機械学習だけでは不十分?ECサイトのレコメンド施策で見落とされているポイント
ECサイトの売上や平均顧客単価を上げるために、レコメンド機能を活用する企業も増えています。
”この商品を買った人はこんな商品も買っています”
といった表示を一度は見たことがあるのではないでしょうか。
多くのECサイトで活用されはじめた時、必要になるのは「ユーザーに合わせたレコメンド最適化」です。
そのために重要なのは、「何を」オススメするのかだけではなく、「誰が・どのような状況のときに・どのようなレイアウト(見せ方)で」推奨するのか、という点です。
Dynamic Yield(ダイナミックイールド)は、1人1人のユーザー行動に合わせパーソナライズされたレコメンド最適化を実現するAIプラットフォームです。
本記事では、Dynamic Yieldで何が実現できるのか最適化事例も交えてご紹介します。
目次
1.機械学習だけでは不十分なレコメンド施策
「機械学習」は、訪問者へのレコメンド体験をパーソナライズする中核を担っています。
観測されたデータから法則を見出しパターン化することで、ユーザーにサービスを提供するための最適な商品やオファーをより適切に見つけることができます。
しかし、意外と知られていないのは、高収益をもたらす大規模な商品レコメンド施策では、「機械学習アルゴリズムだけでは不十分である」という点です。
Dynamic Yieldは過去6年間、ブランドと一緒にレコメンデーションの最適化に取り組んできました。
その結果、最も効率的な商品化の方法は、
・ユーザーが誰であるかリアルタイムのデータを使用し
・実際の商品が何であるかだけでなく、顧客の行動意図や文脈に応じて
・体験を動的に変化させる
ことであることを発見しました。
レコメンドの原動力となる機械学習アルゴリズムは、データ量が増えれば増えるほど賢くなるのは事実です。
しかし、ユーザーのアクティビティ、親和性、地理などの顧客行動と関連付けられたデータを考慮すると、レコメンド施策はさらに一歩進んで、その時々の個人のニーズに最も適した見せ方をする必要があります。
これは、レコメンド施策で最も見落とされている「レイアウトのパーソナライゼーション」を通じて行うことができます。
2.ユーザーや状況に合わせたレイアウト最適化
すべての訪問者に対して、統一された全く同じサイトを表示することは、訪問者とのエンゲージメントの可能性を制限し、大きな機会損失になります。
既存のレイアウトは、全てのユーザーに合うわけではありません。
ここでは、商品をレコメンドする際に、どのようにレイアウト最適化すべきか、事例をもとにご紹介します。
行動特性の違いに合わせる
例えば、興味深い事例の1つとして、あるファッションECサイトでは、買い物客の性別が女性の場合、商品レコメンドの画像を大きくしています。
一方、男性は1ページあたりの商品数を増やし、可能な限りの商品を探りたいと考えています。無限スクロール(スクロールするたびコンテンツが追加される機能)で商品の流れを維持するように誘導することが、高い成果を生みだしています。
このように、性別といった切り口1つとってもレイアウトを最適化することは重要です。
ユーザーの好みに合わせる
別のサービス事例では、ユーザーが興味に合わせてコンテンツレイアウトを最適化しています。
ユーザーがスポーツコンテンツに関心を示している場合、スポーツコンテンツ全体を自動的に上に移動したり、他のコンテンツカテゴリの前に配置したりすることが可能です。
好みに応じてコンテンツと商品カテゴリを動的に並べ替えることで、訪問者は自分が求めているものをすばやく見つけることができます。
ユーザーの行動履歴に合わせる
例えば、ユーザーが過去7日間に5本以上の動画を視聴した場合、最も利用しているセクション内でレコメンドする動画やコンテンツ数が2倍になるように自動的に表示できます。
好みに応じてコンテンツセクションを拡張することで、サイト全体のエンゲージメントが促進されます。
もちろん表示デバイスにも最適化
これまでご紹介した切り口と合わせてモバイル体験では、
・ユーザーのデバイスタイプに合わせた表示
・訪問者のエンゲージメント、クリック、カートへの追加を増やすための、商品の画像サイズ、検索機能、商品フィードタイプ
などすべてを考慮する必要があります。
3.ユーザーのサイト訪問の意図に合わせた最適化
活用すべきもう一つの重要な手がかりは「ユーザーのサイト訪問の意図」です。
訪問者が「商品を探している」のか、「購入検討しているのか」に基づいてレコメンドを最適化します。
例えば、様々な検索キーワードを使って商品を探している中で、サイトにたどり着き、ゆっくりとカテゴリーページを閲覧している場合、ブランドはページのレイアウトを変更してアイテムの品揃えを広げ、Pinterestのような商品レイアウト表示ができます。
一方、購入しようとカートに商品を追加した後、そのまま買い物続けた場合は、興味を示した商品の隣に他の関連商品をレコメンド表示します。
ユーザーの行動に合わせたレコメンド最適化で、ブランドは鉄が熱いうちに適切なアップセルオファーを打つことができ、その結果、平均購買単価を高めることができます。
▼ゆっくりとカテゴリーページを閲覧している場合
▼商品をカート追加後、買い物続けている場合
4.まとめ
平均的なレコメンドエンジンと優れたレコメンドエンジンの違いは、商品だけでなく、レイアウトを適応させる能力です。
レコメンド機能は、顧客の行動や意図に基づき、ユーザーに合わせたレイアウトと使い勝手にする必要があります。
そのため、機械学習ベースのアルゴリズムに、リアルタイムのユーザー・アクティビティと行動意図に焦点を当てた最適化を組み込むことで、顧客体験をパーソナライズが可能になります。
顧客体験をパーソナライズ化できるAIプラットフォームDynamic Yield概要資料はこちらからダウンロードしてください。
※本記事は、「The Most Overlooked Aspects of eCommerce Product Recommendations」「Personalizing websites with dynamic content layouts」を翻訳・加筆修正したものです。
勝見 理恵
2012年ギャプライズ入社。 5年間Web集客コンサルタントとしてクライアントワークに携わり、リスティング広告からFacebook・Instagram・TwitterなどのSNS広告まで幅広く活用。 ClicktaleやOptimizelyを活用したサイト改善コンサルタントを経て、現在は自社のマーケティング担当。