パーソナライゼーションは、エンゲージメントのための強力なツールになり得ます。ここでは、レコメンド・システムを最大限に活用するための、プロダクトのパーソナライゼーションの5つのレベルをご紹介します。
私の経験では、パーソナライゼーションはエンゲージメントのための強力なツールであり、顧客維持率を高め、新規顧客の獲得にも有益であることが証明されています。
しかし、その裏側には、エンドユーザーに関連性の高いコンテンツを提供するためのレコメンドシステムの仕組みをしっかりと理解することが必要なのです。
レベル1.1 コピーライターと連携する
パーソナライゼーションについて語るとき、本当に低コストで実現できる最低限のことは、コピーライターと密接に連携することです。コピーは、より快適なプロダクト体験をもたらすための強力なツールになります。「おはようございます、デイブ！」というシンプルな言葉から、お客様の誕生日に特別なサービスを提供することまで、さまざまな方法があります。
レベル1.2：クリエイティブ面で工夫する
イメージ画像やアイコンは、商品をよりパーソナライズするために大きな役割を果たします。例えば、季節のイメージ（秋冬、夏秋）を入れたり、アイコンにちょっとした工夫をしたりすることです。
5段階のパーソナライゼーション：レコメンドシステムの紹介です。N26銀行では、アプリのスプラッシュスクリーンに季節のイメージを使用（左）、Googleマップでは距離によってアイコンを使い分けています。
レベル2：ユーザーシグナル
パーソナライズの重要なポイントは、ユーザーを理解することです。ユーザーシグナルは無数にありますが、まずは最も一般的なものからご紹介します。
- 位置情報：選択した通貨、ユーザーデバイスの言語、SIMカード情報、IPアドレス、無線LAN名、電話のジオロケーションなど、あまり正確ではないものから正確な結果まで、おおよその位置情報を得ることは簡単です。
- デバイスの種類とブラウザー：プロダクトによっては、ユーザーがデスクトップWebとモバイルアプリのどちらを使用しているかを知ることは、ユーザーが何を求めているかを理解する上で非常に有効です。例えば、Google Chromeを使用しているユーザーは、Googleを使用してサインアップすることに積極的である可能性があります。
- ユーザーのアクション；インスタグラムで「いいね！」ボタンを押す、Youtubeで広告が流れる、Tiktokでスワイプダウンする、Amazonで流行の本を覗き込む、など。このようなユーザーアクションから、ユーザーが何に興味を持っているかを知ることができます。
「Googleが見ているのは、あなたがどこに座っているか、どのコンピューターを使っているか、どのブラウザを使っているか、など57のシグナルで、それらを使って個人用にカスタマイズされた結果を出しています。」あるGoogleのエンジニア
レベル3：コンテンツベースのフィルタリング
コンテンツ・ベースのフィルタリングとは、提供するサービスやプロダクトをカテゴリー別に分類することです。例えば、Spotifyには「ディスコ」や「ロック」、Netflixには「ホラー」や「コメディ」、Amazonには「エレクトロニクス」や「書籍」といったカテゴリーがあります。
Spotifyは、自然言語処理（Natural language processing strives to understand text or voice data）を使って、特定のアーティストに関するブログ記事、記事、議論に書かれた大量のデータをスクラップしています。人々がそのアーティストについて何を言っているか、他のアーティストが何を書いたか、一緒に言及される可能性のある他の曲を追跡します。システムは、説明的な用語、名詞、フレーズを識別し、それらを特定のアーティストや曲と関連付けます。
ユーザーがこれらのカテゴリのいずれかに関与している場合、ユーザーが探しているものに類似したオファーを簡単にハイライトすることができるというものです。実際には、これらのシステムは簡単に実装できますが、高度なパーソナライゼーションが可能ではなく、エンドユーザーにとっては少し静的なものに感じられるかもしれません。
コールドスタート問題
レコメンデーションについて語るときの「コールドスタート」とは、最適な結果を提供しようとするタイミンうで、ユーザーについて十分に知らないということを意味します。この問題は、通常、ユーザーに興味のあるトピックを選んでもらう「プリファレンス」オンボーディングで解決されています。
レベル4：協調フィルタリング
協調フィルタリングは、テック業界で最もよく使われている方法です。Netflixのサービスの文脈では、その目的は、この映画を見た他のユーザーも見ていることを見て、ユーザーが好きそうな映画を予測することです。同じようなテイストを持つユーザーのコンテンツを強調することができるのです。
この段階では、データサイエンティストと組んで、協調フィルタリングに基づくレコメンデーションモデルを構築することが推奨されます。
このように強力な手法は、さまざまな方法で利用することができます。Amazonの場合、「この商品を買った人はこんな商品も買っています」「よく一緒に買われています」というように、商品をパッケージ化してカゴのサイズを大きくすることが一つの方法として使われています。
レベル5：「追い剥ぎ」モデル
「追い剥ぎ」は、学習アルゴリズムがデータ収集プロセスに参加できるもので、例えば、アルゴリズムが長期的なパフォーマンスにとって価値あることを学ぶと信じるに足る理由があれば、全く無関係なものを推奨することもあります。
Booking.comでは、サイトのさまざまな領域でUI要素の順序を決定するために使用されるいくつかの強化学習モデル（LooperやRobin Hoodなど）があります。
これは、プロダクト内で異なるアーキタイプ（行動パターン）を検出した場合に非常に有効です。例えば、ユーザーがロックをよく聴いていて、時々ラップも好きだとしたらどうでしょう。これは、ユーザーの行動の変化を検出することで、強化学習によって解決される問題です。また、ユーザーが異なるコンテキストで異なるものを欲しているかどうかを確認することで、よりコンテキストや時間を意識することができます。
Spotifyのホーム画面は、Spotifyが「シェルフ」と呼ぶプレイリストの列と、そのシェルフの中の「カード」と呼ばれるプレイリストの列で構成されています。それぞれの棚には、「あなたのために作られた」とか「最近聴いた曲からインスピレーションを得た」など、その内容を表すテーマが設定されています。BaRT（Bandits for Recommendations as Treatments）のタスクは、棚の中のカードをランク付けすることと、棚自体をランク付けすることです。そのために、BaRTは複数の追い剥ぎアルゴリズムを使用しています。
注意すべき4つのこと
- データの処理と使用は微妙な話題なので、GDPRに準拠することを視野に入れつつ、これらの会話のすべてに法務部門を関与させることを強くお勧めします。
- 偏見はどこにでもあります。チームに常に注意を促しましょう。多様性が私たちを強くします。ですから、異なる意見や文化的背景を持つ人々をチームに加えるようにしてください。
- フィルターバブル。レコメンデーションは、ユーザーをアイデアやプロダクトの1つのスレッドに絞り込むことができます。定期的に異なる意見やアイデアをユーザーにアピールするように気をつけましょう。もっと詳しく知りたい方は、Eli Pariserのこの素晴らしい講演をお勧めします。
- レコメンデーションに対して、ユーザーがフィードバックできるようにしましょう。レコメンデーションに対するサムズアップ/ダウン投票から、単に提案を削除することまで、これは、何がどこで改善できるかを理解する上で、チームに大きな洞察をもたらすでしょう。
「体験とデザイン、スタートアップについて」の更新情報は、ぜひこちらのアカウント（@hrism2）をフォローしてください！
— いしまるはるき (@hrism2) 2022年5月30日
