読者です 読者をやめる 読者になる 読者になる

C Channelについて

C Channelの内容を振り返り。

 

広告商品としては、制作してくれる、ということが一番の強みだ。

さらに、制作においては動画の制作経験やオーディエンスを知っているというところに強みを持っている。

 

そして一番注目したかったのは、

ビデオが見られるようになったのが、How to動画に振り切ってから、

というところだ。

 

①世の中はHow to 動画を求めている

マフラーの巻き方や、髪の毛のセット、メイクなど、

「すぐにチャレンジできる身近なトピック」

を、

「ほぼ一般人」

「動画」

で紹介することが受けているようだ。

確かにこれは女の子たちの毎日を豊かにしていると感じる。

 

これらは今まで雑誌やブログがその役割を担っていたような気がするが、

動画ならでは、という内容がさらに良いと思われる。

また手空き時間に見るので、身近な情報が望ましいはずだ。

着物の着付け、といったヘビーな内容は向いていないかもしれない。

 

②How toはプランニングの中で確かなポジションを確立できる。

Youtube広告に流す動画とは差別化が図られるだろう。

何に向いているのか、全体のプランの中でどこに入るのかを考えたほうが良い。

 

・使い方がわかりにくい商品

・日常を少し簡単にする商品

・Before and after がわかりやすい商品

 

などだろうか。おそらく

・便益をフックに広めていく場合

・商品の使い方がユニークな場合

は使いやすいだろう。

他でのブランディング施策と合わせて位置づけを明確にするべきだ。

ヤングカンヌについて

ヤングカンヌのメディア部門の日本代表選考のお題は、子育てに悩む母親が多数おり、そのサポートが必要であることを知らしめ、NPOへの募金を促すことであった。

 

考える内容のレイヤーは多岐にわたっていた。

 

①母親の悩みを解決するために

どのような悩みがあるのか

その悩みを解決するには何をすればよいのか

 

②知らせるということ

母親が悩みを持っていることはなぜ知られていないのか。

悩みを持っていることを知らせるにはどうすればよいのか。

 

③募金してもらう

募金が集まらないのはどうしてなのか

募金をしてもらうにはどうすればよいのか。

 

実際には募金がゴールとなるはずなので、

統合的に考え、実際的な提案が求められるであろう。

 

ただし今回は、

 

NPOにお金が集まりさえすれば課題が解決される。

お金を集めるための鍵は、子育てに悩む母親が多数いることを知らせることだ

 

という前提にたって良いのだとと思う。

 

つまり、知らせる ことが第一

募金させることはその次

悩みを解決することはスコープの外だということだ。

 

つまり一番考えないといけないことは、知らせるために何が出来るか、

というアイデアである。

 

そして今回の肝は、知らせる内容がネガティブで深刻になりかねないということである。

逆に、ポテンシャルとしては、母親たち自体が発信者になりうるということである。

 

南の国の管理人募集がカンヌを取ったが、

あれは、

「すばらしいリゾート環境」を「住むところ」「働くところ」として別の切り口で世の中に出すことで、世の中に広がっていった。

つまり、訴求する内容の「ポジティブさ」をポテンシャルとして捕らえ、

旅行先としてしまうと埋もれてしまう情報を、

職場として紹介することでスペシャルなものに仕立て上げた。

 

今回は「ネガティブな情報」を拡散しなければいけない。

これはどうすればいいのか。

今回は、ネガティブであるからこそ発信しにくい、話題になりにくい、

そういった内容であるため、チャーミングに変換することを試みた。

アイスバケツチャレンジは一つの参考になった。

どうチャーミングに変換できるか。

これは、結果的には悩みの周りにあるチャーミングなものを探すことが有効だった。

 

また、ポテンシャルとして、潜在的発信者が多数いることと、

ネガティブな悩みは、共感によって拡散することに注目した。

「保育園落ちた。日本死ね」の文脈だ。

 

以上、頭の整理のために。

Tbleauでのデータ解析について

Tableauでのデータ解析を業務で行っており、お世辞にもデータアナリストとはいえないスキルセットの筆者もデータについて考える機会が増えたので、頭の整理のために記しておく。

 

データ分析の目的の重要性

はじめに書くとおもんない文章になるけど、これはやはり大切。教科書的に。

これが無いと何が問題かというと、どんなグラフを作ればいいかわからない。

ただそれだけ。

 

エクセルデータの分析

Tableauを始めるにあたって一番easyなのはエクセルデータの分析から。

エクセルと言わずCSVでもいいが、エクセルでの集計と合わせて答え合わせが出来るところがよい。

次は、複数のエクセルデータのブレンディングがよいと思う。

どんどん高度なことをしていく場合にも、基礎はデータの集計やビジュアライズ、そして複数のデータソースからのデータ加工だから。

 

データ構造への理解の深さ

エクセルなどの目に見えるデータの扱いから、GoogleAnalyticsやSalesForceなどのクラウド上のデータを扱うようになる。

その際に痛感するのが、データ構造の理解の大切さ。

なぜかというと、データのつながりが目に見えないから。

このデータをこの切り口とこの切り口でビジュアライズしたい、その際に、実はそれらのデータはつながっていないことを知る。

これは、二つの理解が必要。

①そもそもやろうとしていることはどのようなデータ構造であれば実現できるのか。

②対象のクラウドデータソースは、それを実現するデータ構造か。

今はGAの分析をしているが、収益、と商品の収益の違いによって日も付けられるデータに違いがあることを知る。

 

ビジュアライゼーションの大切さ

ここは、何を浮き彫りにしたいか、というところと密接にかかわる。

ただし、浮き彫りにするためにどのようなビジュアライズ手法が必要か。

それを知るためにはビジュアライズのテクニックを持っている必要あり。

 

これからの課題

データブレンディングをエクセルデータと突合せながらやっていくこと。

そして、GAのEC解析を通じて売り上げデータをビジュアライズする経験をつむこと。

この二つ。GAに関しては、データが合っているのか、それを確認しながら進めることが必要。ただし、それは非常に難しいことはわかっている。

 

GAでは、そもそも何を見たいのかを言語化した方がよい。

 

売り上げの推移が見たい。

売り上げがよくなっているのか、悪くなっているのか知りたいから。

 

よくなっていても、悪くなっていても、なぜか、を知りたい。

まずは、それがなぜかを分析するところから始めるべきだ。

 

客単価、購入数、顧客数、(商品)など、売り上げを因数分解する。

これは大切なはずであり、これで一つのダッシュボードとすべきだ。

 

次に必要なのは客単価が下がった、購入数が下がった、それぞれの因子に対して、

なぜかを考えるダッシュボードを提供するべきだ。

 

ここで出てくるのが売り上げをさまざまな軸で切って見ることかもしれない。

たとえば、デバイス流入元などである。

 

さらに、どの構成要素が悪くなっているのかが見てわかるビジュアライズが必要だ。つまり、それは前月比、前年同月比だ。

 

構成要素は多くの種類が考えられる。

そのため、ここは複雑になりがちだ。

どうするか。

 

なぜ売り上げが下がったのか。あがったのか。

構成要素のバランスと、構成要素自体の変化の二軸のどちらの寄与が大きいか。

これのビジュアライズは非常に難しい。

 

さらに、構成要素はどのように選定するべきか。

・買う人が変わった(そもそも)

人をどうみるか?

→デモグラやアフィニティ、アクセス時間や曜日

・購買環境が変わった

環境とは?

→デバイスなど?

・買いに来たものが違った

そもそも何を買いに来たのかわかるのか?

 →ついで買いだった?

 →コミュニケーションの入り口の問題か?

・検討する中で今までとは違う挙動をした

購入導線の途中に変化があったか?

 

①構成要素の売り上げに与えるインパクトをまずは可視化する

たとえば、スマホ比率が変わった、といった場合に、各要素の売り上げ推移は変わっていなくても、売り上げ額は減る可能性がある。

 

②要素単位での沈下

各要素それ自体が下がっていることが考えられる。

こちらは推移をみれば明らかとなる。

 

そして構成要素として考えられるのは以下の点だ。

 

○人にフォーカス

・デバイス

流入元別

・デモグラ別

 

○行動にフォーカス

・訪問ページ別

・ランディングページ別

 

売り上げの構成要素が見たい。

今の売り上げの構成要因把握とともに、売り上げの増減の理由を知りたいから。

 

眠い。途中だけれどもねる。

ジオターゲティング界隈について

ジオターゲティング、各社から商品が出ており、いよいよ2017年は活況を呈していくものと思われます。私が今知っている限りでの情報の整理を行い、これから知る必要のあること、展望を述べることとします。

 

■Googleが動いている背景推測

Googleは広告売り上げ、中でも検索連動型広告の伸びがとまっていることが大きな課題。

なぜ検索経由の売り上げが頭打ちなのか。

一つは、Eコマースなどのオンラインでの購入などをゴールとする広告が頭打ちであること。今まで売り上げを引っ張ってきたところの伸びが鈍化しているはず。(筆者主観)

もう一つは、スマホ広告の価値が低いこと。

先述のように、Eコマースなどの領域ではPCユーザーのほうが平均的に質の高い顧客である。そのため、PCの広告による1クリックは価値が高い。

逆にスマホの1クリックは価値が低く、企業は高い金を払わない。

そのためスマホの広告が安く買い叩かれ、Googleの売り上げが伸び悩んでいる状況だ。

スマホの広告を高く買ってもらうためにGoogleが考えたのが、来店CV制度である。

広告をクリックしたユーザーがその後来店したかどうかを計測できるようにしたもので、Googleはこの分野に相当の投資をしている。

Eコマースで成功したように、広告が購買にどの程度寄与したのかを見える化することで広告費が伸びるともくろんでいる。

現在リスティング広告でのみ実装可能な来店コンバージョン機能だが、ディスプレイ広告や動画広告でも今後実装されていくはずだ。

 

このように、検索、ネットワーク、動画、という掲載面、プラットフォームに加え、効果計測でも他の追随を許さないGoogleが巨大な勢力になるのは間違いない。

 

この効果計測プラットフォームを他社に売るのかどうか、個人的にはそこに注目したい。

 

■プレイヤー

 

Google

背景は上で説明したとおり。

データの取り方は、検索時、クローム、GoogleMap、ポケモンゴー、などの際にデータを取得が可能。また、アンドロイドなどの設定で、行動履歴をONにすると、常に位置情報をGoogleに送ることになる。ポケモンゴーの普及でこのスイッチがONになっている端末が増え、Googleいわく約50%程度の端末は常時位置情報が取れている状態らしい。

 

②Ciarra

シナラは米国の会社で2012年創業。日本のマーケットに対してはソフトバンクの出資を得て入ってきた。

携帯電話キャリア(MNO)と提携し、MNOの持っているデータをDepersonalizeして広告配信に使っている。

 

サイバーエージェント

エンジニアを抱えるテクノロジー開発部門アドテクスタジオが開発するAirTrack。

複数アプリをリクルートしており、アプリを通じて位置情報を収集。

位置情報の精度を売りにしている。

 

④ブログウォッチャー

こちらもアプリ経由で位置情報を取得しているが、リクエスト時のみではなく、バックグラウンドで位置情報を取得し続けているとのこと。

そのため、切れ目の少ないデータとなっているようだ。

また、訪日外国人のデータ取得に長じている。

 

■使い方

・広告配信のターゲティング

・位置情報を使った来店数計測

・マーケティイング調査
(ビーコンなどと連動し、顧客の位置情報を調査など)

が現状出ているもの。それ以外も出てくるかな。

 

■今後の流れ

 

・データの取り方

 

・位置情報の精度の確認

 

の二点が争点かと思っている。

 

データの取り方はGoogleやCinarraに軍配が上がりそうだとは思う。

そこでしか取れないデータだからだ。

精度の確認に関してもGoogleは一歩リードしている。

後日アンケートなどを通じて、本当に行ったかどうかを検証するスキームをすでに整えている。

ブログウォッチャーはこの部分で勝負していくことになるのではないかと思っている。

サイバーエージェントは、一瞬でも付近を通ると来店とみなすなど、雑さが指摘されている。

 

また適宜アップデートする。

アイデアを考えること

イデアを出すための方法論はいくつかある。

 

それをトレースし、体にしみこませること。

それは英語も同じ。

 

思考を停止させるものは何か。

それと戦う。

思考停止したときに再開させることは難しい。

思考停止に陥った際は、刺激を取り入れ、再活性化ができるか?

 

思考停止に陥ったさいは、その原因を特定しストックしておくこととしたい。

ブレストからアイデアを形にするまでのプロセスの話

イデアを出す、検証する、磨く、伝える、というプロセスについて考えたい。

 

出す

ためには、数を出すことが重要なこともあるだろう。

ただし、数が必要ないパターンもあるはずだ。

 

また、一人でやる、複数人でやる、という違いもある。

複数の人間でやるメリットはなんだろう。

・客観的に見てどう思うか、というフィードバックが瞬時に得られる

・アイデアに対してインスパイアされ、別のアイデアが出る、

 という連鎖が起こる。

・アイデアを伸ばすことが出来る。

などだろうか。2つめは大きい。

 

複数でやる場合には、

イデア自体を否定する、肯定する、といった態度が重要かと思う。

散らかす、膨らませる、収束させる、といった表現をされるプロセスがあるとすると、

その各所で使い分ける必要がありそうだ。

 

肯定するのはむしろ簡単である。

ただし、真剣な提案であればあるほど、強いアイデアが必要で、

そこには徹底的な批判に耐えるものが必要だと思う。

それが本当に出来るのか。

 

「そのサービス本当に使われるの?」

と言われたときに答えに窮するようではまだ甘い。

使われる根拠、ポテンシャルだけでなく、

どうブーストしていくのかのプロセスを頭に描けているのかどうか。

 

そのプロセスは、成功体験に基づくものであるかもしれない。

つまり、頭に描くものが妄想ではなく、

過去の体験の焼き直しとして具体的に描けていることが説得力につながるはずだ。

 

イデア

・出す

・検証する

・磨く

・伝える

×

一人 or 複数

×

肯定 or 否定

というパラメタだろうか。

 

また、あと二つ気になっている点が、

「伸びるアイデアかどうか」の見極め

や、「伸ばす」ために必要なこと

 

そして、いかにジャンプを起こせるか。

 

である。

また樋口景一さんのセミナー議事録を読むか。

人工知能について

人口知能関連の仕事をさせてもらっている。

具体的にはワトソンを使ったサービス開発のアイデアだしである。

 

ただし、ワトソンが何者か、まだよくわからない。

ディープラーニングの仕組みだと思っていたのだが、

どうやらすでに学んだAPIのカタログのような見せ方をしているようだ。

 

Goolgeなども一部の学習済み人工知能APIとして世に出しているが、

こちらは逆にTensorFlowという機械学習の仕組み自体や、

それを実行するためのコンピューティングパワーも提供している。

 

これから学ぶべきことは、

機械学習の仕組みと、GoogleやWatsonやそれ以外のAIと呼ばれるものの分類をしっかり出来るようになること、

また機械学習のこれからを考えるにあたり、

学習の仕組み自体で差が出るのか、

それとも入れるデータの質と量で差が出るのか、

これから機械学習で勝っていくのは誰か見極めるのに必要だ。

 

当然そのためには、複数の機械学習の仕組みを使って、

データを実際にインプットし、アウトプットを観察することが必要だ。

それによって仕組みの違いによるパフォーマンスの差を見られる。

 

ただし、自分で経験できるものの量には限りがある。

実際には専門家の経験を持って理解を深めることが必要だ。

まずは入門書を読み、事例を見ることからはじめたい。