LESSON

レコメンデーション入門

「NetShop社の『おすすめ商品』を見たことがあるか？」

田中VPoEがECサイトのトップページを開きながら問いかける。

「全ユーザーに同じ人気ランキングを表示しているだけだ。Amazonは売上の35%がレコメンデーション経由と言われている。我々もパーソナライズに舵を切る時が来た。君にこのプロジェクトを任せたい。」

あなたはうなずき、まずレコメンデーションの全体像を把握することから始めることにした。

レコメンデーションとは

レコメンデーション（推薦システム）とは、ユーザーの過去の行動や嗜好に基づいて、興味を持ちそうなアイテムを予測・提示するシステムである。ECサイト、動画配信、音楽ストリーミング、ニュースアプリなど、あらゆるデジタルサービスで活用されている。

推薦の3つの種類

種類概要代表例
協調フィルタリング似たユーザーの行動から推薦「この商品を買った人はこちらも」
コンテンツベースアイテムの属性から類似品を推薦「あなたが見た商品に似た商品」
ハイブリッド複数手法を組み合わせNetflix、Spotify

推薦の入力データ

推薦システムが利用する主なデータを整理しよう。

推薦システムの入力データ:
1. 明示的フィードバック（Explicit）
   - 評価スコア（1〜5星）
   - いいね / 嫌い
   - レビューテキスト

2. 暗黙的フィードバック（Implicit）
   - 購買履歴
   - 閲覧履歴
   - クリック
   - 滞在時間
   - カート追加

3. コンテキスト情報
   - 時間帯
   - デバイス
   - 位置情報
   - 季節・イベント

ECサイトでは明示的フィードバック（レビュー）よりも暗黙的フィードバック（購買・閲覧）の方が圧倒的にデータ量が多い。

ビジネスインパクト

レコメンデーションがビジネスに与える影響を主要KPIで把握しよう。

主要KPI

KPI定義推薦による改善効果
CTR（クリック率）クリック数 / 表示回数人気ランキング比 2〜5倍
CVR（購買転換率）購入数 / クリック数10〜30%改善
客単価購入金額 / 購入回数クロスセルで10〜20%向上
売上貢献率推薦経由売上 / 総売上Amazon: 35%, Netflix: 80%

売上インパクトの計算

# NetShop社の現状（人気ランキングベース）
monthly_visitors = 500_000
current_ctr = 0.02       # 推薦枠のCTR: 2%
current_cvr = 0.03       # CVR: 3%
avg_order_value = 5000   # 平均注文額: 5,000円

current_revenue = monthly_visitors * current_ctr * current_cvr * avg_order_value
print(f"現状の推薦経由月間売上: ¥{current_revenue:,.0f}")
# 出力: ¥1,500,000

# パーソナライズ推薦導入後の想定
new_ctr = 0.05           # CTR: 5%（2.5倍改善）
new_cvr = 0.04           # CVR: 4%（33%改善）
new_order_value = 5500   # 客単価: 5,500円（10%向上）

new_revenue = monthly_visitors * new_ctr * new_cvr * new_order_value
print(f"改善後の推薦経由月間売上: ¥{new_revenue:,.0f}")
# 出力: ¥5,500,000

improvement = (new_revenue - current_revenue) / current_revenue * 100
print(f"売上改善率: {improvement:.0f}%")
# 出力: 267%

パーソナライズ推薦の導入により、推薦経由の売上が約3.7倍に拡大する可能性がある。

推薦システムの歴史と進化

推薦システムの進化:
1990s: ルールベース（if-then）、人気ランキング
2000s: 協調フィルタリング（Amazon、Netflix Prize）
2010s: Matrix Factorization、Deep Learning
2020s: ハイブリッド、LLM活用、対話型推薦

2006年のNetflix Prizeコンペティション（賞金100万ドル）は推薦システム研究を大きく加速させた。このコンペで生まれたMatrix Factorizationの手法は現在も広く使われている。

まとめ

項目ポイント
推薦の3種類協調フィルタリング、コンテンツベース、ハイブリッド
入力データ明示的/暗黙的フィードバック + コンテキスト
ビジネスインパクトCTR/CVR/客単価の改善で売上3〜4倍も可能
進化の流れルールベース → 協調フィルタリング → MF → DL → LLM

チェックリスト

  • レコメンデーションの3つの種類を説明できる
  • 明示的フィードバックと暗黙的フィードバックの違いを理解した
  • 推薦のビジネスインパクト（CTR/CVR/売上）を定量的に計算できる
  • 推薦システムの歴史的な進化を説明できる

次のステップへ

推薦の全体像を把握したところで、次は推薦システムが抱える課題（Cold Start、フィルターバブルなど）について学ぼう。

推定読了時間: 15分