レコメンドエンジンのアルゴリズム

近年レコメンドエンジンは、ECサイトだけではなく、コーポレートサイトなどにも多く導入されるようになりました。

企業も個人も当たり前にWebサイトを持つようになってから20年ほど経ち、オウンドメディアを持つ企業も増え、Webサイトのページ数は膨らむ一方です。

大規模Webサイトでは、

• 導線改善
• 回遊率アップ
• 滞在時間アップ
• 直帰率ダウン

Web担当者は、これらの課題の悩みが尽きません。
そこで、レコエンドエンジンが、ECサイト以外でも幅広く活用されるようになったようです。

さて、レコメンドエンジンは、どのように関連性のあるWebページ表示しているのでしょうか？

レコメンドエンジンの仕組みとアルゴリズム

レコメンドエンジンは、Webサイトからデータを収集・保存し、レコメンドデータを生成します。

• データ収集
  お客様Webサイトから行動ログ、アイテムデータ、コンテンツデータなどを収集します。
• データ保存
  収集したデータをレコメンドエンジンのデータベースに保存します。
  多くのデータを収集した方が、レコメンド抽出時の精度が上がります。
• レコメンドデータ生成
  大量に保存されたデータを元にレコメンドデータ等の演算を行います。
  演算時に考慮されるフィルタリングタイプによって、レコメンドエンジンの特徴が変わります。

レコメンドデータを生成する際のアルゴリズムを左右するものが、フィルタリングです。

フィルタリングは、大きく分けて3種類あります。

1. ルールベースフィルタリング

レコメンドエンジンを導入するお客様が、ユーザーの属性・行動などから決定したルールに添ってレコメンドを表示します。

ECサイト運営側・情報提供側の意思が反映されやすい半面、ユーザーニーズを適格に把握することが重要であり、定期的な条件設定の見直しが必要など、運用負荷が高いと言えます。

2. コンテンツベースフィルタリング

アイテムやコンテンツの特徴をもとに、ユーザーの嗜好傾向に類似したものをレコメンドします。
コンテンツが持つ特徴からレコメンドされるため、Webサイトの利用者がいなくてもレコメンド表示が可能です。

ルールベースフィルタリングに比べ、ユーザーの嗜好に合わせたレコメンド表示が可能となりますが、あくまでもコンテンツ属性がベースとなるため、類似したものばかりがレコメンドに並ぶことも考えられます。

類似情報が並べば、比較検討のためWebサイトの回遊・滞在時間は長くなるメリットもあります。

3. 協調フィルタリング

Webサイトを訪れるユーザーの行動履歴パターンから、ユーザー同士の類似性と商品やコンテンツの共起性を相関分析解析し、対象ユーザーの嗜好に添ったレコメンドを表示します。

ユーザーのデータが集まるまでレコメンド表示がされなかったり、ユーザーのデータが少なければレコメンドの精度が低くなる（コールドスタート）問題があります。

しかし、類似性の高いユーザーの行動履歴を元に表示されたレコメンドは、ユーザーにとって意外性の高い新たな発見となることが多く、コンバージョンアップに貢献します。

「さぶみっと！レコメンド／コンテンツレコメンド」で採用しているアルゴリズムのタイプ

「さぶみっと！レコメンド／コンテンツレコメンド」のアルゴリズムは、協調フィルタリングを採用しています。

協調フィルタリングのデメリットであるコールドスタートは、補填機能またはランキング表示によってカバーしますので、導入時におすすめに何も表示されないということがありません。
また、当サービスは、導入後、最短1週間以内でレコメンド表示が可能となります。

「さぶみっと！レコメンド／コンテンツレコメンド」では、おすすめ表示以外に以下も標準機能としてご用意しています。

• ランキング表示（PV or CVベースより選択）
• 新着情報表示（PV or CVベースより選択）
• ピックアップ表示

サイト上で適切な商品やコンテンツを表示させることが回遊率や顧客単価UPに繋がります。
Webサイト改善をしているものの、滞在時間も回遊率もなかなか上がらない・・・
Webサイトリニューアル案にさらなる付加価値をつけてお客様に提案したい！
など、お困りごと・ご相談がございましたら、お気軽にお問い合わせください。