Skip to content

アイテムのおすすめ

Braze でレコメンデーションを強化するには、ユーザーが実際に求めているアイテムやコンテンツを提案できるレコメンデーションエンジンを作成します。AI を使ったエクスペリエンスのカスタマイズから、Liquid やコネクテッドコンテンツを使った独自のエンジンの構築まで、すべてのおすすめを価値あるものにするために必要な情報がすべて揃っています。

前提条件

Braze でアイテムのおすすめを作成または使用する前に、少なくとも1つのカタログを作成する必要があります。そのカタログのアイテムのみがユーザーにおすすめされます。

種類とユースケース

AI パーソナライズ

AI アイテムレコメンデーション機能の一環として、AI パーソナライズレコメンデーションはディープラーニングを活用し、ユーザーが過去に関心を示した内容に基づいて、次に最も興味を持ちそうなアイテムを予測します。この方法は、ユーザーの動作に適応するダイナミックでカスタマイズされたレコメンデーションシステムを提供します。

AI パーソナライズレコメンデーションは、購入やカスタムイベントなど、過去6か月分のアイテムインタラクションデータを使用してレコメンデーションモデルを構築します。パーソナライズされたリストを作成するのに十分なデータがないユーザーには、最も人気のあるアイテムがフォールバックとして表示されるため、ユーザーは引き続き関連性の高い提案を受け取ることができます。

AI アイテムレコメンデーションでは、セレクションを使用して利用可能なアイテムをさらに絞り込むこともできます。ただし、Liquid を使用したセレクションは AI レコメンデーションでは使用できないため、カタログのセレクションを作成する際にはその点に留意してください。

ユースケース

追跡しているインタラクションデータに基づき、このモデルのユースケースとして、次の例が考えられます。

購入イベントまたは購入に関連するカスタムイベントに基づいて、ユーザーが次に購入する可能性が最も高いアイテムを予測しておすすめします。以下に例を示します。

  • 旅行サイトでは、ユーザーの閲覧履歴と過去の予約に基づいて、バケーションパッケージ、フライト、ホテル滞在を提案し、次の旅行先を予測して旅行の計画を容易にすることができます。
  • ストリーミングプラットフォームでは、視聴習慣を分析して、ユーザーが次に視聴する可能性が最も高い番組や映画をおすすめすることで、エンゲージメントを維持し解約率を低減できます。
Requirements
  • AI アイテムレコメンデーション
  • 関連アイテムのカタログ
  • 購入の追跡方法（購入オブジェクトまたはカスタムイベントのいずれか）
Setting it up
  1. AI アイテムレコメンデーションを作成します。
  2. [タイプ] を [AI パーソナライズ] に設定します。
  3. カタログを選択します。
  4. (オプション) セレクションを追加して、関連するアイテムのみにおすすめを絞り込みます。
  5. 購入イベントの現在の追跡方法と、対応するイベントプロパティを選択します。
  6. レコメンデーションをトレーニングします。
  7. メッセージングでおすすめを使用します。

「最も人気」レコメンデーションモデルは、ユーザーが最もエンゲージしているアイテムを表示します。

ユースケース

追跡しているインタラクションデータに基づき、このモデルのユースケースとして、次のおすすめが考えられます。

購入に基づいて、カタログの人気アイテムを探索するようユーザーに促します。関連するコンテンツのみを表示するには、セレクションでフィルタリングすることをおすすめします。たとえば、フードデリバリーサービスでは、プラットフォーム全体での注文の人気度に基づいて、ユーザーのエリア内で評価の高い料理やレストランを取り上げ、お試し利用や新規開拓を促すことができます。

Requirements
  • AI アイテムレコメンデーション
  • 関連アイテムのカタログ
  • 購入オブジェクトまたは任意のカスタムイベント
Setting it up
  1. AI アイテムレコメンデーションを作成します。
  2. [タイプ] を [最も人気] に設定します。
  3. カタログを選択します。
  4. (オプション) セレクションを追加して、関連するアイテムのみにおすすめを絞り込みます。たとえば、フードデリバリーサービスの場合、レストランのロケーションや料理のタイプでフィルタリングするセレクションが考えられます。
  5. 現在のイベント追跡方法と対応するイベントプロパティを選択します。
  6. レコメンデーションをトレーニングします。
  7. メッセージングでおすすめを使用します。

「いいね」のカスタムイベントに基づいて、最近「いいね」したアイテムや人気のあるアイテムを探索するようユーザーに促します。たとえば、音楽ストリーミングアプリでは、ユーザーが過去に「いいね」したジャンルやアーティストに基づいて、パーソナライズされたプレイリストを作成したり、新しいアルバムのリリースをおすすめしたりして、ユーザーのエンゲージメントやアプリの使用時間を向上させることができます。

Requirements
  • AI アイテムレコメンデーション
  • 関連アイテムのカタログ
  • 「いいね」のカスタムイベント
Setting it up
  1. AI アイテムレコメンデーションを作成します。
  2. [タイプ] を [最新] に設定します。
  3. カタログを選択します。
  4. (オプション) セレクションを追加して、関連するアイテムのみにおすすめを絞り込みます。
  5. [カスタムイベント] を選択し、リストから「いいね」のカスタムイベントを選択します。
  6. レコメンデーションをトレーニングします。
  7. メッセージングでおすすめを使用します。

閲覧を通じてユーザー群全体で注目を集めたアイテムを強調表示し、エンゲージメントや購入を促進します。たとえば、不動産 Web サイトでは、ユーザーの検索エリアで最も閲覧数の多い物件を表示し、多くの注目を集めている物件（お買い得物件や好立地の可能性が高い）を取り上げることができます。

Requirements
  • AI アイテムレコメンデーション
  • 関連アイテムのカタログ
  • 閲覧のカスタムイベント
Setting it up
  1. AI アイテムレコメンデーションを作成します。
  2. [タイプ] を [最も人気] に設定します。
  3. カタログを選択します。
  4. (オプション) セレクションを追加して、関連するアイテムのみにおすすめを絞り込みます。
  5. [カスタムイベント] を選択し、リストから閲覧のカスタムイベントを選択します。
  6. レコメンデーションをトレーニングします。
  7. メッセージングでおすすめを使用します。

他の多くの買い物客がカートに追加しているアイテムを紹介することで、提供アイテムの現在のトレンドをユーザーに示すことができます。

たとえば、ファッション小売業者は、他の顧客がカートに追加した人気アイテムに基づいて、トレンドの服やアクセサリーを宣伝できます。そして、ホームページやモバイルアプリにダイナミックな「いまの流行」セクションを作成し、リアルタイムで更新することで、アイテムが売り切れる前の購入を顧客に促すことができます。

Requirements
  • AI アイテムレコメンデーション
  • 関連アイテムのカタログ
  • カートに追加のカスタムイベント
Setting it up
  1. AI アイテムレコメンデーションを作成します。
  2. [タイプ] を [最も人気] に設定します。
  3. カタログを選択します。
  4. (オプション) セレクションを追加して、関連するアイテムのみにおすすめを絞り込みます。
  5. [カスタムイベント] を選択し、リストから「カートに追加」のカスタムイベントを選択します。
  6. レコメンデーションをトレーニングします。
  7. メッセージングでおすすめを使用します。

最新のアイテム

「最新」レコメンデーションモデルは、ユーザーが最もエンゲージしたアイテムを表示します。このモデルを使用して、離脱ユーザーに関連コンテンツへの再エンゲージを促すことで、解約を防止できます。

ユースケース

追跡しているインタラクションデータに基づき、このモデルのユースケースとして、次のおすすめが考えられます。

クリックのカスタムイベントに基づいて、最近クリックしたアイテムを再訪問するようユーザーに促します。たとえば、オンラインファッション小売業者は、ユーザーがクリックして関心を示したアイテムを掲載したフォローアップメールやプッシュ通知を送信するレコメンデーションを作成し、そのアイテムを再訪問して購入するよう促すことができます。

Requirements
  • AI アイテムレコメンデーション
  • 関連アイテムのカタログ
  • クリックのカスタムイベント
Setting it up
  1. AI アイテムレコメンデーションを作成します。
  2. [タイプ] を [最新] に設定します。
  3. カタログを選択します。
  4. (オプション) セレクションを追加して、関連するアイテムのみにおすすめを絞り込みます。
  5. [カスタムイベント] を選択し、リストからクリックのカスタムイベントを選択します。
  6. レコメンデーションをトレーニングします。
  7. メッセージングでおすすめを使用します。

「いいね」のカスタムイベントに基づいて、最近「いいね」したアイテムや人気のあるアイテムを探索するようユーザーに促します。たとえば、音楽ストリーミングアプリでは、ユーザーが過去に「いいね」したジャンルやアーティストに基づいて、パーソナライズされたプレイリストを作成したり、新しいアルバムのリリースをおすすめしたりして、ユーザーのエンゲージメントやアプリの使用時間を向上させることができます。

Requirements
  • AI アイテムレコメンデーション
  • 関連アイテムのカタログ
  • 「いいね」のカスタムイベント
Setting it up
  1. AI アイテムレコメンデーションを作成します。
  2. [タイプ] を [最新] に設定します。
  3. カタログを選択します。
  4. (オプション) セレクションを追加して、関連するアイテムのみにおすすめを絞り込みます。
  5. [カスタムイベント] を選択し、リストから「いいね」のカスタムイベントを選択します。
  6. レコメンデーションをトレーニングします。
  7. メッセージングでおすすめを使用します。

ユーザーが最近インタラクションしたアイテム（閲覧、クリック、購入など）を宣伝します。このアプローチにより、おすすめの内容を常に新鮮に保ち、ユーザーの最新の興味に沿ったものにできます。以下に例を示します。

  • 教育: オンライン教育プラットフォームでは、最近教育動画を視聴したもののコースに登録していないユーザーに対して、類似のコースや興味のある科目をチェックするよう促すことで、ユーザーのエンゲージメントと学習意欲を維持できます。
  • フィットネス: フィットネスアプリでは、ユーザーが最近完了した、またはインタラクションしたものに似たワークアウトやチャレンジを提案することで、変化に富んだ魅力的なエクササイズルーティンを提供し続けることができます。
  • ホームセンター: 顧客が電動工具を購入した後に、最近の購入に基づいて関連アクセサリーや安全用品をおすすめし、ユーザーの体験と安全性を向上させることができます。
Requirements
  • AI アイテムレコメンデーション
  • 関連アイテムのカタログ
  • エンゲージメントインタラクションの購入オブジェクトまたは任意のカスタムイベント
Setting it up
  1. AI アイテムレコメンデーションを作成します。
  2. [タイプ] を [最新] に設定します。
  3. カタログを選択します。
  4. (オプション) セレクションを追加して、関連するアイテムのみにおすすめを絞り込みます。
  5. [カスタムイベント] を選択し、リストからクリックのカスタムイベントを選択します。
  6. レコメンデーションをトレーニングします。
  7. メッセージングでおすすめを使用します。

最近カートに追加したがまだ購入していないアイテムについてユーザーにリマインドします。たとえば、オンライン小売業者はリマインダーを送信したり、カート内のアイテムに期間限定の割引を提供したりして、オファーの期限が切れる前に購入を完了するようユーザーに促すことができます。

Requirements
  • AI アイテムレコメンデーション
  • 関連アイテムのカタログ
  • カートに追加のカスタムイベント
Setting it up
  1. AI アイテムレコメンデーションを作成します。
  2. [タイプ] を [最新] に設定します。
  3. カタログを選択します。
  4. (オプション) セレクションを追加して、関連するアイテムのみにおすすめを絞り込みます。
  5. [カスタムイベント] を選択し、リストから「カートに追加」のカスタムイベントを選択します。
  6. レコメンデーションをトレーニングします。
  7. メッセージングでおすすめを使用します。

「トレンド」レコメンデーションモデルは、最近のユーザーインタラクションにおいて最もポジティブな勢いを示しているアイテムを表示します。約10週間のイベント履歴の加重分析を使用して計算され、直近の約2週間に最も重い重み付けが適用されます。小さな変動がレコメンデーション品質に影響を与えないよう、アクティビティ閾値と統計的平滑化手法を適用しています。

インタラクションが一貫して高いアイテムを表示する「最も人気」モデルとは異なり、このモデルはインタラクションが増加しているアイテムを表示します。新進気鋭で、現在注目度が高まっている製品をおすすめするのに活用できます。

ユースケース

追跡しているインタラクションデータに基づき、このモデルのユースケースとして、次のおすすめが考えられます。

ユーザーが最近購入頻度を増やしているアイテムを強調表示します。たとえば、e コマース事業では、次のシーズンの準備期間中にユーザーが買いだめし始めている季節商品をおすすめできます。

Requirements
  • AI アイテムレコメンデーション
  • 関連アイテムのカタログ
  • 購入の追跡方法（購入オブジェクトまたはカスタムイベントのいずれか）
Setting it up
  1. AI アイテムレコメンデーションを作成します。
  2. [タイプ] を [トレンド] に設定します。
  3. カタログを選択します。
  4. (オプション) セレクションを追加して、関連するアイテムのみにおすすめを絞り込みます。
  5. 購入イベントまたは購入を追跡するカスタムイベントを、対応するプロパティとともに選択します。
  6. レコメンデーションをトレーニングします。
  7. メッセージングでおすすめを使用します。

ユーザーが最近「いいね」の頻度を増やしているアイテムを強調表示します。たとえば、音楽アプリでは、最近ユーザーの「いいね」が急増した新進アーティストを取り上げることができます。

Requirements
  • AI アイテムレコメンデーション
  • 関連アイテムのカタログ
  • 「いいね」を追跡するためのカスタムイベント
Setting it up
  1. AI アイテムレコメンデーションを作成します。
  2. [タイプ] を [トレンド] に設定します。
  3. カタログを選択します。
  4. (オプション) セレクションを追加して、関連するアイテムのみにおすすめを絞り込みます。
  5. 「いいね」追跡のカスタムイベントを、対応するプロパティとともに選択します。
  6. レコメンデーションをトレーニングします。
  7. メッセージングでおすすめを使用します。

セレクションベース

セレクションは、カタログデータの特定のグループです。セレクションを使用する場合、基本的にはカタログ内の特定の列に基づいてカスタムフィルターを設定します。これには、ブランド、サイズ、ロケーション、追加日などのフィルターが含まれます。ユーザーに表示するアイテムが満たすべき条件を定義できるため、おすすめする内容をコントロールできます。

前述の3つのタイプはすべて、Braze でレコメンデーションモデルを設定してトレーニングするものです。これらのモデルでもセレクションを使用できますが、カタログのセレクションと Liquid パーソナライゼーションだけでも、いくつかのレコメンデーションユースケースを実現できます。

ユースケース

追跡しているインタラクションデータに基づき、このモデルのユースケースとして、次のおすすめが考えられます。

このシナリオはユーザーのアクションに直接依存するのではなく、カタログデータに依存します。カタログへの追加日に基づいて新しいアイテムをフィルタリングし、ターゲットを絞ったキャンペーンやキャンバスを通じて宣伝できます。レコメンデーションモデルのトレーニングは不要です。

たとえば、テック系 e コマースプラットフォームでは、フィルターを使用してカタログに最近追加されたアイテムをターゲットにし、最新のガジェットや今後の予約注文についてテック愛好家に通知できます。

Requirements
  • 追加日フィールドを持つ関連アイテムのカタログ
Setting it up
  1. カタログに基づいてセレクションを作成します。カタログに、アイテムが追加された日付に対応する時間フィールド（[データタイプ] が [時間] に設定されたフィールド）があることを確認します。
  2. (オプション) 必要に応じてフィルターを追加します。
  3. [並べ替え順序をランダム化] がオフになっていることを確認します。
  4. [ソートフィールド] で、追加日フィールドを選択します。
  5. [並べ替え順序] を降順に設定します。
  6. メッセージングでセレクションを使用します。

多様なユーザー体験を目的として、ランダムなアイテムをおすすめすると、バラエティに富んだ品揃えを紹介でき、訪問回数の少ないカタログ領域への興味を喚起できる可能性があります。この方法は特定のモデルやイベントを必要とせず、カタログセレクションを使用してアイテムがランダムに表示されるようにします。

たとえば、オンライン書店では「Surprise Me」機能を提供し、ユーザーの過去の購入や閲覧習慣に基づいてランダムな本をおすすめすることで、通常の読書ジャンル以外の探索を促すことができます。

Requirements
  • 関連アイテムのカタログ
  • [並べ替え順序をランダム化] をオンにしたセレクション
Setting it up
  1. カタログに基づいてセレクションを作成します。
  2. (オプション) 必要に応じてフィルターを追加します。
  3. [並べ替え順序をランダム化] をオンにします。
  4. メッセージングでセレクションを使用します。

ルールベース

ルールベースのレコメンデーションエンジンは、ユーザーデータと製品情報を使用して、メッセージ内でユーザーに関連するアイテムを提案します。Liquid と、Braze のカタログまたはコネクテッドコンテンツを使用して、ユーザーの動作や属性に基づいてコンテンツをダイナミックにパーソナライズします。

ルールベースのレコメンデーションは、手動で設定する必要がある固定ロジックに基づいています。つまり、ロジックを更新しない限り、ユーザーの個々の購入履歴や好みに応じてレコメンデーションが調整されることはありません。そのため、この方法は頻繁な更新を必要としないレコメンデーションに最適です。

ユースケース

追跡しているインタラクションデータに基づき、このモデルのユースケースとして、次の例が考えられます。

  • 補充リマインダー: 使用サイクルが予測できるアイテム（毎月のビタミン剤や毎週の食料品など）について、最終購入日に基づいて補充リマインダーを送信します。
  • 初回購入者: 2回目の購入を促すために、初回購入者にスターターキットや導入オファーをおすすめします。
  • ロイヤルティプログラム: 顧客の現在のポイント残高に基づいて、ロイヤルティポイントや報酬を最大化できる製品を強調表示します。
  • 教育コンテンツ: 以前に消費または購入した素材のトピックに基づいて、新しいコースやコンテンツを提案します。

プラン固有のAI機能

次の表に、AI パーソナライズド、最も人気、最新、トレンドの各おすすめタイプの無料版と Pro 版の違いを示します。

1. これは、ユーザー固有のアイテムおすすめが更新される頻度です（AI パーソナライズドおよび最新のみ）。最も人気とトレンドはグローバルなおすすめであり、モデルの再トレーニング時に更新されます。たとえば、ユーザーが AI アイテムおすすめに基づいてアイテムを購入した場合、そのおすすめアイテムはこの頻度に従って更新されます。
2. 利用可能なおすすめタイプは、AI パーソナライズド、最新、最も人気、およびトレンドです。

よくある質問

「最も人気」のアイテムが他のモデルのおすすめに混在する原因は何ですか？

レコメンデーションエンジンがリストをキュレートする際、まず「最新」や「AI パーソナライズ」など、選択した特定のモデルに基づくパーソナライズされたセレクションが優先されます。何らかの理由でこのモデルが30件のおすすめの完全なリストを満たせない場合、全ユーザーの中で最も人気のあるアイテムの一部が追加され、各ユーザーに常に完全なおすすめセットが提供されるようにします。

これは、以下のような特定の条件下で発生します。

  • モデルが条件に一致するアイテムを30件未満しか検出できない。
  • 関連するアイテムが利用不可または在庫切れになっている。
  • 在庫状況やユーザーの好みの変化により、アイテムが現在のセレクション基準を満たしていない。

レコメンデーションは独立して動作し、他のモデルが何をおすすめしているかについての情報を持たないことに注意してください。つまり、各セクションには、同じメール内の他の AI レコメンデーションセクションに既に表示されている重複アイテムが含まれる可能性があります。

複数のレコメンデーションセクション間で重複アイテムを防ぐにはどうすればよいですか？

各レコメンデーションは独立して動作するため、同じアイテムが同じメッセージの複数のセクションに表示される可能性があります。重複を除去するには、Liquid を使用して既に表示したアイテム ID を追跡し、後続のセクションでそれらをスキップします。

アイテムレコメンデーション Pro にアップグレードした後、既存のレコメンデーションは週1回トレーニングされますか？

はい。ただし、次回のスケジュールされた更新後からです。既存のレコメンデーションは、アイテムレコメンデーション Pro にアップグレードした直後に週次トレーニングおよび日次予測に切り替わるわけではありません。ただし、次回の再トレーニングサイクルで自動的に新しいスケジュールが適用されます。たとえば、レコメンデーションが2月1日に最後にトレーニングされ、30日ごとに再トレーニングするよう設定されている場合、3月2日の次回更新後に新しい週次スケジュールが適用されます。

複数日間にわたるすべてのレコメンデーションを一度に期限切れにするにはどうすればよいですか？

特定の日付ですべての複数日レコメンデーションを期限切れにしたい場合（つまり、そのようなアクティブなレコメンデーションがすべて同時に新しい予測を受け取るようにしたい場合）、Braze サポートまたはカスタマーサクセスマネージャーに連絡してサポートを依頼してください。BrazeAI の専門家が、モデルのパフォーマンスを最大限に発揮させるため、手動でこの作業を行います。
Github   GitHub でこのページを編集
New Stuff!