予測AIを使ったカート放棄リカバリー:基本的なメールリマインダーを超えて

ECサイトの平均カート放棄率は約70%です。年間売上1,000万ドルの小売業者にとって、これはおよそ2,300万ドル相当の商品がカートに追加されたにもかかわらず購入されなかったことを意味します。標準的なリカバリー施策、つまり放棄後1時間、24時間、72時間に送信される3通のリマインドメールでは、通常3〜5%のカートしか回復できません。何もしないよりはましですが、ほんの表面をなぞっているに過ぎません。

オンライン売上約1,800万ドルの家具小売業者は、標準的なメールシーケンスで放棄カートの3.8%を回復していました。各放棄者に対してタイミング、チャネル、メッセージ内容、インセンティブをパーソナライズするAI駆動のリカバリーシステムに切り替えた後、回復率は14.2%に跳ね上がりました。同社の販売量に換算すると、年間約140万ドルの追加回復収益に相当しました。

標準的なメールシーケンスが成果を出せない理由

典型的な放棄メールシーケンスは、すべての放棄者を同じように扱います。同じタイミング、同じメッセージ、同じオファー。しかし、カート放棄はまったく異なる理由で発生し、最適なリカバリーアプローチはその理由によって異なります。

一部の放棄者は最初から本気の購入者ではありません。閲覧していたり、価格を比較していたり、カートをウィッシュリスト代わりに使っていたりします。これらの人々はリカバリー施策に関係なくコンバージョンする可能性は低く、積極的な割引メールを送ることは、割引を求める戦略としてカート放棄を習慣化させてしまいます。

一部の放棄者は特定の摩擦ポイントにぶつかっています。予想外の送料、複雑なチェックアウトプロセス、決済方法の拒否、アカウント作成の必要性などです。これらの人々は購入したかったのに実務的な障害で止められたのです。彼らに対する正しいリカバリーアプローチは、割引を提供することではなく、摩擦ポイントに対処することです。

一部の放棄者は単に気が散っただけです。購入するつもりだったのに、中断されて忘れてしまったのです。これらは最も回復しやすく、数時間以内のシンプルなリマインダーで、インセンティブなしでも通常うまくいきます。

一部の放棄者は比較検討中です。複数の小売業者のカートに同じ商品を入れており、最もお得な取引や最も便利な体験を提供するところから購入します。これらの場合、タイミングが非常に重要です。競合他社が先にリカバリーすれば、その顧客は失われます。

予測モデルが異なるアプローチをする理由

AIモデルは、行動シグナルに基づいて各放棄者を推定される理由カテゴリに分類します。45分間閲覧し、3つのカテゴリにわたって5つの商品を追加し、送料を確認した後にチェックアウト中に放棄した顧客は、Google Shopping広告から単一の商品ページにランディングし、商品を追加して90秒以内に離脱した顧客とはまったく異なります。

分類には、セッション時間と深度（閲覧ページ数、サイト滞在時間）、カート構成（単一商品vs.複数商品、カート合計金額、商品カテゴリ）、放棄ポイント（閲覧中、カート確認、送料計算、決済入力）、顧客履歴（新規vs.リピーター、過去の購入、過去の放棄とその反応）、トラフィックソース（オーガニック、有料検索、ソーシャルメディア、メール、ダイレクト）などの特徴量が使用されます。

分類に基づいて、モデルは4つの次元にわたって最適なリカバリー戦略を選択します。最初はタイミングです。気が散った買い物客には、1〜2時間以内のリマインダーが最も高いコンバージョン率を示します。比較検討中の買い物客にはスピードがさらに重要で、30分以内のリカバリーメッセージが売上を獲得するか失うかの分かれ目になります。本気ではなかった閲覧者には、24〜48時間待ってからカートリマインダーではなく商品レコメンデーションで再エンゲージメントする方が効果的です。

2番目の次元はチャネル選択です。メールは、過去にメールに反応してきた顧客に最も効果的です。SMSは開封率が高いもののクリック率は低く、ちょっとした後押しが必要な購入意欲の高い放棄者に最適です。プッシュ通知（アプリを持つ顧客向け）は、時間限定オファーに効果的です。ソーシャルメディアやディスプレイネットワークでのリターゲティング広告は、まだリサーチ段階にあり、コンバージョンまでに複数のタッチポイントが必要な顧客に有効です。

3番目の次元はメッセージ内容です。送料が原因で放棄した顧客には、送料無料オプションや送料割引を強調するメッセージを表示すべきです。高額カートを放棄した顧客には、分割払いオプションの方が効果的かもしれません。特定のブランドを常に購入するリピーターには、一般的な割引ではなくブランド価値を強化するメッセージングを表示すべきです。

4番目の次元はインセンティブレベルで、モデルが最もコストを節約する部分です。すべての放棄者に割引が必要なわけではありません。モデルは各インセンティブレベル（割引なし、5%、10%、15%、送料無料）でのコンバージョン確率を予測し、目標コンバージョン確率を達成する最低のインセンティブを選択します。ある顧客がインセンティブなしで40%の予測コンバージョン確率を持っている場合、15%オフを提供するのは純粋な利益の破壊です。別の顧客がインセンティブなしで5%の予測コンバージョン確率だが、10%割引で25%になる場合、そのインセンティブは増分収益によって正当化されます。

増分性の問題

カート放棄リカバリーにおける重大な間違いは、回復した収益をすべて増分として計上することです。顧客がいずれにせよ戻ってきて購入を完了するつもりだった場合、リカバリーメール（特に割引付きのもの）は収益を生み出したのではなく、単に利益を放棄しただけです。調査によると、回復されたカートの30〜40%は介入なしでもコンバージョンしていたとされています。

AIモデルは、ホールドアウトグループを維持し、真の増分性を測定することでこの問題に対処します。各顧客セグメントについて、一定の割合がリカバリー施策を受けません。施策グループとホールドアウトグループのコンバージョン率を比較することで、真の増分リフトが得られます。施策グループが14%でコンバージョンし、ホールドアウトが9%でコンバージョンする場合、真の増分回復率は14%ではなく5%です。

この増分性測定はインセンティブ最適化にも活用されます。ある顧客セグメントがインセンティブなしで12%、10%割引で15%コンバージョンする場合、割引は3パーセントポイントの増分コンバージョンしか生み出していません。利益構造によっては、その3ポイントがコンバージョンした15%全員に適用される10%割引を正当化しない可能性があります。

実装ステップ

フェーズ1では、分類に必要な行動シグナルをキャプチャするためにサイトを計装します。完全なセッションジャーニー（閲覧ページ、各ページの滞在時間、インタラクション）、チェックアウトフローにおける正確な放棄ポイント、放棄時のカート内容を追跡する必要があります。ほとんどの分析プラットフォーム（GA4、Segment、Mixpanel）は、適切なイベントトラッキング設定でこのデータをキャプチャできます。

フェーズ2では、過去の放棄データを使用して分類モデルを構築します。少なくとも6ヶ月分の放棄イベントと結果データ（最終的にコンバージョンしたか、どのくらい時間がかかったか、何がコンバージョンのきっかけになったか）が必要です。勾配ブースティングモデル（XGBoostまたはLightGBM）はこの分類タスクに適しており、標準的なノートパソコンでトレーニングできます。

フェーズ3では、モデルをマーケティングオートメーションプラットフォーム（Klaviyo、Braze、Iterable、または同様のもの）と統合し、モデル出力に基づいてパーソナライズされたリカバリーシーケンスをトリガーします。ほとんどのプラットフォームは動的コンテンツを含むAPIトリガーフローをサポートしており、これが顧客ごとにタイミング、チャネル、メッセージ、オファーを変えるために必要なものです。

標準的な3通の放棄メールシーケンスをまだ運用しているEC小売業者にとって、予測リカバリーへのアップグレードは最も実装しやすいAI施策の一つです。なぜなら、データはすでに収集されており（活用するだけでよい）、モデルは比較的シンプルに構築でき、影響は回復収益で直接測定可能だからです。放棄カートの4%を回復するのと14%を回復するのとの差は、販売量に応じて年間6桁から7桁の金額になることが多いです。