レコメンドってなに？
おすすめデータのつくり方
レコメンドとは？
レコメンド（recommend）とは、“おすすめすること”です。
リアルの店舗で店員さんが「こんな商品もありますよ」「その商品にはこんなアイテムも合いますよ」と対応してくれる、それがレコメンドです。レコメンドエンジンはサイト上でのお客さんの行動履歴をデータとして蓄積・解析し、登録された商品リストの中からそのお客様に合った類似商品や見逃されていた商品などを自動でオススメする、言わば“サイトの店員さん”です。
行動履歴を蓄積
レコメンドエンジンで
おすすめデータ生成
生成したおすすめデータ
サイトに反映
閲覧履歴
カート投入履歴
購入履歴
その他の
行動履歴
・独自アルゴリズム
・AI学習
閲覧別
例）この商品を見た人は、
こんな商品も見ています
カート投入別
例）カート投入商品に合わせて掘り出しもの商品を推奨
注文商品別
例）もう一度買う
→ 以前購入した商品のリピート購入を促す
Logreco store
クラシカル
ウールコート（M）
あなたにおすすめ
レコメンドの種類は大きく2つ
レコメンドの種類は、大きく2つあります。ルール型とアルゴリズム型です。
ルール型は「この商品を購入した人には、商品Aをおすすめする」といった具合に、企業が事前にルールを決めます。対してアルゴリズム型は、登録情報や、閲覧履歴・購買履歴といった行動履歴などのデータをもとに、おすすめアイテムを自動推奨します。
実装の手軽さはルール型レコメンドですが、企業が押し出したいアイテムを推奨するケースが多く、1人1人の興味・関心にあわせたおすすめとは言えません。一方アルゴリズム型レコメンドは、1人1人の興味・関心に近いおすすめが可能です。レコメンドアルゴリズムは数種類あり、サイトの特性や目的に沿ったアルゴリズムを選択する必要があります。
ルール型レコメンド
企業側が事前にルール決め
商品A
をおすすめ
商品B
をおすすめ
商品C
をおすすめ
比較的簡単に実装できる
1人1人の興味・関心にあわせたおすすめができない
アルゴリズム型レコメンド
データに基づいて自動推奨
あなたにおすすめのアイテム
トートバッグ
6,780円
コットンTシャツ
3,240円
パンツ
4,120円
コラボスニーカー
8,980円
1人1人の興味・関心に近いおすすめが可能
導入には準備と時間が必要
アイテムに属性を持たせる
ハッシュタグをつけるイメージ
＃Tシャツ
＃半袖
＃白
＃綿
＃コラボ
アイテムを推奨
同属性のアイテムを推奨
あなたにおすすめのアイテム
＃Tシャツ
＃半袖
＃白
＃綿
＃Tシャツ
＃半袖
＃白
＃Tシャツ
＃半袖
＃白
＃Tシャツ
＃半袖
＃コラボ
コンテンツベースの
メリット・デメリット
ルール型レコメンドよりはユーザーファースト
似たカテゴリばかりのおすすめになり、面白みに欠ける
新たなアイテムとの出会いは演出しづらい
代表的なアルゴリズム1
コンテンツベース
類似アイテムを推奨します。
アイテムにいくつかの属性を持たせ、類似性の高いアイテムを推奨します。SNSの投稿のように、アイテムごとにハッシュタグをつけるイメージです。ルール型レコメンドよりはユーザーファーストですが、1人1人の興味・関心にあわせたおすすめとは言えません。
ランキング
代表的なアルゴリズム2
協調フィルタリング
現在最も多く使われているレコメンドアルゴリズムです。
おすすめデータ生成方法は主に2つ。アイテムベースとユーザーベースです。アイテムベースは、「商品Aを購入したユーザーは、商品Bも購入しやすい」と行動履歴から算出し、商品Aを購入したユーザーに対して、商品Bをおすすめします。対してユーザーベースは、「ユーザーAとユーザーBは類似度が高い」とデータから算出し、ユーザーAが購入した商品をユーザーBにもおすすめします。
アイテムベース
見た・買ったアイテムが軸になる
STEP1
Aはどの商品と
購入されている？
STEP2
Aを購入した人には
下記順番でおすすめ
A
×
B
5回
A
×
D
3回
A
×
C
1回
B
1番目におすすめ
D
2番目におすすめ
C
3番目におすすめ
ユーザーベース
類似するユーザが好む商品をレコメンド
STEP1
STEP2
ユーザーA
ユーザーB
閲覧履歴
閲覧履歴
類似
おすすめ
協調フィルタリングの
メリット・デメリット
関連性のあるアイテムをおすすめできる
ユーザーが知らないアイテムを知るキッカケを作れる
新ユーザーへのレコメンド精度が低くなりがち
新商品はおすすめされづらい
独自のアルゴリズム
レコメンドエンジンを扱う会社の中には、独自のアルゴリズムを持っている会社があります。サイト特性や扱う商材にあわせて、上記のレコメンドアルゴリズムだけでは補えない場合に有効です。
たとえば売れ筋以外のアイテムをおすすめすることも可能です。
ロングテールレコメンドは人気アイテムをあえて露出せず、掘り出しものを訴求。「いつも特定の商品しか購入されない」といったお悩みがある場合に導入されるアルゴリズムです。
そのほかにも新商品をおすすめできるアルゴリズムや、よりユーザーの興味・関心を反映するOne To One レコメンド等があります。
One To One レコメンド
ユーザー別に優先順を変えておすすめ表示
同じ商品を見ていても、
おすすめ内容が違う
ユーザーA
あなたにおすすめ
B
C
A
D
ユーザーB
あなたにおすすめ
X
Z
B
D
ロングテールレコメンド
人気アイテムの露出を控え、掘り出しものを訴求
売上
数量
露出しない
売れ筋以外の中からおすすめ
1
1
2
3
4
5
6
7
8
独自アルゴリズムの
メリット・デメリット
サイト特性や自社商材にあわせた施策が可能
よりユーザー目線に寄り添ったおすすめができる
目的を明確にしたうえで、レコメンドアルゴリズムを選ぶ必要がある
さいごに
実は奥が深いレコメンド。普段なにげなく見ている「おすすめ表示」には、企業の努力が詰まっています。
ユーザーによってレコメンドへの感じ方は異なりますが、一度「鬱陶しいなぁ」と感じられてしまったら、それ以降ユーザーはレコメンドに反応しづらくなっていきます。そうならないためには、精度の高いレコメンドを搭載し、ユーザーからの信頼を得る必要があります。
Logrecoでは、課題や目的に沿ったレコメンドアルゴリズムをご提案いたします。まずは、現在抱えている課題やお悩み、今後の目標をお気軽にご相談ください。
