AI商品レコメンデーションエンジンは実際に何を表示するかどう選んでいるのか

コンテンツベースのレコメンデーション:商品が何であるかを比較する

コンテンツベースのシステムは、商品の実際の特徴——カテゴリー、素材、価格帯、説明タグ——を、特定の買い物客がすでに興味を示したものと比較することで商品を推薦する。誰かが防水のハイキングブーツを見ている場合、コンテンツベースのシステムは関連する属性を共有する他の商品を探す。他の防水シューズ、他のハイキング用品、似たような価格帯の商品などだ。

このアプローチは通常、より広い顧客コミュニティが行ったことに頼るのではなく、一人の買い物客自身の情報に依存しており、それによって予測可能性は高まるが、同時により限定的にもなる——すでに誰かが見たものに似たものを推薦する傾向があり、これは閲覧中の買い物客にとって多様性が少なくなることを意味しうる。

協調フィルタリング:人々が何をしたかを比較する

協調フィルタリングは違った働き方をする。このアプローチに関するGoogleのドキュメントは、個々の商品の特徴からではなく、コミュニティの行動パターンから学習された、ユーザーとアイテム間の類似性を同時に利用するものとしてこれを説明している。実際には、現在の買い物客と同じハイキングブーツを買った顧客が特定のトレイルマップやハイキング用ソックスも頻繁に買っている場合、システムはそれらの商品を推薦する——それらがブーツと明らかな特徴を共有しているからではなく、似た購買パターンを持つ人々が両方を買ったからだ。

これは、コンテンツベースのシステムではめったに生まれない、心地よく予想外のレコメンデーションを生み出すことがある。表面的な特徴を共有するアイテムに限定されないからだ。トレードオフは、そもそも機能するために本物の行動データが必要だということだ。大手クラウドプロバイダーも、レコメンデーションツールの構築方法においてこの同じ区分を反映している。AmazonのPersonalizeサービスに関する同社自身のドキュメントは、協調フィルタリングとコンテンツベースの両方のアルゴリズムを並行してサポートしていると説明しており、一方をもう一方の万能な代替とは扱っていない。

小規模店舗が計画しておくべきコールドスタート問題

協調フィルタリングの核心的な弱点は、コールドスタート問題として知られるものだ。まだ購入履歴や操作履歴のない商品を意味のある形で推薦することができず、行動記録のない真新しい訪問者に対しては活用できる材料がほとんどない。カタログが限られ、トラフィックも控えめな小規模または新しい店舗にとって、これは仮説上の特殊なケースではない——商品と訪問者のかなりの割合にとって、これが通常の状況なのだ。

まさにここで、コンテンツベースのアプローチ、あるいは行動データが乏しいときに商品の特徴にフォールバックする混合型システムが、より小さなカタログに対してより信頼性高く機能する傾向がある。高トラフィックの小売業者向けに調整された純粋な協調フィルタリングのレコメンデーションエンジンは、より小規模な店舗で活用するにはデータが単純に少なすぎるかもしれない——これは両アプローチに関する学術的な比較が、協調フィルタリングの最も一貫して文書化されている弱点の一つとして挙げているのと同じコールドスタートの限界だ。

レコメンデーションアプリを評価する際に実際に検討すべきこと

ベンダーは必ずしもこの詳細を先頭に出してこないため、アプリが実際にどのアプローチを使っているかを確認しよう。適切な選択は、カタログの規模とトラフィックに本当に左右される。商品ごとに意味のある取引量を持つ大規模な店舗は、協調フィルタリングが非自明なつながりを浮かび上がらせる能力の恩恵を受けられる。小規模または新しい店舗は、まだ持っていない行動データに依存しない、コンテンツベースまたは混合型のアプローチの方がうまく機能することが多い。

このシステムにできないことも覚えておく価値がある。それはあなたのサイトにすでにいる訪問者に対してしか機能しない。AIアシスタントがまだあなたを見つけていない人にあなたのストアを推薦するかどうかとは何の関係もない——それは別々の解決策を必要とする別の問題であり、AIパーソナライゼーション対AI可視性についての当社のガイドで扱っている。

FAQ