実際にコンバージョンするAI搭載の商品レコメンデーション

Amazonでは商品レコメンデーションが売上の最大35%を占めています。他のほとんどのECサイトでは5〜15%です。この差はレコメンデーションの質にあります。多くのエンジンは、顧客がすでに閲覧した商品のバリエーションを表示するだけにとどまっています。

基本的なレコメンデーションが失敗する理由

最近閲覧した商品はレコメンデーションではありません。それはデザインが良いだけのブラウザ履歴です。

カテゴリベースの提案は範囲が広すぎます。ノートパソコンを買ったから、さらにノートパソコンを表示する。もう1台は必要ありません。必要なのはバッグ、USBハブ、またはモニターです。

ベストセラーは汎用的すぎます。全員に同じ人気商品を表示するのは人気投票であり、パーソナライゼーションではありません。

優れたシステムが行うこと

協調フィルタリング。Xを購入した人はYも購入しています。最も強力なシグナルです。効果を発揮するには50,000件以上の注文データが必要です。

シーケンシャルパターンマイニング。カメラを購入した後、次の購入は通常メモリーカード（1日後）、次にカメラバッグ（1週間後）、そしてレンズ（1ヶ月後）です。購買ジャーニーに合わせたタイミングでレコメンデーションを行うことで、関連性が向上します。

コンテキストアウェアなレコメンデーション。商品ページでは補完的なアイテム。カート内ではアクセサリー。ホームページではプロフィールベース。購入後のメールでは論理的な次の購入商品。

意図の検出。購入意欲の高い買い物客（カートに追加、比較、レビューを読んでいる）には、意思決定を助けるレコメンデーションが効果的です。購入意欲の低い閲覧者には、発見型のレコメンデーションが効果的です。

配置が重要

• カートページ：補完的なアクセサリー。購入意欲が最も高い瞬間です。
• 商品ページ：補完的な商品と異なる価格帯の代替品。
• 購入後：論理的な次の購入商品。
• ホームページ：リピーターにはパーソナライズ、新規訪問者にはトレンド商品。

パフォーマンスの測定

クリック率、カート追加率、売上貢献度（優れたエンジンで全体の10〜30%）、および平均注文額の向上（10〜15%）。

ECおよび小売業界ページをご覧ください。