top of page
process_metal_final2_1920.jpg

Finance / insurance

CASE 01

銀行

銀行
bank01.jpg

法人の与信審査

「審査の期間を短縮して効率を上げたい」

AIで与信リスクを評価、貸し倒れリスク率を算出する。人間は与信リスクの高い場合だけ見ればよくなるので、審査審査の時間が大幅に短縮できる。

bank04.jpg

マーケティング・営業

「既存顧客への既存商品のクロスセルを効率よく行いたい」

販売したい商品を目的変数としたクラスタリングを行い、商品購入の確率の高いセグメントを抽出し、そのセグメントに対するキャンペーンを実施する。
また、最適化を行う事により、最も効率の良いコミュニケーションプランを作成できる。

bank02.jpg

個人のローン審査

「審査の期間を短縮して効率を上げたい」

AIで与信リスクを評価、貸し倒れリスク率を算出する。人間は与信リスクの高い場合だけ見ればよくなるので、審査審査の時間が大幅に短縮できる。

bank05.jpg

マーケティング・営業

「継続的に購入される金融商品(投資信託・NISA等)のリテンション率を向上したい」

オートクラスタリングを使い、解約をするするユーザーの属性を抽出し、それをベースとしたモデルを作成。月次の取引情報を取り込むことにより、解約リスクの高まったユーザーを検知できるので、そのユーザーにリテンションのためのキャンペーンを実施する。

bank07.jpg

マーケティング

「オンライン広告のCPAを下げたい」

CVしたユーザーの属性をクラスタリングにより分析し、広告のオファー毎に反応率の高いセグメント属性を抽出できる。そのセグメントに対し、ディスプレイ広告、リタゲ広告を集中的に投下することによりCV率があがるため、CPAを下げることができる。
さらに最適化により、広告投下の頻度、時間帯、曜日の最適可を行うことができる。

bank06.jpg

マーケティング

「ターゲティングの精度を上げて売上を伸ばしたい」

MAとCRMのデータを分析し、売上につながるユーザー属性と行動を明確にする。それをMAのスコアリングに反映することにより、より高い確度でのホットリード抽出が可能となる。

bank03.jpg

マーケティング

「DMのコストを下げたい」

過去の類似DMキャンペーンのユーザー属性とCVデータから予測モデルを作成し、ターゲットとなるCV率上のユーザーだけにDMを送ることによりCV数を維持しながらDMの送信数を削減することができる。
また、最適化を行うことにより、DM送信の頻度、送信タイミングの最適化を計ることができる。

bank08.jpg

商品企画

「新たな商品を企画するための顧客インサイトを得たい」

教師無のクラスタリングを行い、可視化されていなかった商品属性と顧客属性の組み合わせを発見できる。そのデータを分析することにより顧客ニーズにつながるインサイトを発見することができる。

CASE 02

保険

保険
ins01.jpg

保険審査

「審査業務を効率化したい」

AIで保険リスクを評価、保険金支払いリスク率を算出する。人間はリスクの高い場合だけ見ればよくなるので、審査審査の時間が大幅に短縮できる。

ins02.jpg

営業・マーケティング

「提案力を高めて、満足度と売上を向上したい」

過去データからユーザー属性に基づくクラスタリングを行い、提案時にクラスタリングに基づく提案を行い、成約精度を高める。

ins03.jpg

営業・マーケティング

「クロスセルを効率的に行い、売上を拡大したい」

過去の売上データから売上予測モデルを作成。商品毎に購入確率の高いユーザーを選定し、キャンペーンを実施することができる。また、最適化によりオファーのコミュニケーションチャネル、タイミング、頻度の最適化を図ることができる。

ins04.jpg

営業・マーケティング

「ライフステージに伴うリスクの変化を察知して、
適切な対応をとりリスクを低減したい」

顧客属性からリスクの予測モデルを作成。ライフステージの変化によるリスク変動を予測し、事前にアップセル・クロスセルを行うことによりリスクを低減することができる。

CASE 03

クレジットカード

クレジットカード
cc01.jpg

与信審査

「審査の期間を短縮して効率を上げたい」

AIで与信リスクを評価、貸し倒れリスク率を算出する。人間は与信リスクの高い場合だけ見ればよくなるので、審査審査の時間が大幅に短縮できる。

cc02.jpg

債権回収

「債権回収の高度化により回収額を増やしたい」

過去データを分析し、個人毎の債権回収額のシミュレーションを行い、回収額の高い顧客から優先的に対応可能にする。また、コミュニケーションチャネル、頻度、タイミングの最適化を行い、回収額の最大化を行う。

cc04.jpg

マーケティング

「キャンペーンの効率化によりコストを下げたい
(アップグレードや優待等)」

過去データの分析からキャンペーンに反応する層の特定とCV率を予測することができる。キャンペーン毎にCVしたユーザーのクラスタリングを行い、キャンペーンでCVするユーザーの属性を分析、その層に絞ったキャンペーン実施によりCPAを下げることができる。また、キャンペーンのコミュニケーションチャネル、頻度、タイミングを最適化することによりキャンペーンの効率を上げることができる。

cc03.jpg

マーケティング

「会員に対するクロスセルを効率的に行い、
売上を拡大したい(会員に対する保険商品など)」

過去の売上データから売上予測モデルを作成。商品毎に購入確率の高いユーザーを選定し、キャンペーンを実施することができる。また、最適化によりオファーするクーポンの割引率、オファーのタイミング、回数の最適化を図ることができる。

cc05.jpg

マーケティング

「カードの請求書に同封するDMのコストを下げたい」

過去の類似DMキャンペーンのユーザー属性とCVデータから予測モデルを作成し、ターゲットとなるCV率上のユーザーだけにDMを送ることによりCV数を維持しながらDMの送信数を削減することができる。
また、最適化を行うことにより、DM送信の頻度、送信タイミングの最適化を計ることができる。

cc06.jpg

マーケティング

「ロイヤル顧客の離脱を防止したい」

過去データから離脱予兆のモデルを作り、他カードに流れる予兆をとらえ、事前に引き止めのオファーを行うことによりロイヤル顧客を維持する。

CASE 04

小売

小売
cc01.jpg

事業企画

「惣菜・生鮮食品の廃棄ロスを減らしたい。売れ残りによる値下げを避けたい」

店舗毎にアイテム毎の時間による売上予測を立て、適切な量だけを店舗におくことにより廃棄ロスを無くす。 また、売れ残った場合に値下げをする場合の最適化を行い、時間毎に最適な値下げを行い、過度の値下げを行わなくても売れるようにする。

cc02.jpg

マーケティング

「クーポンの効果を高め売上を上げたい」

曜日・時間帯で組み合わせて買われる商品のクラスタリングを行い、組み合わせで買われる商品を明らかにする。ある商品の購買者にたいし、購入可能性の高い商品のクーポンを提示(レシートに印刷またはアプリに掲示)し、クロスセルの確度を高める。

CASE 05

製造

製造
cc01.jpg

SCM

「部品仕入れを適切に行い、部品の過剰在庫を防ぎたい」

需要予測モデルから、必要な生産数を割り出し、部品毎のリードタイムから特定の時点での仕入れ数を割り出す事ができる。

cc01.jpg

営業

「営業の効率化を上げて売上を伸ばしたい」

顧客毎の売上予測モデルを作ることにより、確度の高いユーザーから優先的に営業を行う事ができるようになる。また、SFAデータの最適化を行い、コミュニケーション手段、頻度、時間の最適化を行う事によりクロージングまでの期間を短縮することができる。

cc01.jpg

マーケティング

「ターゲティングの精度を上げて売上を伸ばしたい」

MAとCRMのデータを分析し、売上につながるユーザー属性と行動を明確にする。それをMAのスコアリングに反映することにより、より高い確度でのホットリード抽出が可能となる。

cc02.jpg

営業

「営業の効率化を上げて売上を伸ばしたい」

顧客毎の売上予測モデルを作ることにより、確度の高いユーザーから優先的に営業を行う事ができるようになる。また、SFAデータの最適化を行い、コミュニケーション手段、頻度、時間の最適化を行う事によりクロージングまでの期間を短縮することができる。

CASE 06

D2C/EC

D2C・EC
cc01.jpg

事業企画

「生産数の予測精度を高め、過剰在庫も機会ロスも低減したい」

時系列予測を利用し、商品のSKU毎の需要を予測。また、商品毎の製造からデリバリーまでの時間を加味することにより、製造タイミングの適正化を図ることにより過剰在庫も品切れも防止することができる。

cc01.jpg

マーケティング

「無駄な広告を無くし、CPAを下げ、広告費も削減したい」

CRMと広告データのアトリビューション全体を行うことにより、広告に反応する層の特定とCV率を予測することができる。広告毎にCVしたユーザーのクラスタリングを行い、広告でCVするユーザーの属性を分析、その層に絞った広告投下によりCPAを下げることができる。また、過去の広告データから予測モデルを作成し、広告毎のCV率を予測できるため、広告効果を事前に予測することができるので、広告費の最適化により広告費を下げることができる。

bottom of page