レコメンデーションシステム: パーソナライゼーション、クロスセル、ホームページレイアウト

利益:

レコメンデーションエンジンのロジック (一緒に購入、類似製品、パーソナライゼーション) とそのビジネス指標への影響を理解する
人工知能サポートを使用して製品関係、パッケージ化およびクロスセルのシナリオを構築し、それらをテスト可能な仮説に変える能力
フィルターバブル、バイアス、株式/マージン中立の自動推奨のリスクを確認し、推奨ルールを商業的管理にリンクする機能

大手電子商取引サイトの売上の大部分は、顧客が探している商品ではなく、顧客に推奨された商品によってもたらされます。皆さんも「これを買った人はこれも買っています」、「あなたにおすすめの商品」、「まとめて安く」といったブロックを見たことがあるでしょう。これらのブロックの背後にあるシステムはレコメンデーションエンジンと呼ばれます。これは、「この人に今何を見せるべきですか?」という質問に対する答えを生成するソフトウェアです。顧客の行動、製品の関係性、一般的なパターンを観察することによって。この分野では、人工知能 (AI) が 2 つの方法で役に立ちます。1 つは、レコメンデーションロジックを構築する際のシナリオとルールの生成を支援するものであり、もう 1 つは、小規模店舗での独自の商品関係を分析し、パッケージ/クロスセルのアイデアを考案することです。ただし、注意してください。優れたレコメンデーションシステムでは、「クリック数」だけでなく、在庫、マージン、顧客エクスペリエンスも考慮する必要があります。

2 つの用語を明確にしましょう。クロスセルとは、製品を補完する別の製品を購入者に提供することです (携帯電話の購入者向けのケース)。アップセルでは、同じニーズを満たす、より高価なモデル (128 GB ではなく 256 GB) を提供しています。どちらも平均バスケット (AOV) を増やす正当な方法です。しかし、それが顧客にとって本当に有益な場合には機能し、強制される場合には邪魔になります。

レコメンドシステムの 3 つの基本ロジック

レコメンダーシステムは通常、1 つまたは 3 つのアプローチを組み合わせて使用します。

1) コンテンツベース: 製品自体の機能を検討します。「このランニングシューズに似た他のランニングシューズ」。行動履歴を必要としないため、新規顧客にも対応します。

2) 協調フィルタリング: 動作パターンを調べます。「この商品を買った人はこんな商品も買っています。」これは強力ですが、大量のデータを必要とし、「コールドスタート」(新製品/新規顧客) に悩まされます。

3) パーソナライゼーション: 過去の行動に基づいてショーケースを 1 人の顧客に合わせて調整します。これには強力な効果がありますが、プライバシーと「フィルターバブル」のリスクが伴います。

次の表は、推奨ブロックとその目的をまとめたものです。

ブロック

ロジック

目的

例

類似商品

コンテンツベースの

代替案を提案する

同じカテゴリ内のモデルを閉じる

一緒に

協力的な

クロスセル

携帯電話 + ケース + スクリーンプロテクター

あなたのための私たちのおすすめ

パーソナライゼーション

コミットメント

過去のナビゲーションをもとに

お気に入り/ベストセラー

小規模店舗におけるAIによるレコメンデーション設定

企業レコメンデーションエンジンを構築できない中小規模の店舗でも、AIを活用して商品関係をインテリジェントに構築できます。実際の「一緒に売られている商品」データ（注文商品）を匿名でAIに渡し、「どの商品が一緒に買われているのか、どのパッケージがおすすめなのか」を分析させることができます。 AI はクロスセルとバンドルの仮説を生成します。在庫とマージンによってそれらをフィルタリングし、実際にテストします。ここでのキーワードは仮説です。AI の提案は証拠ではなく、テストされるアイデアです。

ヒント: それぞれの推奨アイデアを「if-then」仮説に変換します。「X を購入する人に Y を推奨すると、バスケットの平均は増加します。」次に、これを小規模な実験 (A/B テストまたは期間) で測定します。測定を行わない推奨は単なる推測にすぎません。

推奨ルールの商業監査

レコメンデーションシステムは、「最もクリックされたもの」を完全に自動化したままにしておくと危険になる可能性があります。在庫: 在庫切れの商品を勧めると顧客を失望させます。マージン: クリック数が最も多い商品のマージンが最も低い場合があります。システムにより、採算の悪い商品が誘導される場合があります。ブランドの安全性と適合性: デリケートなカテゴリー (赤ちゃん、健康) における無関係または不適切な推奨は信頼を失います。フィルターバブル: 常に同じ種類の製品を顧客に見せ続けると、発見が失われ、売上が狭まります。そのため、自動レコメンデーションは必然的にビジネスルールによって構成されます。「在庫のあるものをレコメンドする」、「マージンがこのしきい値を下回る商品は特集しない」、「カテゴリのコンプライアンスを維持する」。

偏見もまた現実的なリスクです。推奨システムは過去の行動に基づいているため、過去の不平等を強化する可能性があります。たとえば、特定のグループに対して、常に安価または低品質の製品を推奨します。これは倫理的問題と商業的問題の両方です。「誰に何を勧めているのか」という観点から、レコメンド出力を定期的に監査する必要があります。

コピー可能な 4 つのテンプレート

1) 一緒に販売された商品の分析:

あなたの役割: e コマースアナリストアシスタント。以下は匿名注文商品（商品コードと回数をまとめたもの）です。データ: [テーブル]。タスク: 最も頻繁に一緒に購入される 10 組のアイテムを見つけます。各ペアについて、クロスセル仮説 (「購入者 X に Y をオファーする」) を作成します。注: これらは仮説です。在庫や証拠金も確認してみます。

2) バンドルの推奨事項:

商品：[本体商品]。補完的な製品: [リスト、余白メモ付き]。タスク: 3 つの賢明なパッケージを提案します。各パッケージについて、顧客に対するメリットを一文で説明します。ルール: パッケージ内のすべての製品は在庫がある必要があります。利益率の低い商品を主力商品にしている。

3) 最も売れているシナリオ:

顧客が検討しているもの: [製品、価格、機能]。高級モデル: [価格/機能の違いを含むリスト]。タスク: 正直なアップセルメッセージの草稿: どの追加特典に対していくら支払うか。ルール: 誇張は禁止。具体的な特徴を通して違いを説明します。

4) 提案ルールのチェック:

次の推奨ルールを確認してください。ルール: [リスト]。タスク: 各ルールを次のリスクに対して評価します: 株式の一貫性、マージン保護、カテゴリー適合、フィルターバブル、バイアス。リスクのあるルールと修正の推奨をリストします。

ミニケース3個

ケース 1 — クロスセルによる利益。ある家電量販店が注文データをAIで分析したところ、「携帯電話を購入した人の40％が30日以内にケースも購入する」というパターンが判明した。電話ページに適切なケースの推奨ブロックを追加しました (在庫のあるものをフィルタリングします)。バスケットの平均は目に見えて増加しました。 AIが仮説を出し、店舗がそれを実験して検証した。

ケース 2 — マージントラップ。ある店舗は、「最もクリックされた」商品だけにホームページを完全に放棄しました。最もクリックされた商品は、利益率が最も低いキャンペーン商品であり、中には赤字で販売された商品もありました。売上高は増加しましたが、利益は減少しました。解決策: 「マージンがしきい値を下回る商品をホームページに掲載する」フィルターが推奨ルールに追加されました。

ケース 3 — フィルターバブル。書籍サイトでは、常に同じ種類の本を顧客に勧められるため、顧客は新しいジャンルを発見することができず、時間が経つにつれて興味が薄れてしまいました。提案ルールに「提案の少なくとも 20% は異なるカテゴリからのものでなければならない」という多様性ルールを追加すると、発見と売上が回復しました。

弱いプロンプト / 強いプロンプト

弱いプロンプト:

この製品の何をお勧めできますか、いくつかのアイデアを教えてください。

このモデルは、実際のデータとマージンを知らずに、一般的な、おそらく在庫切れの推奨事項を生成します。

強力なプロンプト:

あなたの役割: e コマースアナリスト。主な製品: ワイヤレスヘッドセット (マージン 28%、在庫あり)。補完候補 (在庫/マージンあり): キャリングケース (45%、在庫あり)、イヤホンセット (50%、在庫あり)、充電ケーブル (20%、在庫あり)。タスク: 在庫あり、マージンが 30% 以上の 2 つのクロスセルパッケージを提案します。パッケージごとに顧客のメリットを 1 文で記述します。

よくある間違い

提案を証拠と間違える。 AI の出力は仮説です。テストされなければ決定にはなりません。
在庫とマージンは無視します。自動推奨により、不採算商品や売り切れ商品が強調表示されます。
それは単に人気のせいです。最もクリックされたものが必ずしも最も収益性が高く、最も便利であるとは限りません。
フィルターバブルを作成します。同じ商品を常に表示すると、発見と販売が失われます。
バイアスをチェックしていない。このシステムは過去の不平等を強化する可能性があります。定期的な検査が必要です。
強制的なアップセル。メリットのない高価なモデルを押し続けると、自信を失うことになります。

要約すると

レコメンデーションシステムは、顧客に適切なタイミングで適切な製品を表示することで、バスケットの平均とロイヤルティを向上させます。基本的なロジックは 3 つあります。コンテンツベース (類似の製品)、コラボレーション (一緒に購入)、およびパーソナライゼーションです。小規模店舗であっても、AI は注文データからクロスセルやバンドルの仮説を生成できます。しかし、これらはテストされるべきアイデアであり、証拠ではありません。株、マージン、カテゴリー適合性、多様性に基づいて推奨ルールを組み立てるようにしてください。フィルターバブルとバイアスのリスクを定期的に確認してください。自動推奨は、商業的管理に従う場合に価値を生み出します。

アプリケーションタスク

ご自身の注文データ（商品コードは匿名）から、一緒に購入する頻度が高い商品5組を抽出します。「併売商品分析」テンプレートを使用して、AI にクロスセルの仮説を尋ねます。それぞれの仮説を「if-then」ステートメントに変換し、在庫とマージンでフィルタリングします。最も有望な 2 つの仮説 (期間、測定対象) のテスト計画を作成します。最後に、「推奨ルール監査」テンプレートを使用して、推奨ルールのリスクを評価します。

チェックリスト

[ ] 私は提案のアイデアを証拠としてではなく、テストされる仮説として扱いました。
[ ] 各提案を在庫とマージンでフィルタリングしました。
[ ] 人気のほかに、収益性や適性も考慮しました。
[ ] 多様性ルールでフィルターバブルを回避しました。
[ ] おすすめが誰に何を示すのか、バイアスがないか調べました。
[ ] 有望な提案を実際のテストで測定することを計画しました。

レコメンデーション システム: パーソナライゼーション、クロスセル、ホームページ レイアウト