レコメンデーションエンジンは、Amazon、Netflixなどにとって強力なツールです。コラムニストのダニエル・ファジェラがレコメンデーションエンジンのメリットを解説し、マーケターが注目すべき理由を解説します。
Netflixの豊富なおすすめ映画やテレビ番組リストは、パーソナライズされたユーザーエクスペリエンスの素晴らしい例です。実際、同社によると、ユーザーが視聴するコンテンツの約70%はパーソナライズされたおすすめです。
そこに到達するのは容易なことではありませんでした。レコメンデーションシステムの改善は継続的なプロセスです。Netflixは10年以上かけてレコメンデーションの開発と改良に取り組んできました。
2006年、同社は既存のアルゴリズムを改良できる機械学習の専門家を発掘するため、Netflix Prizeを設立しました。アルゴリズム科学者のチームは、Netflixのアルゴリズムを10%上回る性能を達成しました。わずかな差だと思うかもしれませんが、これは同社が将来的に大幅な改良を期待できるほどの成果でした。チームの努力は認められ、1万ドルの賞金を獲得しました。
推奨エンジンは、マーケティング担当者や組織がビッグ データ分析に基づく詳細な知識を使用して、ユーザーの過去のオンライン アクティビティや行動に合わせた推奨に到達する可能性を高めるのに役立ちます。
この記事では、パーソナライゼーションとレコメンデーションを効果的に活用することで、企業がROIを向上させる方法を探ります。弊社が数十件のレコメンデーションエンジンのユースケースを分析した結果に基づき、レコメンデーションエンジンの潜在的なビジネスメリットを3つのカテゴリーに分類します。
使用することで改善する（正のフィードバックループ）
Netflix Prizeの目標は、会員維持率の向上、つまり長期的に見てサービスの「定着率」を高めることでした。しかし、Netflixは一時的な改善を求めていたわけではありません。
レコメンデーションエンジンの目的は、自己改善型のシステムを構築することです。十分なデータストリームがあれば、時間の経過とともにユーザー満足度を向上させることができます。Netflixのカルロス・ゴメス＝ウリベ氏とニール・ハント氏は、発表された論文（PDF）で次のように述べています。
よりパーソナライズされた推奨事項を提供することで、より魅力的なサービスを作り出すことができれば、購入を迷っていた会員がより長く滞在するようになり、維持率が向上します。
Netflixは、会員にとって魅力的と思われるコンテンツを極めて具体的に分類し、リスト化することで、無数のオンデマンド動画ストリーミングの選択肢を絞り込んでいます。そして、視聴率や解約率の傾向を通して成果を測定することで、日々、その結果を精緻化しています。
新規会員の獲得に加え、企業が収益成長を維持するためには、既存会員を維持できなければなりません。つまり、解約率が低ければ低いほど、月間収益は高くなります。
Netflix には、ユーザーにアプリを閲覧してビデオを選択するよう説得する時間がほとんどなく、同社によれば、ユーザーはわずか 20 タイトルほどを検討しただけで 60 ～ 90 秒で興味を失ってしまうという。
ゴメス・ウリベ氏とハント氏は、より洗練された推奨システムとパーソナライズされたユーザーエクスペリエンスを適用することで、サービスのキャンセルによる年間1億ドルの節約が可能になったと述べた。
Netflix の収益データを見ると、2017 年第 2 四半期に同社は前年比 32.3% の成長を遂げており、これは前四半期の既存の会員数 9,900 万人に 520 万人の加入者を加えたことによるものである。
アルゴリズムの学習に用いるデータ（つまり、Netflixプラットフォームを毎日利用するアクティブユーザーの増加）が増えることで、Netflixは既存ユーザー向けのサービスを迅速に改善できるという優位性を得ています。Polaris PartnersのAI投資家、ゲイリー・スワート氏によると、この「勝者総取り」のダイナミクスこそが、「利用による改善」が極めて重要である理由の一つです。
Googleと同じように質問に答えてくれるウェブサイトは存在するでしょうか？おそらく存在しないでしょう。Googleは巨大な市場シェアを誇り、より少ないデータ量で競合他社よりも早く成長していく可能性が高いでしょう。Amazonよりも関連性の高い商品を勧めてくれるオンラインショッピング体験は存在するでしょうか？おそらく存在しないでしょう。
つまり、あらゆるニッチの推奨エンジンは、同じような極端な差別化を生み出す可能性があるということです。
カート価値（利益）の向上
第2四半期の売上高が37.9億ドルに達したAmazonは、オンライン小売業界における圧倒的な優位性を維持しています。1998年に導入されたAmazonの商品間協調フィルタリングアルゴリズムは、商品ラインと分野に基づいて顧客におすすめ商品を提示します。このシステムは、顧客が購入・評価した商品と、顧客の商品リストにある類似商品をマッチングさせ、その類似商品をおすすめ商品として選出します。
一部の Web サイトでは、推奨事項は顧客体験の 1 つの側面にのみ存在します (たとえば、サイトのチェックアウト ページにある「関連アイテム」のリスト)。一方、Amazon は、カートの価値を最大化するために、多くの推奨事項の「エントリ ポイント」をオンライン エクスペリエンスに統合しています。
たとえば、ユーザーは「おすすめ」リンクをクリックして、興味のあるカテゴリ別製品を含むページを表示したり、以前に閲覧した製品と類似したアイテムを含むセクションを参照したりできます。
ユーザーは「よく一緒に購入される商品」セクションでまとめ買い商品をチェックすることもできます。これにより、Amazonはまとめて購入することで配送コストを削減できます。これは、Amazonが分析する購入履歴からカートの放棄に至るまで、数十億ものデータポイントがなければ実現できません。
マッキンゼーは、Amazonでの消費者購入の35%が商品の推奨によるものだと推定しているが、このeコマース大手Amazon自身は独自の推定値を公表したことはない。2016年、Amazonは人工知能（AI）アプリの開発を促進するため、オープンソースの人工知能（AI）フレームワーク「DSSTNE」（「デスティニー」と発音）を無償提供した。
もう一つの巨大eコマース企業、アリババグループは、TmallとTaobaoのプラットフォームを通じて、中国のeコマース市場を席巻し続けています。顧客は、過去の取引履歴だけでなく、閲覧履歴、商品に関するフィードバック、ブックマーク、位置情報、その他のオンライン行動データに基づいて、商品レコメンデーションを受けることができます。
同社はAIを活用し、過去の取引データを持たない新規ユーザーに商品のレコメンデーションを提供している。同社の技術は、ユーザーが他社で購入した商品からデータポイントを取得し、それを用いて自社のプール内の商品をマッチングさせることができると、アリババのマーチャントサービス事業部データテクノロジー担当ディレクターのウェイ・フー氏は声明で説明した。
2016年に中国で開催された24時間オンラインショッピングイベント「11.11ショッピングフェスティバル」において、アリババはAIを活用し、買い物客のパーソナライズされたページに商品のおすすめを表示しました。参加した小売業者は、ターゲット顧客のデータに基づいて店舗をカスタマイズしました。アリババはInsideRetail Asiaに対し、このイベントを通じて6.7億件のパーソナライズされたショッピングページを生成し、コンバージョン率が20%向上したと述べています。
エンゲージメントと満足度の向上（リテンション）
YouTube の推奨エンジンは 2015 年から Google Brain によって実行されており、Google はこれをこれまでで最も洗練された推奨システムの 1 つであると考えています。
Netflixと同様に、YouTubeも様々な種類の動画コンテンツ間の類似性を検索するアルゴリズムを導入する前に、多くの実験と再設計を重ねてきました。YouTubeの製品管理担当副社長、ジョアンナ・ライト氏はWiredに対し、YouTubeはおすすめ動画が視聴者にとって関連性が高いと確信できるようになったと語りました。
あなたも行くことができます シンガポールの製品管理認定 適切な洞察を得るため。
YouTubeが次に再生する動画を決定する際に使用するデータポイントには、ユーザーの視聴履歴、動画の再生期間、検索キーワード、位置情報などが含まれます。Netflixとは異なり、YouTubeは無料で、サブスクリプション型の課金モデルではなく、コンテンツへのエンゲージメント（および広告表示）に完全に依存しています。
YouTubeは、過去のデータに基づいてシステムが広告をマッチングさせながら、視聴者のサイトへのエンゲージメントを維持することを目指してレコメンデーション機能を提供しています。YouTubeは、視聴者が広告を30秒以上視聴した場合、またはユーザーが画面上のコンテンツやページに掲載されている広告をクリックした場合に収益を得ています。
親会社であるアルファベットは、YouTube を Google ウェブサイト プラットフォーム全体の一部としてリストしているため、個別の収益数値は記載されていません (2017 年 6 月 30 日時点の Google の広告収益総額は 220 億ドルを超えています)。
一方、Pandoraやスウェーデンに拠点を置くSpotifyなどの音楽ストリーミングサービスは、エンゲージメントの向上と会員維持のためにレコメンデーションエンジンを活用しています。これらのインターネットラジオ企業は、有料会員プランと非会員向けの広告を通じて収益を得ています。
SpotifyのDiscover Weeklyは、ユーザーの好み、視聴習慣、お気に入りのアーティスト、さらには使用している機能に基づいて曲をおすすめします。これは、協調フィルタリングと自然言語処理によって実現されています。この機能の開発に貢献したエンジニアリングマネージャーのエドワード・ニューエット氏は、Wired誌の取材に対し次のように説明しています。
すべてのユーザーが完璧なミックスを作ろうとする際の行動を模倣することで、Spotify の 2 億のプレイリストを活用し、個人の好みをターゲットにして、興味深いプレイリストを作成することができます。
Pandora独自の推薦エンジンは、450の音楽属性を持つ「ミュージック・ゲノム・プロジェクト」と呼ばれるシステムに基づいています。このアルゴリズムは数千ものアーティストの楽曲を分析し、ユーザーの好みに基づいてオンラインラジオ局をプログラムします。
SpotifyとPandoraのこれらの機能により、リスナーはこれまで聴いたことのない、しかし興味をそそられる可能性が最も高い曲、特に新進気鋭のインディーズアーティストがリリースする曲を聴くことができます。これは、既存の会員を維持し、非会員が広告を通じてより多くの音楽を聴けるようにするための一つの方法です。
Spotifyはウェブサイトで、2017年7月現在、6000万人以上の会員と1億4000万人のアクティブユーザーを擁し、61カ国で3000万曲以上の楽曲から選曲できると発表しています。一方、Pandoraの第2四半期の収益は3億7680万ドルでした。
レコメンデーションエンジンの活用範囲はこれらの業界にとどまりません。食品業界、スポーツ、さらにはファッション業界も、顧客にとって最適な選択肢を特定するために人工知能を活用しています。マーケティングキャンペーンにおいてこの技術を活用し、ROIの向上を目指す企業が増えています。
___
by ダニエル・ファジェラ
ソース： マーテックトゥデイ
