レコメンドエンジンとは？仕組みや導入時の注意点・主要サービスまとめ

競合他社が次々とレコメンドエンジンを導入する中、自社でも導入を検討すべきか迷っていませんか。

レコメンドエンジンとは、ECサイトで「あなたにおすすめの商品」を提案するほか、ニュースサイトで「合わせて読みたい記事」を掲載するなど、ユーザーの好みに合った商品や情報を表示するシステムです。興味を示す商品や目的の情報に素早くアクセスできるため、ユーザーの利便性が向上します。新規ユーザーや既存顧客との関係性を深め、販売効率を高める必要性を感じている場合には、ECサイトにレコメンドエンジンを導入することをおすすめします。

本記事では、レコメンドシステムの仕組みや導入時の注意点、おすすめサービスなどを解説します。

パーソナライズ事例大辞典

HubSpotが提供するお役立ち資料が無料で今すぐダウンロードいただけます。

• HubSpotが提供する資料
• 資料はすべて無料
• ビジネスに役立つ情報満載
• ダウンロード後すぐに閲覧可

今すぐ無料ダウンロードする 詳しく見る

今すぐダウンロードする

全てのフィールドが必須です。

ダウンロードの準備ができました

下記のボタンよりダウンロードいただけます。

今すぐダウンロードする

レコメンドエンジンとは、ユーザーの行動履歴や趣味嗜好に基づいて最適な商品や情報を表示するシステムです。

例えば、Amazonにログインした状態でトップページを開くと、「あなたへのおすすめ商品」や、「この商品を購入した人はこちらの商品もチェックしています」といった案内が表示されます。

また、動画配信サービスのNetflix（ネットフリックス）では、ユーザーのアカウント情報や視聴履歴から、「おすすめ動画」が提案されます。

レコメンドエンジンを導入することで、ユーザーは自分の興味に合った新しい商品や情報に効率良くアクセスできます。サイトの利便性とUX（ユーザー体験）の向上により、企業にも販売効率の改善やLTVの向上といった恩恵が生まれます。
 

レコメンドエンジンの仕組みは5つの種類に分かれます。

• 協調フィルタリング
• コンテンツベース・レコメンド
• ルールベース・レコメンド
• パーソナライズ・レコメンド
• ハイブリッド・レコメンデーション

それぞれの仕組みによって商品や情報の表示方法が異なるため、特徴の違いを理解しておくことは重要です。一つずつ解説していきます。
 

1.協調フィルタリング

協調フィルタリングとは、商品の購入やWebページの閲覧といった履歴データに基づいて推奨する商品や情報を表示させる方法です。協調フィルタリングは、さらに「アイテムベース・フィルタリング」と「ユーザーベース・フィルタリング」に分類できます。
 

アイテムベース・フィルタリング

ユーザーの行動履歴から各商品の類似度を算出します。商品①を購入した顧客の多くが商品②も購入しているようであれば、新たに訪問したユーザーが商品①をカートに入れた時点で商品②を勧めるというような仕組みです。商品同士の関連度がシステムのベースとなっています。

ユーザーベース・フィルタリング

過去に訪問したユーザーと新たにアクセスしたユーザーとの類似度に基づいて推奨商品を提案します。Aさんのユーザー属性や興味関心によく似たBさんが、過去に商品①を購入していた場合、Aさんに商品①を勧めるというような仕組みです。アイテムベース・フィルタリングとは異なり、ユーザー同士の関連度がシステムのベースとなっています。
 

2.コンテンツベース・レコメンド

コンテンツベース・レコメンドとは、あらかじめ複数の商品をグルーピングしたうえで提案を行う方法です。

例えば、グルーピングには商品①、デザインがよく似た商品②、同じブランドの別モデルである商品③を設定するとしましょう。するとユーザーが商品①の詳細ページにアクセスした際、事前に設定した商品②と商品③がレコメンドフィードに表示される仕組みです。

グルーピングする商品は任意で指定できるため、AIが十分にデータを取得できていない状態でも推奨商品を表示できます。
 

3.ルールベース・レコメンド

あらかじめユーザーの行動と、その行動に対する推奨方法をルール化する方法です。コンテンツベース・レコメンドと異なるのは、ルールベース・レコメンドは商品に加えてユーザーの行動まで指定できる点です。

クリスマスプレゼントに関連する広告から流入したユーザーに人気1位のギフトを提案する、プリンターを購入したユーザーに同メーカーのインクカートリッジを勧めるなど、店舗側が売りたい商品を積極的に打ち出せます。キャンペーン商品や期間限定商品をレコメンドフィードに表示させたいときに役立ちます。
 

4.パーソナライズ・レコメンド

ターゲットとなるユーザーの属性や行動履歴に基づいて推奨商品を提案する方法です。

協調フィルタリングではサイトを訪れたすべてのユーザーの情報を取得し、その関連性に基づいて推奨商品を表示します。一方のパーソナライズ・レコメンドの場合、一人ひとりの属性や行動履歴を分析し、その人に最適な商品を提案します。

例えば、過去にビジネス書①を購入したAさんに対し、新しく出版されたビジネス書②をレコメンド表示させるような仕組みです。同じくビジネス書①を購入したBさんやCさんの行動履歴は参照されません。あくまで「Aさんの好み」のみに絞り込んで提案する点が特徴です。

パーソナライズ・レコメンドは、実店舗で接客するかのように、各ユーザーに合わせた丁寧な提案を行いたい場合に向いています。ただし、データ取得の対象となるユーザーが一名のみになるため、そのユーザーのアクセス履歴や購買履歴といった行動をデータとして積み上げ、商品提案に活用できるようになるまで時間がかかります。
 

5.ハイブリッド・レコメンデーション

ハイブリッド・レコメンデーションとは、ここまでお伝えした4つの仕組みを自由に組み合わせる方法です。複数の方法を組み合わせることで、各々の弱点を補い精度の高いレコメンドシステムを実現させます。

例えば、Aさんが過去に赤色の商品を好んで購入している場合、パーソナライズ・レコメンドとしてそのユーザーに赤色の別の商品を提案できます。さらに協調フィルタリングで別のユーザー情報を参照すると、商品①を買った人は商品②をよく購入していることがわかりました。

そこでAさんが商品①を購入したタイミングで、「赤色の（パーソナライズ・レコメンド）商品②を（協調フィルタリング）提案」といった、ハイブリッド・レコメンデーションが可能です。
 

レコメンドエンジンは、ECサイトやニュースサイト、動画配信サイトなどで活用されています。それぞれの活用方法や事例について詳しく解説します。
 

ECサイト

Amazon.co.jp

ECサイトでは、主にユーザーの閲覧履歴や購買履歴から好みに近い商品を表示します。

Amazonの場合、各ユーザーの興味関心や趣味嗜好から「あなたへのおすすめ」と表示するパーソナライズ・レコメンドや、各商品の関連度から「この商品を買った人はこちらもチェック」というアイテムベース・フィルタリングなどを採用しています。

ECサイトにレコメンドエンジンを導入すると、検索中にブラウザを閉じたユーザーに詳細ページへの再訪問を促すことが可能です。ユーザーにとっては、ティーカップとソーサーといったセットになる商品を効率的に購入できるほか、関心の強い分野の新商品を知る機会にもなります。
 

ニュースサイト・求人サイト

ニュースサイトではユーザーの好みに合ったおすすめ記事の提案、求人サイトでは条件に合う企業を勧めるといった形でレコメンドエンジンが導入されており、いずれも過去の閲覧データに基づいています。興味関心に近い情報やコンテンツを表示することで、サイト内の回遊率向上、あるいは滞在時間を増やすことが可能です。
 

動画配信サイト

Netflix

動画配信サイトでは、動画の視聴履歴に基づいてレコメンドエンジンが活用されています。

複雑なレコメンドシステムを採用するNetflixが代表的です。特定の動画を視聴した人におすすめ動画を提案するのはもちろん、ユーザーそれぞれの属性から最適なサムネイル画像を表示させるなど細かい配慮が見られます。
 

レコメンドエンジンは、「ASP型」と「オープンソース型」に分類できます。

それぞれメリットとデメリットがあるため、予算や用途に合わせて選びましょう。以下でASP型とオープンソース型のレコメンドエンジンの特徴を解説します。
 

ASP型

ASP（Application Service Provider）とは、ネットワーク経由で利用できるアプリケーションを提供するプロバイダのことで、現在はほとんどのレコメンドエンジンがASP型です。

自社サーバーが不要なので手間がかからず、さらに費用が安くコストパフォーマンスに優れています。細かいカスタマイズこそできないものの、ベンダーの種類が多いため、目的に合わせて最適なレコメンドエンジンを探せます。

最近のASP型レコメンドエンジンでは、レコメンド機能以外に豊富な機能を搭載したものが少なくありません。以下は代表的な機能の一例です。

• ランキング機能：購入数の多い商品やアクセスの多いページをランキング表示
• 複数チャネル対応：広告やメール、アプリなどマルチチャネルのパーソナライズ化
• ABテスト機能：レコメンドの表示方法をABテストでチェック
• レポート機能：ターゲットの条件や指定ルールなどから具体的な効果測定ができる
   

オープンソース型

世界中に公開されているソースコード（プログラム）をもとに、自社でカスタマイズしてレコメンドシステムを構築します。プログラミングに詳しい人材がいれば、目的や用途に合わせて独自機能を実装できるほか、レイアウトやデザインの変更まで細かい調整が可能です。

ただし、レコメンドシステムを運用するための独自のサーバーを構築する必要があり、時間と労力、費用の面で大きな負担となります。手軽にレコメンドエンジンを実装したい場合にはASP型がおすすめです。
 

レコメンドエンジンを実装するかどうかお悩みの方は、導入する前にメリットとデメリットを理解しておきましょう。運用初期は、レコメンドエンジンがうまく機能しない場合があります。その場合の対処法もお伝えしていますので、ぜひ参考にしてください。

レコメンドエンジンのメリットとデメリットは以下のとおりです。

ECサイトの販売効率を高めるには、数多くのターゲットに対して闇雲に商品を提案するよりも、ユーザーの好みや関心に合わせて商品を勧めるほうが効果的です。レコメンドエンジンを導入することで、購買率や客単価、CVRといった数値の改善効果が期待できるでしょう。

レコメンド機能が効力を発揮した結果、ユーザーは自分の好みをよく理解している店員に接客されているような感覚を味わえます。ユーザーとの信頼関係を築ければリピーターになってくれるでしょう。

ただし、ユーザーのデータを蓄積するには、ある程度の時間がかかります。その間はレコメンド機能の質が低く、ユーザーが求める商品や情報を提案できない可能性があります（コールドスタート）。

コールドスタートの問題を解消するには、初期段階に限り、ユーザー属性や行動履歴データに大きく依存しないコンテンツベース・レコメンドやルールベース・レコメンド、あるいは両方を組み合わせて活用すると良いでしょう。データが十分に蓄積されたあとは、レコメンドエンジンの機能をフルに活用できます。
 

レコメンドエンジンを実装するとしたら、どのような流れでシステムを構築すれば良いのでしょうか。多くのレコメンドエンジンに採用されているASP型を例に挙げると、システムを導入するまでの流れは以下のようになります。

1. ASPのベンダーからヒアリングを受ける
2. ベンダーから提案書と見積書を提示してもらう
3. 契約スタート
4. ECサイトやWebサイトにレコメンドエンジンを導入
5. レコメンドタグの埋め込みやレイアウトの調整などの初期設定を行う
6. 運用開始、不明点があればベンダーに問い合わせる

ベンダーの比較検討から導入までのおおよその期間は1か月。ヒアリングや契約書への同意といった手続きが必要になるため、余裕を持って準備を進めましょう。
 

レコメンドエンジンを導入する前に以下のチェックリストを確認しましょう。事前にチェックリストを確認しておくことで、導入後の失敗を防ぐことにつながります。

• 費用対効果が見込めるか
• すでに使用しているツールと連携が可能か
• スマートフォンに対応しているか
   

費用対効果が見込めるか

レコメンドエンジンは高機能製品ほど高額になるのが一般的です。あらかじめ複数のレコメンドエンジンを比較検討し、必要な機能に優先順位を付けたうえで絞り込みましょう。自社が求める機能のみを搭載したレコメンドエンジンを選ぶと高い費用対効果が見込めます。
 

すでに使用しているツールと連携が可能か

高機能なレコメンドエンジンのなかには、MAやBI、SNS、データフィードなど各種ツールと連携できるものがあります。ユーザーデータが欠かせないレコメンドエンジンだからこそ、他ツールとの連携範囲の広さは重要な要素です。
 

スマートフォンに対応しているか

スマートフォンに対応（マルチデバイス対応）しているレコメンドエンジンは、パソコン向けサイトとスマートフォン向けサイトで異なるデザインが適用できます。モバイル端末からWebサイトにアクセスする人が増えてきた昨今、モバイル対応は必須です。

ベンダーによってはパソコン用とスマートフォン用で料金が異なるケースもあるため、事前に料金体系をよく確認しておきましょう。
 

ASP型のレコメンドエンジンは数多く存在しますが、初めての方には、導入しやすさ、料金の安さ、豊富な機能という3つのポイントを押さえたベンダーがおすすめです。ここからは、この3つのポイントを押さえたレコメンドエンジンをご紹介します。
 

NaviPlusレコメンド

500以上のサイトに導入されており、公開導入実績ナンバーワンのレコメンドエンジン。「行動履歴」「訪問者導線」「アイテム属性」「訪問者属性」を反映したレコメンドコンテンツを提供できる強みを持ちます。

システムを実装する際は、サイトのシステム環境や端末環境などに合わせ、最適な実装方法の提案と技術サポートを行ってくれます。導入後も先進事例に基づいて改善・活用提案を行っており、手厚いサポートが同サービスの魅力です。

Rtoaster

350社以上の導入実績がある高機能なレコメンドエンジン。クロネコヤマトやエン・ジャパンなど多くの大企業が導入しています。データインポートやMA・BI連携、コンテンツ解析など豊富な機能を搭載している点が特徴です。

CRMやSNS、Webサイトなどに蓄積したユーザーデータを拾い上げ、高度な機械学習によって自動的にセグメント情報やターゲット情報を作成してくれます。さらに連携範囲はユーザーとのタッチポイントにまで適用されており、メールやLINEを駆使してプッシュ通知を行えます。

パーソナライズド・レコメンダー

パーソナライズド・レコメンダーでは、「行動履歴×商品情報×運営者情報」の独自のレコメンドシステムを採用しています。

複数のユーザー属性から適切な商品提案を行える協調フィルタリングや、指定商品をレコメンドできるルールベース・レコメンドのほか、行動履歴のない新商品のレコメンド情報を即座に反映できるテキストマイニングを使える点が特徴です。すでにある程度人気のある商品については、ランキング機能を導入して販売数を底上げできます。

では、実際にレコメンドエンジンを導入すると、どの程度の効果が見込めるのでしょうか。阪急交通社とアイ・ラーニングの事例からレコメンドエンジンの効果を検証します。
 

【阪急交通社】基幹データを活用したレコメンドで売上1.5倍に

阪急交通社では、旅行ツアー予約・販売サイト「トラピックス」にレコメンドエンジンを実装しました。基幹データを蓄積するDMP（データマネジメントプラットフォーム）と連携し、ユーザーの好みに応じて最適な旅行ツアーを提案できるようサイトを改装しています。

まずは、1商材でパソコン・スマートフォン・携帯電話の3デバイスにわたる閲覧ベースのレコメンドからスタート。その後、徐々にレコメンド領域を拡張しました。その結果、オンラインでの売上高は1.5倍、サイト内のレコメンドを経由した売上比率は平均20～30％に向上しています。

（参照：アクティブコア ｜ 導入インタビュー　阪急交通社様） 
 

【アイ・ラーニング】レコメンド経由の売上比率向上とコスト削減に成功

企業の人材育成をサポートするアイ・ラーニングでは、「マイラ」という学習動画コンテンツ配信サービスでレコメンドを導入しました。マイラには学習コースが200種類以上あり、より効率良く目的のコースを探せるよう改善をはかりました。

その結果、プロモーションにかかる手間や工数が減りトータルコストの削減に成功。さらに売上高の20～30％がレコメンド経由となり、販売効率の向上にもつながっています。

（参照：アクティブコア ｜ 導入インタビュー　アイ・ラーニング様）
 

レコメンドエンジンは、ECサイトやWebサイトのUXを高めるための効果的な手段です。ユーザーは自分が求める商品や情報に効率良くアクセスでき、利便性が向上します。その結果、企業に対する信頼度の向上につながるため、業績にも好影響を与えるでしょう。

レコメンドエンジンを効果的に活用するには、あらかじめ費用対効果や他サービスとの連携範囲などをチェックしたうえで、予算や用途に合う適切なサービスを選ぶことが大切です。また、自社の基幹データを生かせるよう、外部ツールとの連携範囲についてもチェックしておきましょう。