Comments
Description
Transcript
enRICHパーソナライゼーション・エンジンの概要を
2 2 Speak<geek> スピークギーク Tech リッチレリバンス パーソナライゼーション・エンジン ダイナミック・アンサンブル学習 Brief 技術概要書 Speak<geek> Tech Brief: RichRelevance Personalization Engine パーソナライゼーション・エンジン ダイナミック・アンサンブル学習 オンラインリテーラーが今⽇日使っているレコメンデーション・テクノロジーのほ とんどは、90 年年代初期に開発されそれから数年年後に Amazon.com によって⼀一般 に普及するようになったものです。こうしたシステムは今も進化しており、より ⾼高い精度度でユーザーの⾏行行動を予測し、初めて訪れたサイト訪問者にユーザー登録 をしてもらい、最終決済をしてもらう「お客様」へと転化させるコンバージョン 率率率が⾼高くなることをお約束しています。しかしながら、すべてのレコメンデーシ ョンシステムが等しく同じような効果をもたらすように作られているわけではあ りません。 このスピーク・ギーク技術概要書では、リッチレリバンス⼀一連のパーソナライゼ ーション製品をエンパワーメントする上で核となるテクノロジーである enRICH® パーソナライゼーション・エンジンの紹介とともに、このエンジンがどのように してセールス・リコメンデーションとパーソナライズ・ガイダンスを提供するか を説明いたします。 ソリッド・ファンデーション -‐‑‒-‐‑‒ ⾼高い信頼性 enRICH®パーソナライゼーション・エンジンは 100 以上の独⽴立立したシンプルなア ルゴリズムを組み合わせたアンサンブル（集積）の上に構築されています。それ ぞれがさまざまな種類のユーザーの⾏行行動、およびカタログデータを利利⽤用します。 enRICH®パーソナライゼーション・エンジンは、まずリアルタイムで作動し、こ れらのアルゴリズムのうちのどれが、どの時間に、そしてどの場所で、それぞれ どのオンラインのお客様のニーズを⼀一番うまく満たすかを判断します。これとは 対照的に、ほとんどのレコメンデーションシステムは、複雑ではあるが同⼀一のア ルゴリズムを全ユーザーに向けて単⼀一的にのみ使⽤用しているにすぎません。 enRICH®パーソナライゼーション・エンジンがどのようにしてアルゴリズムのア ンサンブル上で動作するのかについて説明する前に、まずは、⼀一般的な単⼀一アル ゴリズムによるアプローチについて簡単に説明します。 コラボレーション・フィルタリング このアプローチは、類似した履履歴を持つユーザーの活動に基づいてユーザーにレ コメンデーションを提供します。ほとんどのインターネット上の買い物客が、実 際にこのアプローチに触れるのは、「X を購⼊入した⼈人は Y も購⼊入しています」と いった表現を通じてです。アマゾンは、90 年年代後半にこのアプローチによるいく つかの変化形を広く普及させました。 © 2009 – 2014 RichRelevance, Inc. All rights reserved. 2 Speak<geek> Tech Brief: RichRelevance Personalization Engine 最近の⾏行行動パターンに基づくマッチング レコメンデーションを選択するためにリアルタイムでユーザーの⾏行行動を分析する アプローチです。このアプローチで前提となっていることは、「サイト閲覧のパ ターンを⾒見見れば、ユーザーが最終的に⼀一番購⼊入する可能性がありそうな製品につ いてヒントが得られる」というものです。これにより、このシステムは⼈人々に対 して購⼊入対象となりそうな製品を迅速に表⽰示しています。 視覚的類似性 このストラテジーは、デジタル画像の類似性を利利⽤用して類似製品のレコメンデー ションをするものです。こうしたアプローチは、従来型のカテゴリーにとらわれ ない新しい商品リストを迅速に作り出す可能性を持っています。例例えば、台所の カテゴリーと居間のカテゴリーの、異異なる両⽅方のカテゴリーに適⽤用できる⽊木材家 具や⼩小物などの⽊木材製品リストなどがこれに当てはまります。 ニューラルネットワークのモデル化 上記３つのアプローチが、ページビュー数、購⼊入履履歴など特定の種類のデータの 特性を使⽤用して構築されているのとは対照的に、ニューラルネットワークは、あ らゆる種類のデータからパターンを学習するように設計されています。このアプ ローチの弱点は、所定のレコメンデーションが⾏行行われたシステムの理理由を説明す ることが、不不可能とは⾔言えないまでも難しいというところにあります。 リッチレリバンスのアプローチ リッチレリバンスは、異異なるすべてのコンテキストのすべてのユーザーに対して、 最⾼高のレコメンデーションを⾏行行うには、単⼀一のアプローチだけでは不不⼗十分である と考えています。洗濯機の買い物をする時には、DVD を購⼊入するのとは、まった く異異なった⽅方法をとります。だからこそ、商品のレコメンデーションは、さまざ まな⽅方法で⾏行行う必要があります。例例えば、対⾯面販売ならば、DVD の買い物をして いる⼈人には、1 枚の DVD ではなく 2 枚または 3 枚の DVD を買うようにおすすめ することでしょう。しかし、この抱き合わせ販売のクロスセルのテクニックは、 洗濯機ではうまくいきません。⼈人は洗濯機を 1 台しか必要としないからです。 さまざまな種類の商品に対して、異異なるアルゴリズムをそれぞれ異異なる場所で使 うことに加えて、正しいアルゴリズムを正しい時間に使うことも重要になります。 しかも、何が正しいのかは、数時間単位で変わります。 ミュージックストアでは、類似したアーティストの楽曲をレコメンデーションす ると、それがうまくいくことがよくあります。例例えば、マイケル・ジャクソンの 死亡に関するニュースが世界中に伝えられて数時間すると、過去数時間において ⼀一番よく売れていたアルバムの上位何位もが、マイケル・ジャクソンのアルバム © 2009 – 2014 RichRelevance, Inc. All rights reserved. 3 Speak<geek> Tech Brief: RichRelevance Personalization Engine になったことから、コンテキストに関係なくマイケル・ジャクソンのアルバムば かりをレコメンデーションする⾮非常に単純なアルゴリズムの⽅方が、ほかのどのア ルゴリズムよりも多くの顧客を引き付けました。しかし、数⽇日すると、この状況 は変化し、それぞれのコンテキストに応じて最適なアルゴリズムを利利⽤用するとい う、いつもどおりの状況に戻りました。 さらに、アンサンブルの中にあるすべてのアルゴリズムが、すべての事例例に対し て適切切なレコメンデーションを⾏行行えるというわけではありません。例例えば、過去 の購⼊入履履歴に依存するアルゴリズムは、サイトを初めて訪れた訪問者には何もレ コメンデーションするものは持っていません。当社のシステムは、アルゴリズム が、そのアルゴリズムをサポートしてくれる適切切なデータを利利⽤用できない場合には、 アンサンブルの中から抜け出ることを可能にするものです。その場合、アンサンブ ルは適切切なアルゴリズムだけに依存するようになります。 最終的に、当社のアンサンブルは、個々に分離離したアルゴリズムの中で選択を⾏行行う ので、なぜ特定の商品が推奨されているのかについて、常に透明性のあるメッセー ジングを提供できます。これにより特定の商品やブランド、サイトにこだわりを持 ってもらえるようなユーザーのエンゲージメントが劇的に向上する仕組みになって います。ユーザーは、「売り⼿手が在庫を⾃自分に押しつけようとしているのではなく、 ⾃自分のことを本当に理理解してくれているのだ」と実感するようになるでしょう。他 のタイプのアンサンブルや、ニューラルネットワークのような不不透明なアプローチ では可能ではありません。 こうした点を考慮して、リッチレリバンスは enRICH®パーソナライゼーション・ エンジンを構築しました。これは複数のレコメンデーション戦略略に基づくもので、 単純なカテゴリー別のトップセラーから、共同フィルタリングのアルゴリズム、検 索索ベースおよびナビゲーションベースのレコメンデーション、補充アルゴリズム、 アクセサリーアルゴリズム、そして個々のマーチャントのパートナーを対象にして ⾼高度度に専⾨門化したアルゴリズムまでを範囲に含みます。複数のアルゴリズムの使⽤用 に際して、enRICH®パーソナライゼーション・エンジンはアンサンブル学習の基 本原則を採⽤用しました。これはマシン学習のアプローチで、多くの個々のアルゴリ ズムを 1 つの強⼒力力な全体的アルゴリズムに結合するものです。 アンサンブル学習の強みは、単⼀一のアルゴリズムによる制約を持たないことにあり レコメンデーション・ システムのあるべき姿勢 • さまざまなレコメンデーション 戦略略を採⽤用している • 正しい時間に、正しいコンテキ ストの中で、正しい戦略略の選択 をしている • ランディングページから、購⼊入 確認ページまで、サイト全体に わたってユーザーの⾏行行動を管理理 する • ⾃自社の E サイト以外での⾏行行動 となる、広告や E メールに対 する反応も管理理する • ダイナミックユーザーと商品デ ータを組み⼊入れていくことで継 続的な向上を図る • 管理理下の新しいデータトレンド を理理解し、商品在庫データを組 み⼊入れて、1 ⽇日に何度度も⾃自⾝身の モデルを再構築することができ る ます。リッチレリバンスが⾰革新を起こす前までは、ほとんどのアンサンブルアプロ ーチはうまくいっていませんでした。構造的に似ているデータのセットを分析する のに、 同様に構造化をされたアルゴリズムを似たようなコレクションで使⽤用して いたからです。対照的にリッチレリバンスは、さまざまな基礎となる別々のアル © 2009 – 2014 RichRelevance, Inc. All rights reserved. 4 Speak<geek> Tech Brief: RichRelevance Personalization Engine ゴリズムを採⽤用します。アルゴリズムのそれぞれに、他のものに⽐比べて⾮非常に異異 なったデータセットを検討する可能性を持たせています。 例例えば、ある 1 つのアルゴリズムは、個々のユーザーのクリックと購⼊入の間に類 似性を⾒見見いだすかもしれませんが、また別のアルゴリズムは、そのユーザーの購 ⼊入した商品と別のユーザーが購⼊入した商品の間に類似性を⾒見見いだすかもしれませ ん。またさらに別のものは、単に過去の⾏行行動に基づいて類似性を⾒見見いだすかもし れません。 リッチレリバンス以前の初期のアンサンブルアプローチのアプリケーションは、 サブ・アルゴリズムからの結果を加算し合計することでグループ化して最終結果 を出すという⽅方式をとっていました。このような形でアルゴリズムのグループが 結合されると、レコメンデーションの理理論論的根拠を簡潔にユーザーへ伝えること は出来ません。例例えば、「あなたがこの製品を⾒見見ている理理由の 30%は、あなたが 先週これに関連した製品を購⼊入されたからです。そして、45%はあなたが検索索し たキーワードが理理由であり、そして 25%はあなたが最近いちばん閲覧した 3 つの ページによります」などと⾔言うメッセージではユーザーにたいして、意味ある⽂文 章となることはありません。このようなシステムは実は⼀一般的なものであり、そ れほど効果的なアプローチでないと⾔言い切切れるでしょう。これとは対照的に、リ ッチレリバンスは理理にかなったメッセージによるレコメンデーションを明確に伝 えることができ、最も効果的なアルゴリズム戦略略を通じて、各それぞれのお客様 に対して、特定の時間に、最適な商品レコメンデーションを提供することができ ます。 次世代アンサンブル学習 リッチレリバンスの enRICH®パーソナライゼーション・エンジンは、従来型のア ンサンブル学習のアプローチに⾰革新を起こします。それは、別々の結果を包括的 な 1 つの結果にまとめるのではなく、それぞれのレコメンデーション⽤用のプレイ スメント (表⽰示箇所) に対して、そのパフォーマンスに基づいて単⼀一のアルゴリズ ムを選択します。このデータは、リアルタイムでアップデートされ、それを活⽤用 しながら 100 個以上のアルゴリズムが絶えず優位に⽴立立つために競争を⾏行行っていま す。この競争に勝ったアルゴリズムが、最⾼高レベルのユーザー対応性を⽣生み出し ます。これにより、エンジンは常に最⾼高パフォーマンスの戦略略を個々のプレイス メント⽤用に選択できます。多くのページで、いくつかのレコメンデーションのプ レイスメントがありますが、それを通じて当社は、⾼高性能なアルゴリズムに基づ いて、⾼高い実績を上げることができるメッセージの組み合わせを提⽰示します。 © 2009 – 2014 RichRelevance, Inc. All rights reserved. 5 Speak<geek> Tech Brief: RichRelevance Personalization Engine このアプローチを「ダイナミック・アンサンブル学習」と呼びます。所定の時間 において 1 つのレコメンデーションにアクティブなアルゴリズムは 1 つしかない ので、メッセージングはユーザーに対して明確で、透明性のある⽤用語で提⽰示され る必要があります。これが信頼性を⽣生み出すのであり、購⼊入⾏行行動を促進するため には不不可⽋欠な要素になります。また、エンジンはさまざまなデータをアルゴリズ ムのアンサンブルから収集し、かつ、各アルゴリズムは独⽴立立して動作するため、 このエンジンはさまざまなリッチレリバンスのアプリケーションが、プロモーシ ョンやコンテンツなど、サイト上で、単なる商品レコメンデーションを越えて機 能することを可能にします。 enRICH®パーソナライゼーション・エンジンのしくみ 前述したとおり、ほとんどのレコメンデーション・システムは、限られた数のペ ージ上で同じタイプのレコメンデーションタイプを提供しています。対照的に、 enRICH®パーソナライゼーション・エンジンは、顧客ユーザーのプロセスの全段 階においてナビゲーション上の⽀支援を提供するレコメンデーションを提供します。 リッチレリバンスが提供している多くのレコメンデーションタイプは、顧客ユー ザーの現在のオンライン⾏行行動と場所を直接、考慮に⼊入れたものになっています。 このプロセスを分かりやすく説明するために、サンプルとして架空のユーザーを 想定して、そのお客様が、サイトを訪問してから⽬目的の商品を探し、購⼊入するま での間に⾏行行われるリッチレリバンスの仕組みをご紹介しましょう。 1. あるサイトユーザーがホームページを訪れました。このお客様は、このサイト で以前買い物をしたことがあるので、当社は過去の購⼊入⾏行行動に基づくレコメン デーションを⾏行行うアルゴリズムを適⽤用します。売れ筋商品であるトップセラー ⽤用のアルゴリズムなどの、より⼀一般的なアルゴリズムも利利⽤用可能ですが、ホー ムページ（トップページ）では、パーソナライズされたアルゴリズムの⽅方が概 して成績が良良いということを当社は知っているので、こちらを使⽤用することに します。もし、このユーザーに購⼊入履履歴がない場合には、これらのパーソナラ イゼーションされたアルゴリズムの⼀一部は適格性を⽋欠きます。その場合は、よ り⼀一般的なアルゴリズムに⽴立立ち戻るようになっております。 2. リッチレリバンスのエンジンは、そのサイトユーザーの⾏行行動と共に、このホー ムページを閲覧する他のユーザーのサンプルを⾒見見ます。そして、⽴立立証済みの、 成功しているアルゴリズムのリストに的を絞ります。この場合、アルゴリズム が成功しているかどうかは、各アルゴリズムをリテーラーのマーチャントが選 択した基準 (クリック数や購⼊入回数など) に照らし合わせて⽐比較することで推 測します。 enRICH® パーソナライゼーション・ エンジンがもたらした成果 * かつてない ショッピング体験 18% + ４週間後のAOV(平均注⽂文額) 増加 Burton Snowboards バートン社 スノーボード専⾨門サイト 73% + 対前年年⽐比増 Backcountry.com 18% + レコメンデーションの クリックスルー平均増加率率率 © 2009 – 2014 RichRelevance, Inc. All rights reserved. 6 Speak<geek> Tech Brief: RichRelevance Personalization Engine 3. サイトを訪問したのち、このお客様はサイト上で商品検索索を⾏行行います。それに より検索索結果のページへと導かれます。検索索ワードが⼊入⼒力力され、その結果が表 ⽰示される間の段階では、最近の検索索されたキーワードに依存するいくつかのア ルゴリズムの活⽤用を可能にしています。それらは、他のすべての適格と判断さ れるアルゴリズムとの間で競争をして、検索索結果のページにおいて表⽰示される プレイスメント (配置) を得ようとします。 4. 次に、検索索結果のページから、このお客様は商品ページへとクリックして進み ます。商品ページの表⽰示では、コラボレーション・フィルタや付属品アクセサ リ戦略略といった、特定の商品の閲覧に基づいているアルゴリズムが、この時点 で適合となり、ほかのすべてのアルゴリズムとの間でプレイスメントを求めて 表⽰示されるために競争します 。 5. 最後に、このお客様はアイテムをカートに⼊入れチェックアウトに進みました。 この段階では、カートベースのアルゴリズムも適格になります。 上記のすべての各ページにおいて、お客様ユーザーがページからページへと移動 するに連れて、当社はありとあらゆるアルゴリズムのパターンを抽出し、最も効 果的なレコメンデーションアルゴリズムを選択します。そして、このユーザーが どんな⼈人で、どこからアクセスしているかに基づき、各アルゴリズムが最も適切切 な商品をこのユーザーに対してレコメンデーションできるようにします。レコメ ンデーションされた商品に対して、それぞれのアルゴリズムが、はっきりと明確 なメッセージでお客様へおすすめすべき商品としてラベル付けをします。 経験から学ぶ 時間の経過と共に、弊社のシステムはより良良いレコメンデーションをすることを 次の 2 通りのやり⽅方で学習していくようになっています。 第１に、個々のアルゴリズムは、クリック数、カートの内容やアイテム数、ペー ジビュー数、検索索ワードなどの裏裏付けデータに時間と共により多くの数に晒され るようになります。その結果、各アルゴリズムは、多くのサンプルの収集により、 さらに洗練されたレコメンデーションができるように学習を⾼高めていくことにな ります。第２に、アルゴリズムの組み合わせであるアンサンブルが全体でくまな く機能することにより、どのアルゴリズムが各コンテキストにおいて最もうまく 機能するかについてより多くのことを経験値で学んでいくように設計されていま す。こうした学習と調整が継続的に実⾏行行され、かつそうした進展に対応するため に、エンジン・システムは 1 ⽇日に何度度も再構築されます。この継続的な最適化に より、アンサンブルは、前述のマイケル・ジャクソンの例例のように短期的な変化、 および市場のマクロ・トレンドのような⻑⾧長期的変化の両⽅方に反応することができ るようになります。 © 2009 – 2014 RichRelevance, Inc. All rights reserved. 7 Speak<geek> Tech Brief: RichRelevance Personalization Engine 最後に enRICH®パーソナライゼーション・エンジンの独⾃自のアーキテクチャは、当社が マーチャントに対して迅速かつ具体的なフィードバックを提供することを可能に するものです。 弊社のお客様である様々なリテーラー企業様は、コンバージョン 率率率、収益、およびリピート訪問率率率など、⼀一連の KPI (主要業績評価指標) 全体にお いて向上があったことを報告しています。時間と経験率率率を重ねることが、 enRICH®エンジンの⾃自⼰己最適化をより向上させていくことに⽋欠かせない要素とな っています。 リッチレリバンスの紹介 リッチレリバンスは、オムニチャネルのパーソナライゼーションの世界的リーダ ーです。サンフランシスコに本社を置き、世界の 10 のオフィスから 40 カ国、 160 以上の国際的な企業に対しサービスを提供しています。毎⽇日 10 億以上の意思 決定を駆動させ、ウォルマート、ターゲット、マークス＆スペンサーやコストコ などのお客様に 100 億ドル以上の売上貢献をしています。 ウェブ、モバイル、インストアでショッピングされる異異なる個々のお客様に対し、 集約されたデータの中から、最もパーソナライズされそれぞれに関連付けられた レリバントなおすすめ情報を提供します。リッチレリバンスのしくみは、かつて ないショッピング体験を可能しています。近年年では、クライアントの企業様が容 易易に異異種データソースを⼀一緒にし、⾃自⾝身の特定のビジネスニーズに適合したリア ルタイムのアプリケーションを構築できる、クラウドベースのプラットホームを オープンしました。 © 2009 – 2014 RichRelevance, Inc. All rights reserved. 8