アイテムのおすすめについて
この記事では、顧客が興味を持っているアイテムを提案できるさまざまな方法について学び、Brazeを使ってレコメンドエンジンを作成するための一般的なユースケースのインスピレーションを得ることができます。
前提条件
すべてのおすすめのタイプについて、少なくとも 1 つのカタログ (おすすめのアイテムを取り出す元) を設定する必要があります。
推奨事項のタイプ
顧客におすすめのアイテムを提示するときに、実行できるいくつかのアプローチがあります。
AI カスタマイズされた推奨事項
AI 項目の推奨事項 機能の一部として、AI カスタマイズされた推奨事項はディープラーニングを利用して、ユーザーが過去に関心を示した内容に基づいて、次にユーザーが関心を持つ可能性が最も高いものを予測します。この方法は、ユーザーの行動に適応する動的でカスタマイズされた推奨システムを提供します。
AI パーソナライズされたレコメンドは、購入やカスタムイベントなど、アイテムのインタラクションデータの過去6 か月間を使用してレコメンドモデルを構築します。パーソナライズされたリストに十分なデータがないユーザーの場合、最も人気のあるアイテムがフォールバックとして機能するため、ユーザーはまだ関連する提案を受けています。
AI 項目の推奨事項を使用すると、使用可能な項目をさらに絞り込むこともできます 選択項目。ただし、Liquid を使用したセレクションは AI によるおすすめに使用できないため、カタログのセレクションを作成するときにはその点に留意してください。
例については、この記事のUse casesセクションを参照してください。
AI によりパーソナライズされたおすすめは、数百から数千のアイテムが用意され、かつ通常、購入データまたはインタラクションデータを持つユーザーが 30,000 人以上の場合に最も効果的です。これはあくまでも目安であり、様々です。他の推奨タイプは、より少ないデータで動作できます。
最も人気のあるアイテムのおすすめ
“AI Personalized” model に加えて、AI item recommendations 機能には、" のおすすめモデルも含まれています。最も人気のある” は、ユーザーが最も多く関わるアイテムを特徴としています。
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。
最新アイテムのおすすめ{#most-recent}
“AI Personalized” model に加えて、AI item recommendations 機能には" のおすすめモデルも含まれています。最新の” は、ユーザーが最も多く関わるアイテムを特徴としています。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により、解約を防止します。
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。
トレンド項目の推奨事項
“AI Personalized” model に加えて、AI item recommendations 機能には”Trending” のおすすめモデルも含まれています。このモデルには、最近のユーザーインタラクションに関して最も肯定的なモメンタムを持つ項目が含まれています。
” Most Popular” model (一貫して高いインタラクションを持つアイテムを特徴とする) とは異なり、このモデルはインタラクションでアップティックを経験したアイテムを特徴としています。新進気鋭で、現在けん引力が増している製品をおすすめするのに使えます。
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。
選択に基づく推奨事項
選択はカタログデータの特定のグループです。選択範囲を使用する場合、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あります。これにより、ユーザに表示する項目を満たす必要がある条件を定義できるため、推奨する内容を制御できます。
これまでの3つのタイプはすべて、Brazeで推奨モデルを設定し、トレーニングすることです。これらのモデルでセレクションを使用することもできますが、カタログのセレクションと Liquid でのパーソナライゼーションだけを使用するだけで、おすすめのユースケースのいくつかを実現することもできます。
次のおすすめを含むいくつかのユースケースがあります。
ルールに基づく推奨事項
ルールベースのレコメンドエンジンは、ユーザデータと製品情報を使用して、メッセージ内のユーザに関連する項目を提案します。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、ユーザーの行動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。
ルールベースの推奨事項は、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、おすすめはユーザの個々の購入履歴や嗜好に合わせて調整されません。したがって、この方法は、頻繁な更新を必要としないおすすめに最適です。
次のようなユースケースがあります。
- 補充のリマインダー:毎月のビタミンや毎週の食料雑貨品など、前回の購入日に基づいて、予測可能な使用サイクルを持つ品目の再在庫リマインダーを送信する。
- 初回購入者:2回目の購入を奨励するために、初回購入者にスターターキットまたは導入オファーをお勧めします。 ロイヤリティプログラム:顧客の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または報酬を最大化するような製品を強調する。
- 教育的なコンテンツ:以前に消費または購入した素材の話題に基づいて、新しいコースまたはコンテンツを提案します。
ユースケース
ユーザーが次に購入する可能性が最も高いアイテム
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推奨します。以下に例を示します。
- 旅行サイトは、ユーザーのブラウジング履歴と以前の予約に基づいて、休暇パッケージ、フライト、またはホテル滞在を提案することができ、次の旅行先を予測し、旅行を計画しやすく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により、ユーザーのエンゲージメントを維持して解約率を下げることができます。
要件
- AI によるアイテムのおすすめ
- 関連品目のカタログ
- 購入オブジェクトまたはカスタムイベントの購入を追跡する方法
設定方法
- AI によるアイテムのおすすめを作成します。
- [タイプ] を [AI パーソナライズ済み] に設定します。
- カタログを選択します。
- (オプション) 選択を追加して、関連する項目のみにおすすめをフィルタリングします。
- 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。
- 推奨事項をトレーニングします。
- 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アイテム
最近カートに追加したがまだ購入していないアイテムへの関心をユーザーに思い出させます。例えば、オンライン小売業者は、リマインダーを送ったり、カートの中の商品に期間限定の割引を提供したりすることができ、ユーザーは、オファーの期限が切れる前に購入を完了するよう促すことができる。
要件
- AI によるアイテムのおすすめ
- 関連品目のカタログ
- カートに追加のカスタムイベント
設定方法
- AI によるアイテムのおすすめを作成します。
- [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) 選択を追加して、関連する項目のみにおすすめ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「カートに追加」のカスタムイベントを選択します。
- 推奨事項をトレーニングします。
- メッセージングでおすすめを使用します。
気に入ったアイテム
最近気に入ったアイテムや人気のあるアイテムを、好きなカスタムイベントに基づいて探索するようユーザーに促す。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増大させることができます。
要件
- AI によるアイテムのおすすめ
- 関連品目のカタログ
- 「いいね」のカスタムイベント
設定方法
- AI によるアイテムのおすすめを作成します。
- [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) 選択を追加して、関連する項目のみにおすすめ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。
- 推奨事項をトレーニングします。
- メッセージングでおすすめを使用します。
最も人気のある商品
購入に基づいて、ユーザーにカタログの人気アイテムを見て回るように促します。関連するコンテンツのみを表示するようにするには、選択範囲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、プラットフォーム上での注文の人気度に基づいて、ユーザーの地域内で評価の高い料理やレストランを取り上げ、お試しでの使用や新規開拓を促すことができます。
要件
- AI によるアイテムのおすすめ
- 関連品目のカタログ
- 購入オブジェクトまたはカスタムイベント
設定方法
- AI によるアイテムのおすすめを作成します。
- [タイプ] を [最も人気がある] に設定します。
- カタログを選択します。
- (オプション) 選択を追加して、関連する項目のみにおすすめをフィルタリングします。例えば、食品配送サービスは、レストランのロケーションまたは料理のタイプをフィルタリングするための選択肢を有する。
- 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。
- 推奨事項をトレーニングします。
- メッセージングでおすすめを使用します。
閲覧数が上位のアイテム
エンゲージメントや購入を奨励するために、ビューを通じてユーザーベース全体で注目を集めた項目を強調表示します。例えば、不動産の Web サイトでは、ユーザーの検索エリアで閲覧数が上位のリストを表示し、多くの注目を集めている物件 (お買い得物件または良好な立地の可能性が高い) を取り上げることができます。
要件
- AI によるアイテムのおすすめ
- 関連品目のカタログ
- ビューのカスタムイベント
設定方法
- AI によるアイテムのおすすめを作成します。
- [タイプ] を [最も人気がある] に設定します。
- カタログを選択します。
- (オプション) 選択を追加して、関連する項目のみにおすすめをフィルタリングします。
- [カスタムイベント] を選択し、リストから表示数のカスタムイベントを選択します。
- 推奨事項をトレーニングします。
- メッセージングでおすすめを使用します。
新しいアイテム
このシナリオは、ユーザーの操作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。カタログに追加された日付に基づいて新しいアイテムをフィルター処理し、ターゲット設定したキャンペーンやキャンバスを通じて新しいアイテムを宣伝できます。おすすめモデルのトレーニングは不要です。
例えば、技術系の e コマースプラットフォームではフィルターを使用し、カタログに最近追加されたアイテムをターゲットにして、最新のガジェットや今後の予約注文についてハイテク愛好家に通知できます。
要件
- 日付欄が追加された関連項目のカタログ
設定方法
- カタログに基づいて選択を作成します。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 ([データ型] 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。
- (オプション) 必要に応じてフィルタを追加します。
- Randomize Sort Orderがオフになっていることを確認します。
- ソートフィールドの場合は、日付追加フィールドを選択します。
- [順序を並べ替え] を [降順] に設定します。
- メッセージングでセレクションを使用します。
ユーザーカートの人気アイテム
他の多くの買い物客がカートに追加したショーケースアイテムは、あなたのオファリングの現在のトレンドを垣間見ることができます。
例えば、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、流行している服やアクセサリーを宣伝できます。その後、ホームページとモバイルアプリで動的な”Trending Now”セクションを作成し、リアルタイムで更新して、買い物客がアイテムを売り切る前に購入するよう促すことができます。
要件
- AI によるアイテムのおすすめ
- 関連品目のカタログ
- カートに追加のカスタムイベント
設定方法
- AI によるアイテムのおすすめを作成します。
- [タイプ] を [最も人気がある] に設定します。
- カタログを選択します。
- (オプション) 選択を追加して、関連する項目のみにおすすめ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「カートに追加」のカスタムイベントを選択します。
- 推奨事項をトレーニングします。
- メッセージングでおすすめを使用します。
ランダムなアイテム
さまざま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、充実した品揃えを紹介でき、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。このメソッドは、特定のモデルやイベントを必要とせず、カタログ選択を使用して項目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”機能を提供して、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推薦し、通常の読書ジャンル以外の探索を奨励することができます。
要件
- 関連品目のカタログ
- [並べ替え順序をランダム化] をオンにしたセレクション
設定方法
- カタログに基づいて選択を作成します。
- (オプション) 必要に応じてフィルタを追加します。
- [並べ替え順序をランダム化] をオンにします。
- メッセージングでセレクションを使用します。
最近クリックしたアイテム
クリックのカスタムイベントに基づいて、最近クリックした項目を再訪問するようユーザーに促します。例えば、オンライン・ファッション小売業者は、フォローアップ・メールを送信するための推薦を作成したり、ユーザが自分の関心を示した服を掲載したプッシュ通知を作成したりすることができ、ユーザがそのアイテムを再訪問し、購入することを促すことができる。
要件
- AI によるアイテムのおすすめ
- 関連品目のカタログ
- クリックのカスタムイベント
設定方法
- AI によるアイテムのおすすめを作成します。
- [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) 選択を追加して、関連する項目のみにおすすめ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数のカスタムイベントを選択します。
- 推奨事項をトレーニングします。
- メッセージングでおすすめを使用します。
最近エンゲージしたアイテムまたは購入したアイテム
ユーザーが最近、表示、クリック、購入などの操作を行ったアイテムを宣伝します。このアプローチでは、おすすめを新鮮に保ち、ユーザーの最新の興味に合わせます。.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に促すことで、ユーザーのエンゲージメントと学習を開始しようという意欲を維持させることができます。
- 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を行ったものに似たワークアウトや課題を紹介することで、変化に富んだ魅力的なエクササイズルーティンをユーザーに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、最近の購入品に基づいて関連アクセサリーや安全用品をおすすめして、ユーザーの体験と安全性を向上できます。
要件
- AI によるアイテムのおすすめ
- 関連品目のカタログ
- 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カスタムイベント
設定方法
- AI によるアイテムのおすすめを作成します。
- [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) 選択を追加して、関連する項目のみにおすすめ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数のカスタムイベントを選択します。
- 推奨事項をトレーニングします。
- メッセージングでおすすめを使用します。
購入品の推移
ユーザーが最近購入したアイテムを頻度を上げて強調表示します。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在庫を取り始めている季節商品を勧めることができる。
要件
- AI によるアイテムのおすすめ
- 関連品目のカタログ
- 購入(購入オブジェクトまたはカスタムイベント) を追跡する方法。
設定方法
- AI によるアイテムのおすすめを作成します。
- TypeをTrendingに設定します。
- カタログを選択します。
- (オプション) 選択を追加して、関連する項目のみにおすすめをフィルタリングします。
- 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。
- 推奨事項をトレーニングします。
- メッセージングで推奨事項を使用します。
好きなアイテムのトレンド
ユーザーが最近気に入った項目を、頻度を増やして強調表示します。たとえば、音楽アプリには、最近ユーザーの好きなものが急増した新進アーティストが登場する可能性がある。
要件
- AI によるアイテムのおすすめ
- 関連品目のカタログ
- トラッキング用のカスタムイベント
設定方法
- AI によるアイテムのおすすめを作成します。
- TypeをTrendingに設定します。
- カタログを選択します。
- (オプション) 選択を追加して、関連する項目のみにおすすめをフィルタリングします。
- トラッキングのいいね!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。
- 推奨事項をトレーニングします。
- メッセージングで推奨事項を使用します。
GitHub でこのページを編集