サイトアクセスデータの分析は一部専用ツールを用いるが、全体のデータ分析を担うのはTableauとPython ＋ Jupyter Notebookである。Tableauは可視化とダッシュボードを主に担当し、複雑な分析、多変量解析、機械学習（ブランド選好を求めるのに利用中）についてはPython ＋ Jupyter が担うという。

画像をご覧いただくには会員登録が必要です

会員登録・ログイン

図2　ワタシプラス分析環境全体図

　吉本氏は「CRMの目的は顧客との関係性を向上させることによるLTV（顧客生涯価値）の最大化」にあるとし、顧客行動の分析と、一人一人に合わせたきめ細かなアプローチにより、ユーザー体験を向上させていくことが肝心と説く。その考え方にのっとり、データ分析環境を効果的に利用して、顧客に対して適切なチャネル（Web広告、メール／LINE、Webサイトなど）を、最適なタイミングで、最適なメッセージを届けることを目指しているのだという。

画像をご覧いただくには会員登録が必要です

会員登録・ログイン

図3　ワタシプラスDMPからのデータを2種類のツールで分析

画像をご覧いただくには会員登録が必要です

会員登録・ログイン

図4　ワタシプラスDMPからのデータをもとに顧客にパーソナライズされたアクションを実行

　なお、吉本氏はリサーチャー、アナリストの経験を積んだ後に2012年に入社。ワタシプラスの分析とCRM全般を担当し、データ分析プラットフォームの構築は2カ月ほどで完了したという。「DWHへのデータ統合はその時点までに約2年の困難な作業を経てほぼ完成していた。それがあったからこそ、早期のプラットフォーム構築が可能になった」とのことだ。

データ分析の「モノからヒトへ」の転換は「ユーザープレファレンスマスター」から

　LTV最大化を目的にすれば、商品マスターをもとにした「どの商品がどれだけ売れたか」の分析に加え、「どのような属性を持つ人が何人買ったのか」を分析する必要が当然出てくる。資生堂ジャパンでは顧客の属性や興味関心など、ユーザーの「選好=preference（プレファレンス）」 を管理するマスターテーブル「ユーザープレファレンスマスター」（図5）を作成し、商品・ブランド選好、デモグラフィック属性、購買チャネル／利用メディア、美容に関する選好を4象限にマッピングできるようにした。

画像をご覧いただくには会員登録が必要です

会員登録・ログイン

図5　ヒト中心のデータ分析のための「ユーザープレファレンスマスター」

　ユーザープレファレンスマスターと受注データを掛け合わせると「どのようなヒトが何を買ったのか」が分かる。例えば「あるブランドのロイヤルカスタマーである人」というようなシンプルな条件で、具体的なマーケティング施策に自動的につなげるような、MA（Marketing Automation）ツールとの連携にも都合が良いという。