小売業のレコメンデーションに Recommendations AI を活用するコツ
Google Cloud Japan Team
※この投稿は米国時間 2021 年 8 月 20 日に、Google Cloud blog に投稿されたものの抄訳です。
そろそろ、再び外に出る頃合いではないでしょうか。日よけの帽子や日焼け止めが必要ですね。もしかしたら、新しいサンダルも。他には何が必要でしょうか？
Recommendations AI サービスなら、再利用可能なウォーター ボトルや水着をおすすめするかもしれません。あるいは、日焼け後に使うアロエ ローションも、きっと必要になりますね。
Recommendations AI は、機械学習を利用して、カタログやクライアント リストで買い物客におすすめ商品情報を提供するソリューションです。このサービスは、Google のさまざまな小売業向けソリューションの一部です。Retail API と統合すれば、Google の商品検索をご利用いただけます。一度統合すれば、何度でも利点を得ることができます。レコメンデーションを開始点にして、Retail Search や Vision Product Search へと簡単に拡張することもできます。
このレコメンデーション ソリューションは、ディープ ラーニングを利用したグローバル スケールのフルマネージド サービスです。インフラストラクチャについて気に掛けることなく、ショッピング エクスペリエンスを高めることに注力できます。
お客様に利用されているベースライン レコメンデーション システムと比較すると、Recommendations AI では A/B テストでのコンバージョン率とクリック率に 2 桁の増加が見られました。クリックスルー、コンバージョン、セッションによる収益に向けて最適化したり、モデルを微調整して在庫切れ商品や重複を解消したりできます。
仕組みと開始方法ここからはパイプラインについてご紹介します。まずは、お持ちのデータのオンライン ストアへのプレースメントから始めましょう。
手順: データ -> モデル -> プレースメント
まず、お客様に見せたいすべてのもの（ポストカード、動画、パイのレシピなど）をまとめたカタログを作成しましょう。次に、個人情報を編集済みのユーザー イベントを取り込んでください。これにはホームページの閲覧数、「カートに追加」イベントなどの過去のイベントデータ、リアルタイムのユーザー イベントが含まれます。このユーザー イベントを商品カタログやアイテムと組み合わせれば、買い物客の一連のアクティビティを構築することが可能です。これにより、買い物客が次に何を購入する可能性が高いか予測できます。ユーザー イベントは、各デバイスでのオンライン アクティビティとオフライン ストアでの購入の両方をベースにできます。
レコメンデーション モデルはおすすめ商品のリストを返します。言うなれば、オペレーションの頭脳です。このモデルは、取り込んだすべてのデータを使ってトレーニングされます。そこには、Google が数年にわたって YouTube やニュースなどの主力プロダクトを通じて専門知識を蓄積した、最新のニューラル ネットワーク モデルと手法が生かされています。これにより、買い物客の目的を把握し、適切なユーザーに表示する適切なおすすめ情報を正しく予測することが可能です。
すべてのモデルはプロダクト ID のリストを出力します。これらはどこへ送られるのでしょうか？これらは、カスタマー ジャーニー上のプレースメント、スポット、パネル、カルーセルへ送られ、レコメンデーションを強調するために除外しておいたブランドとインタラクションします。モデルは 1 つまたは複数のプレースメントにレコメンデーションを送信できますが、各プレースメントで受信できるのは、1 つのモデルから送られた情報のみです。その後、モデルが返したプロダクト ID を使用して、ページ上にプロダクトとともに正しい画像、テキスト、その他のメタデータなどを表示する必要があります。
レコメンデーションはどのようなものか
まず、ポストカードを販売するウェブサイトを閲覧しているとしましょう。ユーザーはここでカリフォルニアのヴィンテージ ポストカードを何枚か購入したことがあります。提案アルゴリズムはユーザーの興味を理解し、ユーザーの履歴をもとに他のカードの候補を表示します。
データを実際に活用する
モデルがあなたの顧客、在庫、販売パターンを理解できるよう、まずはデータをレコメンデーション モデルに取り込むことが必要です。
モデルはあなたが使用している商品カタログや、それらの商品のメタデータを取り込み、品揃え、価格、サイズやスタイルなどの変数に関する微妙な違いを細かく理解します。このデータはすでに BigQuery や Merchant Center に保存されているかもしれません。その場合は簡単に統合でき、これを利用してすぐに取り掛かれるようになっています。
ユーザー イベントに関しては、すでにウェブやモバイルのアクティビティを取得するシステムが稼働している場合でも、心配する必要はありません。Google タグ マネージャーや JavaScript Pixel、Cloud Storage や BigQuery から取得した過去のイベントとのシームレスな統合、インライン API や JSON の使用により、リアルタイム イベントログを簡単に取り込めます。こうしてインポートされた データを用いて、モデルをすぐにトレーニングできます。こうすることで、わずか数日で Recommendations AI との統合を開始できます。
モデルはユーザーが体験した一連のアクティビティを構築し、ユーザーが関与したプロダクトと結合します。データの準備が整ったら、数日でモデルをトレーニングできるようになります。次は、データを有効活用する段階に移ります。
モデルをすばやくカスタマイズする
コンソールでご自身のレコメンデーション プロジェクトを設定すると、（生成したいレコメンデーションに基づいて）トレーニングするモデルの種類や、目的を選べるようになります。あなたの目的は、クリック率（より多くの人にレコメンデーション リンクやプロダクトをクリックしてもらうこと）、あるいはコンバージョン率（おすすめした商品をより多くの人に選択・購入してもらうこと）、または収益を最適化することでしょうか。
さまざまな目標に合わせて、さまざまなモデルを最適化できます。1 つ 1 つのモデルで何ができるか、そして各モデルをどのように最適化できるかを、GCP Console でご覧ください。
いくつかの言葉について簡単にご説明しましょう。
モデルには 3 つの種類があります。
あなたへのおすすめ - ユーザーの履歴に基づくおすすめアイテムを意味します。これは通常、アイテムを示すためにホームページ上で使用されます。
関連商品のおすすめ - ユーザーがウォーター ボトルのページを閲覧している場合に、 ユーザーのエンゲージメント 履歴に基づいて、他のブランドのウォーター ボトルやリュックサックをおすすめすることを意味します。
よく一緒に購入されている商品 - 日焼け止めを購入する人は、アロエ ローションも一緒に買う場合が多いため、ユーザーがこれらのアイテムのうち 1 つをカートに入れると、他のアイテムも一緒に表示されることを意味します。
また、モデルは 3 つのビジネス目標に合わせて最適化します。
クリック率 - ユーザーがおすすめされたアイテムをクリックした頻度
コンバージョン率 - ユーザーがおすすめされたアイテムをカートに入れた頻度
セッションあたりの収益 - レコメンデーションによって得られた収益
カスタマー ジャーニー上のどこでも提供する
これで Retail AI コンソールでのすべての設定は完了しました。本番環境にデプロイする前に、コンソールでレコメンデーションをテストしてみましょう。
レコメンデーションをフロントエンドに統合するには、Predict API を呼び出します。レコメンデーションのプレースメントにより、ダッシュボードにデータが送信され、今後のイテレーションのために成果の分析・測定が可能になります。
さらに、レコメンデーションはカスタマー ジャーニーの他の部分にも利用可能です。メール プロモーション、ストアフロント キオスク、ディスプレイ広告、フォローアップ通知に、過去のアクティビティやカートの内容に基づくレコメンデーションを含めることができます。このモデルは、購入プロセスにおけるさまざまなタッチポイントや手順において、商品の有益なレコメンデーションを提供します。
その他のベスト プラクティスやガイドについては、ドキュメントをご覧ください。
ご利用方法
自分のモデルをトレーニングするのは面倒で、時間やお金もかかります。しかも、設定には専門性の高いデータ サイエンス知識が必要です。ここは Google Cloud におまかせください。
IKEA Retail がどのように Recommendations AI を利用しているか、Google Cloud Retail Summit の最近のトークやブログでご覧ください。
すぐに始める際は、Cloud プロジェクトを作成し、Retail API を有効にしてから、1 つのメニューですべてのレコメンデーション ツールにアクセスできます。カタログと購入データを取り込み、1 つ以上のプレースメントを定義すると、数日でレコメンデーションをサイトに導入できるようになります。
-Google Cloud Developer Relations シニア エンジニア Anu Srivastava
-Google Cloud Developer Relations シニア エンジニア Max Saltonstall
