Soumettre la recherche
Mettre en ligne
リアルタイムデータを活用したインターネットユーザーへのアプローチ
•
0 j'aime
•
827 vues
菊池 佑太
Suivre
2015.12.09@acrovision
Lire moins
Lire la suite
Données & analyses
Signaler
Partager
Signaler
Partager
1 sur 88
Télécharger maintenant
Télécharger pour lire hors ligne
Recommandé
Log解析の超入門
Log解析の超入門
菊池 佑太
Log解析の基礎@phpcon2014
Log解析の基礎@phpcon2014
菊池 佑太
Collective_Intelligence_chap2
Collective_Intelligence_chap2
Yutaro Sugai
Webアプリケーション開発での位置情報活用
Webアプリケーション開発での位置情報活用
Masakazu Muraoka
はじめてのモバイルウェブアプリ 3 SPARQLハンズオン オープンデータ水位ゲーム
はじめてのモバイルウェブアプリ 3 SPARQLハンズオン オープンデータ水位ゲーム
Taisuke Fukuno
IT業界におけるコミュニティの重要性と関わり方
IT業界におけるコミュニティの重要性と関わり方
法林浩之
IT業界におけるコミュニティ活動の大切さ
IT業界におけるコミュニティ活動の大切さ
法林浩之
佐賀大学 - データ分析と向き合う
佐賀大学 - データ分析と向き合う
Daiyu Hatakeyama
Recommandé
Log解析の超入門
Log解析の超入門
菊池 佑太
Log解析の基礎@phpcon2014
Log解析の基礎@phpcon2014
菊池 佑太
Collective_Intelligence_chap2
Collective_Intelligence_chap2
Yutaro Sugai
Webアプリケーション開発での位置情報活用
Webアプリケーション開発での位置情報活用
Masakazu Muraoka
はじめてのモバイルウェブアプリ 3 SPARQLハンズオン オープンデータ水位ゲーム
はじめてのモバイルウェブアプリ 3 SPARQLハンズオン オープンデータ水位ゲーム
Taisuke Fukuno
IT業界におけるコミュニティの重要性と関わり方
IT業界におけるコミュニティの重要性と関わり方
法林浩之
IT業界におけるコミュニティ活動の大切さ
IT業界におけるコミュニティ活動の大切さ
法林浩之
佐賀大学 - データ分析と向き合う
佐賀大学 - データ分析と向き合う
Daiyu Hatakeyama
ベアメタルで実現するSpark&Trino on K8sなデータ基盤
ベアメタルで実現するSpark&Trino on K8sなデータ基盤
MicroAd, Inc.(Engineer)
DLL: Ignite2019 CognitiveServices Update 20191127
DLL: Ignite2019 CognitiveServices Update 20191127
Ayako Omori
第二回データサイエンティスト木曜勉強会20141016
第二回データサイエンティスト木曜勉強会20141016
Koichiro Kondo
データサイエンティスト協会 木曜勉強会 #02『クレンジングからビジュアライズまで!実践!データ解析超入門!』
データサイエンティスト協会 木曜勉強会 #02『クレンジングからビジュアライズまで!実践!データ解析超入門!』
The Japan DataScientist Society
データサイエンティストの就労意識
データサイエンティストの就労意識
The Japan DataScientist Society
パートナーコラボレーションを支えるASP
パートナーコラボレーションを支えるASP
Cybozucommunity
IPv6 Survey 2019
IPv6 Survey 2019
Masaaki Nabeshima
Service Cloud Trailblazers Meetup #07
Service Cloud Trailblazers Meetup #07
sfdc_sctb
Machine Learning Nagoya 20170619
Machine Learning Nagoya 20170619
陽平 山口
20151107 cfj setohiga4_2
20151107 cfj setohiga4_2
Toshikazu Seto
JPC2018[A1]Microsoft Azure/AI で推進するビジネス改革
JPC2018[A1]Microsoft Azure/AI で推進するビジネス改革
MPN Japan
ITの今とこれから public
ITの今とこれから public
Daiyu Hatakeyama
スタートアップカフェコザ - 最新 AI / Machine Learning 事情
スタートアップカフェコザ - 最新 AI / Machine Learning 事情
Daiyu Hatakeyama
米国電子出版動向2017
米国電子出版動向2017
Japan Electronic Publishing Association
AlloyDB のデータ分析基盤での活用におけるポテンシャルとは?
AlloyDB のデータ分析基盤での活用におけるポテンシャルとは?
Takuya Ogawa
GDC2018 Amazon Overview
GDC2018 Amazon Overview
Amazon Web Services Japan
マルチクラウド時代に求められる ID & シングル・サインオン(SSO)基盤とは?
マルチクラウド時代に求められる ID & シングル・サインオン(SSO)基盤とは?
IIJ
For Power BI Beginners
For Power BI Beginners
Tomoyuki Oota
Case study of online machine learning for display advertising in Yahoo! JAPAN
Case study of online machine learning for display advertising in Yahoo! JAPAN
DataWorks Summit/Hadoop Summit
20180605 azure antenna_workshop
20180605 azure antenna_workshop
Miyuki Mochizuki
Contenu connexe
Similaire à リアルタイムデータを活用したインターネットユーザーへのアプローチ
ベアメタルで実現するSpark&Trino on K8sなデータ基盤
ベアメタルで実現するSpark&Trino on K8sなデータ基盤
MicroAd, Inc.(Engineer)
DLL: Ignite2019 CognitiveServices Update 20191127
DLL: Ignite2019 CognitiveServices Update 20191127
Ayako Omori
第二回データサイエンティスト木曜勉強会20141016
第二回データサイエンティスト木曜勉強会20141016
Koichiro Kondo
データサイエンティスト協会 木曜勉強会 #02『クレンジングからビジュアライズまで!実践!データ解析超入門!』
データサイエンティスト協会 木曜勉強会 #02『クレンジングからビジュアライズまで!実践!データ解析超入門!』
The Japan DataScientist Society
データサイエンティストの就労意識
データサイエンティストの就労意識
The Japan DataScientist Society
パートナーコラボレーションを支えるASP
パートナーコラボレーションを支えるASP
Cybozucommunity
IPv6 Survey 2019
IPv6 Survey 2019
Masaaki Nabeshima
Service Cloud Trailblazers Meetup #07
Service Cloud Trailblazers Meetup #07
sfdc_sctb
Machine Learning Nagoya 20170619
Machine Learning Nagoya 20170619
陽平 山口
20151107 cfj setohiga4_2
20151107 cfj setohiga4_2
Toshikazu Seto
JPC2018[A1]Microsoft Azure/AI で推進するビジネス改革
JPC2018[A1]Microsoft Azure/AI で推進するビジネス改革
MPN Japan
ITの今とこれから public
ITの今とこれから public
Daiyu Hatakeyama
スタートアップカフェコザ - 最新 AI / Machine Learning 事情
スタートアップカフェコザ - 最新 AI / Machine Learning 事情
Daiyu Hatakeyama
米国電子出版動向2017
米国電子出版動向2017
Japan Electronic Publishing Association
AlloyDB のデータ分析基盤での活用におけるポテンシャルとは?
AlloyDB のデータ分析基盤での活用におけるポテンシャルとは?
Takuya Ogawa
GDC2018 Amazon Overview
GDC2018 Amazon Overview
Amazon Web Services Japan
マルチクラウド時代に求められる ID & シングル・サインオン(SSO)基盤とは?
マルチクラウド時代に求められる ID & シングル・サインオン(SSO)基盤とは?
IIJ
For Power BI Beginners
For Power BI Beginners
Tomoyuki Oota
Case study of online machine learning for display advertising in Yahoo! JAPAN
Case study of online machine learning for display advertising in Yahoo! JAPAN
DataWorks Summit/Hadoop Summit
20180605 azure antenna_workshop
20180605 azure antenna_workshop
Miyuki Mochizuki
Similaire à リアルタイムデータを活用したインターネットユーザーへのアプローチ
(20)
ベアメタルで実現するSpark&Trino on K8sなデータ基盤
ベアメタルで実現するSpark&Trino on K8sなデータ基盤
DLL: Ignite2019 CognitiveServices Update 20191127
DLL: Ignite2019 CognitiveServices Update 20191127
第二回データサイエンティスト木曜勉強会20141016
第二回データサイエンティスト木曜勉強会20141016
データサイエンティスト協会 木曜勉強会 #02『クレンジングからビジュアライズまで!実践!データ解析超入門!』
データサイエンティスト協会 木曜勉強会 #02『クレンジングからビジュアライズまで!実践!データ解析超入門!』
データサイエンティストの就労意識
データサイエンティストの就労意識
パートナーコラボレーションを支えるASP
パートナーコラボレーションを支えるASP
IPv6 Survey 2019
IPv6 Survey 2019
Service Cloud Trailblazers Meetup #07
Service Cloud Trailblazers Meetup #07
Machine Learning Nagoya 20170619
Machine Learning Nagoya 20170619
20151107 cfj setohiga4_2
20151107 cfj setohiga4_2
JPC2018[A1]Microsoft Azure/AI で推進するビジネス改革
JPC2018[A1]Microsoft Azure/AI で推進するビジネス改革
ITの今とこれから public
ITの今とこれから public
スタートアップカフェコザ - 最新 AI / Machine Learning 事情
スタートアップカフェコザ - 最新 AI / Machine Learning 事情
米国電子出版動向2017
米国電子出版動向2017
AlloyDB のデータ分析基盤での活用におけるポテンシャルとは?
AlloyDB のデータ分析基盤での活用におけるポテンシャルとは?
GDC2018 Amazon Overview
GDC2018 Amazon Overview
マルチクラウド時代に求められる ID & シングル・サインオン(SSO)基盤とは?
マルチクラウド時代に求められる ID & シングル・サインオン(SSO)基盤とは?
For Power BI Beginners
For Power BI Beginners
Case study of online machine learning for display advertising in Yahoo! JAPAN
Case study of online machine learning for display advertising in Yahoo! JAPAN
20180605 azure antenna_workshop
20180605 azure antenna_workshop
リアルタイムデータを活用したインターネットユーザーへのアプローチ
1.
1 リアルタイムデータを 活用したインターネットユーザー へのアプローチ 2015.12.9 @acrovision 菊池佑太
2.
2 10.7 の謝罪
3.
3 ➢DSP / DMP DirectResponse Retargeting CPC
/ CPA
4.
4 今日の目的 PageView Up Sales Up CTR,CVR
Up
5.
5 One to One 出典元
: http://gunosy.com
6.
6 Data 活用事例
7.
7 Marketing & Enginnering
8.
8 QUESTION 興味を持った 2015 年の News
は?
9.
9 A. ラグビー W
杯 出典元 :http://cyclestyle.net/
10.
10 B. 火花 芥川賞 出典元
:http://www.itmedia.co.jp/
11.
11 C. Green500 で
1 位 出典元 :http://www.riken.jp/
12.
12 D. 福山ショック ... 出典元
:http://www.toushin-1.jp/
13.
13 A. ラグビー W
杯 1. 興味なし 2. テレビ観戦 3. 五郎丸? 4.YAMAHA 5. バイク 6.TW225 Ad
14.
14
15.
15 脳内を Scan する (
したい )
16.
16 Communication
17.
17 扱うデータ Web 行動履歴 位置情報 etc ...
18.
18 RealTime の重要性
19.
19 Tencent引用 :http://net.pku.edu.cn/~cuibin/Papers/2015SIGMOD-tencentRec.pdf
20.
20 Tencent引用 :http://t.co/aJ64XZujoA increased performance about 37%
21.
21 経過時間 興味の強さ 興味の強さと時間の関係
22.
22 経過時間 興味の強さ 興味の強さと時間の関係 3min 24hour 48hour ※ インターネット広告における CTR
の事例
23.
23 興味は短期 / 長期 短期の減衰率
24.
24 顕在的 潜在的
25.
25 EcoSystem Internet User Log Recommend Engine DataList
Mail
26.
26 Log(History Tag) 出典元 :http://shop-list.com/
27.
27 3 つの重要指標
28.
28 Purchase Funnel Recency Frequency Re Pu Fr
29.
29 出典元 :http://o2ointeractive.com/ Purchase Funnel
30.
30 Awareness in-stream 引用 :http://shop-list.com/ 出典元
:http://youtube.com/
31.
31 Top, Detail, Cart
... Awareness 以降の話 出典元 :http://shop-list.com/ Recommend Engine Recency,Frequency
32.
32 EcoSystem Internet User Log Recommend Engine DataList
Mail ・ Purchase Funnel ・ Recency ・ Frequency ・ Frequency
33.
33 Marketing & Enginnering
34.
34 Data Store Machine Learning
? Result Reference
35.
35 KVS 性別・年代推定 Term Rec 位置情報
36.
36 出典元 :http://japan.zdnet.com
37.
37 Cookie-ID IDFA,AAID Login-ID※SmartPhone 、人を中心に考える場合
38.
38 出典元 : http://headlines.yahoo.co.jp Login-ID
39.
39 出典元 1. :
http://www.criteo.com/media/1036/cross-device-advertising-criteo-sep-2014.pdf 出典元 2. : http://adtruth.com Cross Browser/Device Solution
40.
40 ID 統合管理 KVS の構築
41.
41 KVS Data Structure {
AEBE52E7-03EE-455A-B3C4-E57283966239 : { Gender : { 'Male' : 90, 'Female' : 10 } }, { Age : { '20-' : 80} }, { Interest : [ { 'WebTech' : 100 }, { 'Car' : 70} ] }, { Address : [ { '2015-12-09 20:00:00' : { 'ikebukuro' : 1 } }, …. ] }, { LatLng : [ {'2015-12-09 19:30:00' : { '35.729848, 139.711929': 1 } } …. ] }, { Query : [ {'2015-12-09 19:50:00' : { 'realtime': 2 } }, …. ] }, { PageView : [ {'2015-12-09 19:40:00' : '/acrovision': 3}, …. ] } } ※ モバイル広告 ID が Key の例
42.
42 ID Mapping { AEBE52E7-03EE-455A-B3C4-E57283966239
: => [ 139bfe7174713996c03f60fe795e1f1, b8dea6d7d3dd1b0e661dad8d77db0df, 0Eab762191fd7de880a0217a2ed5fa1, 7D2817304c3453b3e02c500f4135fb9, 5f1068e3956791873ecd289f87f831c ] } 双方向での紐付け ※ モバイル広告 ID が Key,Value は CookieID の配列
43.
43 EcoSystem Internet User Log Recommend Engine DataList
Mail KVS DataStorage
44.
44 KVS 性別・年代推定 Term Rec 位置情報
45.
45
46.
46 Machine Learning ? Batch
47.
47 未知への拡張 20% 50% 20%
48.
48 豊富な ID, 正解データが必要
49.
49 ID に紐付いた 検索 Log
50.
50 条件付き確率 P( 男 |
ガンダム ) = 0.8 P(20 代 | 新卒 ) = 0.6
51.
51 訓練 推定 評価
52.
52 正解 : {KW
: 回数 } 男性 : { ガンダム : 5 , AC ミラン : 8 } 女性 : { 化粧水 : 2 , 日焼け止め : 7 } ・ ・ ・
53.
53 $nb = new
NaiveBayes(); // iteration $nb->add_instance( 'label' => ' 正解 ', 'attributes' => 'KW : 回数 ' ); $nb->train();
54.
54 訓練 推定 評価
55.
55 未知 : {KW
: 回数 } ? : { ガンダム : 3 , シャア : 2 } ・ ・ ・
56.
56 // iteration $res =
$nb->predict( 'attributes' => 'KW : 回数 ' ); foreach($res as $label => $p) { echo $label . "t" . $p . "n"; } // 男性 : 0.878 // 女性 : 0.122
57.
57 推定確率を KVS へ格納
58.
58 訓練 推定 評価
59.
59 Balance 精度 拡張量 { 精度 :
70%, 拡張量 : 30% 増 }
60.
60 KVS 性別・年代推定 Term Rec 位置情報
61.
61
62.
62 Machine Learning ? RealTime
63.
63 Relevancy Internet User Contents Score?
64.
64 Term 直接的な関連
65.
65 Data Store Internet User Contents
Server Search Server Worker Worker Worker Worker KVS KVS URL Query ID,URL ID,Query ID,URL ID,Event,Term ID,Event,Term
66.
66 Data Store Event 発生 形態素解析
,TF/IDF 計算 重要な Term を KVS に保存
67.
67 Result Reference Internet User Recommend
Engine DataList Mail KVS DataStorage ID Event/Term Contents/Weight Contents Cosine Sim
68.
68 Result Reference KVS から
Term を引く Term を基に Contents を引く Event,Term による重み
69.
69 Category Matching Term =>
Category
70.
70 Wikipedia Category https://ja.wikipedia.org/wiki/Wikipedia:%E3%83%87%E3%83%BC%E3%82%BF%E3%83%99%E3%83%BC %E3%82%B9%E3%83%80%E3%82%A6%E3%83%B3%E3%83%AD%E3%83%BC%E3%83%89
71.
71 Tencent Rec(Storm) Realtime Data
Stream Scalability Fault-Torerant ...
72.
72 KVS 性別・年代推定 Term Rec 位置情報
73.
73
74.
74 Machine Learning ? Batch
or 不要
75.
75 場所に関する Contents 配信
76.
76 生活圏の特定 今後注目
77.
77 GPS Beacon wif
78.
78 Result Reference Internet User Recommend
Engine DataList Mail KVS DataStorage ID,GPS(Lat,Lng) Lat,Lng => Address Contents Contents Address Matching
79.
79 蓄積された Lat,Lng
80.
80 頓挫した orz
81.
81 ハードル高 出典元 : http://maps.google.com
82.
82 まとめ
83.
83 RealTime の重要性
84.
84 3 つの重要な指標
85.
85 KVS ID 統合管理
86.
86 正解データを利用し た属性推定
87.
87 位置情報データ ( 失敗 )
88.
88 Term の Relevancy による
Reco
Télécharger maintenant