Kinguin、Recommendations AI を使用して買い物客がすばやく商品を見つけられるよう支援

※この投稿は米国時間 2021 年 7 月 2 日に、Google Cloud blog に投稿されたものの抄訳です。

Statista によると、今年オンラインで商品を購入するユーザーは、世界中で 21 億 4,000 万人以上にのぼると予想されています。そして、2023 年までには、オンラインでの小売販売がすべての購入の 22% を占めるようになると予測されています。ただし、競争の激しい小売業界では、積極的なインタラクションが、売れるかカート放棄になるかの分かれ目になる可能性があります。

Kinguin.net は大手のグローバル マーケットプレイスで、まさにゲーマーにとって安息地です。その活気あふれる e コマース ビジネスでは、毎月 50 万件を超える新規取引が行われています。ビデオゲーム、ギフトカード、ゲーム内アイテムからコンピュータ ソフトウェアやサービスまで、ユーザーは 5 万を超えるユニークなデジタル商品に出会います。1,000 万人を超える登録ユーザーを抱える Kinguin は、ユーザーのすばやい商品検索や大規模なサービス提供を支援することで、エクスペリエンスを向上させました。

顧客がほしいものをすばやく見つけられるように手助けする

Kinguin のユーザー（購入者と販売者の両方）数は非常に多く、取り扱うデジタル商品も幅広いため、ブラウジングやショッピングが困難になる可能性があります。Kinguin の CEO 兼創業者である Viktor Romaniuk Wanli 氏は、次のように述べています。「お客様は選択肢と利便性のためにオンラインで買い物しますが、それは時に圧倒的な数になる場合があります。Kinguin で買い物をするすべての人に、探しているものをすばやく簡単に見つけてほしいと思っています。」

今日の小売業者は、顧客ロイヤルティを確立して維持するためには、パーソナライズされたショッピング エクスペリエンスを構築することが重要であると認識しています。Kinguin は、ユーザーにかなり標準的な小売エクスペリエンスを提供していたことに気付きました。そして、個々の顧客に合わせてパーソナライズされたエクスペリエンスを提供するにはどうすればよいかを模索していました。

おすすめの商品情報は、顧客の趣味や好みに合った商品を見つけやすくなるため、エクスペリエンスをパーソナライズする優れた方法であることはわかっていました。しかし、商品をおすすめするのはそれほど簡単なことではありません。以下のようなさまざまな変化する要素が絡み合って、おすすめ情報はいっそう複雑になります。

• 顧客の行動。顧客を理解するのは容易なことではありません。貴社のサイトに初めてアクセスしたコールド スタートのユーザーには、どのように商品をおすすめすればよいでしょうか？顧客の行動が変化するとどうなるでしょうか？

• オムニチャネル コンテキスト。Harvard Business Review によると、すべての顧客の 73% が購入時に多数のチャネルを使用しています。顧客がデスクトップからモバイルへ、またはソーシャル メディア ショッピングから独自アプリへと移行するとどうなるでしょうか？

• 商品データの課題。膨大な数の商品の中から新しい商品をおすすめするにはどうすればよいでしょうか？商品データにラベルがわずかしかない場合や非構造化メタデータがある場合はどうすればよいでしょうか？

Kinguin にとってデータは問題にはなりませんでした。データの順序、履歴、ほしいものリストを保持しており、プラットフォームのインタラクションに基づいてイベントを収集できました。欠けていたのは、機械学習モデルの専門知識でした。そのため、独自のソリューションを構築するよりも、信頼できるパートナーを見つける方が費用対効果が高いと判断しました。また、ソリューションを Kubernetes と簡単に統合し、グローバル ネットワークを実現することも不可欠でした。

これらの考慮事項を念頭に置いて、Google Recommendations AI ベータ プログラムに申し込みました。Recommendations AI が 2020 年にリリースされたときに、Kinguin は、これを使用したヨーロッパで最初の e コマースゲーム取引プラットフォームになりました。

プロゲーマーの動き: フルマネージド AI サービスの使用

Google Recommendations AI は、アルゴリズムを使用してお客様の好みに合わせた高度にパーソナライズされた提案を行います。Google Cloud のこれらのアルゴリズムは、YouTube 検索や Google ショッピングによってモデルを強化しているのと同じリサーチに基づいています。アルゴリズムは、商品だけでなく、個々のユーザー自身にも焦点を合わせて常に調整されています。

多くのショッピング AI は、手動でのインフラストラクチャのプロビジョニングと機械学習モデルのトレーニングに依存しています。Recommendations AI のディープ ラーニング モデルは、そうではなく、商品とユーザーのメタデータを使用して分析情報を引き出します。Kinguin の何千もの商品を大規模に、リアルタイムで反復処理します。まず、Kinguin は顧客の履歴とショッピング行動をつなぎ合わせます。その後、Recommendations AI を使用して、ロングテール商品やコールド スタートのユーザーに関しても、パーソナライズされた商品を表示できるようになります。

Kinguin は内部ツールを活用することで、ゼロから実装する必要はありませんでした。Google Cloud エンジニアと数回の試験セッションを行った後、すぐに開始しました。非常にペースの速い市場の性質（価格の変動、在庫切れ商品など）のため、Kinguin は、できる限りリアルタイムに近いおすすめ情報を必要としていました。そこで、内部イベントバスを使用して、イベントとその商品カタログを Recommendations API に直接ストリーミングしました。

Kinguin は、トップページ、商品ページ、カテゴリページなど、トラフィックの多いエリアに展開しました。そしてヒートマップとスクロール マップを分析して、プレースメントをテストする場所を割り出しました。また、「よく一緒に購入されている商品」や「関連商品のおすすめ」など、さまざまなレコメンデーション モデルを試しました。その際、エンジニアはモデルを実装する場所も考慮に入れました。たとえば、「関連商品のおすすめ」モデルはトップページに実装するのが最適ですが、「よく一緒に購入されている商品」は購入手続き時が効果的です。

パーソナライズの効果を実証するには、商品のおすすめ情報が財務にどのように影響しているかを把握することが重要です。Kinguin は、BigQuery を使用して、さまざまな費用予測モデルを分析できました。BigQuery は、特定の財務データを掘り下げて利益率や収益の増加を把握するのに役立ちました。

勝つためのプレー: カスタマー エクスペリエンスの向上

Recommendations AI を採用して以来、Kinguin はカスタマー エクスペリエンスと顧客満足度の両方を向上させてきました。その結果、検索時間が 20 秒短縮されました。さらに、平均購入価格は 5 ユーロ増加しました。コンバージョン率は開始時から 4 倍になりました。クリックスルー率は 2 倍になり、商品ページでは 2.16 倍、おすすめページでは 2.8 倍増加しました。

Wanli 氏は次のように述べています。「Google Recommendations AI は、サービスを向上させ、顧客のロイヤルティと満足度を高めるのに役立ちました。また、売り上げの大幅な増加にも貢献しています。」Kinguin は、おすすめ情報を使用してユーザー エクスペリエンスを向上させる他の方法についてもすでに検討しています。これには購入手続き、他のランディング ページ、メール マーケティングなどのアイデアが含まれます。

Kinguin の Google Cloud を活用した取り組みは、企業が AI を活用して販売を最適化し、顧客とのタッチポイントに質の高い、低レイテンシのおすすめ情報を提供できる方法を示しています。

詳しくは、Recommendations AI およびAI と機械学習のプロダクトをご参照ください。

-カスタマー エンジニア Krzysztof Zalasa

-プロダクト マーケティング マネージャー Josh Porter