リコメンデーションを活用した顧客エクスペリエンスのパーソナライズ化

この記事全体で参照されているリコメンデーションノートブックに直接アクセスします。

2020年、小売業界ではEコマースの導入が大きく飛躍し、総小売売上高に占めるEコマースの割合は1年で数年分の進歩を遂げました。その一方で、新型コロナウイルス感染症（COVID）、ロックダウン、経済の不確実性により、顧客とのエンゲージメントや顧客維持の方法は完全に覆されました。この急速な変化の時代に効果的に競争するためには、企業はパーソナライゼーションを見直す必要があります。

2020年には、eコマースの導入だけでなく、消費者行動に急速な変化が見られました。ストアブランドの消費者への普及が進みました。生活必需品の需要が再び高まりました。顧客は特定の製品だけでなく小売業者との関係も見直し、複数の小売パートナーに支出を分散させました。パーソナライズされたおすすめによって収益の35%を上げることができる大手小売業者によって、店内のディスプレイ、特集、プロモーションの関連性が問われるようになりました。

顧客が自分を理解してくれていると感じられるような体験を提供することは、小売業者が大規模販売店との差別化を図り、ロイヤルティを構築する上で役立ちます。これは COVID 以前にも言えたことですが、消費者の嗜好が変化する中で、この点は小売企業にとってさらに重要性を増しています。新規顧客の獲得コストは既存顧客の維持コストの最大5倍にもなるという調査結果があるため、ニューノーマル時代に成功を目指す組織は、確固たる顧客基盤を維持するために、既存顧客とのより深いつながりを構築し続ける必要があります。今日の消費者が、これまで定着してきた消費パターンを見直すための選択肢や動機付けは、事欠きません。

競争力を維持するためには、パーソナライゼーションが不可欠です。

圧倒的な選択肢を前に、消費者は購入するブランドや企業が自分のニーズや好みに合った体験を提供してくれることを期待しています。かつては未来の可能性を示す斬新なビジョンとして提示されていたパーソナライゼーションは、常時接続し、時間に追われ、ますます複雑化するさまざまな検討事項を通じて価値を求める消費者にとって、次第に基本的な期待となりつつあります。

パーソナライズされた体験を提供するブランドは、こうした小売大手と競合できます。消費者の意識と消費パターンに関する新型コロナウイルス感染症拡大前の分析では、参加者の80%がパーソナライズされた体験を提供する企業と取引する可能性が高いと回答しました。これらの人々は、自分の個人的なニーズや好みを理解し、それに応えてくれると信じている組織から、年間15回以上購入する可能性が10倍高いことがわかっています。別の調査では、参加者の50%が購入するブランドを自己表現の延長線上にあるものと捉えており、 これを正しく実践する ブランドに対して、より深く持続的な 顧客ロイヤルティ が生まれると報告しています。

COVID-19によって消費者の関心が価値、入手しやすさ、品質、安全性、コミュニティへと 移行 したことで、変化するニーズや感情に最も敏感なブランドは、顧客が 競合他社 から 乗り換える のを目の当たりにしました。一部のセグメントはビジネスを拡大し、多くは失いましたが、すでに顧客体験の向上への道のりを歩み始めていた組織は、2007年から2008年の景気後退で見られたパターンをほぼ反映する形で、より良い結果を収めました（図1）。

 図1. CXリーダーは低迷市場においてもラガードを上回る — マッキンゼー・アンド・カンパニー提供のForrester Customer Experience Performance Indexの可視化 (リンク

私たちがニューノーマルとなる未来に目を向けるとき、顧客体験のパーソナライゼーションは、多くのB2C組織、さらにはB2B組織にとっても、引き続き重要な焦点であり続けることは明らかです。市場アナリストの間では、新興企業が老舗企業を覆すことを可能にする破壊的な力として、カスタマーエクスペリエンスを認識する傾向が強まっています。製品、プレースメント、価格、プロモーションだけで競争することに重点を置いている組織は、受け取る1ドルあたりでより多くの価値を消費者に提供できる競合他社からのプレッシャーにさらされるでしょう。

顧客ジャーニーに焦点を当てる

パーソナライゼーションは、カスタマージャーニーを慎重に探ることから始まります。これは、顧客がニーズを認識し、それを満たす製品を特定するために動き出すところから始まります。その後、購入チャンネルの選択、消費、廃棄、そしてリピート購入の可能性へと移行します。その道のりは多様であり、単純に直線的なものではありませんが、あらゆる段階で、顧客にとっての価値を創造する機会があります。

各段階をデジタル化することで、顧客はエンゲージメントの方法に柔軟性を持つことができ、組織は自社モデルの健全性を評価できるようになります。デジタル化は、オンラインやモバイル体験に不可欠な要素ですが、顧客に対する透明性、プライバシー、付加価値を適切に考慮することで、カスタマージャーニーにおける店舗、移動中、さらには在宅の段階にまで拡張できます。

この顧客生成データとサードパーティからの入力は、組織が顧客とそのユニークなジャーニーについての理解を深めるために必要な情報を提供します。これにより、個々の動機、目標、好みをより深く理解し、よりパーソナライズされたエクスペリエンスを顧客に提供できるようになります。

カスタマージャーニーを調査・デジタル化し、そこから得られるデータを分析することで、顧客体験を向上させるフィードバックループが生まれます。このループを始動させ、長期にわたって維持するためには、顧客エクスペリエンスで競争するための明確なビジョンを表明する必要があります。このビジョンは、マーケティング部門とその IT イネーブラーだけでなく、組織全体を共通の目標の下に結束させるものでなければなりません。次に、これらの目標を、部門横断的なコラボレーションとイノベーションを促進するインセンティブ構造に落とし込む必要があります。他社と差別化された顧客体験を提供するという組織の道のりは、本質的に、知見を行動に移し、失敗から得られる学びを称賛し、成功を迅速に拡大して顧客価値を高める「学習する組織」になるための道のりです。

顧客の好みを活用する

パーソナライゼーションは多面的ですが、カスタマージャーニーのさまざまな時点で、組織には顧客に提示するコンテンツ、製品、プロモーションを選択する機会があります。このような瞬間に、顧客からの過去のフィードバックを考慮して、提示する適切なアイテムを選択できます。顧客からのフィードバックは、必ずしも1つ星から5つ星の評価や書面によるレビューの形で提供されるとは限りません。フィードバックは、インタラクション、滞在時間、製品検索、購入イベントを通じて表現される場合があります。顧客がさまざまなアセットとどのようにやり取りし、これらのインタラクションがどのように好みの表現として解釈され得るかを慎重に検討することで、パーソナライゼーションを可能にする幅広いデータを活用できるようになります。

フィードバックを基に、どのアイテムを提示するかを検討します。ある顧客が、おすすめ製品の品揃えを閲覧し、その中の1つをクリックして代替品を探し、カートに入れた後、その製品と一緒によく購入される製品を探すという状況を考えてみましょう。この非常に狭いカスタマージャーニーの各段階で、顧客はまったく異なる目的を持って私たちのコンテンツに接しています。このジャーニーを通じて顧客の好みは変わりませんが、その意図によって、提示する内容に関して私たちはその情報を使い、全く異なる選択をすることになります。

それが科学であると同時にアートでもあると理解してください。

顧客の好みに基づいてコンテンツを提供するエンジンは、レコメンダーと呼ばれます。その構築は、科学であると同時に芸術でもあると言っても過言ではありません。一部のレコメンダーでは、類似した顧客の共通の好みを重視して、顧客に提示する可能性のあるコンテンツの範囲を広げます。他のレコメンダーでは、コンテンツ自体の特性（例：製品説明）に焦点を当て、関連コンテンツとのユーザー固有のインタラクションを活用して、あるアイテムが顧客の心に響く可能性を定量化します。レコメンデーション エンジンの各クラスは、それぞれ一般的な目標を持っていますが、そのレコメンデーションを特定のビジネス目標に向けるためには、その中で企業が無数の決定を下す必要があります。

これらのエンジンの複雑さと、私たちがそれらを構築する理由の性質上、その想定される精度に関する事前の評価は信頼性に欠けます。私たちが構築するレコメンダーが大きく逸脱しないようにオフライン評価手法が提案されており、採用すべきですが、現実には、限定的なパイロット版をリリースして顧客の反応を評価することによってのみ、特定の目標達成を支援するその能力を効果的に評価できます。そして、これらの評価においては、完璧さが期待されているのではなく、以前のソリューションに対する漸進的な改善のみが求められているということを心に留めておくことが重要です。

パフォーマンスと完全性のトレードオフを考慮する

あらゆるレコメンダーの構築において克服しなければならない主な課題は、スケーラビリティです。ユーザーの類似性を活用したレコメンダーを考えてみましょう。10万人のユーザーという小規模なプールでも、約50億のユーザーペアの評価が必要であり、その評価のそれぞれで、推奨する可能性のある各アイテムに対する好みの比較が含まれる場合があります。純粋に技術的な観点から見れば、この数の計算を実行することは問題ではありませんが、定期的に、かつこれらのシステムに課せられる時間的制約の中で実行するコストを考えると、総当たり評価は実行不可能です。

このような理由から、レコメンダーシステムの開発に関する技術文献では、近似類似性技術が非常に重視されています。これらの手法は、比較対象のオブジェクトに最も似ている可能性の高いユーザーまたはアイテムに焦点を絞るための近道を提供します。これらの手法では、パフォーマンスの向上と推奨の完全性との間にトレードオフがあります。したがって、これらの手法はかなり技術的なものですが、ソリューションアーキテクトとビジネス関係者の間で、これら2つの考慮事項の適切なバランスについて重要な対話を行う必要があります。

ソリューション アクセラレータで取り組みを迅速に開始

言うまでもなく、リソースを慎重に管理することは、進行中のレコメンダーの開発、トレーニング、デプロイのコストを抑えるのに大いに役立ちます。Databricksは、まさにこの理由のために、組織がリソースを迅速にプロビジョニングおよびプロビジョニング解除できるようにするクラウドインフラストラクチャ上でのスケーラブルな開発向けに専用に構築されています。

顧客がDatabricksを使用してさまざまなレコメンダーを開発する方法をご理解いただけるよう、ソリューションアクセラレータプログラムの一環として、一連の詳細なノートブックを提供しています。各ノートブックでは、実世界のデータセットを活用して、生データが 1 つまたは複数のレコメンダー ソリューションにどのように変換されるかを示します。

これらのノートブックは、教育を目的としています。ここで紹介する手法は、特定のリコメンデーションに関する課題を解決するための唯一の方法、あるいは推奨される方法というわけではありません。それでも、上記で説明した課題に取り組む中で、ここで提示するコードの一部が、顧客がご自身のリコメンデーションのニーズに取り組む際に役立つことを願っています。

協調フィルタリングレコメンダー

• FSQ 01: データの準備
• CF 02: 類似ユーザーの特定
• CF 03: ユーザーベースのレコメンデーションを構築する
• CF 04: アイテムベースのレコメンデーションの構築
• CF 05: 協調フィルタリングのデプロイ

コンテンツベースレコメンダー：

パーソナライゼーションとレコメンデーションに関するオンデマンド ウェビナーもご覧いただけます。

• FSQ 01: データの準備
• CN 02a: タイトル類似度の判定
• CN 02b: 記述の類似度を判定する
• CN 02c: カテゴリの類似度を特定する
• CN 03: ユーザープロファイル・レコメンダーの構築
• CN 04 コンテンツベースのレコメンダーをデプロイする