Bazaarvoice、Recommendations AI を使用してクリック率を 60% 向上

※この投稿は米国時間 2021 年 12 月 1 日に、Google Cloud blog に投稿されたものの抄訳です。

レコメンデーション エンジンに AI を組み込むことは気が遠くなるほど費用のかかる作業で、軌道に乗るまでに何年もかかるとも言われていたのはさほど昔のことではありません。しかし、Bazaarvoice の実績を見てわかるとおり、クラウド サービスの助けを借りることで、AI への投資からビジネス上の成果が出るまでの時間を短縮化できます。

Bazaarvoice は、ブランドや小売業者が顧客をより深く理解し、より良いサービスを提供するための商品レビューおよびユーザー作成コンテンツ（UGC）関連ソリューションのトップ プロバイダです。2019 年には、650 万人の消費者レビュアーからなるコミュニティである Influenster.com を買収し、消費者が率直な意見を共有できるプラットフォーム（共有回数 5,400 万回以上）を提供することで、Bazaarvoice のポートフォリオを拡大しました。

買収後、Bazaarvoice のサイトの品目が 53% 増加し、販売商品が 540 万種類に拡大されました。高いユーザー エンゲージメントを維持するには、Influenster が信頼できる透明性の高いレビューを集め、かつ顧客が有益で適切な商品を最初に発見する場であると見なされる必要があります。買い物客に新しい商品を紹介することで、Influenster は顧客に価値をもたらすだけでなく、ブランドが消費者インサイトを収集するのにも役立っています。

Influenster は、美容商品に対する率直な意見を共有するために人々が集まる場としてサービスを開始しましたが、すぐにアートからウェアラブルにいたる、ほぼすべてのカテゴリをカバーするまでに拡大しました。Influenster は、今よりもはるかに規模が小さかったことから、ルールベースのレコメンデーション エンジンでサービスを開始し、成長を遂げました。しかしながら、Influenster が Bazaarvoice の下でカバーする商品の範囲を拡大するにつれ、より強固なレコメンデーション システムが必要になりました。初期の頃、Influenster は、人間的な視点を提供したことで成功を収めました。つまり、商品ごとにレビューと画像が多数掲載されており、ユーザーがあたかも友人から商品のお墨付きを得ているように感じることができたわけです。

Bazaarvoice のエンジニアリング チームは、アイテムやカテゴリの数が増え続ける中で、従来と同様のパーソナル感を維持しつつおすすめ商品を提示するにはどうしたらよいかを探りました。新しい商品カテゴリが登場するたびにルールを増やすのではなく、サイトに合わせて拡張できるレコメンデーション機能が必要でした。また、未知のメンバーに対しても、Influenster のパフォーマンスを維持する必要もありました。

Bazaarvoice は、複数のレコメンデーション エンジンをテストし、それぞれを現在のルールベースのシステムと比較検証しました。最終的には、Google Cloud の Recommendations AI を採用しましたが、その理由は、透明性の高い課金、統合とセットアップの容易さ、さらに、当然ながらその定評ある実績です。

透明性の高い課金

「エンジニアが気に入ったのは、スケーリングしたときにどのくらいの費用がかかるのかがはっきりしていたことです」と Influenster のコンテンツ取得サービス プロダクト ユニットの SVP である Nick Shiftan 氏は語っています。後に費用が管理できないほど予想外に膨らんで対処を迫られるような技術的な負債を残すのではなく、革新的な手法を取り入れて根本から構築するのが目的でした。Google Cloud のわかりやすい従量課金制のおかげで、ユーザーの利用状況に応じて費用がどのように増加するかを予測し、適宜計画を立てることができました。

統合の容易さ

プロジェクトを統括するソフトウェア エンジニアリング チームのリーダー Eralp Bayraktar 氏は、「Google がこのような複雑なシステムを非常に使いやすい API にまとめた手法には、良い意味で驚かされました」と述べています。当初のチームと言ってもたった一人の専任エンジニアしかいなかったため、統合の容易さはより重要な特長となりました。Recommendations AI は、Google 検索と YouTube で長年蓄積されたサジェスチョン技術を活用しているだけでなく、Google 広告の Merchant Center と組み合わせることで、プロダクトのメタデータをインポートするための合理的なプロセスも構築できます。そこからのモデル作成は、目的のレコメンデーション タイプを選択し、最適化するビジネス目標を選択するだけで行うことができます。モデルが作成され、API がウェブサイトに統合されたら、その時点でコードはすでにグローバル規模でデプロイされています。つまり、世界中のユーザーがレコメンデーションを利用できるよう、アーキテクチャ面でこれ以上検討すべきことはありません。Bazaarvoice では、企画からわずか 1 か月で本番稼働を実現できました。

実績

「Bazaarvoice は、Recommendations AI をサービスの推奨に使用し、データベースに負荷がかかるビジネス ロジックを Recommendations AI に移行しました。その結果、A/B テストで証明されたとおり、全体的に応答時間が短縮され、レコメンデーションの質が格段に向上しました」と Bayraktar 氏は続けて語りました。  

Bazaarvoice はまず、Recommendations AI をルールベースのシステムと比較して A/B テストを行いました。実験が始まってまもなく、元のレコメンデーション システムと比較して、クリック率が明確に、一貫して 60% 増加していることに気づきました。

さらに印象的だったのは、「未知のメンバー」に対するパフォーマンスです。Influenster.com でアカウント登録する人がいる一方、Influenster.com のウェブサイトを訪問して、完全に登録することなく去っていく訪問者はより多くいます。これは、業界では一般的に「コールド スタート」問題と呼ばれています。履歴、行動、好みがわからない人たちに何を推奨すればよいのか、という問題です。Recommendations AI は、未知のユーザーを取り込んでトレーニングするオプションを備えています。プロダクトに関するメタデータを提供することで、登録メンバーにも初めてのユーザーにも高品質な提案を行うことができます。

Bayraktar 氏は将来について、「Recommendations AI を導入することにより、Bazaarvoice のすべてのカタログにおいて、分類横断的な商品を調整可能な割合で追加できるため、より健全なトラフィック分配を行い、新たな商品の発見を可能にします。Bazaarvoice はデータ サイエンスに投資しており、Recommendations AI を基盤に据えることは、Bazaarvoice が成長するうえでの良いチャレンジです」と、　Bazaarvoice の経験についての考えを締めくくりました。

Recommendations AI の詳細と、組織の成長を促すための活用方法については、最近公開された、「小売業のレコメンデーションに Recommendations AI を活用する方法」に関する概要で始まる 4 部構成のガイドをご覧ください。このシリーズでは、データの取り込み、モデリング、予測の提供、Recommendations AI の評価も取り上げています。または、クイックスタート ガイドを手始めにご覧ください。

- Google Cloud カスタマー エンジニア Lateefat Alabi