レコメンドとは、ユーザーに対してAIが自動で選定した情報をおすすめする技術のことを言います。
例えば、ショッピングサイトで興味を持ちそうな商品を提案したり、最適なニュース情報を配信したり、すでに実用化されサービス提供されていますので、毎日この技術に触れないという方はいらっしゃらないのではないかと思うほど、普及をしています。
なぜこれだけ普及しているかと言うとこのようなメリットがあります。
このようなことを従来は人が感や経験を頼りに行ってきましたが、これをAIで自動化できれば、働き方改革にあるような、新たな職場環境を作り出すことができるでしょう。
では、このレコメンドの仕組みについて触れていきたいと思います。
こちらは、レコメンドにおける４つのフィルタリングの手法を分類したものです。
レコメンド フィルタリングタイプ
それぞれの手法について見ていきましょう。
１、 協調性フィルタリング
顧客の購入履歴や行動履歴を元に、他の顧客に商品を提案します。
多くの属性が似ている顧客の履歴を参照することで、AIは高い精度で提案を行うことができるようになります。逆にデメリットとして、購入歴や行動履歴が無い、少ししかない場合は、精度が低くなるので、最初は別な選択肢を取ることが多くなります。しかし、一定数の履歴データが増えてくることで、AIはさらに学習をし精度が一気に向上していきます。
２、 コンテンツベース
アイテムを元にレコメンドを行います。ユーザーの嗜好とアイテムの特徴を分析し、特徴を照合して抽出します。この情報に基づきAIはレコメンドをします。この場合、なぜこのアイテムを選択したのか理由もしまされるのが大きいことでしょう。
ただアイテムの人気度だけに依存しないので、人気が低いレアな商品やまだ販売実績の少ない新商品もレコメンド対象となるのというメリットがあります。
デメリットとしては、商品情報を常に更新をしないと、古い情報を元に分析をされるという点があります。
３、 ルールベース
この場合はAIではなく、担当者が事前にルールを決めておく方法です。
新商品や限定品などは、最初はレコメンドされにくいので、担当者がおすすめ商品として指定することができます。将来的には、こうした部分もAIによる自動化がされていくでしょう。
４、 ハイブリットタイプ
これは、前述のタイプをすべて組み合わせたケースです。
協調性フィルタリングやコンテンツベースと組み合わせて利用されることもありますし、特定の商品についてはルールベースを採用することもできます。
レコメンドは、最初のデータが少ないときにはハイブリットタイプなどまずは、人が入って上手くデータを集めていくことが重要です。しかし、データの集積が進むと、一気に精度が上がりますのでこの段階に至るまではしっかりと見据えて行くことが大切です。これからは、メリットとデメリットを理解した上で、顧客への直接の接客をAI行ってくれるという方法を使わない手はありません。これからますまずECサイトやNewsサイト以外にも、気づかないうちにますます広がっていく分野でしょう。
allAi.jpでは、お役に立てる情報を発信していきますので、どうぞよろしくお願いいたします。