レコメンドをサイトに導入するのは何のため？

レコメンドとは、ユーザーのニーズに合わせておすすめの商品やコンテンツをサイトやアプリ上に表示することです。このおすすめを、閲覧・購入の履歴やシナリオに基づいて自動化する機能のことをレコメンドエンジンといいます。
この記事では、レコメンドとは何か、その仕組みと効果、導入・運用のポイント、さらにAIにより進化する最新のレコメンドトレンドを解説します。

【INDEX】

• レコメンドとは？基本とデジタルマーケティングにおける重要性
• レコメンドエンジンの仕組みと種類
• レコメンドの効果と5つの指標
• レコメンドの導入方法と選定ポイント
• まとめ： レコメンドの理解が顧客体験向上の鍵

---

レコメンドとは？基本とデジタルマーケティングにおける重要性

レコメンドという言葉は、何かをおすすめすることを意味します。名詞形は「レコメンデーション」（recommendation）となります。

この意味では、売れ筋ランキングや新商品といった「売りたい商品」をおすすめすることもこれに当てはまります。

ただしデジタルマーケティングにおける「レコメンド」とは通常、ユーザー自身が興味を持ちそうな情報や探している可能性が高い商品をおすすめすることを表します。ユーザーのニーズに合わせたコンテンツをサイトやアプリ上に表示することで、クリックを促す効果があります。
レコメンドの働きは、ユーザーの属性や閲覧・購買履歴、似たユーザーの行動傾向などに基づいて実現されます。
レコメンドは、ECサイトはもちろん、動画配信やSNS、CtoCやマッチングプラットフォームなどで幅広く利用されている機能です。

レコメンドエンジンとは？

レコメンドエンジンとは、こうしたレコメンドの機能を動かしているもので、「レコメンドシステム」「自動推薦システム」あるいは「レコメンダー」と呼ばれることもあります。
レコメンドエンジンは現在ではサイトの基本的なシステムとして、多くのサイトで活用されています。

レコメンドエンジンを活用している代表的なサイトの例

 

サイトのタイプ	具体的なサイトの例	レコメンド役割
ECサイト	Amazon Temu ユニクロ	ユーザーが欲しい商品を見つけやすくする。 購買率を向上させる。
動画・音楽配信、 電子書籍	Netflix Spotify d book	ユーザーの好みに合ったコンテンツにリーチしやすくする。 再生回数や読了回数を向上させる。解約を阻止する。
SNS	TikTok Instagram YouTube	関心の高い投稿を表示して滞在・閲覧時間を増やす。 再生回数やエンゲージメントを向上させる。
マッチング・CtoC	人材紹介サイト クラウドファンディングサイト	人気案件だけでなくロングテール案件へのリーチを促進する。 応募数・マッチング率を向上させる。

このように、レコメンドはECサイトだけではなくSNSやコンテンツ配信など幅広いプラットフォームで活用され、それぞれで重要な役割をになっています。

ECサイトの「あなたへのおすすめ」枠はもっともわかりやすい例ですが、TikTokでスワイプした瞬間に次に見る動画が自動的に表示されたり、Spotifyで自動的に作成されるプレイリストなどもレコメンドエンジンの応用です。

なぜレコメンドは重要？

サイト事業者がレコメンドを導入したり高額なレコメンドサービスにリプレースする理由は何でしょうか？
デジタルマーケティングにおいてレコメンドが重要な理由は、UXの向上と売上の向上の2つがあります。

1. UX・CXの向上

レコメンドエンジンは、ユーザーや顧客がサービスを快適に利用すること、すなわちUX・CXの向上に重要な役割を果たしています。

ユーザーは自分の興味のない情報を延々と見せられることを好みません。
商品点数や情報量の多いサイトの場合、それ自体が強みである一方で、いらない情報の供給はUXを損ないかねません。
これに対してレコメンドエンジンは、ユーザーが知りたい情報や自分好みのコンテンツ、欲しい商品にリーチしやすくする役割を担っています。
このためレコメンドエンジンは、情報量の多いサイトでユーザーが快適にサイトを回遊できるようにするために不可欠な機能といえます。

2. 売上やコンバージョンを上げる

レコメンドエンジンは売上やコンバージョンの向上にも重要な役割を果たしています
レコメンドは、ユーザーの関心やニーズに合わせた商品や情報にリーチしやすくするため、当然エンゲージメントも高くなります。コンバージョン率は一般的に20%前後の増加が見込まれます。
売上への貢献については、たとえばAmazonの売上におけるレコメンドの直接的ないし間接的な売上の割合は1/3に上ると言われています [1]。
また、シルバーエッグ・テクノロジーの「アイジェント・レコメンダー」の場合ですと、物販ECの平均的な売上向上は約10%となっています。もっともこうした数字はサイトの規模や商材にも大きく左右されます。ワイン専門のECサイトでは、導入後のコンバージョン数が約270％向上、レコメンド経由での売上が約300％向上した例もあります*。

なお、こうした売上やコンバージョンの効果数値については、クリック後何時間以内での購入をレコメンド経由のコンバージョンとみなすかによって大きく変わってきます。シルバーエッグ・テクノロジーでは、レコメンドアイテムをクリック後、60分以内に発生したコンバージョンを成果として算出しています。

レコメンドエンジンの仕組みと種類

レコメンドエンジンはどのようにして、ユーザーの意図を汲み取り、ニーズにマッチしたおすすめをしているのでしょうか？ここではレコメンドエンジンの仕組みと種類を簡単に紹介します。

レコメンドエンジンの仕組み

レコメンドが顧客の嗜好やニーズを判断する材料は複合的です。具体的には、以下のようなデータを基に複合的に情報を判断します。

• 商品の購入履歴や閲覧履歴と、その傾向
• 顧客自身が明示する嗜好（アンケートや閲覧ページなどから判断）
• 同じ傾向を持つ他の顧客の興味対象
• 顧客のプロフィールやその他の情報

これらは、オンラインショップに登録された顧客情報、データベースサーバに保管される行動情報、ブラウザに一時的に保管されるCookie情報などです。どの内容をどのように組み合わせて使用するかは、レコメンドエンジンによって異なります。

レコメンドの種類、それぞれの機能とメリット

レコメンドエンジンのベースとなるアルゴリズムは多様です。しかしここでは大雑把に次の4つのタイプを概観します。

レコメンドの仕組み

タイプ	仕組み
ルールベース	あらかじめ設定されたシナリオやルールに基づいておすすめする
コンテンツベース	商品（アイテム）の属性や類似性に基づいておすすめする
協調フィルタリング	似た傾向のユーザーの閲覧や購入の履歴に基づいておすすめする
ハイブリッド	ユーザーの属性や状況、アイテムの属性情報を協調フィルタリングに組み合わせるなど、複数のロジックを組み合わせておすすめする

1. ルールベース

ルールベースレコメンドとは、あらかじめ設定されたルールに基づき、ユーザーにおすすめの商品やコンテンツを提示する手法です。

例えば、「特定の商品を閲覧したユーザーに、別の関連商品を表示」「特定の属性（年齢、性別、地域など）を持つユーザーに、関連性の高い商品を表示」といったルールを設定できます。

ルールベースのレコメンドのメリットは、単純で導入しやすく、特定のキャンペーンやイベントに合わせたり、担当者のノウハウを活かしたレコメンドが可能な点にあります。ただし、ルールをマニュアルで設定・管理しなければならない点や、効果が低い傾向にあるというデメリットもあります。

2. コンテンツベース

コンテンツベースないしアイテムベースのレコメンドは、コンテンツ（商品）の属性情報（カテゴリ、ジャンル、キーワード、特徴など）を分析し、ユーザーが過去に好んだコンテンツと類似性の高いコンテンツをおすすめします。

例えば、90年代のアクション映画を観た人に他の90年代のアクション映画をお勧めするといった仕方で、同じ属性やカテゴリのアイテムをおすすめします。。

ユーザーの嗜好が明確であれば、高い精度でレコメンドできますが、一方で、ユーザーの嗜好が多様化すると精度が下がってきます。また、ユーザーが過去に観たことのない新しいジャンルを提示するのが難しいため、常に同じようなコンテンツがおすすめされる傾向があります。

3. 協調フィルタリング

協調フィルタリングは、レコメンデーションにおけるもっともポピュラーな技術です。「Aという商品を閲覧・購入した人はBという商品も閲覧・購入した人が多いため、Aという商品を閲覧・購入した人にはBという商品を薦める」といったように、ユーザーの閲覧履歴や購入履歴に基づいて商品をレコメンドする手法です。

協調フィルタリングを用いる利点は多いです。
一つには、「思いがけない商品の発見」（セレンディピティ *）という新鮮な体験をユーザーに与えることができることがあります。自分の嗜好と似た人が見た商品は、これまで見たことのなかった商品であっても、自分の嗜好とマッチする可能性が高いため、未知の商品や異なるカテゴリの商品であっても、ユーザーの好みやニーズにマッチしている可能性が高くなるからです。
また、自動でデータを収集して分析するため、一度導入してしまえば市場の変化にも自動的に対応し、その時々で最適な提案が行えます。リソースがかかりにくく導入しやすいこともメリットといえます。

一方で、導入初期で行動履歴データが少ない場合には成果が発揮されにくいという問題、いわゆるコールドスタート問題 **があります。
しかし、このコールドスタート問題を解決するために多くのテクニックが生み出されており、協調フィルタリングは現在でもなお、レコメンドの根幹をなす技術として応用されています。

4.ハイブリッド

上の3つのタイプを含めた複数のレコメンドアルゴリズムを組み合わせれば、より高度なパーソナライズと精度の高い予測を可能にします。

ユーザーの行動履歴だけでなく、属性情報、コンテンツの属性情報、コンテキスト情報など、より多角的なデータを分析することができるようになります。

 

レコメンドの効果と5つの指標

導入しているレコメンドエンジンのアルゴリズムや設置方法が適切なのかどうか？効果は上がっているのか下がっているのか？
これらを確認するのにチェックするべき5つの指標をまとめました。

 

指標	指標に対するレコメンドの効果
購買率・コンバージョン率	精度の高いレコメンドはほしい商品や興味のある案件を見つけやすくします。このため購入や応募といったコンバージョンまでのプロセスを短縮し、コンバージョン率を向上させます
客単価・アップセル率	レコメンドで適切な選択肢を示すことにより、ワンランク上の商品購入やついで買いが促進され客単価が向上します
併売率・クロスセル	精度の高いAIレコメンドであれば、カテゴリに縛られずセット商品や付属品、コーディネート可能な商品を適切なタイミングでおすすめできるため、併売率が向上します。
再訪率	メールやLINEにレコメンドを表示することで、サイトの外からの再訪を促すことができ、再訪率が向上します
回遊性・エンゲージメント率	次から次へとユーザーの関心の高いコンテンツや商品を表示するため、サイトへの滞在時間や回遊性が向上します。 またスクロールや再生といったエンゲージメントも向上します。

 

まず、購買率やコンバージョンへの効果ですが、こちらさきほど「なぜレコメンドは重要？」で解説した通りです。

アップセルへの効果は意外に思うかもしれません。しかしユーザーは必ずしもより安いものを探しているわけではありません。例えば予算10万円でソファを探していたとして、12万円でもう少し上質な素材のユーザーの好みに合ったソファが買えるとします。買い物でしばしば起こるこの「あと少し高ければ欲しい商品がある」という状況では、価格で絞ったソート結果だけでは販売機会を逃してしまう可能性があります。これに対して、AIレコメンドはユーザーの潜在的なニーズを分析し、購入可能性の高い商品にリーチできるようにします。

また、クロスセルについては、AIレコメンドはカテゴリに縛られずセット商品やちょっとした消耗品、コーディネート可能な商品をおすすめすることができます。例えば、スニーカーを購入する人は防水スプレーを購入しやすいという傾向から、商品詳細などでいっしょに防水スプレーをおすすめすれば併売率や客単価が上がりやすくなります。
クロスセルやアップセルのより詳しい指標は、別の記事でも解説していますので、ぜひこちらもご覧ください*。

 

さらに、ここからは顧客体験に大きくかかわることですが、レコメンドは休眠顧客の再訪を促したり、サイトの滞在時間や回遊性を上げるのにも有効です。

再訪率の向上については、メールやLINE、アプリの通知にキャンペーンのような画一的な情報ではなく、レコメンドによってパーソナライズされた情報や商品をリマインドするのが効果的です。ユーザーの興味のあるものでリマインドすることにより、再訪の確率は大きく向上します。

また、回遊性の向上や離脱率の低減については、関心の高い商品を次々に見せることで、ユーザーをサイトへひきつけ、サイト訪問そのものを楽しんでもらうことができます。動画・音楽配信、電子書籍でも、「いいね」や再生、スクロールといったエンゲージメントの高い行動が活発になります。

 レコメンドの導入方法と選定ポイント

主な導入方法

1. カートシステムに搭載された機能を利用する

多くのECサイト構築サービスやカートシステムには、標準機能またはオプション機能としてレコメンド機能が搭載されています。
これらの機能は、比較的容易に導入でき、基本的なレコメンド機能をすぐに利用開始できるというメリットがあります。
一方で、カスタマイズ性やレコメンド精度がベンダー提供の専用エンジンに比べて劣る場合があります。
レコメンドの機能が不十分な場合に起こりうる課題として次のようなケースがあります。

• いつも同じ商品ばかりおすすめされる
• レディースの靴下を探しているのにメンズの靴下がおすすめされる
• マルチチャネルで利用することができない

 

2. レコメンドを自社開発する

自社開発のレコメンドシステム導入は、自社のサイトの独自のニーズに合わせた高度なカスタマイズが可能になります。
フルスクラッチでなくとも、オープンソースのライブラリを活用すれば初期費用を抑えられる可能性もあります。
一方で、レコメンドを自社で開発する場合は、多くの検討事項と注意点があります。
第一に長期的なコストと専門人材の確保が必須となります。
また十分なデータ量と質の確保し、EC成長に合わせたスケーラビリティ設計をする必要があります。
そのほかコールドスタート問題や多様なニーズへの対応、倫理的な配慮も不可欠です。
こうした点まで配慮し、既存のレコメンドサービスを利用する場合とどちらがより効率的か考慮しなければなりません。

3. レコメンドエンジンベンダーのサービスを利用する

レコメンドエンジンを専門に提供するベンダーのサービスを利用する方法です。
単体でパッケージとして完成されており、すぐに使える機能が揃っている/充実しています。
また、詳細なデータ分析や効果測定機能、多様なレコメンド表示形式など、豊富な機能を利用できます。
導入費用や運用コストは、カートシステムの機能を利用する場合に比べて高くなる傾向があります。しかしレコメンドの精度が高い方が客単価や購買率も上がりやすい傾向があり、結果としてROIが高くなるということも少なくありません。

レコメンド導入のステップ

設計フェーズ

• 目的の明確化： KPIに照らし合わせて、レコメンドエンジン導入によって得られる効果を明確にします。
• 要件定義： 必要なレコメンド機能、表示形式、データ連携などを具体的に定義します。
• ベンダー選定／システム選定： 目的と要件に合ったベンダーやシステムを選定します。
• データ連携： ECサイトの商品データ、顧客データ、購買履歴データなどをレコメンドエンジンと連携します。
• レコメンド設定： レコメンドアルゴリズムや表示形式などを設定します。

運用フェーズ

• 運用・AI学習： AIレコメンドの場合は、レコメンドの表示を始めるとともに、ユーザーのニーズや好みを学習していきます。精度は日々向上し、通常2～３か月程度で最大化します。
• 効果測定と改善： レコメンドの効果を測定することで、継続的に改善を行います。アルゴリズムの修正や、表示位置の変更があります。変更の有効性はABテストで確かめるのがおすすめです。

5つの重要な選定ポイント

基本的な選定ポイントは5つです。

レコメンド精度

レコメンドの精度は、その種類や方法によっても異なります。
どのような方法でレコメンドしているか、それによってリック率や購買率がどの程度向上するか考慮しましょう。
レコメンドの精度についての詳細はこのページの「レコメンドエンジンの仕組みと種類」を参考にしてください。

カスタマイズ性

レコメンドベンダーによるサービスを利用する場合は、自社のECサイトや商品に合わせて、レコメンド機能を柔軟にカスタマイズできるかも重要なポイントです。導入の際には必ず、できるカスタマイズの種類と範囲、カスタマイズにかかる費用や工数について確認しましょう。

導入・運用コスト

自社で開発する場合には開発から運用まで含めたリソースとコストをあらかじめ見積もっておく必要があります。
レコメンドベンダーのサービスを利用する場合には、導入費用、月額費用、運用に必要な人的コストを考慮します。その場合、費用体系は多くの場合クリック課金か定額になりますが、どちらの費用体系が自社のサイトに合っているか見極めておきましょう。

データ連携

既存のECサイトやシステムとの連携がスムーズに行えるかは重要なポイントです。
ECシステムの他にMAやCRMを利用している場合は、それらのデータ連携についても確認しておきましょう。
また、データ連携の際にコンプライアンスやセキュリティ上の課題がないかも確認しましょう。

レビューとサポート体制

導入時のサポートや導入後のトラブル対応など、ベンダーのサポート体制が充実しているかも重要なポイントです。
また、導入後の結果をレビューできるかどうかで、長期的にそのレコメンドで成果を上げていくことができるかどうかが変わってきます。
シルバーエッグ・テクノロジーのAIレコメンドサービス「アイジェント・レコメンダー」ではダッシュボードでレコメンド経由のコンバージョン率や併売率を確認することができます。こうしたレポートは、設定の見直しやアルゴリズムの改善に不可欠です。
基本的なサポート以外にも、効果測定やカスタマイズの相談を希望する場合は、どのようなサポートがあるか確認しておきましょう。

まとめ： レコメンドの理解が顧客体験向上の鍵

レコメンドの目的は顧客のサポートであり、顧客ロイヤリティの向上でですが、サイトのコンバージョンや売上に対して大きく貢献します。

注意しなければならないのは、レコメンドにはいくつかのタイプがあり、それによって機能的な違いがあるということです。
現在ではAIレコメンドがもっとも精度の高いパーソナライゼーションを実現できますが、それだけにコストが高い傾向があります。

レコメンドの効果としては、購買率、客単価、リピート率、回遊性の向上など、売上と直接結びつく指標の向上が挙げられます。

レコメンドはECサイトはもちろん、無形商材やサブスクリプション、契約サービスの提供、メディアなど多岐にわたるオンラインサービスで効果を上げることができます。他方で、機能のチューニングや表示のカスタマイズが必要なケースもあり、開発／導入時には開発者やコンサルタントとのコミュニケーションも重要です。

レコメンドを最適化すれば、ユーザーは欲しい情報をサイト上で見つけやすくなるため、「好みの情報が多くて楽しいサイト」「探しやすく便利なサイト」と認識するようになります。

最後に、本文中でもご紹介したAIレコメンドエンジン「アイジェント・レコメンダー」の詳しいサービス資料もご用意しております。ぜひダウンロードいただき、サイトの顧客体験改善にお役立てください。

 

関連記事

• 【文例5種つき】レコメンドメールとは？効果・メリットと売上につながるシナリオ設計
• ECサイトの顧客エンゲージメントとは？向上方法を徹底解説
• F2転換とは？カスタマージャーニーから考えるECサイトのリピーター育成戦略
• パーソナライゼーションとは？ 概念と目的を理解し、具体的な手法を知る
• ECにおけるロングテール戦略の基本とニッチな商品を活かす方法、成功事例

 

---

レファレンス
[1] マイケル・シュレージ『レコメンダ・システムのすべて』, ニュートン新書, 2023, p. 46.
[2] 同上, p. 51.