Mgt.267 お勧め商品のレコメンドの仕組み

今日の1 to 1 Marketingでは、Collaborative Filtering（協調フィルタリング）について学びました。例えば、Aさんの過去の購買履歴等のデータをもとに、嗜好が似ている人(taste soul mate)を膨大なデータベースから探し出して、そのtaste soul mateが買っていてAさんがまだ買っていないものを見つけて「お勧め商品」としてクロスセールスするのに使われます。

授業中に見たビデオでは、ある大手通販カタログショップのコールセンターがCollaborative Filteringに基づくsocial context recommendation systemを導入した事例を紹介していました。

例えば、カタログを見て電話をしてきた女性があるブラウスが欲しいとオペレータに言います。オペレータがその商品番号をPCに入力すると、その女性の過去の購買履歴を分析し、似たような嗜好を持つ他の顧客を洗い出して、その顧客の購買履歴に基づいたお勧め商品が表示されます。

以前のシステムでは、例えばパンツを買った顧客にはそれに合うようなベルトを勧める等のクロスセールスを実施していたそうですが、新しいシステムでは何の脈絡もない商品がお勧め商品として導き出されます。

先のブラウスを買おうとした女性向けには、なぜかあるタオルがお勧め商品として選ばれました。オペレータの女性はそのタオルについて顧客に説明をすると、先方は「どんな色があるの？」といった具合にまんざらでもない様子で興味を示しました。結局、その女性はそのタオルも数枚買うことに。そのオペレータの端末画面にはクロスセールスのacceptance rateとして40%という驚異的な数字が表示されていました。

▲口コミを確認

また、Collaborative Filteringの応用例として紹介されていたのは、映画のお勧めシステム。まずはじめに自分の好きな映画、嫌いな映画を１～５点で採点します。ある程度の数の採点を済ませた後に、システムにお勧めを尋ねると、他の人の採点結果と比較して自分の嗜好に近い人を見つけ出して、その人が高く評価している映画をお勧めとして紹介する仕組みです。

ビデオの中でこのシステムを試した男性は"Sunset Boulevard"という映画を勧められました。彼にとっては聞いたこともない映画でしたが、試しに観てみたら・・・「この映画、大好き！」という結果に。

アマゾンもお勧め商品を出してくれますが、購買履歴だけだと「買ってはみたものの面白くなかったもの」や「友人へのプレゼントで買ったもの」等が混在しているため、お勧めの精度には限界があるでしょう。その点では、後者の例は自分で作品をレーティングした結果に基づくお勧めなのでより高い精度が期待できると思います。この技術を応用して、本やCD、映画等のお勧めをしてくれるサイトがあったら楽しそう。

さて、このCollaborative Filteringはいったいどんなアルゴリズムでお勧めを見つけ出すのでしょうか？簡単な例で見てみましょう。以下のように６人が６つの映画について７点満点で評価しました（１点が最低）。例えば、BrainはRamboを観ていないのですが、他の人のレーティングを元にBrainのレーティングを予測することができます。ざっとデータを見ていると、BrainはAlexと嗜好が似ていて、Ednaとは嗜好が反対の傾向にあることがわかります。こうした類似度をBrainと各人とのレーティングの相関係数を算出し、その相関係数をウェイトとして使うことでBrainのRamboに対するレーティングを予測します。具体的には以下のように計算します。つまり、Brainの全映画に対する平均レーティング(3.8)をベースとして、他の人のRamboのレーティングと平均レーティングとの差に先の相関係数をウェイトとして乗じたものの合計(2.158)をプラスすることで、BrainのRamboに対するレーティング(5.958)が予測できるという訳です。

なかなか奥が深い世界ですね・・・。