データ分析

プロダクトレコメンデーションリファレンスパターンはすべてその名の通りでトリックなし

2020年11月9日

https://storage.googleapis.com/gweb-cloudblog-publish/images/Google_Halloween_2.max-2600x2600.jpg

Google Cloud Japan Team

※この投稿は米国時間 2020 年 10 月 29 日に、Google Cloud blog に投稿されたものの抄訳です。

テクノロジーのすべての面で、不変なものは変化だけです。今年だけ見てもこれまで以上に不確実性が増し、IT の影には多くの危険が感じられます。パンデミックの発生により、消費者のショッピングパターンは誰もが予想したよりも速く変化しました。実店舗と対比した場合のオンラインショッピングへの移行の動きはすでに起こっていましたが、今年はそれが大幅に加速しました。購入者は早速オンライン購入に移行し、その結果トラフィックが増加してさまざまなフルフィルメントのニーズが生じています。Catalyst と Kantar の調査によると、オンライン購入者の 66% は利便性に基づいて小売業者を選択し、価格 / 価値に基づいて小売業者を選択したのは 47% にすぎません。購入者の期待は進化しています。

そのため小売業者は、デジタル化を進めて購入者が確実に満足感を得られるようにする必要性に直面しています。とは言え、怖がることはありません。予測分析に加え、お客様の購入行動とパターンの理解を正しく行えば、お客様により良いサービスを提供できるのです。お客様の需要と好みを確実に満足させるには、データに基づく深い洞察が重要になります。

お客様に対しより良いレコメンデーションをトリックなしで紹介するため、私たちはつい先頃、Smart Analytics リファレンスパターンを導入しました。これは、Google Cloud での一般的アナリティクスのユースケースを参照できるテクニカルリファレンスガイドで、ライフタイムバリューや購入性向の予測、またプロダクトレコメンデーションシステムなどを含み、サンプルコードも付属しています。多くのお客様から、分析ツールを実際に使用するための簡単な方法が必要であり、複数の一般的なユースケースがあるという声が寄せられています。

プロダクトレコメンデーションシステムを理解する

プロダクトレコメンデーションシステムは、お客様の行動を理解するための重要なツールです。特定のユーザーが購入または利用を望むアイテムまたはコンテンツの提案を生成し、提供する設計になっています。レコメンデーションシステムでは、プロダクトとユーザー間の複雑なつながりの高度なセットを作成します。次に、それらのつながりを比較してランク付けし、たとえば、お客様が Web サイトを閲覧するときにレコメンドするプロダクトまたはサービスを提案します。開発が十分になされたレコメンデーションシステムでは、購入者のウェブサイトでのエクスペリエンスが向上し、お客様の獲得と維持に優れた効果が現れます。このシステムを使用すれば、売り上げ、収益、クリック率、コンバージョン、その他の重要な指標を大幅に改善できます。というのも、ユーザーの好みをパーソナライズすることでプラスの効果が生まれ、お客様満足度、ロイヤルティ、そしてブランドアフィニティさえ獲得できるからです。これらのリファレンスパターンを利用すれば、ゼロから始めて同じことを繰り返すのではなく、お客様へのサービスを迅速に開始できます。

レコメンダーシステムは新しいものではなく、社内や任意のクラウドプロバイダから独自に構築できることは強調に値します。大量の構造化データと非構造化データを処理する Google Cloud の独自の機能に、機械学習と人工知能の高度な機能を組み合わせることで、小売業者がビジネスの全体に渡って活用できる強力なプロダクトとソリューションのセットが提供されます。

実際のケースに対応したリファレンスパターンを使用

このリファレンスパターンでは、BigQuery ML（別名 BigQu-eerie ML ?）を使用してレコメンデーションシステムを構築し、BigQuery のお客様データからプロダクトまたはサービスのレコメンデーションを生成する方法を段階的に学習します。次に、そのデータを他の本番環境システムで使用できるようにする方法（Google アナリティクス 360 や Cloud Storage へのエクスポート、BigQuery テーブルからのプログラムによる読み取りなど）を学習します。BigQuery ML を使用する主な利点は、BigQuery にすでに保存されているデータを使用して機械学習モデルをすばやく簡単に構築できることです。さらに、レコメンデーションシステムは本格的に使用しやすいため、最終的に時間と費用を節約できます。今では同じ人がデータを分析し、BigQuery ML を使用して BigQuery でモデルをトレーニングしデプロイできるようになっています。ML の目的で BigQuery からデータをエクスポートする際に、中間にデータエンジニアはもう必要ありません。

また、e コマースレコメンデーションシステムについての手順ガイドや、組織内でこのようなシステムを構築するプロセス全体を順を追って説明するノートブック環境もご覧いただけます。これらのリファレンスでは、以下について学びます。

サンプルデータを、行列分解モデルのトレーニングに適した形式に変換する。
行列分解モデルを作成、トレーニング、デプロイする。
デプロイされたモデルから、お客様の関心が特に高いプロダクトに関する予測を取得する。
予測データを BigQuery から Google アナリティクス 360 または Cloud Storage にエクスポートするか、プログラムで BigQuery テーブルから読み取る。