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Connected Content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でアイテムレコメンデーションを作成または使用する前に、カタログを少なくとも1つ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レコメンドされます。
タイプとユースケース
AIパーソナライズド
AI項目レコメンデーション機能の一部として、AIパーソナライズドレコメンデーションはディープラーニングを活用し、ユーザーが過去に興味を示した内容に基づいて、次に何に興味を持つ可能性が最も高いかを予測します。この方法は、ユーザーの行動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パーソナライズド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か月間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生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使用されるため、ユーザーには常に関連性の高い提案が表示されます。
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フィルタリングすることもできます。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、カタログセレクションを構築する際はその点に留意してください。
AIパーソナライズドレコメンデーションは、数百から数千のアイテムがあり、通常少なくとも30,000人の購入またはインタラクションデータを持つユーザーがいる場合に最適に機能します。これはあくまで目安であり、状況によって異なります。他のレコメンデーションタイプはより少ないデータでも機能します。
ユースケース
トラッキングされるインタラクションデータに基づいて、このモデルのユースケースには以下が含まれます。
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レコメンドします。例:
- 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レコメンドし、エンゲージメントを維持して解約率を低減できます。
要件
- 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
- 購入をトラッキングする方法：購入オブジェクト、カスタムイベント、または注文イベント
設定方法
- AIアイテムレコメンデーションを作成します。
- タイプをAIパーソナライズドに設定します。
- カタログを選択します。
- （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レコメンデーションをフィルタリングします。
- 現在の購入イベントのトラッキング方法と対応するイベントプロパティを選択します。
- レコメンデーションをトレーニングします。
- レコメンデーションをメッセージングで使用します。
最も人気のあるアイテム
「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するアイテムを取り上げます。
ユースケース
トラッキングされるインタラクションデータに基づいて、このモデルのユースケースには以下のレコメンドが含まれます。
購入に基づいて、カタログ内の人気アイテムをユーザーに探索するよう促します。関連するコンテンツのみを表示するために、セレクションでフィルタリングすることをお勧めします。例えば、フードデリバリーサービスでは、プラットフォーム全体の注文の人気度に基づいて、ユーザーのエリア内のトップレートの料理やレストランをハイライトし、試食と発見を促進できます。
要件
- 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、注文イベント、または任意のカスタムイベント
設定方法
- AIアイテムレコメンデーションを作成します。
- タイプを最も人気に設定します。
- カタログを選択します。
- （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レコメンデーションをフィルタリングします。例えば、フードデリバリーサービスでは、レストランの場所や料理の種類でフィルタリングするセレクションを使用できます。
- 現在のイベントのトラッキング方法と対応するイベントプロパティを選択します。
- レコメンデーションをトレーニングします。
- レコメンデーションをメッセージングで使用します。
「いいね」のカスタムイベントに基づいて、最近「いいね」されたアイテムや人気の高い「いいね」アイテムをユーザーに探索するよう促します。例えば、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、新しいアルバムリリースを提案したりして、ユーザーエンゲージメントとアプリ滞在時間を向上させることができます。
要件
- 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
設定方法
- AIアイテムレコメンデーションを作成します。
- タイプを最新に設定します。
- カタログを選択します。
- （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レコメンデーションをフィルタリングします。
- 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。
- レコメンデーションをトレーニングします。
- レコメンデーションをメッセージングで使用します。
閲覧を通じてユーザーベース全体で注目を集めたアイテムをハイライトし、エンゲージメントや購入を促進します。例えば、不動産Webサイトでは、ユーザーの検索エリアで最も閲覧された物件を表示して、多くの注目を集めている物件をハイライトし、良い条件や魅力的なロケーションを示唆できます。
要件
- 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
設定方法
- AIアイテムレコメンデーションを作成します。
- タイプを最も人気に設定します。
- カタログを選択します。
- （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レコメンデーションをフィルタリングします。
- 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。
- レコメンデーションをトレーニングします。
- レコメンデーションをメッセージングで使用します。
多くの他の買い物客がカートに追加しているアイテムを紹介し、提供商品の現在のトレンドをユーザーに伝えます。
例えば、ファッション小売店では、他の顧客によるカートへの人気の追加に基づいて、トレンドの衣類やアクセサリーを宣伝できます。ホームページやモバイルアプリにリアルタイムで更新されるダイナミックな「トレンドナウ」セクションを作成し、商品が売り切れる前に購入するよう買い物客を促すことができます。
要件
- 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
- カート追加のカスタムイベント
設定方法
- AIアイテムレコメンデーションを作成します。
- タイプを最も人気に設定します。
- カタログを選択します。
- （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レコメンデーションをフィルタリングします。
- カスタムイベントを選択し、リストからカート追加のカスタムイベントを選択します。
- レコメンデーションをトレーニングします。
- レコメンデーションをメッセージングで使用します。
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するアイテムを取り上げます。このモデルを使用して、離脱ユーザーが関連するコンテンツに再エンゲージするよう促し、解約を減少させることができます。
ユースケース
トラッキングされるインタラクションデータに基づいて、このモデルのユースケースには以下のレコメンドが含まれます。
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するようユーザーに促します。例えば、オンラインファッション小売店では、ユーザーがクリックして興味を示した衣類を含む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、アイテムの再訪と購入を促すことができます。
要件
- 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
設定方法
- AIアイテムレコメンデーションを作成します。
- タイプを最新に設定します。
- カタログを選択します。
- （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レコメンデーションをフィルタリングします。
- 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。
- レコメンデーションをトレーニングします。
- レコメンデーションをメッセージングで使用します。
「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高い「いいね」アイテムをユーザーに探索するよう促します。例えば、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、新しいアルバムリリースを提案したりして、ユーザーエンゲージメントとアプリ滞在時間を向上させることができます。
要件
- 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
設定方法
- AIアイテムレコメンデーションを作成します。
- タイプを最新に設定します。
- カタログを選択します。
- （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レコメンデーションをフィルタリングします。
- 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。
- レコメンデーションをトレーニングします。
- レコメンデーションをメッセージングで使用します。
閲覧、クリック、購入を含む、ユーザーが最近インタラクションしたアイテムを宣伝します。このアプローチにより、レコメンデーションを最新の状態に保ち、ユーザーの最新の興味に沿ったものにします。例:
- 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がコースに登録していないユーザーに対して、類似のコースや関心のある科目をチェックするよう促し、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またはインタラクションしたものに類似したワークアウトやチャレンジを提案し、エクササイズルーティンを多様で魅力的なものに保つことができます。
- ホームセンター： 顧客が電動工具を購入した後、ホームセンターは最近の購入に基づいて関連するアクセサリーや安全装備をレコメンドし、ユーザーの体験と安全性を向上させることができます。
要件
- 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、注文イベント、またはエンゲージメントインタラクション用の任意のカスタムイベント
設定方法
- AIアイテムレコメンデーションを作成します。
- タイプを最新に設定します。
- カタログを選択します。
- （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レコメンデーションをフィルタリングします。
- 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。
- レコメンデーションをトレーニングします。
- レコメンデーションをメッセージングで使用します。
カートに最近追加したがまだ購入していないアイテムへの興味をユーザーに思い出させます。例えば、オンライン小売店では、カート内のアイテムについてリマインダーを送信したり、期間限定の割引を提供したりして、オファーが期限切れにな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。
要件
- 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
- カート追加のカスタムイベント
設定方法
- AIアイテムレコメンデーションを作成します。
- タイプを最新に設定します。
- カタログを選択します。
- （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レコメンデーションをフィルタリングします。
- カスタムイベントを選択し、リストからカート追加のカスタムイベントを選択します。
- レコメンデーションをトレーニングします。
- レコメンデーションをメッセージングで使用します。
トレンドアイテム
「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取り上げます。約10週間のイベント履歴の加重分析を使用して計算し、直近の約2週間に最も大きな重み付けを適用します。小さな変動がレコメンデーション品質に影響するのを防ぐため、アクティビティの閾値と統計的平滑化手法を適用しています。
一貫してインタラクションが多いアイテムを取り上げる「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取り上げます。注目を集め始め、現在トラクションが増加している製品をレコメンドするために使用できます。
ユースケース
トラッキングされるインタラクションデータに基づいて、このモデルのユースケースには以下のレコメンドが含まれます。
ユーザーが最近購入頻度が増加しているアイテムをハイライトします。例えば、eコマースビジネスでは、次のシーズンの準備中にユーザーがまとめ買いを始めている季節商品をレコメンドできます。
要件
- 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
- 購入をトラッキングする方法（購入オブジェクト、注文イベント、またはカスタムイベント）
設定方法
- AIアイテムレコメンデーションを作成します。
- タイプをトレンドに設定します。
- カタログを選択します。
- （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レコメンデーションをフィルタリングします。
- 購入イベントまたは購入をトラッキングするカスタムイベントと、対応するプロパティを選択します。
- レコメンデーションをトレーニングします。
- レコメンデーションをメッセージングで使用します。
ユーザーが最近「いいね」の頻度が増加しているアイテムをハイライトします。例えば、音楽アプリでは、最近ユーザーの「いいね」が急増した注目のアーティストを取り上げることができます。
要件
- 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」をトラッキングするカスタムイベント
設定方法
- AIアイテムレコメンデーションを作成します。
- タイプをトレンドに設定します。
- カタログを選択します。
- （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レコメンデーションをフィルタリングします。
- 「いいね」をトラッキングするカスタムイベントと、対応するプロパティを選択します。
- レコメンデーションをトレーニングします。
- レコメンデーションをメッセージングで使用します。
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、基本的にカタログ内の特定のカラム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、場所、追加日などのフィルターが含まれます。アイテムがユーザーに表示されるために満たす必要がある条件を定義することで、レコメンド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必要があります。これらのモデルでもセレクションを使用できますが、カタログセレクションとLiquidパーソナライゼーションだけで一部のレコメンデーションユースケースを実現することもできます。
セレクションを使用する場合、ソートフィールドと制限はAIアイテムレコメンデーションでは使用されません。つまり、特定のソートフィールドを持つセレクションを作成し、返されるアイテム数を制限しても、AIアイテムレコメンデーションが処理される際にはそれらの制約は使用されません。
ユースケース
トラッキングされるインタラクションデータに基づいて、このモデルのユースケースには以下のレコメンドが含まれます。
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、カタログデータに基づいています。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、レコメンデーションモデルをトレーニングすることなく、ターゲットキャンペーンやキャンバスを通じてこれらを宣伝できます。
例えば、テック系eコマースプラットフォームでは、最近カタログに追加されたアイテムをターゲットにするフィルターを使用して、テック愛好家に最新のガジェットや今後のプレオーダーについてアラートを送信できます。
要件
- 追加日フィールドを持つ関連アイテムのカタログ
設定方法
- 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てください。
- （オプション）必要に応じてフィルターを追加します。
- ランダムソート順序がオフになっていることを確認します。
- ソートフィールドで追加日フィールドを選択します。
- ソート順序を降順に設定します。
- セレクションをメッセージングで使用します。
多様なユーザー体験のために、ランダムなアイテムをレコメンドすることで、バラエティを導入し、あまりアクセスされ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。
例えば、オンライン書店では、ユーザーの過去の購入や閲覧履歴に基づいてランダムな本をレコメンドする「サプライズミー」機能を提供し、通常の読書ジャンル以外の探索を促すことができます。
要件
- 関連アイテムのカタログ
- ランダムソート順序がオンになっているセレクション
設定方法
- カタログに基づいてセレクションを作成します。
- （オプション）必要に応じてフィルターを追加します。
- ランダムソート順序をオンにします。
- セレクションをメッセージングで使用します。
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、ユーザーデータと商品情報を使用して、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カタログまたはConnected Contentを使用して、ユーザーの行動と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、レコメンデーションは個々のユーザーの購入履歴や好みに合わせて調整されません。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
トラッキングされるインタラクションデータに基づいて、このモデルのユースケースには以下が含まれます。
- 補充リマインダー： 月次のビタミンや週次の食料品など、予測可能な使用サイクルを持つアイテムについて、最後の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入門オファーをレコメンドします。
- ロイヤルティプログラム： 現在のポイント残高に基づいて、顧客のロイヤルティポイントや報酬を最大化する製品をハイライトします。
- 教育コンテンツ： 以前に消費または購入した教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、トレンドの各レコメンデーションタイプの無料版とPro版の違いを示します。
| エリア | 無料版 | Pro版 |
|---|---|---|
| ユーザーの更新頻度1 | 毎週 | 毎日 |
| モデルの再トレーニング頻度 | 毎月 | 毎週 |
| 最大レコメンデーションモデル数 | タイプごとに1モデル2 | タイプごとに100モデル2 |
1. これは、ユーザー固有の項目レコメンデーション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レコメンデーションであり、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項目レコメンデーションに基づいて項目を購入した場合、そのレコメンデーション項目はこの頻度に従って更新されます。
2. 利用可能なレコメンデーションタイプは、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レコメンデーション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いてパーソナライズされたセレクションを追加します。このモデルが30件未満のアイテムしか満たせない場合、Brazeは最も人気のあるアイテムを追加します。パーソナライズされたアイテムがリストの先頭に表示され、その後に最も人気のあるフォールバックアイテムが続きます。
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、他のモデルが何をレコメンド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をトラッキングし、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。
アクティブなAI項目レコメンデーションのプロパティ名を更新するとどうなりますか？
プロパティ名（アイテムIDパス）を更新して保存して構築を選択すると、Brazeは新しいマッピングを使用して過去6か月分のインタラクションデータをスキャンするバックグラウンド再トレーニングジョブを開始します。
モデルの再トレーニング中、ユーザーには以前のバージョンのレコメンデーションが引き続き表示されます。新しいモデルのトレーニングが正常に完了するまで、レコメンデーションは変更されません。つまり、以下のようになります。
- ユーザーには古いモデルからのパーソナライズされたアイテム（または特定のレコメンデーションがない場合はグローバルフォールバック）が表示されます。
- 再トレーニングプロセス中にレコメンデーションのダウンタイムやギャップは発生しません。
- トレーニングが正常に完了すると、古いモデルから新しいモデルへの移行はシームレスに行われます。
古いアイテムIDパスを持つイベントは、新しいモデルでは事実上無視されます。新しいプロパティ名マッピングを使用するイベントのみが再トレーニングに含まれます。
プロパティ名の変更後に再トレーニングジョブが失敗するとどうなりますか？
再トレーニングジョブが失敗すると、アイテムレコメンデーション全体が無効（非アクティブ）状態になります。Brazeは現在、トレーニング失敗時に最後に正常にトレーニングされたモデルにフォールバックしないため、このレコメンデーションを参照するLiquidは失敗し、関連するメッセージは送信されません。
このリスクを軽減するには、以下のアプローチを検討してください。
- 目的のプロパティ名設定で新しいアイテムレコメンデーションを作成します。
- トレーニングが正常に完了することを確認します。
- アクティブなレコメンデーションを直接変更するのではなく、新しいレコメンデーションを参照するようにメッセージングを更新します。
このアプローチにより、既存のレコメンデーションを参照するメッセージへの影響を心配することなく、新しい設定をテストできます。