特集：ターゲティングDMを極める

日常的によく見るDM（ダイレクトメール）。
実際にはどれほど効果を出せているでしょうか。電子的なダイレクトメールにせよ、紙媒体のダイレクトメールにせよ、見られずに捨てられる、あるいは開封はされるけど次のアクションにならずに放置されるという実態が多く見られます。
DM送付の最適化を目指すにはいくつかの視点にわけて理解をしておくことが重要です。よく以下の項目が重要になってきます。

・送付先（ターゲット）：
誰にDMを送付するのかという絞り込みが重要です。自社の目的にあった送付先リストを作成・メンテナンスすることが重要です。

・送付時期：
目的に応じて誰に送付をすべきかが決まっても、いる送付するのか？も開封率などの影響がでます。例えば季節性のある商品を告知する際に、直前では遅すぎるかもしれませんし、3ヶ月前の送付では早すぎるかもしれません。

・送付回数：
一度送っただけでは反応は低いが、適切な期間をおいてもう一度DMを送ることでアクションにつながることがあります。他方で、何度も送りすぎるとオプトアウトされかねません。そこでどのような頻度で送るとよいかも重要な変数となります。

・送付頻度
・クリエイティブ：
デザインなど、いわゆるクリエイティブの要素ももちろん重要です。ただし、色、文字の大きさ、写真の選択、印刷物であれば印刷サイズも変数になってきます。

今回の特集では、上記のようなDMの基礎知識をふまえながら、 DM送付の最適化に成功した事例や、方法論についてご紹介していきます。

サービス概要

「DM送付最適化」では
・DMの送付効率をUPしたい
・同じ送付コストで多くの顧客を獲得したい
といった課題の解決をサポートしてくれます。
より具体的には、自社の名簿に反応率（開封するかなどの反応）の数値を付与することができます（図表）。
これまで勘や経験に基づいて送付先を工夫していた作業がさらに精度が高まることが期待されます。
また、反応率とどのような変数が相関関係が強いのかもわかるので、反応率を高めるための施策の検討も定量的な根拠をもとに行うことができます。

事例概要

解析の背景として、従来のDM送付では新規顧客の獲得率が悪化しており、改善が求められていました。そこで、過去の入会者の傾向を分析し、開封率の改善を目標としました。

具体的には、過去のデータにおける「性別」、「発送回数」、「各媒体の資料請求履歴」、「購入回数」、「兄弟情報（人数、年齢差）」、「添削提出回数」、「クレーム回数」、「紹介/被紹介履歴」、「保護者世帯購入累計金額」、「保護者アクセス履歴」、 「最新行動履歴」など数十の要素を用いて入会しやすい人の傾向を学習しました。結果として、入会し易いと示唆された順（スコアが高かった順）にDMを送付し、結果として入会率が30％程度向上しました。

事例概要

今回の事例においてカード事業者は、
・ゴールドカードへの切り替え確立を向上
・DM送付のコストカットを実現
・切り替え率の高い顧客像が明らかに
がそれぞれ行えました。データとして利用したのは カードブランド、都道府県、入会店舗、職務、職業、性別、入会年月日、配偶者有無、年齢、などで、カード切替率の向上だけではなく、1件あたり獲得コストを約2900円削減もできました。

事例概要

この「ゴールドカートの切替向上」事例では、
・顧客ごとの切り替え確立を予測
・DM反応率の高い顧客が明確にする
ために、カード種類、都道府県、職業、入会年月日、
年収、住居区分、キャッシング付帯、カード発行枚数、
配偶者有無、契約者性別、契約者年齢等のデータを解析し、DM送付によるゴールドカードへの切替確率を予測しています。

事例概要

今回の事例において寄付運営団体は、
・募金履歴からDMへの反応率の高い顧客を分析
・反応率の高い顧客に定期的な募金への会員変更を訴求
をそれぞれ実施。具体的には、過去の募金履歴等から、DMを送付すると募金に結び付く可能性が高い人順のランキングリストを作成し、このリストを用いてショットでの募金から定期的な募金への会員変更を訴求しました。

スコアリング分析とは、過去のデータから正解（あり）/不正解（なし）を判定できる状況において、新しいデータのその結果が得られる可能性・確率を予測する手法です。

例えば、過去商品を購入したお客様のデータから、新しくコンタクトをしたお客様が商品を購入する可能性・確率を分析できます。
より可能性の高いお客様に情報を提供するなど、ビジネスや営業活動の効率化を推進します。

営業のほかにも採用、DM送付、消費量予測など多様多種の予測に使われています。

bodaisでは、データマイニングに多変量解析という手法を用いており、顧客に紐づく様々なデータ（年齢や性別などの顧客属性、購買に関する指標など）をもと に、どのデータ項目が正解率にどの程度影響しているかを定量的に可視化することができます。
その結果、新しい個別のデータが持つ情報からそのデータがどれだけ正解に近いかをスコアリングにて判定できるようにしています。