因果機械学習による販促オファーの最適化

Optimizing Promotional Offers using Causal Machine Learning

公開日: 2023年8月28日

によってルイス・モロス、コーリー・アブシャー、 Ryuta Yoshimatsu による投稿

翻訳：Junichi Maruyama. - Original Blog Link

多くの企業は、取引を成立させたり、契約を更新させたり、サービスを購入させたりするために、顧客にプロモーションのオファーを提供している。このようなインセンティブは、販売者にとっては、購入と引き換えに顧客に提供される収益やサービスの面でコストがかかる。しかし、適切に適用されれば、取引を確実に成立させ、購入規模を拡大させることもできる。しかし、インセンティブオファーを受け取ったすべてのアカウントが同じように反応するわけではありません。不適切に適用された販促オファーは、取引の規模や速度に何の影響も与えないかもしれないし、不必要にマージンを損なうかもしれない。顧客にインセンティブを提案する組織は、オファーが取引完了の確率に与える影響を予測し、それが取引の純収益に与える影響を理解することが重要である。

プロモーション・オファーを最適化することで、より良い結果を導くことができる

あるソフトウェア会社が、営業チームが異なる提案に対してどのようにオファーを適用するかを明確に管理することなく、1年間にわたり数種類のプロモーションオファーを提供してきたという架空のケースを考えてみよう。このような管理を行わずに、デスクトップ数や収益レベルが異なる顧客アカウントに案件を提示した場合、規模が異なるアカウント間でオファーの種類がランダムに散在する可能性がある (Figure 1). .

Sales Controls — Figure 1. PC（デスクトップ）台数や年間売上規模が異なる顧客との取引に、売上管理なしで適用される4つの異なるプロモーション・オファー

これらの異なるオファーが、成約の確率やマージンにどのような影響を与えるかを調べると、ソフトウェア会社にとって最適な結果をもたらす傾向のある属性の明確な組み合わせを特定することができる (Figure 2).

Optimized for Realized Margins — Figure 2. PC（デスクトップ）台数や年間売上規模が異なる顧客との取引に適用される4つの異なるプロモーション・オファーで、実現されるマージンを最適化

この作業の結果は、より構造化された、プログラマティックな販促オファーの案件への適用方法というだけでなく、口座のマージンにも実際に影響を与えるものである。各アカウントの平均マージンに関する異なる戦略の比較を考えてみよう (Table 1).

Policy Description	Average Marginal Profit per Account
プロモーション・オファーなし	$0.00
ポリシーなし（販売管理なし）	$312.85
常に「技術サポート」しかしない	$1,816.19
常に「割引」だけを与える	-$1,684.62
常に「技術サポート」と「割引」を提供する	$131.56
最適化されたプロモーション・オファーの提供	$4,961.88

Table 1. The impact of different promotional offer policies on average account margins

この表は、最適化されたアプローチを使用した場合、どの販促オファーをいつ与えるかを営業チームに決定させるのとは対照的に、限界利益が4,900ドル以上増加することを示している。この表はまた、異なるアカウント・シナリオにおいて特定のプロモーション・オファーを推奨することが、他のどの素朴なアプローチ（常に1つのプロモーション・オファーしか与えない、常に両方のプロモーション・オファーを与える、プロモーション・オファーを与えない）よりも優れていることを示している。

因果関係機械学習は、これらの結果の背後にあるドライバーを引き出すことができる

しかし、最適化された結果を導くために、異なるシナリオでどのオファーを推奨すべきかを知るにはどうすればいいのだろうか？因果関係機械学習（Causal ML）分野の新しい機能を使えば、データ中の確率的関係の分析とドメイン知識を組み合わせて、与えられたシナリオの中でどの選択肢が望ましい結果につながりそうかを予測できるモデルを提供することができる。これは確かに難しいことだが、活発な研究が行われている分野であり、以前は古典的なアプローチでは手が届かなかったような難しい問題にも取り組めるようになってきている。

Causal ML入門を提供するために、我々は、因果機械学習のためのオープンソースツールのPyWhyエコシステムの背後にあるチームと協力して、これらのテクニックが販売奨励金最適化のシナリオにどのように適用できるかを実証しました。テクニカルノートブックはここからダウンロードできます。コーザル・マシンラーニングが様々な問題にどのようにアプローチするのかを知っていただければ、あなたのビジネスに関連する様々なシナリオにコーザル・マシンラーニングを適用する機会がさらに増えることでしょう。

Databricksが因果関係機械学習のプラットフォームを提供

Causal MLと、PyWhyがこの分野のソリューションを実装する能力をどのように提供しているかを理解した後、次の質問はなぜDatabricksなのかということです。Databricksは、因果機械学習を含むあらゆるデータとあらゆる分析手法に対応する統合分析プラットフォームを提供します。

Databricks Lakehouse Platformを標準化した多くのお客様にとって、Databricks上で因果関係MLソリューションを実装することは、既存の予測ワークフローの自然な進化です。データサイエンティストとデータエンジニアは1つのプラットフォーム上で共同作業を行うことができ、Databricksが提供するデータ処理能力を活用してこの作業のための入力を準備し、環境間でデータを複製する必要なく、出力の分析のためにネイティブおよびサードパーティのUIを活用することができます。

Databricks の顧客がこの技術で成功を収めているように、Databricks で利用可能なモデルのデプロイとホスティング機能は、これらの高度な予測機能を様々な運用ワークフローに統合するための複数のパスを提供します。要するに、Databricksは、組織がデータを使って目的を追求する上での障害を取り除き、その中に見出された洞察の可能性を実現することに集中できるようにするのです。

PyWhyライブラリの運営委員会の皆様のご支援とご鞭撻に感謝申し上げます。

Check out the notebooks