レコメンド
ユーザーの閲覧履歴・購買データ・属性に基づいて、その人が興味を持ちそうな関連商品や記事を自動的に推薦する機能。EC(ECサイト)サイトの「この商品を見た人はこんな商品も見ています」、メディアの「関連記事」、動画サイトの「次に見る」など、現代の Web において売上と回遊を支える標準機能となっている。裏側の仕組み(アルゴリズム)には、協調フィルタリング(他のユーザーの行動データを元に『A を買った人は B も買っています』と提示する方式)や、コンテンツベース(『アクション映画』を見た人に、特徴が似ている別の『アクション映画』を提示する方式)、さらに高度な機械学習などがある。
最大の特徴：「人気ランキング」とは違う、データとロジックの総力戦
現場で絶対に勘違いしてはいけない核心は、レコメンドは「安易な人気順の表示」ではなく、データとロジックの精度勝負だという点。全員に同じ人気商品を見せるだけでは本当のレコメンド(パーソナライズ(自分事化))にはならない。「一定期間のデータ蓄積」「自社に合った推薦ロジックの設計」「導入後の効果検証」の 3 つが揃って初めて、CV 率(CVR)(成約率)や回遊率の劇的な改善という成果につながる。実務での導入方法は、手軽な WordPress プラグインから、SaaS 型の専用レコメンドツール、自社開発(フルスクラッチ)まで幅広くあるため、サイトの規模やデータ量、予算に応じて選定する。
現場でよくある「落とし穴」
「AI 搭載のツールを入れれば勝手に売上が上がる」という幻想を抱くと、高い月額費用だけを垂れ流すことになる。
- 「入れっぱなし」が引き起こすコントのような悲劇：高額なレコメンドツールを導入しただけで満足し、効果検証を行わずに放置する。悲惨な末路として、ロジックのチューニングを怠った結果、「昨日 10 万円の洗濯機を買ってくれたお客さんに対し、今日また別の洗濯機を執拗におすすめし続ける」といった間抜けな状態が放置され、顧客を呆れさせる。「購入済みのカテゴリは一定期間除外する」「『最近チェックした商品』と『他人の購買データ』のどちらを表示した方が CV 率が高いか A/B テストする」など、月次でのロジックの見直しを続けなければ、ツールはただの「宝の持ち腐れ」になる。
言葉をよく利用する人
- マーケター
- Web 担当者(発注側)
- プロデューサー
- バックエンドエンジニア
会話上での使用例
ECの客単価を上げる施策をマーケターと相談する場面
-
マーケター
客単価をもう少し上げたいんですが、何か打ち手はありますか。
-
Web 担当者
レコメンドを強化しましょう。よく一緒に買われている商品を出す形で、うまくいけば客単価を1割前後伸ばせます。ただ、入れて終わりにせず、効果は月次で検証してロジックを見直し続けたいですね。
-
マーケター
了解です。導入後のレビューも一緒にやりましょう。
メディアの回遊を伸ばす方法をプロデューサーと相談する場面
-
プロデューサー
メディアの回遊をもっと伸ばせないかな。
-
Web 担当者
関連記事のレコメンドを入れるのが効果的です。記事のタグをもとにしたものと、閲覧履歴をもとにしたものの2種類を組み合わせると、ユーザーが自然に次の記事へ進んでくれます。