[論文レビュー] Big Data for Social Sciences: Measuring patterns of human behavior through large-scale mobile phone data

Pål Sundsøy|arXiv (Cornell University)|Feb 27, 2017

Human Mobility and Location-Based Analysis参考文献 5被引用数 5

ひとこと要約

本学位論文は、匿名化された大規模なモバイルフォンデータが、発展途上国における貧困や文盲率などの社会経済的指標を正確に予測し、災害発生時の人口移動を追跡することで被災対応を改善する方法を示している。また、ソーシャルネットワークのパターンと機械学習を活用することで、マーケティングの採用率を13倍に向上させることも示している。

ABSTRACT

Through seven publications this dissertation shows how anonymized mobile phone data can contribute to the social good and provide insights into human behaviour on a large scale. The size of the datasets analysed ranges from 500 million to 300 billion phone records, covering millions of people. The key contributions are two-fold: 1. Big Data for Social Good: Through prediction algorithms the results show how mobile phone data can be useful to predict important socio-economic indicators, such as income, illiteracy and poverty in developing countries. Such knowledge can be used to identify where vulnerable groups in society are, reduce economic shocks and is a critical component for monitoring poverty rates over time. Further, the dissertation demonstrates how mobile phone data can be used to better understand human behaviour during large shocks in society, exemplified by an analysis of data from the terror attack in Norway and a natural disaster on the south-coast in Bangladesh. This work leads to an increased understanding of how information spreads, and how millions of people move around. The intention is to identify displaced people faster, cheaper and more accurately than existing survey-based methods. 2. Big Data for efficient marketing: Finally, the dissertation offers an insight into how anonymised mobile phone data can be used to map out large social networks, covering millions of people, to understand how products spread inside these networks. Results show that by including social patterns and machine learning techniques in a large-scale marketing experiment in Asia, the adoption rate is increased by 13 times compared to the approach used by experienced marketers. A data-driven and scientific approach to marketing, through more tailored campaigns, contributes to less irrelevant offers for the customers, and better cost efficiency for the companies.

研究の動機と目的

• 発展途上国における社会経済的モニタリングの向上に、大規模なモバイルフォンデータがどのように寄与できるかを検討すること。
• テロや自然災害などの社会的ショック発生時における人間の移動行動をリアルタイムで追跡するため、モバイルフォンデータの可能性を評価すること。
• 大規模マーケティングキャンペーンにおける社会的ネットワークのマッピングに、モバイルフォンデータがどれほど有効であるかを評価すること。
• データ駆動型の手法を活用することで、脆弱な集団を特定するにあたり、従来のアンケート手法への依存を減らすこと。
• 機械学習と匿名化されたモバイルデータを統合することで得られる科学的・経済的利点を、社会的利便性および商業的応用の文脈で示すこと。

提案手法

• 数百万のユーザーを対象に、5億～300億件のレコードにわたる匿名化されたモバイルフォン記録の分析。
• 通話記録（CDR）と収入や文盲率といった社会経済的指標の相関を分析するための予測アルゴリズムの適用。
• CDRからの移動パターンを活用し、2011年のノルウェーのテロ攻撃や2010年のバングラデシュのサイクロンなど、危機発生時の人口移転をモデル化。
• 通話パターンから社会的ネットワーク構造を同定し、製品の広がりのダイナミクスを推定するための機械学習技術の活用。
• アジアでの大規模マーケティング実験を設計・実施し、従来の方法と比較してソーシャルネットワークに基づくターゲティングを適用。
• 従来のアンケート手法や現実のキャンペーン成果と比較することで、結果の妥当性を検証。

実験結果

リサーチクエスチョン

• RQ1 匿名化されたモバイルフォンデータは、貧困や文盲率といった国レベルの社会経済的指標を、高い正確性で予測できるか？
• RQ2 テロや自然災害といった大規模な社会的ショック発生時、モバイルフォンデータは人口移動をどの程度正確に追跡できるか？
• RQ3 モバイルフォンデータから推定される社会的ネットワーク構造は、大規模マーケティングキャンペーンの効率をどの程度向上できるか？
• RQ4 データ駆動型で機械学習を活用したマーケティング手法は、従来の方法と比較して、採用率においてどの程度優れているか？
• RQ5 従来のアンケートベースの監視手法と比較して、モバイルフォンデータは脆弱な集団を特定するためのコストと時間をどの程度削減できるか？

主な発見

• モバイルフォンデータにより、発展途上国における収入、文盲率、貧困水準といった重要な社会経済的指標の正確な予測が可能になった。
• 2011年のノルウェーのテロ攻撃や2010年のバングラデシュのサイクロン発生時、従来のアンケート調査よりも高い時間的・空間的分解能で人口移動が追跡された。
• 本研究では、従来のアンケート手法よりも速く、安価で、より正確に避難民を特定できることが実証された。
• アジアでの大規模マーケティング実験において、ソーシャルネットワークのパターンと機械学習を組み合わせた戦略により、製品の採用率が標準的手法に比べて13倍に向上した。
• データ駆動型のマーケティング戦略により、不適切なオファーが削減され、企業のキャンペーン配信のコスト効率が向上した。
• 匿名化されたモバイルフォンデータは、危機対応から商業的応用まで、多様な文脈において大規模な人間行動をモデル化するのに有効であることが示された。