レコメンデーションエンジン

高度にパーソナライズされたレコメンデーションを実現

パーソナライズされたレコメンドは収益を大幅に伸ばせる

あらゆる企業が、顧客との接触機会の1件1件から最大収益を獲得しようという課題に挑んでいます。多種の製品やサービスを提供する企業には、その上、直近の閲覧や検索内容と履歴データを基に、顧客に適切な製品やサービスを提供するという課題が追加されます。レコメンデーションエンジンは、このビジネスニーズに応えるように設計されており、その影響力は測り知れないものがあります。地球上でもっとも豊富な品揃えを誇っているアマゾンは、売り上げの35%がクロスセルとアップセルの推薦に由来すると報告しています。

さらに、レコメンドをパーソナライズすればするほど、リターンは大きくなります。消費者の82%は、パーソナライズされたショッピングエクスペリエンスの影響を受けていると答えています。レコメンドをクリックしたショッピングによって、平均注文額は10%高くなり、 レコメンドをクリックした購入者のウェブサイト訪問1回あたりの購入金額は5倍に跳ね上がります。
レコメンデーションエンジンの影響力
従来のレコメンデーションエンジンの弱点

従来のレコメンデーションでは精度が不十分

初期のレコメンデーションエンジンは、2つぐらいの接続されたデータを単に比べて推薦していただけですが、当時は画期的なものでした。このような推薦システムは、データをオフラインで総合的に計算して統計するのですが、スナップショットのデータを使っているため、その時点ではもう何日も前の古いデータになっている可能性があります。今日のビジネスに必要な、リアルタイムのモデリングときめ細かなプロファイリング機能が欠けています。

リアルタイムのスピードが不可欠です。ウェブサイトの訪問者が注意を向ける時間はごくわずかです。顧客はその場で購入するか、そうでなければ去っていってしまいます。リテーラーの場合、製品カタログは分単位で変更される可能性があります。推薦システムは、クライアントのプロファイルをすばやく理解し、目まぐるしく変化するより大きな顧客ベースと製品カタログのプロファイルに合わせて、魅力的でパーソナライズされたレコメンドを作成する必要があります。

リアルタイムでディープリンクに対応したレコメンデーションエンジンに、ネイティブな並列グラフデータベースTigerGraphを使う理由は?

グラフデータベースがパーソナライズされたレコメンドを実現

グラフアナリティクスを製品やサービスの推奨に活用することは、より迅速でより高度にパーソナライズされたレコメンドを達成する最初の1歩となります。標準の協調フィルタリングアルゴリズムは、3段飛びのグラフクエリであることをご留意ください。(人たち → この製品を買った人たち ← この製品とはあなたが今買った製品)→ は類似するほかの製品も買っている。しかし、どのグラフデータベースも同じように作成されているわけではありません。TigerGraphは、3から10以上のグラフを容易に横断することができますが、他のグラフデータベースは3段階になると難航します。TigerGraphの掘り下げた分析(デイープリンク分析)によって、ベンダーは分析機能をカスタマイズして拡張することができます。より多くのグラフを参照することで、製品の機能、顧客の年齢、現在の状況のコンテクストなどを収集することが可能になり、その結果、より精度の高い、よりパーソナライズされたレコメンドが得られます。

たとえば、類似の購入者を見つけるには2歩が必要です。購入者→(購買者層情報)→類似の購入者という具合です。つまり、購買者層を意識したコラボレーティブフィルタリングは、購入者→購入商品→同商品を購入した他の購入者→購買者層情報→同層に属する他の購入者の5段飛びが実現できます。これを1つの例で示してみます。顧客1が以前の訪問でバットモービル(『バットマン』に登場するスーパーカー)のおもちゃとライトアップシューズを購入しました。顧客2と顧客3はどちらもバットモービルのおもちゃを購入しており、「郊外に住む裕福な親」という購買者層に属しています。顧客4もその購買者層に属し、Nintendo Switchの『スーパーマリオパーティ』を購入しました。すると、5段飛び分析により、『スーパーマリオパーティ』が顧客1のおすすめ商品として表示されます。

精度の高いパーソナライズされたリコメンド
TigerGraphが提供するリアルタイムのレコメンデーション

グラフデータベースによる高速なレコメンデーション

TigerGraphはパーソナライズされた結果を提供するだけではありません。リアルタイムで推薦します。そこで得られる結果は、重要な「ビジネスモーメント」をキャプチャしたもので、これは、人、ビジネス、データ、「モノ」が動的に作用しあって価値を創り出す、その時だけにある機会です。企業はTigerGraphを使うことによって、このような瞬間を捉えて、カスタマーエクスペリエンスをパーソナライズし、より多くの取引につなぐことができます。

eコマース界のあるリーディングカンパニーはTigerGraphを使用しており、3億人のユーザーに対するオンラインでのパーソナライズされたレコメンドを実現しています。同社はTigerGraphを使用して、数千のベンダーの数百万の製品のカタログと、各購入者のウェブサイト上でのリアルタイムの行動などの消費者データをモデル化しています。その結果、初めての販売、アップセル、クロスセルにつながる可能性が高いオファーによって、より良いショッピングエクスペリエンスを提供することができます。

機械学習がパーソナライズされたレコメンドの有効性を向上

リアルタイムのディープリンク分析ができるグラフは、次世代のAIに基づいた推薦の原動力となり、また、機械学習を活用してユーザーの行動や選好行動を今までになくよく理解しています。インターネットでテレビや洗濯機などの大きな買い物をすると、推薦システムが「似たような製品はいかがですか」と問いかけてきた経験はないでしょうか。インテリジェントな推薦システムなら、今買った製品の附属品をおすすめするでしょう。

同様に、情報に基づいた推薦システムは購入者のブラウジング行動を使用して、その購入者が、いろいろと見て回る、複数の選択肢を検討する、値段を調べる、迷うなど、ショッピングのどの段階にいるかを推測できます。それによって、推薦システムは適切な提案をして、購入者を少しずつ購入へと向かわせることができるのです。

機械学習によるレコメンドの有効性の向上