レコメンドエンジンの基本：目的と仕組みを押さえて顧客体験向上

商品に関する情報は、ECサイトだけでも膨大な量があり、加えてソーシャルメディアや広告にも情報が溢れています。そうした状況の中、ユーザーが自分にとって本当にベストな商品や潜在的要求がある商品に出会えることはかなり難しいといえるでしょう。

そのため、サイトの顧客体験においては、ユーザーが探していたり好みそうな商品を「おすすめ」として目に付きやすいタイミングや場所で表示し、ニーズに寄り添った情報を提供することが非常に重要となってきます。

単に「おすすめ」の表示という意味では、売れ筋ランキングや新商品といった「売りたい商品」の提示もこれに当てはまりますが、それでは十分にユーザーのニーズに寄り添っているとはいえません。

ここでは、そのように売り手視点の画一的なおすすめではなく、「あなたへのおすすめ」としてユーザー一人ひとりの嗜好や属性に合わせて表示するおすすめの基本について解説します。

レコメンドをサイトに導入するのは何のため？

【INDEX】

レコメンドとは
 レコメンドは何の役に立つ？
・レコメンドの意義
・かみ砕いて言うと？「売ろうとしない」店員とレコメンド
・対面接客とオンラインレコメンドの違いと共通点
レコメンドが利用する顧客情報
 レコメンドエンジンの3つのタイプ、それぞれの機能とメリット
１．協調フィルタリング
２．コンテンツベース・フィルタリング
３．ハイブリッド・タイプ
実際に使われているレコメンド
・ ECサイトにおける商品のレコメンド
・ EC以外のサイトでのコンテンツのレコメンド
・応用：マルチチャネルでのレコメンドの利用
まとめ：レコメンドの理解が顧客体験向上の鍵

レコメンドとは

みなさんは「レコメンド」という言葉の意味をご存知でしょうか。

「レコメンド」（recommend）とは本来、英語で「おすすめする」「推薦する」ということを意味する言葉です。名詞形は「レコメンデーション」（recommendation）です。

デジタルマーケティングにおいては、ユーザーのニーズに合わせて動的におすすめの商品やコンテンツをサイトやアプリ上に表示することをたんに「レコメンド」と呼びます。レコメンドの機能を提供しているツールやサービスを「レコメンドエンジン」「レコメンドシステム」、あるいは「自動推薦システム」などと呼んでいます。

レコメンドエンジンは、ユーザーの嗜好やマイクロニーズを分析し、それに基づきユーザー一人ひとりの興味・関心がありそうな情報（商品やコンテンツ）を選出、個別のユーザーに提供します。この機能は「パーソナライゼーション」と呼ばれる、個々のユーザーに最適化した顧客体験の中核をなすものです。

レコメンドは、顧客・企業ともにメリットの高いデジタルマーケティングの手法として、この20年のうちにすっかり定着しました。AIブームに乗って、その技術が今も注目を浴び続けています。

レコメンドは何の役に立つ？

ECサイトのようにコンバージョンを意図したサイトは、ある程度の規模であればレコメンドエンジンを導入しています。レコメンドを導入する意義は何でしょうか？売上やコンバージョンのアップだけなのでしょうか？

レコメンドの意義

たしかにレコメンドは売上もコンバージョンもアップさせることができます。Amazonの売上におけるレコメンドの直接的ないし間接的な売上の割合は1/3に上ると言われています^[1]。「売上を伸ばしたければレコメンドを見直すべし」というのは間違いではなく、このように言えばレコメンドエンジンの重要性は誰でも理解できます。しかし、一時的な売上の向上がレコメンドの意義や目的であるかというと、そうではありません。

レコメンドの真の目的は、販売促進というより「ユーザーとの信頼を築くこと」にあります^[2]。たしかにAmazonはレコメンドの活用によって大きな利益を得ていますが、それは「信頼」というものの価値を理解しているからです。悪い評価のレビューは商品が売れなくなる原因になりかねませんが、Amazonは実際に購入し使用した顧客のレビューであれば、その掲載を良しとしています。それは、物が一つ二つ売れたかということよりも、本当に良いものを顧客が選ぶ手助けを優先しているのであり、長期的に見た顧客生涯価値（LTV）を重視しているからです。

かみ砕いて言うと？「売ろうとしない」店員とレコメンド

レコメンドの意義について説明しましたが、少し観念的ですので、もう少しかみ砕いて説明しましょう。レコメンドと実店舗の接客コミュニケーションの目的には重要な共通点があります。ネットショップのレコメンド機能がユーザーとの信頼関係を築くということを分かりやすく例えるなら、実店舗における熟練店員と常連客のやり取りを想像するとよいでしょう。

実店舗の店員は、それまでのコミュニケーションから、常連客がどういう人間でどういうものが好みかを知っています。このため顧客が買い物をする際に、その人の好みに沿った商品や必要と思われる商品を先回りして勧めることができます。こうした接客は、顧客と店員とのコミュニケーションにより信頼関係を築き、結果として長期的な売上に貢献します。

オンラインショップ（ネットショップ）では、このように顧客一人ひとりの顔を見て接客することができません。ですから、顧客との「距離感」を縮めるため、接客手法にさまざまな工夫が必要です。レコメンドエンジンは、店舗でのコミュニケーションの代わりに、訪問やクリックといったデータを蓄積し、AIが分析することで、一人ひとりがどういうものを好むかを判断します。実店舗の店員と同様、一人ひとりのニーズや好みに合わせてマッチした対応をすることで、ユーザーとショップとの「距離感」を縮め、顧客のロイヤリティを向上させることができます。

アパレルショップやデパート業界でよく言われることですが、優秀な店員は「売ろうとしない」で顧客の立場に立ってよく話を聞くことが重要です。彼らが優秀なのは、そのような誠実な態度から、結果として売上もついてくるためです。逆に店員の「売りたい」という思いが前面に出てしまい、「自分の話を聞いてくれない」と感じると、顧客はそのお店を利用したくないと感じるでしょう。

接客をめぐるこうした顧客心理は、レコメンドエンジンでも同じです。単に商品を押し付けるのではなく、顧客一人ひとりのニーズをよく見極め、提案することが、レコメンドの目的です。この目的を正しく見据えて運用することが売上貢献へ繋がりますし、目的を見失うとかえって効果を損なう場合があります。

レコメンドと実店舗の接客コミュニケーションの目的には重要な共通点があります

対面接客とオンラインレコメンドの違いと共通点

オンラインショップのレコメンドと、店舗でのコミュニケーションと間には、機能的な違いもいくつか存在します。例えば、レコメンドエンジンがどれだけ高機能であっても、ユーザーと直接対面しているわけではないので、ユーザーの表情や声色といった細かいニュアンスは得られません。また、そのような人間の隠された感情を汲み取った提案を行うこともできません。これらはECの短所ともいえますが、レコメンドはそれを別の方法や要素でカバーすることができます。

レコメンドの長所は、蓄積できるデータの量と分析の質です。実店舗で扱うことのできる商品の数は限られていますが、オンラインでは膨大な数の商品を展示／販売することができます。また店員が得られる顧客データは優良顧客の限られた情報しかありませんが、オンラインではサイトを訪問するあらゆるユーザーの行動情報を蓄積することができます。

また、分析や判断においても、人間の主観的な記憶によるものではなく、AIが生のデータに基づき客観的に傾向を分析することができ、しかもその提案は、店員にひけをとらないレベルに人間的で気の利いた新鮮なものであることも少なくありません。十分なデータを学習したAI型のレコメンドエンジンは、人間の感情を直接汲み取ることはできませんが、収集したデータの中に隠された人間の情動を暗に反映し、提案を行うことができるようになってきます。

このように、実店舗の接客とレコメンドエンジンとでは、その手法はまったく異なりますが、顧客が気持ちよく買い物できるよう「お客様をサポートする」ことが目的であり、その過程で信頼関係を築くという点では、どちらの仕事も一致しています。

レコメンドが利用する顧客情報

レコメンドエンジンは、ユーザーに対してどのように商品や情報の提案を行うのでしょうか？

このことを説明する前に、まずはレコメンドエンジンが提案を行うための前段階のデータの分析と判断について理解しておく必要があります。レコメンドは店舗では利用しない顧客に関連するデータを扱います。信頼関係の構築については、どのようなデータを利用しているかについての理解もまた重要です。

レコメンドが顧客の嗜好やニーズを判断する材料は複合的です。具体的には、以下のようなデータを基に複合的に情報を判断します。

・商品の購入履歴や閲覧履歴と、その傾向

・顧客自身が明示する嗜好（アンケートや閲覧ページなどから判断）

・同じ傾向を持つ他の顧客の興味対象

・顧客のプロフィールやその他の情報

これらは、オンラインショップに登録された顧客情報、データベースサーバに保管される行動情報、ブラウザに一時的に保管されるCookie情報などです。どの内容をどのように組み合わせて使用するかは、レコメンドエンジンによって異なります。

レコメンドエンジンの3つのタイプ、それぞれの機能とメリット

レコメンドの機能を導入するには、サイト運営者が自社で開発する場合もあれば、ツールやサービスとして製品化されたものを導入する場合もあります。いずれの場合も、レコメンドエンジンのベースとなる技術にはいくつかの種類があり、それらを組み合わせて使っている場合がほとんどです。

ここでは、レコメンドエンジンの基本的な技術上の仕組み（アルゴリズム）を3つ紹介します。

１．協調フィルタリング

協調フィルタリングは、レコメンデーションにおけるもっともポピュラーな技術です。「Aという商品を閲覧・購入した人はBという商品も閲覧・購入した人が多いため、Aという商品を閲覧・購入した人にはBという商品を薦める」といったように、ユーザーのWebサイトへのアクセス履歴やその他の行動履歴に基づいて商品をレコメンドする手法です。その最大の特長は商品情報のようなコンテンツの分析を必要とせず、それを上回るレコメンド精度を出せるという点です。

協調フィルタリングを用いる利点は多いです。一つには、「思いがけない商品の発見」（セレンディピティ）^[3]という新鮮な体験をユーザーに与えることができることがあります。

自分の嗜好と似た人が見た商品は、これまで見たことのなかった商品であっても、自分の嗜好とマッチする可能性が高いはずです。このため、協調フィルタリングによっておすすめされる商品は、自分が出会ったことのない初めて知る商品であるにもかかわらず、まさに自分にぴったりだと思えることが少なくありません。

また、自動でデータを収集して分析するため、一度導入してしまえば市場の変化にも自動的に対応し、その時々で最適な提案が行えます。リソースがかかりにくく導入しやすいこともメリットといえます。

一方で、協調フィルタリングには課題もあります。たとえば、導入初期などでデータが少ない場合には、有効なレコメンドをしにくいという問題で、「コールドスタート」^[4]と呼ばれています。ユーザーの行動情報が十分に温まっていない「コールドな」状態では、レコメンドを行うのに十分なデータの蓄積がないため、適切な判断や予測を実行することが困難なのです。

しかし、この「コールドスタート」という課題を解決するために多くのテクニックが生み出されており、協調フィルタリングは現在でもなお、レコメンドの根幹をなす技術として応用されています。

２．コンテンツベース・フィルタリング

コンテンツベースないしアイテムベースによるレコメンドとは、商品の属性情報とユーザーの好みの関連性をベースにする方法です。コンテンツの属性はあらかじめグループ化されており、ユーザーがどの属性タイプの商品を好んだかということでユーザープロファイルを構築していきます。

「ある監督の映画を観た人に対して、同じ監督の別の映画や、別の監督による同じジャンルやテイストの映画を薦める」といった具合に、あらかじめ用意されたコンテンツの属性や関連性を分析して推薦をします。

コンテンツベースには課題もあります。商品数が膨大であれば事前に属性を解析して分類する手間も膨大なものになってしまいます。また、同じようなアイテムばかりがレコメンドされてしまうというデメリットもあります。結果的に、行動情報ベースの協調フィルタリングと比べ、ユーザーから「自分の好みに合っていない」とか「退屈」と思われてしまうことがあります。

３．ハイブリッド・タイプ

現在普及が進んでいる比較的高性能なレコメンドエンジンや、Amaznon / Netflix / Alibaba のようなAIパーソナライゼーションを重視する企業では、協調フィルタリングやコンテンツ・フィルタリングといった単一のアルゴリズムでは解決しがたい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のシステムを用いています。

こうした複数のアルゴリズムによって強化されたレコメンドは「ハイブリッド・レコメンデーション・システム」と呼ばれています。単に異なるコンテンツ・フィルタリング技術同士を組み合わせた場合でも、そのように呼ばれることがあります。

実際に使われているレコメンド

レコメンドは、ECサイトはもちろん、求人や不動産の紹介、記事コンテンツを中心とした情報サイトなど、幅広い業種やジャンルで効果を発揮することができます。WEB販売やプロモーションを行うサイトであれば、レコメンドを活用してさらなるビジネスチャンスを広げることも十分に見込めます。

ECサイトにおける商品のレコメンド

ECサイトでのレコメンデーションでは、ややもすると転換率や売上アップだけが注目されやすいですが、すでにお話しした通り、実はショッピングをする上での利便性の向上が大切なポイントとなります。

これは非常に単純なアイテムベースのコンテンツ・フィルタリングの例ですが、たとえば、本やCDの場合で考えてみると、ある著者・作者が好きなユーザーが、その著者・作者の別の作品も好きであるということはごく当たり前のことです。現在Aという作品の1巻を見ている人にその作品の2巻以降をレコメンド表示することで、2巻以降を探す手間が省け、ユーザーの立場としては非常に買い物がしやすくなるというメリットがあります。

より精度の高いレコメンドでは、協調フィルタリングにより同じ好みの人々の集合的な情報を利用することができます。同じ本を読んだ人の好みの傾向から、たんに同じ作家の小説だけでなく、似たスタイルの小説や同時代の作家の小説も提案対象とすることができます。すると、自分の好みと一致しているが自力ではなかなか見つけることのできないような小説も見つけることができるようになります。

EC以外のサイトでのコンテンツのレコメンド

EC以外でも、メディアサイトや人材、不動産、旅行などを扱うサイトでもレコメンドは有効です。ニュースや情報を扱うメディアサイトであれば、閲覧数やサイト滞在時間を高めることができます。求人や不動産のサイトであれば、ユーザーにあった求人や物件の情報を複数見せることで、マッチングの精度が上がります。

ユーザーは検索するためのキーワードやフィルタに頭を悩ませなくとも欲しい情報を見つけやすくなるため、必要な情報にたどり着くまでの導線は簡略化されますが、同時に他の見たい情報も目につきやすくなり、結果として回遊性は上がります。求人や不動産といった案件を扱うサイトでは、ユーザーが考える条件に一致しない案件はいくら似た傾向をもつユーザーが閲覧していても、検討の対象外ということがあるでしょう。

もちろん洋服や小物のようなアイテムでもそういったことはありますが、仕事や住まいのようにライフスタイルとより密接に関わる案件を推薦する場合、顧客にとって「ゆずれない条件」というものがいっそうはっきりとしており、このことに配慮する必要があります。たとえば、週に3日しか仕事ができないという人にとっては、いくら他の条件が似ていても、週5の案件は週3で自宅からより遠い勤務先の仕事よりも見込みのないものです。レコメンドエンジンがコンテンツを提案するとき、どういった条件に重点を置くかといったカスタマイズも必要になってきます。

EC以外のサイトでレコメンドを導入する場合には、カスタマイズのしやすさや、そのためのコンサルティングの充実も重要になってきます。

応用：マルチチャネルでのレコメンドの利用

ECにせよその他のサービスにせよ、スマートフォンの普及によりWebサイト以外からのコンバージョンがいっそう大きな割合を占めるようになりました。ユーザーとのコミュニケーションが密なメールやアプリといったチャネルでもレコメンド機能を利用すれば、さらなる効果が期待できます。

たとえば、メルマガにレコメンド商品の画像を掲載することができれば、画一的なキャンペーンを送るよりも広告的な印象は薄れ、ユーザーの信頼感は上がるはずです。もともと自分が探している情報や商品に似た内容が、わざわざサイトを訪問していなくてもメールで届けられるわけですから、むしろ便利だと感じられる場合もあるでしょう。

実際、メールやアプリでのレコメンドは非常に効果的です。配信頻度や在庫切れの問題をクリアすれば、取り組んでみる価値は十分にあります。

マルチチャネルでのレコメンドは、利用しているCRMなどの環境によっては難しい場合もありますが、思いのほか簡単に実装できたというケースも少なくありません。もしWebサイト以外でのコンバージョンアップが課題ならば、レコメンドのシステム開発者やベンダーに一度相談してみるのが良いでしょう。

まとめ：レコメンドの理解が顧客体験向上の鍵

サイトのコンバージョンや売上に対するレコメンドの貢献は大きいですが、その目的は顧客のサポートであり、顧客ロイヤリティの向上であることを忘れてはいけません。

レコメンドはこの目的のために、優れた技術を発展させてきました。その仕組みはざっくり分けても少なくとも3つのタイプがあり、それぞれにメリットとデメリットがあります。ユーザーの行動に基づく方法、アイテム／コンテンツそのものの情報に基づく方法、そして両者をはじめとする複数の方法のハイブリッドです。

こうした目的と仕組みについての理解は、レコメンドの開発や導入、運用にあたって不可欠です。

レコメンドはECサイトはもちろん、無形商材やサブスクリプション、契約サービスの提供、メディアなど多岐にわたるオンラインサービスで効果を上げることができます。他方で、機能のチューニングや表示のカスタマイズが必要なケースもあり、開発／導入時には開発者やコンサルタントとのコミュニケーションも重要です。

レコメンドを最適化すれば、ユーザーは欲しい情報をサイト上で見つけやすくなるため、「好みの情報が多くて楽しいサイト」「探しやすく便利なサイト」と認識するようになります。

最後に、本文中でもご紹介したAIレコメンドエンジン「アイジェント・レコメンダー」の詳しいサービス資料もご用意しております。ぜひダウンロードいただき、サイトの顧客体験改善にお役立てください。

「アイジェント・レコメンダーご紹介資料」

資料請求する

レファレンス
[1] マイケル・シュレージ『レコメンダ・システムのすべて』, ニュートン新書, 2023, p. 46.
[2] 同上, p. 51.
[3] レコメンドが起こすセレンディピティについては、「セレンディピティ・マーケティングとは？ ECにおける3つの実行ポイント」で詳しく解説しています。
[4] コールドスタートの解決方法については AIに「温故知新」ができないとき – ビジネスの現場における、コールドスタート問題の解決策で詳しく解説しています。