レコメンドシステムとは？7種類のアルゴリズムと選び方を解説

レコメンドシステムとは、ユーザのサイト内行動や閲覧・購入などのデータや、事前に設定した一定のルールにもとづき、各ユーザに合わせた商品などを表示・提案するシステムのことです。
利用すれば、販売率の向上やクロスセル・アップセルなどの効果が期待できます。

ただ、一言でレコメンドシステムといっても、コンテンツベースフィルタリングやパーソナライズドレコメンド、協調フィルタリングなどいろいろなアルゴリズムが存在します。

自社にどのように導入すれば良いか、どのツールを選べば良いか分からない人もいるでしょう。レコメンドシステムについて知りたい方、導入を検討している方は、ぜひ本記事を参考にしてください。

目次

• レコメンドシステムとは？
• レコメンドシステムの7種類のアルゴリズム
• レコメンドシステムの導入方法と選び方
• まとめ

レコメンドシステムとは？

レコメンドシステムとは、ユーザのサイト内行動や閲覧・購入などのデータ、事前に設定した一定のルールにもとづき、各ユーザに合わせた商品などを提案するシステムのことです。
Amazonや楽天市場、Yahoo!ショッピングなどの大手ECモール、各企業が保有するECサイトをはじめ、以下のようなサイトに実装・活用されています。

◾️｜動画サイト
◾️｜ニュースサイト
◾️｜不動産サイト
◾️｜旅行サイト
◾️｜人材マッチングサイト など

レコメンドシステムは実店舗における販売員の役割を果たし、販売率の向上やクロスセル・アップセルが期待できます。また、SEOに影響をあたえるサイト内回遊率を高め、滞在時間を伸ばす効果もあります。
さらに、ユーザ自身が気づいていない商品の提案や、検索をする手間の軽減につながり、ユーザエクスペリエンスを向上させるでしょう。
インターネット上で買い物をするユーザには、手間をかけたくないと考える人が多く、ユーザエクスペリエンスを高めればリピータの獲得にもつながります。

ただし、利用者が少なくデータの蓄積ができていなければ効果的なレコメンドはできません。商品やコンテンツ数が少ない場合、提案するものが同じになる可能性が高く、ユーザの不満につながるケースもあります。
反対に、自社が決めたルールにもとづくレコメンドを利用する場合、商品が多くなればなるほど手間が増加するデメリットがあることにも注意しておきましょう。
まずこの章では、レコメンドシステムの仕組みについて解説します。

レコメンドシステムの仕組み

レコメンドシステムは、大きく以下2つの仕組みにより商品やコンテンツを提案します。

1. 閲覧や購入などのユーザ情報の分析結果
2. サイト運営者が事前に定めたルール

どちらも、サイトにアクセスしたユーザの行動を分析する点は変わりません。
分析した情報をもとに、後述する7つのアルゴリズムで処理され、商品やコンテンツが表示されます。

≫≫ レコメンドエンジンとは？仕組みや機能から提供ツールを徹底比較

レコメンドシステムの7種類のアルゴリズム

前述の通り、レコメンドシステムと一言でいっても、7種類のアルゴリズムが存在します。
ここからは、以下7種類のアルゴリズムについて詳しく解説します。

ルールに基づいたルールベースレコメンド

ルールベースレコメンドとは、サイト運営者が決めたルールにもとづきレコメンドをするアルゴリズムのことです。
例えば、バレンタインキャンペーンの広告から流入したユーザに対し、人気のあるチョコレートの提案などが可能です。
また、紅茶を閲覧しているユーザに、クッキーといったお茶に合った菓子を提案するなど、閲覧商品にもとづくルール設定もできます。

この方法では、新商品や期間限定商品など、サイト運営者がアピールしたい商品を提案できる一方で、提案する商品がユーザに合うか否かは不明確で必ずしも効果が出るとは限りません。

類似性で判定するコンテンツベースフィルタリング

コンテンツベースフィルタリングとは、事前にグループ化した次のような商品属性に従い商品を提案する仕組みのことです。

◾️｜ジャンル
◾️｜ブランド
◾️｜色
◾️｜価格 など

ユーザが閲覧や購入した履歴をもとに、ユーザプロファイルを作成し別の商品を提案します。具体的には、あるメーカーのパソコンを閲覧したユーザに対し、同じメーカーのパソコンを表示したり、閲覧した映画と同じ監督が撮影した作品を提案したりすることが可能です。
グループ化する商品は運営者側で自由に設定でき、ユーザの行動データが少なくてもレコメンド機能を活用できるメリットがあります。

一方で、同じような商品ばかりが表示され、ユーザにとって新しい商品との出会いを演出しにくい可能性があります。
また、ユーザ情報を分析するわけではないため、各ユーザに合う商品を提案できるとは限りません。

興味関心によせるパーソナライズドレコメンド

パーソナライズドレコメンドとは、ユーザの行動履歴を分析し対象ユーザの関心が高いと考えられる商品を提案する仕組みのことです。
また、行動履歴だけでなく簡単なアンケートをとり、おすすめするアイテムを決定する場合もあります。

協調フィルタリングと異なり、他のユーザの行動を含めた分析をしないため、より各個人に合わせた商品をおすすめできます。

履歴に基づいた協調フィルタリング

協調フィルタリングとは、ユーザの購入や閲覧などの行動履歴をもとに、商品などを提案する仕組みのことです。ユーザに思わぬ商品との出会いを提供することでアップセルなどにつながるメリットがあります。
また、自動でデータを収集・分析するため、手間がかからず導入しやすいのも魅力の一つですが、データが少なければ有効なレコメンドがしづらいなどのデメリットもあります。協調フィルタリングは以下の2種類の方法に分類されます。

アイテムベース
ユーザの行動履歴をもとに、購入した商品と、異なる商品との類似度を計算し、類似度の高い商品を提案する方法。

ユーザベース
あるユーザと購入履歴が似ているユーザを探し出し、その似ているユーザが購入し、かつ対象ユーザが購入していない商品を提案する方法。

機械学習を活用した画像・音声解析レコメンド

画像・音声解析レコメンドとは、ユーザが好む画像や音声を解析し、その興味・関心に応じて商品などを提案する仕組みのことです。

コンピューター（機械）に大量のデータを読み込ませ、そのデータのルールやパターンを発見させる機械学習を用いることで、人間にはできない大量のデータ分析を可能にし、正確かつスピーディーに情報を処理できます。

機械学習を活用した画像・音声解析レコメンドでは、ユーザが好む画像を解析し、その情報にもとづき商品提案が可能です。

深層学習を活用したグラフAI技術

グラフAI技術とは、深層学習（ディープラーニング）をグラフに落とし込み、潜んでいる関係性を見つけ出しレコメンドに活かす仕組みのことです。
そもそも、ディープラーニングとは機械学習の一つで、コンピューターが自動かつ大量のデータを解析し、データの特徴を抽出する技術を指します。
ディープラーニングは、ネットワークの中間層が複数かつ多層になっているため、機械学習よりもデータの特徴をより深く学習可能で、多種多様な特徴を把握できます。

この特徴量を活かしたグラフAI技術については、Uber EatsやPinterestでも導入されており、大規模なサイトや商品の多いサイトに向いているとされています。

複数組み合わせるハイブリッドフィルタリング

ハイブリッドレコメンドとは、これまで解説したルールベースレコメンドやパーソナライズドレコメンドなどのレコメンド機能を組み合わせて、商品を提案する仕組みのことです。

各仕組みのメリットを得られるとともに、自社独自のレコメンド機能を開発できます。また、複数のアルゴリズムを組み合わせて活用するため、ユーザの購入率の向上が期待できます。
映画やドラマを閲覧できるサブスクリプションサービスを展開するNetflix社やAmazonなど、さまざまな企業で利用されています。

レコメンドシステムの導入方法と選び方

これまで解説した通り、レコメンドシステムは複数のアルゴリズムがあり、ツールは多種多様に存在します。
期待する成果を得るためには、自社に合うツールの選択が重要です。
ここからは、以下について詳しく解説します。

レコメンドシステムの導入方法

レコメンドシステムを導入する方法は、大きくASP型とオープンソース型の2種類があります。
ASP型は企業が展開するツールを利用する方法、オープンソース型は自社でツールを開発する方法です。
双方にメリット・デメリットがあります。
ここからは、ASP型とオープンソース型について詳しく解説します。

ASP型（アプリケーションサービスプロバイダ）

ASPとはアプリケーションサービスプロバイダ（Application Service Provider）の略で、インターネット経由でソフトウェアや稼働環境を提供する事業者のことです。ASPが提供するレコメンドシステムを自社のECサイトなどに導入することで、レコメンドシステムを利用することができます。
ツールを利用すれば、自社でのサーバ設置や開発などが必要なく、低コスト且つスピーディにレコメンド機能を実装できます。また、導入後すぐに使い始められるため、短期間での利益創出が期待できます。

さまざまなツールが提供されており、自社の戦略や予算に合わせてツールを変更できるのも魅力の一つです。ASPが提供するツールには、レコメンド機能以外にも以下のような機能が実装されているものがあります。

データベース機能
レコメンド機能を活用するためには、ユーザがサイト内でどのような行動をしたのかや商品をチェック・購入したのかなどの履歴を収集・分析する必要があり、データの蓄積は必要不可欠です。また、レコメンドだけでなく、その他のマーケティング活動にも活用できます。

ランキング機能
ランキング上位の商品をチェックするユーザは多く、クロスセルなどが期待できます。ニュースサイトや動画サイトにも活用されている機能です。

≫≫ ランキング機能でCVRが改善！？ECサイトで利用するメリットとは

リマインド機能
カートに入れたままの商品や閲覧履歴のある商品を通知できる機能で、ユーザの興味・関心度合が高い商品を再度表示できます。

メッセージング機能
各ユーザに合わせメールマガジンやプッシュ通知などの個別メッセージを送信できます。

レポート機能
レコメンドで表示した商品に対しユーザがどのように行動したかのデータを収集・分析できます。

ABテスト機能
表示方法などを複数パターン試し、どのパターンがもっとも効果が高いかを分析し、実行できます。

オープンソース型

オープンソース型とは、自社でサーバを準備し設定から運用・管理までを行う方法のことです。一般公開されているソースコードを利用し、自社でレコメンドシステムを開発します。
自社のECサイトや戦略に合わせ、細かく自由に機能をカスタマイズできる点が魅力です。
また、自社のサーバでデータを管理するため、安全性が高いとされています。

一方で、高い技術力や多くのコスト、サーバ設置の場所が必要になるなどのデメリットが存在します。デベロッパーやITエンジニアが常駐している企業に採用されている方法で、その他の企業でこの手法を採用するケースはあまり多くありません。

レコメンドシステムの選び方

導入するレコメンドシステムを選ぶ際には、自社がどのアルゴリズムをもとに商品を表示させたいのかを検討することが重要です。
前述の通り、各アルゴリズムには特徴やメリット・デメリットがあります。自社の取り扱う商品やサイト規模、商品数などにより、最適なアルゴリズムは異なります。

複数のアルゴリズムを活用したハイブリッドフィルタリングの利用も可能ですが、ハイブリッドフィルタリングを活用すればその分コストがかかります。
規模や取り扱う商材に合わせ利用するツールを選択し、適切なコストで効果を出せるようにすることが大切です。

GENIEE SEARCHのレコメンド機能を追加した事例として、株式会社ジーニーの採用サイトがあります。ユーザが閲覧したコンテンツを分析し、ページ下部に「事業紹介」「数字で見るGENIEE」「社員インタビュー 」などのコンテンツをレコメンドで表示しています。
ユーザに新たな情報への気づきをあたえ、サイト内の回遊促進に成功しています。また、ツールはJavaScriptタグによる導入のため、自社システムの改修が不要で、手軽でスピーディーに機能実装を実現しています。

≫≫ 導入事例：株式会社ジーニー様（採用サイト）

レコメンドシステムまとめ

今回は、レコメンドシステムの概要や7種類のアルゴリズム、導入方法、選び方について解説しました。
レコメンドシステムとは、ユーザのサイト内行動や閲覧・購入などのデータ、事前に設定した一定のルールにもとづき、各ユーザに合わせた商品などを提案するシステムのことです。
導入すれば以下のような効果が期待できます。

◾️｜販売率の向上やクロスセル・アップセル
◾️｜サイト内回遊率の向上と滞在時間の伸びによるSEO効果
◾️｜ユーザエクスペリエンスの向上によるリピータ獲得

レコメンドシステムを導入する方法は、ASP型とオープンソース型の2種類が存在し、ASP型の場合は自社でのサーバ設置や開発などが必要なく、低コストかつスピーディーに導入でき、短期間での利益創出が期待できます。
ツールを選ぶ際は、自社に合うアルゴリズムを活用できるものを選びましょう。

サイト内検索のオススメ記事

• サイト内検索とは？3つのやり方・導入方法から活用事例までを解説
• 商品検索の絞り込み機能を実装してECサイトのCVRを改善
• サイト内検索の必須機能「サジェスト」でECサイトの売上アップ！
• ランキング機能でECサイトのコンバージョン率を改善する方法
• 【2024年最新】サイト内検索ツールおすすめ10選を徹底比較！成功事例から学ぶ選び方

---