Skip to content

ユースケース:視聴後のコンテンツ発見を促進する

この例は、架空のブランドがBrazeのAIアイテムレコメンデーションを使用して、顧客の重要な瞬間にパーソナライズされたコンテンツと商品提案を提供する方法を示している。レコメンデーションロジックがどのようにエンゲージメントを向上させ、コンバージョンを高め、手作業を減らすことができるかを学習する。

カミラは、キュレートされた映画やシリーズを提供するストリーミングプラットフォーム、MovieCanonのCRMマネージャーだとしよう。

カミラの目標は、視聴者が何かを見終わった後もエンゲージメントを保ち続けることだ。これまでMovieCanonの “You might also like “メッセージは、大まかなジャンルのマッチングに基づいており、セッションの数時間後や数日後といった任意のタイミングで送信されていた。エンゲージメントは低く、彼女のチームはもっとうまくやれるとわかっていた。

カミラは、AIアイテム・レコメンデーションを使って、ユーザーが映画やエピソードを見終わった直後に、各視聴者の視聴履歴に基づいて新しい作品を自動的に推薦するシステムを設定している。ユーザーが次に実際に見たくなるコンテンツを発見し、プラットフォームとのエンゲージメントを維持するための、よりスマートでパーソナライズされた方法だ。

!アプリ内メッセージ「次は、あなたのために。画像、タイトル名、説明文、「今すぐ見る」または「スキップ」して次のレコメンデーションを表示するCTAがある。

このチュートリアルでは、カミラの使い方を説明する：

  • ユーザーが何かを見終わったときにトリガーされるパーソナライズされたメッセージ
  • MovieCanonのカタログから自動的に抽出され、メッセージに挿入される。

ステップ 1: 解約予測モデルを作る

カミラは、ユーザーが何かを見終わるたびに、関連するタイトルを表示するレコメンデーションを作成することから始める。彼女はダイナミックなものにしたいと考えており、ユーザーが最近観たものによって異なる提案を受けられるようにしたいのだ。

  1. Brazeのダッシュボードで、カミラはAIアイテム・レコメンデーションに移動する。
  2. 彼女は新しい推薦文を作成し、それを「視聴後の提案」と名付けた。
  3. レコメンデーションのタイプはAIパーソナライズドを選択し、ユーザーごとに過去の行動に基づいてカスタマイズされたレコメンデーションが表示されるようにしている。
  4. 彼女は、ユーザーがすでに観たものを推薦されないように、ユーザーが以前にやりとりしたアイテムを推薦しないを選択している。
  5. 彼女は、MovieCanonの現在のコンテンツ・ライブラリーを含むカタログを選択する。カミラはカタログの全商品を推薦の対象としたいので、カタログの選択は加えない。
  6. カミラは、完了したビューを追跡するカスタムイベント（Watched Content ）にレコメンデーションをリンクし、プロパティ名をコンテンツのタイトルに設定する。
  7. 彼女は推薦状を作成する。

ステップ 2: アプリ内メッセージを設定する

レコメンデーションのトレーニングが終わると、カミラはユーザーがタイトルを見終わった直後という適切なタイミングで届くメッセージングフローを構築する。メッセージには、カタログから直接取り出したパーソナライズされた3つの提案リストが含まれている。

  1. カミラはドラッグ＆ドロップエディターを使ってアプリ内メッセージキャンペーンを作成する。
  2. 彼女はトリガーをカスタムイベントWatched Content に設定する。
  3. 彼女は、タイトル画像、名前、「今すぐ見る」CTAを含む複数ページのアプリ内メッセージをデザインする。

!パーソナライゼーションのタイプとして「アイテム推薦」を選択し、Brazeエディターで「パーソナライゼーションを追加」モーダルを開封する。

  1. メッセージ本文で、カミラはパーソナライゼーションの追加モーダルを使い、カタログからダイナミックなコンテンツを入力するLiquidを使って、おすすめタイトルの名前、説明、サムネイルなどの変数を追加する。彼女はLast Watched Movie のカスタム属性をテンプレート化し、このレコメンデーションがユーザーの視聴履歴に基づくものであることをユーザーに知らせた。

!アプリ内メッセージエディターで、カタログアイテムから特定のフィールドをテンプレート化できる。

Show Liquid used in image
1

{% assign items = {{product_recommendation.${Post-viewing suggestions}}} %}{{ items[0].name }}

1

{% assign items = {{product_recommendation.${Post-viewing suggestions}}} %}{{ items[0].description }}

1

{% assign items = {{product_recommendation.${Post-viewing suggestions}}} %}{{ items[0].thumbnail }}
  1. 次にカミラは自分のページを複製し、各変数のLiquid配列 ({{ items[0]}} から{{items[1]}}) をインクリメントし、推薦リストの次のアイテムのテンプレートとする。

ステップ 3: 測定と最適化

キャンペーンが始まると、カミラは開封率、CTR、その後の閲覧行動をモニターする。以前の静的なレコメンデーションキャンペーンとパフォーマンスを比較したところ、エンゲージメントが高く、ユーザーあたりのコンテンツセッションが増えたという。

彼女はABテストも計画している：

  • タイミング（視聴直後と10分後）
  • コンテンツのレイアウト（カルーセルかリストか）
  • CTAのバリエーション（「今すぐ見る」と「キューに追加」の違い）

イベント・ドリブン・メッセージングとAIアイテム・レコメンデーションを組み合わせることで、カミラはコンテンツ・ディスカバリーを自動化し、パーソナライズされたエクスペリエンスに変える。MovieCanonは、ユーザーのエンゲージメントを維持し、適切なタイミングで関連性の高いコンテンツを配信することで、セッションの深まりを促進し、解約防止を実現する。
Github   GitHub でこのページを編集
New Stuff!