1 min read
パーソナライズされたレコメンドは、顧客を引き付け、維持するためにパーソナライズされたレコメンデーションを用いることは今までになく重要となっています。 アクセンチュアによると、消費者10人中9人が、関連するオファーやレコメンドを提供するブランドで買い物をする可能性が高いそうです。
レコメンドは、 コンバージョンを16%増加させるため、ビジネスの収益に大きな影響を与えます。したがって、レコメンドエンジンが増加しているのは不思議なことではありません。 IndustryARCは、レコメンドエンジンの世界市場は2018年の11億4,000万USドルから2025年には120億3,000万USドルに成長すると見込んでいます。
レコメンドエンジンを使用するメリット
人工知能（AI）は進化し続けており、レコメンドはもはやオーディエンス全般、あるいは特定セグメントのみを対象とはしていません。ディープラーニングベースのレコメンドエンジンを使用することにより、今日のマーケターは、 ペルソナ、場所、興味関心、リアルタイムのオンライン行動などの指標に基づいて、個人レベルでハイパーパーソナライズされたレコメンドで消費者をターゲティングすることができます。これにより、リターゲティング広告やメールマーケティングを通じたオンライントラフィックが促進されるだけでなく、顧客のストレスを軽減し、解約率の減少につながります。
また、パーソナライズされた商品レコメンドは、関連性の高い商品やサービスを顧客に提供するので、顧客のエンゲージメントに効果があります。これによって平均注文金額の上昇や、コンバージョンの増加につながります。パーソナライズされたレコメンドを使用することは、顧客を理解し、大事にしていることを顧客に示し、長期的に見ると顧客満足度とロイヤリティの向上に役立ちます。
導入前の課題
この急激な成長は、世界中の企業がレコメンドエンジンのもたらすメリットを模索していることを示していますが、効果的にこの技術を使用するには、克服すべき課題があります。
1.多額の投資が必要
レコメンドエンジンは、金銭面、時間面でも大きな投資となりえます。自社で効果的なレコメンドエンジンを構築するには、長い期間と深い専門知識が必要です。必要なデータサイエンティストやその他の専門スタッフだけでなく、発見と分析の段階（ビジネスにとって適正であることを確認するためのフィージビリティスタディを含む）、プロトタイプ実装段階、実用最小限の製品（MVP）開発、最終リリースと展開のためのコストを考慮する必要があります。 レコメンドエンジンがアクティブになっても、まだ試行錯誤は続きます。そのエンジンが最適に動作していることを維持するために、一定のモニタリングと微調整が必要になり、継続的なコストが発生します。
2.多すぎる選択肢
また、販売されている既存のソリューションを採用することもできますが、選択肢があまりにも多いので、自社に最適なものをどう選択すべきか、という判断も難しいです。様々なソリューションを評価することは、事例、技術、ソリューションを現在の会社の仕様にどう統合すべきかなどを評価する必要があるため、膨大な時間を費やします。
たとえば、御社のウェブサイトにとって協調フィルタリングが最適なレコメンド戦略でしょうか。それとも、コンテンツベースのフィルタリングがより適しているでしょうか。既存のソリューションを採用する場合は、そのベンダーが各技術の長所と短所を共有してくれること、また、提案されたアプローチが自社にとって最適である理由を具体的に説明してもらうことが最も重要です。
3.導入プロセスの煩雑さ
レコメンドエンジンを企業に導入するのは単純なことではありません。特にその企業の業界モデルに合わない場合には、努力が無駄になる可能性もあります。
ただし、レコメンドモデルの理解不足、ウェブサイトのUX設計の不十分さ、ビジネス分野の知識不足など、努力が見合わない要因は他にも考えられます。技術を理解しているだけでなく、そのビジネスの複雑な仕組みも知っている適切なスタッフを採用・配属することで、レコメンドエンジンの可能性が最大化します。
4.データ分析機能の欠如
他のAIベースのテクノロジーと同様に、レコメンドエンジンはデータに依存しているため、高品質のデータがない場合や、データクランチングによって正確に分析できない場合は、レコメンドエンジンを最大限に活用することはできません。
最高品質のデータを確保するために、確認すべき 4つのポイントがあります。データがどのくらい新しいか、データにノイズがないか、データの多様性が担保されているか、ディープラーニングモデルにどれくらい早く新しいデータを送り込めるか、この4つです。
ディープラーニングベースのレコメンドエンジンは、計算の複雑性を求めます。モデルに送られるデータの精度が低い場合や価値が低い場合、結果はあまり役に立ちません。そのため、レコメンドエンジンに投資する前に、必要とされる複雑なデータ分析要件を満たしているかを確認する必要があります。
5.「コールドスタート」問題
ユーザーデータの活用には欠点もあり、その1つが「コールドスタート」問題です。これは、新しいユーザーがシステムを使用し始めるとき、または新しいアイテムがカタログに追加されるときに、アルゴリズムが新しいユーザーの好み、または新しいアイテムの評価を予測することが困難になり、レコメンデーションの精度が落ちることです。
しかし、ディープラーニングモデルは、 製品の説明、画像、ユーザー行動といった、製品とユーザーの詳細のコンテキストを分析することで、顧客と製品の相関関係を最適化することができます。その後、様々なシナリオで個々の製品または顧客に対して関連性の高い推奨事項を提供できます。これにより、これらのすべての変数を取り入れた一意のレコメンドが得られます。
ユーザーの行動データに大きく依存しないディープラーニングモデルは、コールドスタート問題の解決策になります。
詳細については、ホワイトペーパー「 最適なレコメンデーション戦略のためのパーフェクトガイド 」をご参照ください。
6.把握し切れないユーザー行動の変化
消費者は、常に変化し続けます。時には人として、時には顧客としてふるまい、進化します。変化にうまく対応することは、絶え間なく戦い続けているようなものです。優秀なレコメンドエンジンは、顧客の好みや行動の変化（または差し迫った変化の兆候）を特定し、常にリアルタイムで自分を自動学習させて、適切なレコメンドを提供します。
7.プライバシーに関する懸念
アルゴリズムが顧客について知るほど、そのレコメンドはより正確になります。しかし、特に近年、顧客データの漏洩が事件になっていることもあり、個人情報の引き渡しをためらう顧客が増えています。ところが、この顧客データがないと、レコメンドエンジンは効果的に機能しません。したがって、企業と顧客の間の信頼関係を構築することは、非常に重要です。
多くの企業は、レコメンドエンジンを効果的に活用して成功しています。技術は商機をもたらしますが、それを最大限に活用するには、その技術に固有の、多くの課題を認識することが重要です。
* 最先端のディープラーニングレコメンドについてさらに詳しく知りたい場合、「 最適なレコメンデーション戦略のためのパーフェクトガイド 」をご覧ください。Appierの ソリューションにご興味がありましたら、 こちら からお問合せください。
