レコメンド
のサービス比較と企業一覧

レコメンドとは、インターネットのECサイトなどで、ユーザーの過去の購買履歴や閲覧履歴を、独自のアルゴリズムで解析して、お勧めの商品を表示する総称です。サイトへの訪問者が購入したり見たりした商品と関連性があり、購買意欲をかきたてるような商品を提案することで、顧客が欲しいと思う情報を探すのを手助けします。

レコメンドは機械学習とその処理環境の技術改革によって、関連商品の提案のほかにも、顧客のマウスの動作からAIが顧客の行動をリアルタイムで解析できるほどになりました。

人間によるレコメンドは、知識や経験が要求されるほか、その人個人の主観や好みが反映されてしまい、必ずしも適切とはいえないこともあります。その点、データに基づいて客観的に判断できるAIであれば、万人に向けてよりパーソナライズされたレコメンドシステムとすることが可能でしょう。

知識や経験を有したスタッフを育成するにはコストも時間もかかりますが、AIによるレコメンド機能は人材育成に比べて手軽に導入できるというメリットもあります。AIによるレコメンド機能は、リアル店舗にはないECならではの強みとなることでしょう。

レコメンドの主な機能としては、「ルールベース」「協調フィルタリング」「コンテンツベース」「ハイブリッド」という4つの種類が存在します。それぞれがどのような機能なのか、詳しくみていきましょう。

ルールベースレコメンド

ルールベースレコメンドとは、「このような行動を取ったユーザーには、このような情報・製品を提供していく」といったルールを決めておくアルゴリズムです。

最もシンプルなレコメンドアルゴリズムであるため、比較的導入しやすい傾向にありますが、応用を利かせることはできません。そのため、より柔軟に対応できるレコメンドエンジンを構築したい場合には、ルールベースレコメンドだけではなく別のアルゴリズムも活用していく必要があるでしょう。

協調フィルタリング

協調フィルタリングは、レコメンドにおいて最も一般的な技術といえるものです。アクセス履歴や行動履歴をもとに、「その商品を購入した人は、どのような商品を購入しているのか」を明らかにし、ユーザーにおすすめ商品として提示します。

たとえば、電動シュレッダーを購入したユーザーには「シュレッダーを購入したい」という目的があったことが予想できます。当然、その後に同じ電動シュレッダーの商品ページを訪れるユーザーにも「シュレッダーを購入したい」という目的を持っていることが想定できるわけです。そのため、過去にその電動シュレッダーを購入したユーザーたちのアクセス履歴などを蓄積していくことで、「その電動シュレッダーを購入した人が次に購入を検討するのは何か」を明確にできます。

コンテンツベース・フィルタリング

コンテンツベース・フィルタリングとは、「商品のカテゴリ」と「ユーザーの好み」の関連性をもとにレコメンドを行う仕組みのことです。事前に商品をカテゴリごとに分けておくことで、「そのカテゴリを選んだ人は、他にどのような商品を購入しているか」といったデータを収集していきます。そのため、協調フィルタリングのようにデータの蓄積期間が必要なく、カテゴリ分けした時点でレコメンドをすることができるようになるのです。

ハイブリット・レコメンド・システム

最近では協調フィルタリングやコンテンツベース・フィルタリングの持つ課題を解決するための技術も導入され始めています。それが、ハイブリッド・レコメンド・システムです。これは、異なるフィルタリング技術を組み合わせてレコメンドを行う仕組みのことで、最近ではアメリカのNetflix社などで使用されています。それぞれのレコメンドエンジンの弱点を補い合うことで、より精度の高いレコメンドができるわけです。

データが少ない場合にレコメンドがうまく反映されないという点は、レコメンドにおける大きな欠点の一つですが、その欠点を補う方法として「ベイズ理論」というものが存在します。ベイズ理論では、まず主観的な確率である「事前確率」を設定します。そして、新しいデータが加わるたびにデータの更新を行うことで、効率的に精度の高いレコメンドを実現できるようになるのです。

では、レコメンドを利用することで、どのようなメリットが得られるのでしょうか。また、どのようなデメリットが生じる可能性があるのでしょうか。メリット・デメリットを詳しくみていきましょう。

レコメンドのメリット

商品の購入率アップに繋げられる

レコメンドを活用すると、ユーザーの好みにマッチした商品をピンポイントでレコメンドできるようになります。そのため、商品の購入率を向上させることができるのです。

ECサイトの場合、特定の商品ページだけを閲覧して、「そのユーザーが本来購入したかった商品ページ」に辿り着かずに離脱してしまうというケースも少なくありません。しかし、レコメンドを活用すれば、「こちらの商品を見ている人におすすめの商品」といった形で、ユーザーが興味を持ちやすい商品をスムーズに紹介できます。これにより、ユーザーの離脱を防ぎつつ、購入率アップへと繋げていくことができるのです。

客単価がアップする

ECサイトにおいて、一度に複数の商品を購入するというケースは珍しくありません。たとえば、枕を購入したユーザーは、同時に枕カバーも購入することがあるわけです。

このような場合に、「こちらの商品を見ている人には、こちらの商品がおすすめです」といった形で関連商品をレコメンドすれば、多くのユーザーに複数の商品を購入してもらえる可能性が高まります。

ユーザーが興味を持ちやすい関連商品をスムーズに紹介することで、ユーザーの客単価アップに繋げられるというわけです。

滞在時間や閲覧数が増える

レコメンドの活用によって、ユーザーの好みにマッチした商品・コンテンツを紹介できるようになれば、ユーザーが短時間でサイトを離脱してしまうリスクを減らすことが可能になります。ユーザーの満足度を高めて、長く滞在してもらうことで、SEO対策としての効果も期待できるようになるのです。

検索エンジンからの集客力が高まれば、より多くのユーザーが訪問することになるため、長期的な売上アップにも繋げられるでしょう。

レコメンドのデメリット

商品数が少ないECサイトでは成果に繋がりにくい

レコメンドは、ユーザーごとにマッチした商品・コンテンツを紹介することが目的です。そもそも商品数が少ないECサイトでは、効果を発揮できないことがありますのでレコメンドの導入前に、必要性をしっかりと検討しておくことが大切になるでしょう。

データ数が少ないと精度が低下してしまう

レコメンドは、蓄積されたデータをもとに、最適な商品・コンテンツをおすすめする仕組みです。そのため、蓄積されたデータが少ない状態では、適切なレコメンドを行えません。導入後はどうしてもデータ数が少ない状況ですので、データが蓄積されるまでの間はレコメンドの精度が上がらない点を把握しておく必要があるでしょう。

また、閲覧が少ないコンテンツや購入頻度が少ない商品なども、データが蓄積されにくいことからレコメンドの対象とならないケースがあります。商品・コンテンツによってデータ蓄積量が異なるという点は、あらかじめ把握しておかなければなりません。

では、実際にレコメンドを導入する場合、どのようなポイントに着目して選んでいけば良いのでしょうか。ここからは、レコメンドの選び方について、詳しくみていきましょう。

導入目的を明確にする

導入前に目的を明確にしておくことで、レコメンドの検討から運用までの流れがスムーズになるでしょう。目的を明確にするためには、下記の2点をチェックしておきましょう。

・現存する課題を洗い出す
・KPI（目的達成の評価指標）を具体的に設定する

導入目的が明確でない場合、製品の選び方や効果評価の軸も揺らいでしまいます。まずはこれらの課題やKPIを整理し、導入目的を明確にすることが大切です。

自社サイトの規模に合った製品を選択

レコメンドを導入する際は、自社サイトの規模に合った製品を選択することが大切です。大量の商品を扱っているにもかかわらず、小規模ECサイト向けのレコメンドを導入してしまうと、効果を発揮することができません。

導入前に、自社サイトの規模をしっかりと把握した上で、最適なレコメンドを比較検討していくと良いでしょう。

スマホサイトについても検討する

最近のほとんどのサイトはPCだけではなくスマートフォンで見られることを前提としていますが、レコメンド導入においてスマートフォンサイトの検討が漏れてしまうケースがあります。また、スマートフォンサイトでの表示方法なども忘れずに検討しておきましょう。

他のツールと連携が可能か確認する

レコメンドは「MA」や「DMP」など他のツールやアプリケーションと組み合わせて使うことも想定されます。ツール同士の組み合わせによっては連携できない可能性もあるため、検討しているレコメンドと自社で使用しているツールが連携可能か、事前に確認しておきましょう。

※MAとは…Marketing Automation（マーケティングオートメーション）の略語で、マーケティング活動を効率的かつ効果的に行うために使用するツールの一般名。

※DMPとは…Data Management Platform（データ マネジメント プラットフォーム）の略語で、ユーザーの行動ログや広告配信データなどさまざまなデータを管理するためのプラットフォームの一般名。

料金を確認する

現在のレコメンドは、その大半が従量課金となっています。そのため、想定コストを検討する必要があるでしょう。あらかじめ、どの程度の商品・コンテンツを扱うのかを想定しておくことで、目安となる料金も明確にすることが可能です。

必要業務の確認・人員の確保をする

レコメンドを活用するには、商品情報の登録やレコメンド商品の表示方法の設定などさまざまな作業が必要になります。事前に必要業務の確認と人員の確保をしておくことで「レコメンドを導入したけれど、使いこなせない」といった事態を防ぐことができるでしょう。

レコメンドは、さまざまな分野で積極的に活用され始めています。ここからは、レコメンドの活用例を詳しくみていきましょう。

ECサイト

ECサイトは、レコメンドが活用されているサイトの代表例です。特に掲載商品が多いサイトの場合、ユーザーが商品を探す手間が省け、関心がある分野の商品を知る機会を増やすこともできるため顧客満足度の向上に繋がります。また、アップセルやクロスセルの効果も期待できます。

※アップセルとは…顧客が現在持っている製品や検討中の製品よりも上位の製品を提案して購入してもらうこと。

※クロスセルとは…顧客が購入する製品の関連商品を組み合わせで提案して購入してもらうこと。

そんなECサイトの代表的な活用例としては、シルバーエッグ・テクノロジー株式会社が挙げられるでしょう。同社が開発・提供するAI（人工知能）技術を用いたリアルタイム・レコメンドサービス「アイジェント・レコメンダー」を、株式会社センプレデザインが展開する家具・雑貨・インテリアの通販サイト「SEMPRE.JP」に導入しました。

これに際し、所定のAI学習期間を経た2018年3月から1か月間、同社サイトを「レコメンド表示のあるサイト」と「レコメンド表示のないサイト」の2パターンに分け効果を比較するテスト（同時ABテスト）を行ったところ、レコメンド表示のあるサイトでは、無いサイトに比べ受注件数が約16.4%、売上が13.8%向上するという結果が得られています。

ニュースサイト

レコメンドはニュースサイトでも活用されています。「ユーザーの閲覧履歴」や「記事の関連度」をもとにおすすめ記事を提案できるため、記事の閲覧数やサイト内の回遊率向上に役に立ちます。

情報ポータルサイト

求人サイトや住宅情報サイトなどの情報ポータルサイトでも、おすすめ表示を目にしたことがある方は多いのではないでしょうか。掲載情報が多い情報ポータルサイトでは、ユーザーの求める条件に合った情報を探す難易度が上がるため、おすすめ表示機能があると便利です。また、企業にとってもマッチングの精度向上は成約率の向上などのメリットにつながるでしょう。

動画配信サイト

レコメンドを導入している動画配信サイトの代表的な例として、NetflixやYouTubeが挙げられます。動画配信サイトでは「ユーザーの閲覧履歴」や「動画の関連度」をもとにおすすめ動画を表示することで、ユーザーが知らないであろう動画などを提案することができます。その結果、閲覧回数の増加が期待できます。

小売業

全国で宅配ピザチェーンを展開する日本ピザハットでは、公式オンラインサイトであるピザハットオンラインに導入しているWeb接客シナリオに、SprocketのAIを活用しています。

SprocketのAIは、ユーザーごとに過去の行動データ（閲覧や購入データ）やアクセスした曜日・時間・デバイスなどのデータもとに、複数設定された接客パターンの中からそのユーザーに最適な接客パターンを判断し出し分けることができます。

日本ピザハットでは、ピザのトッピング追加を促すWeb接客シナリオにおいてAIに接客パターンを出し分けさせることによって、そうでないグループ（ユーザーグループを比率で分割して接客パターンを出し分けたグループ）と比較してトッピング追加率を110％ 向上させることに成功しました。

レコメンドはすでに導入しているサイトも多く、前述した効果が期待できるシステムです。しかし、いくつか気をつけておきたい点がありますのでご紹介します。

導入直後は最適なおすすめが表示されにくい

レコメンドは「ユーザーの閲覧履歴」や「購買履歴」をもとにおすすめを表示するため、ユーザーの「行動ログ」が蓄積できていない導入直後は、最適なレコメンドを表示させることは難しいでしょう。この点は、データが蓄積されるにつれて解決されていく問題ではありますが、精度の向上にしばらく時間がかかるということは留意しておくと良いでしょう。

ニッチな商品・案件はカバーしにくい

一部のユーザーにしか見られていないようなニッチな商品や案件は「行動ログ」が蓄積されづらく、最適なおすすめが表示されにくい傾向があります。ニッチな商品や案件もカバーしたい場合は、レコメンドの設計に行動ログ以外のデータを用いるなどの方法で、個別に対処することを検討しましょう。

アイスマイリーでは、「レコメンドAIを導入したいが、どのサービスが良いのかわからない」「導入にかかるコストを比較・調査したい」といった方に向けて、レコメンドAI比較表付きeBookを無料で配布しています。

本資料では、最新のカオスマップと合わせ、各サービスの特徴や料金・無料トライアルの有無などについてまとめており、レコメンドエンジン導入のヒントとしてご活用頂ける資料となっております。導入を検討される際には、ぜひこちらの「レコメンドAI比較表付きeBook」をご活用ください。

レコメンドAI比較表付きeBookを無料でダウンロードする

数ある「AIレコメンドエンジン」の中から、自社の課題や導入の目的にあった「AIレコメンドエンジン」を選び出すのは容易ではありません。そんな時に役立つのが、導入の用途別にセグメントされたAIレコメンドエンジンカオスマップです。

上記をご覧いただくと分かるように、AIレコメンドエンジンは大きく分けて7つにセグメントできます。この便利なカオスマップは、以下の「​​AIレコメンドエンジン​カオスマップを無料でダウンロードする」ボタンより無料でダウンロードできます。

お問い合わせ内容欄に「AIレコメンドエンジンカオスマップ」と記載の上、送信してください。

AIレコメンドエンジンカオスマップを無料でダウンロードする

レコメンドは、運用するうちにユーザーの「行動ログ」が蓄積されるため、運用期間の長さに応じて精度の向上が図れます。しかし、導入が終われば放置していて良いということではありません。導入後は、下記のポイントに注意して運用を進めていくと良いでしょう。

精度をモニタリングする仕組みを構築する

レコメンド導入直後は、ユーザーの「行動ログ」が蓄積されていないため、おすすめの精度は高くないことが予想されます。しかし、一定の期間を過ぎても精度が低い場合は、データ不足以外の要因が考えられます。このような問題に早く気がつくためにも、精度をモニタリングする仕組みを構築しておく必要があります。

精度改善の仕組みを構築する精度をモニタリングした結果、レコメンドの再設計が必要と判明した際に、実際に改善できる仕組みを構築しておきましょう。社内に人材がいない場合、レコメンドの納品後でも設計改善を依頼できるサービスがあるので、それを利用すると安心です。