この連載について
テクノロジーの話題に関する特別インタビュー
この記事の著者 / 編集者
関連する企業
Amazon is a leading online retailer and one of the highest-grossing e-commerce aggregators, with $386 billion in net sales and approximately $578 billion in estimated physical/digital online gross merchandise volume in 2021.
時価総額
257 兆円
業績
シェア
新規登録またはログインすると
チャートを見ることができます
新規登録する
ログインはこちら
この連載の記事一覧
【野望】日本にこそ「核融合」産業が必要だ
416Picks
【直撃】ついに1兆円超え。Notionが「日本語版」を投入
1297Picks
【実例】ブリヂストンが、タイヤの「サブスク」に本気な理由
758Picks
【再掲】野口聡一が語った「宇宙に行く理由」
261Picks
【CEO直撃】明日からZoomが100倍、楽しくなる
1781Picks
【伊藤穰一】日本は、今回こそ、学ばなければいけない
1467Picks
【直撃】トヨタとデンソーが立ち上げる、半導体会社の正体
502Picks
【iRobot創業者】ロボット掃除機で狙う「スマートホームのハブ」
298Picks
【斬新】パナ×トヨタは、「ローテク」のスマートシティで勝つ
603Picks
【ベロダインCOO】自動運転の「目」、現在地について話そう
457Picks
Amazonの初期技術はアイテムベース協調フィルタリングと呼ばれるもの。Netflix Prize (動画推薦コンテスト)で賞金1億円を獲得したチームはMatrix Factorization (行列分解法)をベースにして200程度のアルゴリズムを調合したハイブリッド方式。
いまの研究分野の話題はご多分に漏れずDNNをどう使うか。ただし、CNNやRNNではない別物。一緒に購入されたものの中からいかに高次元の関連性を学習させるか。
また、DeNAが展開するマンガボックスでは購入履歴だけでなく、「絵の雰囲気が似ている」漫画を推薦する機能を搭載して結構売上に貢献しているというのを講演会で伺いました。
音声アシスタントのAlexaは商品ではなく個人に対して色々とアドバイスします。商品とは別のチームが開発しているのでしょうか。真髄はオープンにしていないような。
良いレコメンデーションとは何かという問いに対して、私はユーザーの立場でしか考えてきませんでしたが、リンデン氏の話を聞き、ビジネスとして成り立たせるという視点の大切さを痛感しました。やっぱりこのレコメンデーションという分野は奥深い。今後も深堀りしていきたいです。
ユーザーではなく商品自体の類似性に着目する「アイテムを基調とした(item-based)協調フィルタリング」。
優れたレコメンデーションシステムが満たす要素
①タイムリーであること
②驚きはあるけれど、不可解ではないこと
③ユーザーの次の行動を読んでいること
『優れたレコメンデーションシステムが満たす要素は、いくつかあると思います。
①タイムリーであること、②驚きはあるけれど、不可解ではないこと、③ユーザーの次の行動を読んでいること、などが挙げられます。』
そのなかで、何を扱うかによって、それぞれの具体が違うと思う。Amazonが扱う商材でも、新刊を買ったときと、歯ブラシを買った時だと、これらの条件の「文脈」が違う。新刊は他の新しいものか、関連する昔の名著が見たいと考えるかもしれないし、歯ブラシはついでに買う他の日用品を見たいとかかもしれない。
様々なアルゴリズムがあるし、これからも開発されていくだろうが、計算パワーとデータがあればレコメンデーションできる、といった世界ではないと思っている。いかに機械の世界で解決できるように、文脈や人間の感覚表現について課題設定をしていけるかがキー。
購買行動として利用者が明示的に示した興味よりも、行動情報として現れている興味の方が圧倒的に効果が高い。アルゴリズムもさることながら、協調フィルタリングが今もなお非常によく利用されるアルゴリズムなのはそこにあるかと思います。
Netflixのレコメンデーションアルゴリズムを個人的な興味で解析したことがありますが、まさにタグ付けが秀逸でその上で成り立っています。そのうえでリード先にも書かれている通りで、完璧を求めていない。カテゴリごとに協調フィルタリングを実施している形ですが、実際に別のカテゴリで同じ作品が表示されているところなどは、本当の完璧性ではない部分もあるかと思います。
おそらく、今後はAIの進化により、人ベースのレコメンドが進んでいくことになると思いますが、もう1つ重要なのはデータとしてエコシステムだと思います。1社が持っているデータだけでなく、パートナーシップをもった複数社でデータを連携をさせていくことで、1社からは一部しか見えないCustomer Journeyを、全体を通し保管しながらレコメンドを行っていく世界になっていくのではないかと。
優れたレコメンデーションシステムが満たす要素;
①タイムリーであること
②驚きはあるけれど、不可解ではないこと
③ユーザーの次の行動を読んでいること
というのは結構納得感あります。
Facebookの「知り合いかも」も「え?マジ?何で分かるの?」的なレコメンドをしてくることがあり(共通の友人がいるわけでもなく、ページを見に行ったわけでもないのに)、こちらのレコメンドもどういうロジックなのか、興味あります。
おすすめは、そのプラットフォームの参加者(顧客)の行動(結果)に基づき
それは、顧客そのものを最初から知ろうというより、
データに基づいているので、結果効果あることにつながる。
どのレベルでオススメレベル(確度)をあげるかは、
目的により、必ずしも最高のオススメを常に目指すということではない。
(長期的にはそれを目指すのだけれども)
優れたレコメンデーションシステムが満たす要素は、①タイムリーであること、②驚きはあるけれど、不可解ではないこと、③ユーザーの次の行動を読んでいること
必ずしもユーザーに最高の体験を与える必要はなく、適したものが必要であること。
>>レコメンデーションが「最高」である必要は必ずしもありません。
>> ユーザーが「やめない程度に満足してくれる」ものを作るべきか、「ヘビーに使い込んでくれる」ためのものを作るべきか、というのは、レコメンデーションシステムを設計する上で頭に入れておくべきです。