「クリック数が多いほど推奨精度が高い」はeコマースで最も一般的な仮定の一つであり、同時にパフォーマンスを誤って解釈しやすい方法の一つです。商品レコメンデーションエンジンは注目を集め、商品をカートに追加させることはできますが、新規売上を生み出すことに失敗したり、配送とカスタマートラストの問題を引き起こす可能性があります。

ストアオーナーと運用チームにとって、重要な質問はショッパーが反応するかどうかではなく、レコメンデーションがビジネスに利益をもたらす方法で顧客の購買行動を変えながら、購入後の体験を悪化させていないかどうかです。

目次

商品レコメンデーションエンジンが実際にできること

良い店員は顧客が閲覧または購入した内容を覚えていて、現在何を探しているかに気づき、関連する次のアイテムを提案します。商品レコメンデーションエンジンはストアのカタログ全体にわたってそのタスクを自動化します。シグナルを収集し、可能な商品をランキングし、顧客の現在の状況に適した短いリストを提示します。

エンジンは3種類の入力で動作します:

  • カタログ: 商品、バリアント、価格、在庫、色やサイズなどの属性。
  • 行動: 商品を閲覧する、カートに追加する、購入する、または提案をスキップするなどのアクション。
  • コンテキスト: 商品ページを閲覧する、カートをチェックする、または既存の注文を編集するなど、顧客が現在何をしているかを示す情報。

これらの入力をランク付けされた提案のリストに変換します。単一の決定的な回答ではなく、この区別が重要です。買い物客は通常、トップ付近に配置されたアイテムに焦点を当てているためです。提案は一般的に関連性がある可能性がありますが、商品が在庫切れの場合、既存の注文と互換性がない場合、または買い物客が何をしようとしているかと無関係な場合、その瞬間には不適切な選択肢になる可能性があります。

AIレコメンデーションエンジンの助けを借りて顧客に水筒を推奨する店員。

推奨事項はコンテキストに対応します

検索と推奨は異なる問題を解決します。検索はタイプされたクエリに対応します:顧客は見つけたいものを言います。推奨事項は、クエリを必要とせずに買い物客の状況に対応します。

顧客がランニングソックスを購入し、発送前に店が別の色の吸湿性ソックスを提供する場合を想定してください。その提案は現在の注文と商品カタログから引き出されます。システムが単純なルールを使用しているか、より複雑なモデルを使用しているかに関わらず、テストは同じです:そのアイテムは顧客のジャーニーのその時点で意味があるかどうかです。

オートメーションを適用する場所を選択するチームは、特に行動シグナルと商品およびページのコンテキストを組み合わせる方法を決定する際に、eコマースのためのAI推奨戦略を比較できます。中心的な指標は、エンジンがどの程度高度に聞こえるかではなく、それが最初に配置するアイテムがその正確な瞬間に有用であるかどうかです。

データとコストで比較された推奨アプローチ

商品を推奨し始めるために複雑なモデルを必要としません。適切な出発点は、チームがカタログと顧客について何を知っているか、およびマッチングを行うために使用できるデータの量に依存します。

アプローチ 使用内容 必要なデータ 主な弱点
ベストセラーと人気度 店全体の販売数 注文履歴がある程度 既に人気のあるアイテムを優遇する
コンテンツベース タイプ、色、サイズなどの商品属性 クリーンな商品データ サプライズが少ない同様のアイテムを繰り返す
アイテム間協調フィルタリング 一緒に購入または表示されたアイテム 大量の共同購入データ 新製品に対して弱い
ハイブリッド 候補ルール、属性、動作 商品データと動作 エンジニアリングと監視が増加
ルールと手動キュレーション マーチャントが選択したコレクションまたは商品 マーチャント判断 買い物客に適応しない

方法をストアのデータと一致させる

ベストセラーは、ストアの行動履歴が少ない場合の実用的なフォールバックです。注文データのみが必要ですが、人気は自己強化できます。すでに売上が好調な製品は引き続き表示されます。コンテンツベースのレコメンデーションはカタログ属性を使用するため、ストアの相互作用データが限られている場合でも、買い物客を類似製品にマッチングさせるのに役立ちます。欠点は繰り返しです。顧客が青いジャケットを見ると、エンジンは同様のジャケットを表示し続ける可能性があり、有用な代替案を提供できません。

アイテム間フィルタリングは、顧客が一緒に閲覧または購入する製品間の関係を使用します。これらの関係が意味を持つために十分な関連アクティビティが必要であり、新たにリストされた製品はまだその履歴を持たない可能性があります。ハイブリッドシステムはアプローチを混ぜ合わせ、異なる状況でのレコメンデーションがより有用になる可能性がありますが、構築と監視にはより多くの作業が必要です。手動ルールとキュレーションは、マーチャントにどのコレクションまたは製品を表示するかを制御させますが、選択されたアイテムは各買い物客の行動に調整されません。

プライバシー対策だけでは、人気バイアスのリスクを除去できません。フェデレーテッドレコメンデーションに関する研究は、モデルがどのようにして人気のある製品に有利になる可能性があるか、またプライバシー、公正性、説明可能性、セキュリティがどのように共同評価を必要とするかを説明しています。これが、可能な限り現在のコンテキスト、互換性、利用可能性から始める理由です。製品が表示された理由を説明し、露出が同じ大量アイテムに有利であるかどうかを監査してください。この作業の有用な補足は、製品レコメンデーションKPIの追跡ガイドです。これにより、チームはアクティビティだけでなく結果にも注意を向け続けることができます。

注文数が少ないストアの場合は、ベストセラーとキュレーション済みの選択肢から始めてください。属性マッチングを追加する前に製品属性をクリーンアップします。注文履歴がアイテム関係を意味のあるものにする場合にのみ、行動メソッドを導入してください。各レコメンデーションの理由を表示させ、履歴が少ない買い物客でもなぜそれが表示されたのかを理解できるようにしてください。

アイテム間フィルタリングがレコメンデーションを実用的にした方法

2003年、Amazonは「Amazon.com Recommendations: Item-to-Item Collaborative Filtering」を発表しました。各顧客を他のすべての顧客と直接マッチングしようとする代わりに、このアプローチは頻繁に一緒に閲覧または購入される製品を比較しました。システムはそれらのアイテム関係を事前計算し、ショッピングセッション中に関連製品を取得でき、非常に大きなカタログ向けのレコメンデーションをより実用的にしました。その歴史的説明と広く繰り返される売上主張の制限は、レコメンデーションシステムとその商業的影響に関する研究で説明されています。

「アイテム間フィルタリングがレコメンデーションを実用的にした方法」というタイトルのインフォグラフィック。2003年から3段階のタイムラインを表示しています。

ヘッドラインの収益主張は慎重に読んでください

このメソッドの実用的な利点は、関連商品を効率的に見つける方法についてでした。小規模な店舗の場合、同じロジックには前提条件があります。商品ペアが有用な意味を持つためには、十分な共購入活動が必要です。その履歴がない場合、弱い接続を信頼できるシグナルとして扱うよりも、より単純なフォールバックの方が防御可能です。

Amazonの推奨事項に付属する商業的な数字は、慎重に解釈する必要があります。推奨事項エコシステムの貢献度は、サイトアクティビティまたは収益の約10~30%と推定されていますが、これらの推定値は確定的な因果測定ではありません。推奨事項がAmazonの売上の35%を占めるという広く流布している主張は、2013年のマッキンゼーレポートに帰属していますが、Amazonは公式に確認しておらず、方法論は明確に開示されていません。

同じ研究によると、900万人のAmazonユーザーからの匿名閲覧ログの独立分析9ヶ月間の210万ユーザーでは、少なくとも推奨事項関連のアクティビティの75%は推奨事項がなくても発生したと思われることがわかりました。この知見は、推奨事項に価値がないことを意味しません。観察されたクリックと購入には、顧客がとにかく生成したであろうアクティビティが含まれる可能性があることを意味します。

推奨事項のクリックを注意の証拠として扱い、段階的収益の証拠ではなく。

顧客情報を使用するパーソナライゼーションを検討するチームの場合、技術的な選択肢は明確なデータ処理慣行と並行して実行する必要があります。プロモーションテキストへのGDPRの適用に関する実践的な入門書は、プロモーション活動周辺のプライバシーの質問を枠組みするのに役立ちますが、推奨事項にはそれでも独自のコンテキスト固有の評価が必要です。

推奨事項が顧客ジャーニー全体に表示される場所

商品ページを閲覧している人に適した推奨事項は、チェックアウト時に破壊的である可能性があります。適切な配置は、ショッパーの意図、エンジンが利用可能な情報、および不適切な商品を表示する運用リスクに依存します。

探索から販売後まで、推奨事項が表示される顧客ジャーニーの4つのステージを示す図。

配置 買い物客の意図 典型的なソース 主なリスク
商品ページ 閲覧と比較 関連商品、同じブランド 無関係な類似品
カート 購入準備完了、価値を確認中 よく一緒に購入される商品、バンドル チェックアウトから気をそらす
チェックアウト コミットしている、価格に敏感 低価格アドオン、閾値アイテム フロー終盤での予期しない料金
注文ステータスページ 待機中、変更を希望する可能性あり ベストセラー、コレクションピック 出荷と矛盾するオファー
注文編集フロー 既存の注文を修正または追加 互換性のあるバリエーションとアイテム 一緒に発送できないアイテムを追加
確認後 満足している、さらに購入する可能性あり 明確な理由のある関連アイテム 繰り返されると押し付けがましく感じる

配置を意思決定に適わせる

商品ページでは、顧客は探索と比較を行っています。関連商品または同じブランドのアイテムは選択肢を広げることができますが、類似品はノイズのように感じられる場合があります。カートでは、買い物客は購入に近く、バンドルまたは頻繁に一緒に購入される提案に感謝するかもしれません。ただし、チェックアウト完了に注意をそらすプロモーションは、その目的を損なう可能性があります。

チェックアウトでは、低コストのアドオンはすでにコミットしている買い物客に適しているかもしれませんが、確認前に価格の変更を明確にする必要があります。不明確または遅い料金は、有用な推奨をサプライズのように感じさせることができます。注文ステータスページでは、顧客は待機中または変更方法を探しているかもしれません。ベストセラーまたはコレクションピックは、オファーが出荷と矛盾しない限り、適しています。

注文編集フローは単なる一般的な関連性以上を必要とします。既存の注文を変更している顧客は、すでにそこにあるアイテムに適合し、それでも時間内に配送できる商品が必要です。配送または在庫の問題を作成するオファーは、便利な編集を顧客とオペレーションチームにとって余分な作業に変える可能性があります。確認後、関連商品は引き続き関心のある買い物客に適しているかもしれませんが、オファーを繰り返すと押し付けがましく感じることがあります。

購入後の配置を計画しているストアは、Shopify上のポストパーチェスアップセルのこの概要を使用して、オファーが注文変更とどのように適合するかを検討できます。サイトが商品を表示する機会の数ではなく、顧客のタスクに基づいて配置を選択してください。

推奨事項が機能しているかを示すメトリクス

推奨モデルは評価エラーを低下させながら、買い物客が見ている少数の商品の順序を悪くすることができます。これが、評価予測がeコマース配置にとって貧弱なターゲットである理由です。より実用的な質問は、エンジンが有用で適格な商品をトップ付近にランク付けするかどうかです。

オフライン測定を使用してランキングを比較する

ランク付けリストの場合、NDCG@Kは上位に表示される関連アイテムにより高い報酬を与えます。オフラインレビューでは、NDCG@5またはNDCG@10をRecall@K、Hit Rate、MAP@Kと一緒に使用して、エンジンが関連製品を検索し、優先順位を付けているかどうかを評価できます。MAP@10、NDCG@10、Precision@10、Recall@10、およびMRRを比較する学術的ベンチマーク評価は、単一の指標では推奨品質のすべての側面をキャプチャできない理由を示しており、これは推奨メトリクス評価の研究に記載されています。

カバレッジと多様性は異なる観点を追加します。これらはエンジンが同じ製品を繰り返し表示するのではなく、より広いカタログから引き出しているかどうかを示すのに役立ちます。適格性チェックは、その状況で販売できない製品もスクリーニングする必要があります。注文編集の場合、既存の注文との互換性、在庫、配送時間、配送先の制限、およびマーチャントルールを検討する必要があります。高い関連性スコアは、入手不可能または配送不可能なアイテムを良い推奨にするわけではありません。

指標 段階 わかること 注意すること
NDCG@10 オフライン 上位10項目の順序付けの良さ アイテムが注文と一緒に配送できるかどうかを無視します
Recall@K オフライン リストに含まれる関連アイテムのシェア より長いリストに報酬を与える可能性があります
カバレッジと多様性 オフライン カタログの表示量 広いリストはピント外れに見えることがあります
カートへの追加率 オンライン 表示されたアイテムへの即座の関心 クリックは影響を過大評価する可能性があります
増分注文価値 オンライン 対照グループに対する追加収益 有効にするには保留が必要です
アタッチメント率 オンライン 受け入れられたアドオンを含む注文のシェア 低い率は関連性の弱さを示唆します
払い戻しまたはキャンセル率 オンライン 推奨アイテムが引き起こす害 購入後に遅れて表示されます

オンライン結果を使用して、何をライブに保つかを決定する

オフラインメトリクスはチームが候補を画面化および比較するのに役立ちます。ビジネス結果を改善することは証明していません。オンラインテストでは、カートへの追加率、増分注文価値、アタッチメント率、およびキャンセルまたは払い戻しへの影響を測定する必要があります。これらの結果は、関心を引き付けるアイテムと注文完了後に価値をもたらすアイテムを区別するのに役立ちます。

チームは下流の効果を観察する期間も決定する必要があります。アドオンは最初は成功しているように見えるかもしれませんが、その後、クリックベースのビューが逃す払い戻しや運用上の問題が発生します。Shopifyストアがバスケットサイズへの影響を評価する場合、このガイドはShopify平均注文価値に役立ち、対照グループの代替にならない限り、ビジネス指標を明確にするのに役立ちます。

オフラインメトリクスは候補を選択するのに役立ちます。オンラインの結果は、エンジンがその場所を獲得するかどうかを決定します。

推奨収益を信頼する前にホールドアウトテストを実施する

購入後の行動はまばらで、通常は暗黙的です。商品クリック、注文編集中の追加、受け入れられた提案、その後の購入は、それぞれ異なる重みを持つ肯定的シグナルとして扱うことができます。インタラクションなしのインプレッションは解釈が難しいため、買い物客が商品に気付かなかった可能性があるため、自動的に嫌いとは見なすべきではありません。

推奨パイプラインは、ベストセラー、共同購入商品、関連商品、コレクション制約、キュレーション済みピックから候補を生成できます。その後、2番目段階のランカーは、現在の注文、商品詳細、在庫、マージン、運用上の制約などの機能に重み付けを行うことができます。オフラインモデルの改善は有用ですが、顧客がより多くの支出をしたり、追加の注文活動が価値があることを保証するものではありません。

例えば、大規模なMovieLensベンチマークはLightGCNの場合NDCG@10が0.415、KNNBaselineの場合0.353で、17%の相対的改善を報告しました。その結果はベンチマーク改善を示しており、eコマースストアの保証された商業的上昇を示しているわけではありません。同じ研究では、ビジネス成果の検証の必要性について説明し、一部の企業では推奨主導パーソナライゼーションから5~15%の収益増加について説明しており、この範囲は実装およびコンテキストに依存し、予測として機能するのではなく(推奨モデルとビジネス評価に関する研究の知見)。

ランダム化比較を設定する

  1. 買い物客をランダムに割り当てます。1つのグループが推奨を見ることができるようにし、コントロールグループから他のグループを保留します。
  2. 同じ顧客ステップを使用します。例えば、個別のプレースメントや異なる種類の注文を比較するのではなく、同じ注文編集フロー内の買い物客を比較します。
  3. 完全な注文サイクルをカバーします。変更、履行、フォローアップの結果が発生する期間を含め、結果が即座の受け入れのみに基づいていないようにします。
  4. 利益と費用の両方を追跡します。増分アドオン収益、コンバージョン、平均注文額、推奨受け入れ、レイテンシ、および履行例外などの運用上のガードレールを測定します。

テスト開始前に決定ルールを定義します。推奨体験が履行費用後に肯定的な増分マージンを生成し、苦情が増加しない場合は、それを保持します。結果が追加費用または顧客の問題によってオフセットされる収益に依存している場合は、それを縮小または停止します。

注文編集フローは、買い物客がすでに既存の注文への変更を検討しているため、テスト場所として有用である可能性があります。Mayraは、顧客が注文を編集するときに、注文ステータスページで、およびコミットされた編集の後に、関連商品を推奨できます。受け入れられたアップセルは同じ注文に追加され、新しい合計はShopifyを通じて自動的に確定します。ストアフロント全体でのテストの設計チーム向けに、このガイドはShopifyコンバージョンレート最適化について、ビジネス成果に対する変更のテストに関連するコンテキストを提供しています。

害、バイアス、信頼に関するガードレール - ライブ前に確認

コンバージョン率が低い推奨セットでも、より優れた選択肢となる場合があります。アドオンが売上を増やしても、元の注文と一緒に配送できない、在庫と矛盾している、顧客が予想していない方法で価格や税金を変更する場合があります。即座のコンバージョンは、その後に生じる混乱や余分な作業のコストを反映していません。

有用な評価では、受け入れられたアドオンの割合と割引および履行コスト後のインクリメンタルマージンを測定し、推奨アイテムのリターンまたはキャンセル、履行例外、顧客からの苦情を確認します。これらの結果を編集タイプ、配送先、製品カテゴリ、および発送までの残り時間でセグメント化します。このアプローチでは、クリックおよびコンバージョンに加えて、害検出、バイアス監査、プライバシーレビュー、説明可能性、信頼性チェック、およびシナリオベーステストが推奨されます(全体的な推奨評価に関する研究)。

人気度バイアスはもう1つのリスクです。プライバシーを保護するシステムでも、既に最も露出の多い製品を優遇する可能性があります。表示および受け入れられた製品を監査し、人気商品と有用な代替品および露出が少ないカタログの選択肢を比較します。推奨理由を具体的かつ正直に保ちます。例えば「このアイテムと一緒によく購入される」または「選択されたバリアントに一致する」などです。注文変更中に、顧客は既に意図を述べているため、行動プロファイリングに大きく依存することは、役立つというより違和感を与える可能性があります。

説得力のある製品表示には信頼の問題もあります。米国とカナダの1,750人の買い物客を対象とした2024年の調査では、1WorldSyncが、67%が評価、レビュー、顧客提出コンテンツに説得され、必要ないと思っていた、または欲しくなかった製品を購入することを決定した1WorldSyncの買い物客調査の発表)。その発見は推奨エンジンではなく顧客提出コンテンツに関するものですが、反復的なナッジが応答率と同様に信頼についてもテストされるべき理由を強調しています。

ライブ前に、以下を確認してください:

  • 互換性:アイテムは既存の注文と一緒に配送できますか?
  • 在庫状況:在庫と発送タイミングは追加を可能にしますか?
  • 価格の明確性:表示されている変更は、顧客が支払う金額と一致しますか?
  • 説明:推奨の理由として述べられているのは正確ですか?
  • 露出:有用で人気度の低い代替品は表示される公正な機会がありますか?
  • 結果:顧客セグメントと注文セグメント全体で苦情と払い戻しは許容範囲内に留まっていますか?

Mayra ‑ Order Edit & Cancelにより、Shopifyの顧客は許可された注文の変更を行い、編集中、注文ステータスページで、または変更の確認後に関連製品を発見できます。購入後の推奨を評価している場合は、Mayra ‑ Order Edit & Cancelを訪問して、顧客管理の編集および製品追加がストアのワークフローにどのように適合できるかを確認してください。