レコメンドってなに?

​おすすめデータのつくり方

レコメンドとは?

​レコメンドは、そのままの文字とおり「推奨」です。

お洋服屋さんで店員さんが、「このトップスはこのパンツと相性が良く、かつお客様にもお似合いですよ。」とおすすめしてくれますが、それがレコメンドです。レコメンドエンジンは、登録情報やサイト上のあらゆる行動履歴をデータとして蓄積し、あなたにあったアイテムを推薦します。まさしくweb上の店員さんです。

​行動履歴を蓄積

レコメンドエンジンで

​おすすめデータ生成

生成したおすすめデータ

サイトに反映

​​閲覧履歴

カート投入履歴

購入履歴

その他の

行動履歴

閲覧別

例)この商品を見た人は、

​こんな商品も見ています

カート投入別

例)カート投入商品に合わせて掘り出しもの商品を推奨

注文商品別

例)もう一度買う

→ 以前購入した商品のリピート購入を促す

Apple iPhone 6s Silver.png

Logreco store

クラシカル

ウールコート(M)

あなたにおすすめ

レコメンドの種類は大きく2つ

レコメンドの種類は、大きく2つあります。ルール型とアルゴリズム型です。

ルール型は「この商品を購入した人には、商品Aをおすすめする」といった具合に、企業が事前にルールを決めます。対してアルゴリズム型は、登録情報や、閲覧履歴・購買履歴といった行動履歴などのデータをもとに、おすすめアイテムを自動推奨します。

​実装の手軽さはルール型レコメンドですが、企業が押し出したいアイテムを推奨するケースが多く、1人1人の興味・関心にあわせたおすすめとは言えません。一方アルゴリズム型レコメンドは、1人1人の興味・関心に近いおすすめが可能です。レコメンドアルゴリズムは数種類あり、サイトの特性や目的に沿ったアルゴリズムを選択する必要があります​。

​ルール型レコメンド

企業側が事前にルール決め

商品A

​をおすすめ

商品B

​をおすすめ

商品C

​をおすすめ

​比較的簡単に実装できる

​1人1人の興味​・関心にあわせたおすすめができない

アルゴリズム型レコメンド

データに基づいて自動推奨

あなたにおすすめのアイテム

トートバッグ

6,780円

​コットンTシャツ

3,240円

パンツ

4,120円

コラボスニーカー

8,980円

​1人1人の興味・関心に近いおすすめが可能

​導入には準備と時間が必要

アイテムに属性を持たせる

ハッシュタグをつけるイメージ

#Tシャツ

​#半袖

#白

#綿

​#コラボ

アイテムを推奨

​同属性のアイテムを推奨

あなたにおすすめのアイテム

#Tシャツ

#半袖

​#白

​#綿

#Tシャツ

#半袖

​#白

#Tシャツ

#半袖

​#白

#Tシャツ

#半袖

​#コラボ​

コンテンツベースの

メリット・デメリット

ルール型レコメンドよりはユーザーファースト

似たカテゴリばかりのおすすめになり、面白みに欠ける

新たなアイテムとの出会いは演出しづらい

代表的なアルゴリズム1

コンテンツベース

類似アイテムを推奨します。

アイテムにいくつかの属性を持たせ、類似性の高いアイテムを推奨します。SNSの投稿のように、アイテムごとにハッシュタグをつけるイメージです。ルール型レコメンドよりはユーザーファーストですが、1人1人の興味・関心にあわせたおすすめとは言えません。

ランキング

代表的なアルゴリズム2

協調フィルタリング

現在最も多く使われているレコメンドアルゴリズムです。

おすすめデータ生成方法は主に2つ。アイテムベースとユーザーベースです。アイテムベースは、「商品Aを購入したユーザーは、商品Bも購入しやすい」と行動履歴から算出し、商品Aを購入したユーザーに対して、商品Bをおすすめします。対してユーザーベースは、「ユーザーAとユーザーBは類似度が高い」とデータから算出し、ユーザーAが購入した商品をユーザーBにもおすすめします。

​アイテムベース

見た・買ったアイテムが軸になる

STEP1

​Aはどの商品と

購入されている?

STEP2

Aを購入した人には

下記順番でおすすめ

A

×

B

 5回

A

×

D

 3回

A

×

C

 1回

B

1番目におすすめ

D

2番目におすすめ

C

3番目におすすめ

ユーザーベース

類似するユーザが好む商品をレコメンド

STEP1

STEP2

ユーザーA

ユーザーB

閲覧履歴

閲覧履歴

類似

​おすすめ

​協調フィルタリングの

メリット・デメリット

​関連性のあるアイテムをおすすめできる

ユーザーが知らないアイテムを知るキッカケを作れる

新ユーザーへのレコメンド精度が低くなりがち

新商品はおすすめされづらい

独自のアルゴリズム

レコメンドエンジンを扱う会社の中には、独自のアルゴリズムを持っている会社があります。サイト特性や扱う商材にあわせて、上記のレコメンドアルゴリズムだけでは補えない場合に有効です。

​たとえば売れ筋以外のアイテムをおすすめすることも可能です。

​ロングテールレコメンドは人気アイテムをあえて露出せず、掘り出しものを訴求。「いつも特定の商品しか購入されない」といったお悩みがある場合に導入されるアルゴリズムです。

​そのほかにも新商品をおすすめできるアルゴリズムや、よりユーザーの興味・関心を反映するOne To One レコメンド等があります。

One To One レコメンド

ユーザー別に優先順を変えておすすめ表示

​同じ商品を見ていても、

​おすすめ内容が違う

ユーザーA

​あなたにおすすめ

B

C

A

D

ユーザーB

​あなたにおすすめ

X

Z

B

D

ロングテールレコメンド

人気アイテムの露出を控え、掘り出しものを訴求

売上

数量

露出しない

売れ筋以外の中からおすすめ

1

1

2

3

4

5

6

7

8

独自アルゴリズム

メリット・デメリット

サイト特性や自社商材にあわせた施策が可能

よりユーザー目線に寄り添ったおすすめができる

​目的を明確にしたうえで、レコメンドアルゴリズムを選ぶ必要がある

​さいごに

実は奥が深いレコメンド。普段なにげなく見ている「おすすめ表示」には、企業の努力が詰まっています。

ユーザーによってレコメンドへの感じ方は異なりますが、一度「鬱陶しいなぁ」と感じられてしまったら、それ以降ユーザーはレコメンドに反応しづらくなっていきます。そうならないためには、精度の高いレコメンドを搭載し、ユーザーからの信頼を得る必要があります。

Logrecoでは、課題や目的に沿ったレコメンドアルゴリズムをご提案いたします。まずは、現在抱えている課題やお悩み、今後の目標をお気軽にご相談ください。

レコメンドに関する相談をしてみる