記事種別

ECでレコメンドが成功する条件とは? シルバーエッグ・テクノロジーが最新の成功事例を紹介

  • このエントリーをはてなブックマークに追加
  • プッシュ通知を受け取る
2017/04/18 12:00

 2017年3月17日(金)に行われた「ECzine Day」は、現在EC領域で熱い関心を集めるトピックについてのセッションが多数展開された。その中から今回紹介するのは、シルバーエッグ・テクノロジー 執行役員 セールスマーケティング部長 高田健一郎氏の講演「AI(人工知能)技術をベースに進化したレコメンド、最新の成功事例紹介」だ。

 テクノロジーの進化により、オンライン上の閲覧や購買といったユーザー行動データ、POS等のオフラインデータ、コンテンツデータの統合・管理が飛躍的に可能になった。そんな中、再度注目を浴びているのが、リアルタイムレコメンドだ。今回は実際の活用事例を通じて、進化した最新のレコメンドの動向を伝えていく。

良いレコメンドの3条件

 高田氏は講演の前半で、良いレコメンドの条件として、

  1. リアルタイムに行動を分析する
  2. ユーザーごとのこれまでの行動を反映する
  3. シーンに合わせてカスタマイズする

 の3点を挙げた。この3点をいずれも備えていることが必要である、と高田氏は強調する。

シルバーエッグテクノロジー 執行役員 セールスマーケティング部 部長 高田健一郎氏
シルバーエッグ・テクノロジー 執行役員 セールスマーケティング部長 高田健一郎氏

1:リアルタイムに行動を分析する

「まずは、リアルタイム性についてご紹介します。ここで言うリアルタイム性とは、リクエストごとにその瞬間に最新情報に基づいたレコメンドを提示することを指します。バッチで学習させたレコメンドではなく、その場その場で最新情報をもとに計算して行います。これにより、その瞬間の関心をとらえ、新商品やタイムセール中の商品に対して新たなモデルを組み直すことができます。ユーザーの嗜好は、メディアへの露出や店舗によって変わっていくものだからです。

最適なレコメンドは常に最新であるべき
最適なレコメンドは常に最新であるべき

 リアルタイムでなくては、当日発売された商品のレコメンドが出せず、発売直後のタイミングを逃してしまうことや、急な気温の変化に対応できません。また、男性ユーザーが異性にプレゼントを探している場合、普段と違う女性向け商品をレコメンドするような臨機応変さも求められるのです」(高田氏)

2:ユーザーごとのこれまでの行動を反映する

「続いては、行動分析または動線分析についてご紹介します。これは、ユーザーの過去の行動を把握することを指し、これをレコメンドに反映することでCVRを向上させることができます。ここでは仮に、ユーザーが見ている商品が『ボーダーのワンピース』だとしましょう。

 同じ商品を見ていても、あるユーザーに関してはワンピースという軸で探している中でボーダーのワンピースに行き着いています。それに対して別のユーザーは、ボーダーの柄を軸で探している中でワンピースを探しています。これらはそれぞれ次に薦めるべき商品が変わってくるため、『現在見ているもの』だけではなく『ユーザー全体の行動』の反映としてレコメンドすることが必要になります」

各ユーザーの行動を把握することで最適なレコメンドが可能になる

 ユーザーの情報が少ない段階から、商品を見るごとに情報が集まり、次第にパーソナライズされていく。レコメンドの効果を最大化するには、こうした行動すべての分析が必要となる。

3:シーンに合わせてカスタマイズする

「3点目は、シーンに合わせたレコメンドのカスタマイズについてご紹介します。行動をベースにしたパーソナライズレコメンドとは、『これを見ている人はこれも見ています』とか『これを見た人が買っているのはこういったものです』などです。また、閲覧履歴やカートの履歴、購入履歴など事実そのものも、ユーザー行動に含まれます。

リアルタイムなレコメンドに加え、季節やシーンに合わせたレコメンドも重要
リアルタイムなレコメンドに加え、季節やシーンに合わせたレコメンドも重要

 それらを『どのカテゴリーから出すか』や『どの価格帯から出すか』というフィルターと組み合わせることで、提示できるレコメンドの種類を増やすことができます。これが、シーンに合わせたカスタマイズです。これらのレコメンドアルゴリズムを、場面に応じて使い分けることが重要となります」

 以上、レコメンドの3条件を説明したのち、後半では、レコメンドを使った実際の効果について、各マーケティング施策と組み合わせた事例を挙げて紹介した。


  • このエントリーをはてなブックマークに追加
  • プッシュ通知を受け取る

関連リンク

バックナンバー

連載:ECzine Day 2017 Spring レポート

2016年11月の人気記事ランキング

All contents copyright © 2013-2017 Shoeisha Co., Ltd. All rights reserved. ver.1.5