Deep Learningを活用した広告コンテンツにおけるブランド混同の解明

現在，大量のマーケティングデータがオンラインで入手できるようになっている．オンラインのクリックストリーム，メッセージング，口コミ，トランザクション，位置情報などのデータが自動収集されることでデータ収集にかかるコストが大幅に削減されている．そして，これまでにない量のデータが得られるようになり消費者の行動を非常に詳細に把握できるようになっている．実務においては機械学習手法(deep learningやコグニティブシステムを含む)の活用が推進されている．その背景には優れた予測性能と分析者の介入を制限して日常的に適用できるブラックボックス化された性質にあると考えられる．一方，マーケティングの研究者がこれらの手法についての研究を取り組む際には，これらの手法が因果関係を証明したり，一般化可能な理論的洞察を生み出したりするものではないことから，この課題への対応が必要となる．また，これらの手法をマーケティング分析のための古典的なモデルと組み合わせることで研究の発展も期待される． このような状況において，近年，Convolutional Neural Network(CNN)は，多くのコンピュータビジョンタスク(デジタル画像の取得・処理・分析)のための有力なアルゴリズムになっており，deep learningやAIを用いた研究や応用が多く行われている．そこで，deep learningによるアプローチの発展やAIがマーケティングや顧客行動に与える影響について整理し，マーケティング研究が抱える課題について検討を行った．そして，それらの課題を踏まえマーケティングにおける意思決定を支援することを目的に機械学習やdeep learningによるアプローチと従来からのマーケティング研究の知見を組み合わせた市場セグメンテーションとポジショニング戦略の策定にかかわる研究について検討を実施した．

現在，大量のマーケティングデータがオンラインで入手できるようになっている．オンラインのクリックストリーム，メッセージング，口コミ，トランザクション，位置情報などのデータが自動収集されることでデータ収集にかかるコストが大幅に削減されている．そして，これまでにない量のデータが得られるようになり消費者の行動を非常に詳細に把握できるようになっている．実務においては機械学習手法(deep learningやコグニティブシステムを含む)の活用が推進されている．その背景には優れた予測性能と分析者の介入を制限して日常的に適用できるブラックボックス化された性質にあると考えられる．一方，マーケティングの研究者がこれらの手法についての研究を取り組む際には，これらの手法が因果関係を証明したり，一般化可能な理論的洞察を生み出したりするものではないことから，この課題への対応が必要となる．また，これらの手法をマーケティング分析のための古典的なモデルと組み合わせることで研究の発展も期待される． このような状況において，近年，Convolutional Neural Network(CNN)は，多くのコンピュータビジョンタスク(デジタル画像の取得・処理・分析)のための有力なアルゴリズムになっており，deep learningやAIを用いた研究や応用が多く行われている．そこで，deep learningによるアプローチの発展やAIがマーケティングや顧客行動に与える影響について整理し，マーケティング研究が抱える課題について検討を行った．そして，それらの課題を踏まえマーケティングにおける意思決定を支援することを目的に機械学習やdeep learningによるアプローチと従来からのマーケティング研究の知見を組み合わせた市場セグメンテーションとポジショニング戦略の策定にかかわる研究について検討を実施した．