloud
Oracle Analytics Cloudはスケーラブルで安全なパブリック・クラウド・サービスであり、データの準備、ビジュアライゼーション、エンタープライズ・レポート、拡張分析、自然言語処理および生成のための最新のAI駆動のセルフサービス・アナリティクス機能を使用して、ビジネス・アナリストをことができます。Oracle Analytics Cloudを使用すると、迅速なセットアップ、簡単なスケーリングとパッチ適用、自動化されたライフサイクル管理など、柔軟なサービス管理機能も利用できます。
- データ・コンシューマ
データ・コンシューマは、データ・プラットフォームによって処理されるデータを視覚化して使用するエンティティです。これには、ビジネス・エグゼクティブ、Oracle Business Intelligenceアプリケーション、Oracle Analytics Cloud、または顧客のキャンペーン、メッセージング、ロイヤルティ・プログラムが含まれます。
ダッシュボード
- 「エグゼクティブ」ダッシュボード
- カスタマ・プロファイリング・ダッシュボード
このプレイブックの例では、これらのダッシュボードと、小売業者がそれらのダッシュボードからインサイトを得る方法に重点を置いています。これらのダッシュボードから収集したメトリックをロイヤルティ・プログラム管理アプリケーション(OracleのCrowdTwistなど)と組み合せて、顧客の行動をよりよく理解して対処することもできます。これらのアプリケーションでは、通常、登録、ポイント追跡、オファー、報酬引換などの機能が提供されます。CrowdTwistのようなロイヤルティ・プログラム・アプリケーションは、ソースとして使用され、場合によってはこのシナリオに示されている分析のコンシューマとして使用されます。
ロイヤルティ・プログラム・ダッシュボードに表示される様々な視点は、米国全体のロイヤルティ・プログラムのパフォーマンスとコンバージョン・レートを示しています。過去数年間のメンバーシップの移動を分析し、ビジネスの逸脱の理由を特定します。顧客プロファイリング視点は、メンバーシップ、コンバージョン率(店舗ごとのトラフィック)、プログラムの地理的存在、拒否理由、ポイント償還、管理キャンペーンなど、顧客の識別と行動の様々な側面を示します。
これらはクリーンなデータの単純なグラフのように見えますが、このデータは1箇所で単純な形式で使用できることはほとんどありません。ビジネス・ユーザーには主に結果が表示されますが、ここに来る実際のプロセスは複雑で過去にはありますが、ほとんどの組織は主に手動プロセス(年間1、2回)としてこれを実行できました。オラクルのソリューションでは、これらすべてを継続的に分析できます。静的な分類に依存するのではなく、AIがいくつかのカテゴリを見つけ、モデリングを支援できるようにしています。
このすべてのデータが社内で使用可能であったわけではありません。一部のアイテム(特に年齢や婚姻区分)は、外部ソースであるOracle Advertising Cloudからのデータ・エンリッチメントです。
ストア・トラフィックの変換率
次の例は、最初のチャートに四半期ごとのコンバージョン・レート(つまり、新しいロイヤルティ・メンバー)に対する全体的なロイヤルティ・メンバーシップを示します。四半期ごとの比較では、Q3 2021以降、ロイヤルティ・コンバージョン・レートの下方トレンドを確認できます。次に、他の棒グラフについて詳しく説明します。これは、2021年に店舗のトラフィックが大幅に増加(成長率が100%未満)したが、純新規トランザクションは約25%であることを示しています。2021年以降、ロイヤルティ・プログラムに何か問題があるようです。
ロイヤルティ顧客実績
図loyalty_customers_performance.pngの説明
この例では、前の10四半期を調べると、最初の2つの棒グラフは、Q3 2021以降の顧客メンバーシップでのロイヤルティ・プログラムのかなりの反復/オプトアウトを示しています。ダッシュボードの下半分に注目すると、引換済ポイントと失効済ポイントの動作は、引換済ポイントの減少と、対応する失効ポイントの増加を示しています。これから、顧客は指定された報酬失効日までにポイントを引き換えることができないと判断できます。円グラフ(右下)は、顧客の約50%が、ロイヤルティ・プログラムからのオプトアウトの主な理由としてポイントの有効期限について言及していることを示しています。このデータに基づいて、実用的なインサイトにより、ポイント割当および失効タイムラインを詳細に調査することが示される場合があります。
キャンペーン・プログラム
- キャッシュバック・オファー
- 1つ購入して1つ取得(BOGO)
- ギフト券
- 特別割引
ロイヤルティ概要ダッシュボード
ロイヤルティ要約顧客プロファイリング・ダッシュボードを使用して、収益を新規ロイヤルティ・サブスクライバをオンボーディングする効果と比較します。
このシナリオでは、過去5年間のデータを使用して、2021年以降収益が減少していることを確認できます。2022年3月以降、収益はまだそれほど大きくありませんが、ウォーターフォール・グラフを分析することで、新しいロイヤルティ・メンバーを獲得するための上昇傾向が驚くほど見られます。
次に、下部の棒グラフにフォーカスし、ロイヤルティ顧客の新規/更新アクティビティを評価します。2020年まで、ロイヤルティ・プログラムは主にキャッシュバック・オファーと連立ロイヤルティに重点を置いていることがわかりますが、2021年以降、ビジネス戦略の一部は有料および階層型ロイヤルティ・プログラムに焦点を移しました。このデータに基づいて、実用的なインサイトは、ビジネス戦略を再調査して、キャッシュバックおよび調整プログラムにフォーカスを戻す方法を決定する必要があることを示します。
顧客プロファイル
顧客プロファイル・ダッシュボードは、売上と比較した人口統計指標に基づく顧客の行動に関するもう1つの視点です。
このシナリオでは、ビジネス収益が2021年以降低下していることがわかります。売上の低下の理由を識別するために、このダッシュボードでは、メンバーシップ、地理的プレゼンス、ロイヤルティ・プログラム・カテゴリ、婚姻区分、年齢および購入パターンなどの様々な側面を確認できます。その後、引換ルールを変更する必要があると判断したら、このダッシュボードで提供されるビジュアライゼーションを使用して、様々なパラメータを試し、ロイヤルティの成功にどのように影響するかを確認できます。たとえば、2020年を振り返ると、ロイヤルティ・プログラムは主に、顧客ベース全体の51%に寄与し、連立やキャッシュバックなどの様々なロイヤルティ・プログラムと階層ロイヤルティ・プログラム、25から35の年齢グループの深い主要な貢献度を提供している既婚者を対象に設計されています。したがって、25歳から35歳までの年齢層で結婚した顧客を取り戻すために、利益の多いオファーをロールアウトする方法を確認する必要があります。そのため、実用的なインサイトを得るために、what-if分析を実行し、引換ルールに基づいて、様々なパラメータを試してロイヤルティの成功にどのように影響するかを視覚化できます。