年末商戦は楽しさと忙しさが同時にやってきます。EC化がますます進む中で、各サイトの競争が激しくなっています。購入する生活者も人気のアイテムを逃さないように、セールアイテムのチェック、カートへの追加、決済まで急ぎます。
年末商戦が迫る中、販売側も購入側もこの戦いに参加する準備を整えています。ECサイトの運営企業はキャンペーンに向けた最終調整に入っており、セールの告知に向けて準備しています。生活者側もお気に入りのオンラインストアにフラグを立てたり、今年購入したい商品のリストを作成しています。セールが始まった後に双方とも結果に満足できるようにするには何をすれば良いでしょうか？つまり、質問を言い換えると売上と顧客満足度を最大化にするために私たちができることは何でしょうか？
我々の答えは、カスタマーエンゲージメントプラットフォーム「AIQUA」を用いたパーソナライゼーションの実現です。AIのアルゴリズムに基づき最適化を行うAIQUAは、コンテンツのパーソナライゼーションを実施する際に、静的・動的変数両方を取り入れるハイブリッドディープラーニングモデルを使用しています。例えば、静的・動的変数にはユーザーの興味関心、行動パターン、条件・統計、画像、文字、そしてアイテム属性などが含まれています。それらの変数に基づき、ウェブサイトやアプリユーザーごとにパーソナライズされた顧客体験を提供します。
2020年代以降、パーソナライゼーションは当たり前になりました。例えば、年末商戦中に洋服や家具を探している若手のプロフェッショナル「アリス」を例として、我々のアプローチがセールシーズンにおいて企業にどのような価値をもたらすか、ご説明します。
1. 最先端ディープラーニングモデルによるレコメンデーション
2021年、アリスはよくネットショッピングをしていました。商品を閲覧していると、アイテムの人気度や他のユーザーが閲覧または購入したアイテムに基づいたレコメンデーションが提示されていました。これらは、とても一般的で昔から使われているパーソナライゼーションモデルです。これらのモデルは、顧客を過去の行動に基づいてセグメントし、ルールを設定します。その結果、個別最適化されたレコメンドが表示されないため、ユーザーは提示されたコンテンツにあまり興味を持たず、エンゲージメントが低くなります。
AIQUAでは、これらのレガシーなレコメンデーションではなく最先端ディープラーニングモデルを利用して文字、画像およびソーシャルネットワークなど、複数の変数を使ったパーソナライズドレコメンデーションを提供することができます。加えて、自然言語処理や画像認識も搭載しているこのモデルはレコメンデーション精度を強化します。
例えば、家具を販売する架空のECサイト「不思議の国」があるとします。サイトを訪問したアリスがブルーベルベット色のソファーのページに長い間滞在したとします。AIQUAのハイブリッドディープラーニングモデルは、ソファーの画像や説明文に基づいて「やわらかい」や「気持ちいい」などの言葉や「青くて」「ベルベット素材」などを検出し、類似したソファーをレコメンドします。
パーソナライズドレコメンデーションが有効な手法である一方でマーケターは、セールシーズンに特定の商品を積極的に宣伝したい場合があります。この場合、AIQUAは強い関心を持つと思われる生活者を対象に特定商品をレコメンドすることができます。
架空のECサイト「不思議の国」は今年、ブルーベルベットのソファー、ビンテージティーカップセット、ベストセラーのクッションを目玉商品にしたいと考え、これらのアイテムを積極的にレコメンドしたいと考えています。AIQUAは蓄積されたデータからすでにアリスがソファーを探していることを知っているため、レコメンド商品としてブルーベルベットのソファーを表示します。
また、アリスの検索行動に応じて表示されるレコメンデーション内容は切り替わります。冒頭述べた通り、アリスは洋服と家具の両方を探しています。例えば、アリスは家具の閲覧を一度取りやめ、検索バーに「ロンパース」を入力しました。パーソナライズドレコメンデーションは、これを合図として受け取り、レコメンドアイテムをロンパースや他の洋服を中心にレコメンデーションを提供します。
3. 合わせ買いのパーソナライゼーション
セールシーズンに起こり得る1つの状況があります。それは、様々なものを閲覧したあとに、生活者が何を購入するべきかがわからなくなることです。購入する予定のアイテムをすべて購入しました。その次は、何を購入するべきでしょうか？この場合、AIQUAの合わせ買いレコメンデーションのアルゴリズムが役に立ちます。AIQUAを利用している「不思議の国」はアリスが青いロンパースをカートに入れると、ロンパースに合うパステル系のカバンをレコメンドします。