ライフスタイルが多様化した現代では、企業は人々の嗜好を性別や年代などの単純な属性から測ることが難しくなってきました。また、インターネットには大量の情報が溢れるようになり、顧客は自分にあった情報を探すことも困難になっています。

こうした背景から重要性を増しているのが「レコメンデーション」です。今回は、顧客体験の向上に大きな効果をもたらすレコメンデーションの概念や活用事例についてご紹介します。



レコメンデーションとは

レコメンデーションとは、顧客に対し興味・関心がありそうな情報を提示する仕組みです。「レコメンド」の意味は、勧めること。推薦すること。マーケティングにおいては、顧客の閲覧履歴や購買履歴をアルゴリズムで解析し、適切な情報を表示することを指します。

例えば、ECサイトで何か商品を買ったり、閲覧した後に「おすすめ商品」として表示されるのもレコメンデーションです。こうした適切な情報を表示するシステムを「レコメンドエンジン」といいます。

現代では、オンラインやオフラインでのデータ取得が可能になってきています。このデータを活かし、顧客が求めるものを提供するために必要な仕組みがレコメンデーションだといえるでしょう。精度が高いレコメンドは、顧客ロイヤリティを高めることにもつながります。


レコメンデーションとパーソナライゼーションとの違い

レコメンデーションはパーソナライゼーションと似たものと捉えられることもありますが、2つは厳密には区別される概念です。パーソナライゼーションが一人ひとりの顧客の行動データから個別化(パーソナライズ)された情報を表示するのに対して、レコメンデーションは必ずしも個別化されているわけではありません。顧客の行動に対して、一定のルールを設けてコンテンツを最適化しているからです。



レコメンデーションの活用

レコメンデーションを活用できる場として一般的なものは「ECサイト」です。顧客の好みや嗜好にあった商品を提示でき、そこから購入に繋がるアプローチを行えます。ECサイトを構築できるサービスでは、既にレコメンドエンジンが入っていることが多く、手軽に設定できます。

アパレルECサイト「ZOZOTOWN」では、閲覧したアイテムの関連アイテムだけでなく、そのアイテムを取りれたコーディネートも表示しています。リアル店舗でよくあるコーディネートの提案も、ECサイト上で可能となった一例です。

また、Webメディアや求人サイトといったコンテンツサイトでもレコメンデーションは活用されています。新卒向け就職サイト「あさがくナビ」では、気になる企業をフォローした際に、「この企業をフォローした人は、こんな企業もチェックしています!」と他の企業のフォローもおすすめされます。ユーザーが多くの情報の中から自分の興味あるものを見つけたい時に、検索ではなく、受動的に提示することで、認知拡大やCVまでの導線の役割になっています。

引用:https://www.silveregg.co.jp/archives/casestudy/gakujo



レコメンドエンジンの仕組み

レコメンドエンジンには「ルールベース」「コンテンツ・ベースフィルタリング」「協調フィルタリング」「ハイブリッド」の4種類の技術ベースがあります。レコメンドエンジンを導入する際は、目的を達成するために、どのベースが必要か見極めていきましょう。


1,ルールベース

サイト側で一定のルールを定めることでコンテンツを表示させます。例えば、サイトのトップに「セール商品」「ピックアップアイテム」「新着情報」など、押し出したいものをレコメンドする設定です。目的がはっきりとした情報を効率的にユーザーに周知したい時に有効な手段となります。

しかし、ユーザーの嗜好とかけ離れたものをレコメンドをしてしまう可能性があるので、頻度や表示場所、期間などを見極めていきましょう。


2,コンテンツベース フィルタリング

あらかじめ設定したコンテンツの属性タイプ(カテゴリー・値段・色など)と、ユーザーが選んだものの関連性を分析し、似たものをおすすめする方法です。Webメディアの例をあげると、「この記事にアクセスしたら、同じジャンルの記事をおすすめする」のように、どの属性タイプを選んだかにより、表示するものが変わってきます。

このコンテンツ・ベースフィルタリングは行動履歴がない新規来訪者に対しても表示できます。しかし、サイト内にあるコンテンツ数が多ければ、属性を分けるのに工数を要したり、同じようなものばかりレコメンドされてしまい、新鮮味がかけてしまう恐れもあるので、注意が必要です。


3,協調フィルタリング

ユーザーの閲覧履歴や行動履歴などのデータを基にして、商品やコンテンツをおすすめする仕組みです。コンテンツベースのように、商品スペックの関連性や商品閲覧の共起性だけでレコメンドしているのではなく、「ある人の興味と同じ興味を持つ別の人は嗜好が似ている」という仮説に基づき、統計的なアルゴリズムを利用しています。

また、協調フィルタリング方式でどの商品をレコメンドするかについては、「アイテムベース」と「ユーザーベース」の2種類があります。

「アイテムベース」は、商品やWebサイトのコンテンツをベースにしたものです。「この商品と一緒によく買われている」というように、ユーザーの行動履歴からレコメンドします。

「ユーザーベース」は、購入パターンの近いユーザーを探し出して商品をレコメンドします。例えば、AさんとBさんは購入しているものは近いので、Aさんが購入したものをBさんにもすすめるというものになります。

ユーザーは「思いがけない商品の発見」を体験できる可能性があり、また自動でデータを収集して分析するという点で、管理コストがかかりにくく、導入しやすくなっています。

一方、データが少ない場合に有効なレコメンドが行われない「コールドスタート」という問題も存在します。例えば、新しい商品が追加された場合、その商品が別の商品と一緒に購入されたり閲覧されたりしなければ、レコメンドは行われません。


4,ハイブリッド・タイプ

協調フィルタリングやコンテンツベース フィルタリングの持つ課題を解決するために、複数の技術を組み合わせたレコメンデーションも生まれています。それらを「ハイブリッド・タイプ」のレコメンデーションとよびます。これはある特定の仕組みを指すわけではなく、複数の技術を組みあわせた仕組みの総称です。



レコメンデーションのメリット


顧客からの信頼度があがる

顧客の嗜好と合うものをおすすめすることが実現できれば、サービスやサイトへの信頼度が上がります。「欲しいもの」を「欲しいとき」に提供された体験があれば、顧客満足度向上に繋がります。


顧客ロイヤリティの向上

信頼度が上がることにより、ユーザーは何度も同じサイトを訪問するでしょう。ECサイトではリピーターとなり、継続して購入してもらうことに繋がります。また他のサイトの場合、「ページビュー数アップ」「回遊率アップ」「滞在時間アップ」「直帰率ダウン」などが期待できます。


クロスセル・アップセルによる購入金額の向上

レコメンドエンジンを活用して関連する別の商品を紹介することで、一人あたりの同時購買品数を向上させることができます。(クロスセル)実際の店舗で洋服を買う際に、流行りのコーディネートとしてバッグや靴もあせてすすめられ、セットで購入する場面と同じようなことがWeb上で可能となります。

また、ユーザーが見ている商品より価格が高い商品を紹介することで、購入金額の向上も見込むことができます。(アップセル)これも、例えば実際のお店でアクセサリーを買う際に、見ている商品より高価で魅力的な商品をすすめられ、購買意欲が高まってつい買ってしまうのと同じ原理です。



レコメンデーションの活用事例


売上を支える協調フィルタリング | Amazon

レコメンデーションを活用したマーケティングの代表例といえば、Amazonです。Amazonのレコメンド機能は、協調フィルタリングを採用しています。ユーザーベースである「この商品を買った人はこんな商品も買っています」といったものや、「この商品を見た後に買っているのは?」というアイテムベースなどが、組み合わせされてページに表示されています。

また、AWS(Amazon Web Services)というクラウドコンピューティングサービスで 「Amazon Personalize」を提供しています。Amazonが使っている高度なレコメンデーション機能を簡単にアプリケーションに組み込むことができます。


独自のレコメンド機能を構築 | Netflix

世界最大級のオンラインストリーミングサービスであるNetflixは、独自のレコメンド機能のシステムを構築し、ユーザーに対して映画やTV番組を配信しています。単一の国やカタログに絞ってユーザーの趣向や好みを特定するのではなく、類似する映画やドラマの好みを持つコミュニティをグローバルな視点から探し、システムから得たそれらの知見を利用することで、居住国に関係なく、より魅力的な作品を提案している特徴があります。

具体的には以下の項目をインプットし、Netflixのカタログの中でユーザーが観たいと思われる作品を予測し、レコメンドしています。

  • Netflixの利用状況 (視聴履歴や他の作品をどのように評価したかなど)
  • 自分と同様の趣向や好みを持つユーザー情報
  • ジャンルやカテゴリー、出演者や公開年などの作品に関する情報
  • 視聴するデバイス
  • 視聴時間の長さ

参考:https://media.netflix.com/ja/company-blog/a-global-approach-to-recommendations

https://help.netflix.com/ja/node/100639


ECサイトへスムーズに誘導できるレコメンド機能 | iQON

ZOZOグループであるVASILYが運営するファッションアプリ『iQON』には、機械学習を用いたレコメンド新機能「for You」が実装されています。「for You」は、ユーザーが閲覧したアイテムや“LIKE”したアイテム、購入したアイテムなどのデータの傾向から、個人の好みをiQONが学習し把握、一人ひとりの好みに合った「1日1回10アイテム」を提案する機能です。

この機能により、ユーザーは欲しいアイテムを見つけるまでの時間が圧倒的に短くなり、

200以上の提携ECサイトへスムーズにアクセス可能となりました。また、蓄積された膨大な行動データを活用しているため、使用頻度の高いユーザーほど精度が上がり、より好みのアイテムを簡単に探すことができるようになりました。

参考:https://techblog.zozo.com/entry/2016/07/01/134825

http://press.vasily.jp/1868/



KARTEと連携できるレコメンドツール

最後に、KARTEと連携することで高いレコメンデーションの効果を見込むことが可能なツールをご紹介します。


顧客の行動をリアルタイムで反映|アイジェント・レコメンダー

シルバーエッグ社が提供する「アイジェント・レコメンダー」は、サイト上の閲覧履歴や購買履歴などのユーザー⾏動をベースにシルバーエッグ社独⾃のアルゴリズムで、個別のユーザーが次に⾒たい、買いたいであろうものを予測して提⽰することができるレコメンドサービスです。

2016年2月から「KARTE」と連携を開始したことで、レコメンドを表⽰するタイミングや出し⽅を⾃由に設定したり、利⽤者の特徴や状況に応じた「レコメンドの種類の出しわけ」が可能になりました。

例えば、特定の価格帯にあわせたレコメンドも可能です。「配送料無料まであと○○円」「ランクアップまで○○円」「○○円のクーポン」などの案内を「KARTE」で表示する際に、その金額に応じた商品をレコメンドすることができ、きっかけをスムーズにアクションへと結びつける効果が期待できます。

日本最大級のF1層向けファッション通販サイト「FASHIONWALKER(ファッションウォーカー)」で実施したところ、レコメンド実施時の商品購入率が148.7%、購入単価が137.5%という結果が得られました。購入率だけでなく、購入単価も高くなっていることから、レコメンドが「ついで買い」にも寄与したことが伺えます。

参考:https://press.plaid.co.jp/data/20170307/


顧客の行動をリアルタイムで反映|NaviPlusレコメンド

「NaviPlusレコメンド」は、訪問者の⾏動履歴を解析する「協調フィルタリング」とページ上のテキスト情報を解析する「テキストマイニング」を⽤いたハイブリット型のレコメンドエンジンです。

連携により、レコメンドと連携させたコンテンツの表示するタイミングや出し方をサイト運営者が自由に設定できるようになりました。例えば以下のようなレコメンドをポップアップで表示することができます。

  • 過去の閲覧履歴や購入履歴に応じたレコメンド
  • 男女など会員属性に応じたランキング
  • 最近よく訪問するユーザーに対して、来訪時に新着アイテムを自動でピックアップしレコメンド
  • 「今、この商品が売れました!」というようなリアルタイムで売れたアイテムを表示

売れたアイテムを新着順に表示することが可能です。滞在時間が長いユーザーに表示することで、回遊を促すことができます。

これにより効果的なレコメンドの表示方法を高速なPDCAサイクルを回しながら試すことが可能となりました。



優れた顧客体験を実現するレコメンデーション

レコメンドエンジンの導入によって、適切なコンテンツを適切なタイミングでユーザーに提供することができるようになります。

優れた顧客体験を提供することは事業にとって効果的に働き、またビジネスの拡大に向けて重要です。ユーザーのニーズに寄り添った良い顧客体験を提供するために、ぜひレコメンデーションを検討してみてください。