レコメンデーションを作成する

Amplitudeを使用すると、パーソナライゼーションキャンペーンのための推奨事項を作成できます。推奨事項は、エンゲージメントを高め、解約を減らし、クロスセルの機会を創出するのに役立ちます。

新しいレコメンデーションを作成する

新しいレコメンデーションを作成するには、コホートとオーディエンスを開き、左側のレールにある レコメンデーション をクリックします。**「レコメンデーションを作成」**をクリックし、次の手順に従います。

1. 作成するレコメンデーションのタイプを選択します。
   • トップトレンド: 特定の期間に人気が最も上昇したアイテムのリストを生成します。 このタイプを使用して、新しいトレンドや出現しつつあるトレンドを特定してください。
   • 最も人気のあるアイテム: すべてのユーザーの使用状況に基づいて最も人気のあるアイテムのリストを作成します。 このタイプを使用して、トレンドであり需要の高いコンテンツや製品を強調表示します。
   • AI ベース: AI を活用したモデルを使用して、各ユーザーにパーソナライズされたコンテンツを提供します。このタイプは、ユーザーの過去の行動と好みを考慮に入れ、カスタマイズされたアイテムリストをキュレーションします。 このレコメンデーションタイプは最も洗練されたタイプであり、ユーザーエンゲージメントとコンバージョン率を大幅に向上させることができます。

2. 成果を定義してください。 結果とは、あなたが達成したい目標や改善したいメトリックです。_「開始コホートの定義」_セクションで、このレコメンデーションがアルゴリズムをトレーニングする対象となるコホートを選択します。デフォルトでは、Amplitudeは過去90日間にアクティブだったすべてのユーザーを選択します。 最良の結果を得るには、より狭義に合わせたコホートを使用してください。 コホートを絞り込むには、実行されたイベントやフィルタなどの条件を選択します。 トップトレンドまたは最も人気のあるレコメンデーションタイプを定義している場合は、ステップ #6 に進んでください。
3. AIベースのレコメンデーションタイプの場合、成果を達成するために推奨したいアイテムを選択して、アイテムカタログを作成します。推奨される項目を定義する で、イベントを選択... をクリックしてエクスポージャーイベントを選択します。
4. プロパティを選択... をクリックして、ユーザーに推奨するアイテムを指定します。項目自体は選択しません。 代わりに、エクスポージャーイベントに関連付けられたイベントプロパティを選択してください。レコメンデーションは、このイベントプロパティの値から推奨される項目を選択します。
5. _「現在の推奨対象アイテムのリスト」_セクションで推奨対象アイテムを選択します。 デフォルトでは、Amplitudeは前のステップで選択したイベントプロパティの最も頻繁な値50個から30日間のユニーク値に基づいて選択します。

また、プロパティ値の静的リストを使用するようにレコメンデーションを設定することもできます。**「静的リストで作成」**を切り替え、オプションリストから候補を選択します。 動的レコメンデーションから特定の値を除外したり、変換されたアイテムを除外することを選択したりできます。Next > をクリックして、保存 セクションに進みます。ステップ#11に進んで、新しいAIベースのレコメンデーションを完成させてください。

6. トップトレンドまたは最も人気のあるレコメンデーションタイプについては、_トレンドの時間範囲を選択_セクションを使用してください。ユーザーが結果イベントを完了するまでの時間枠を指定します。 デフォルト設定は過去7日間です。トップトレンドタイプには、デフォルト値が2日間であるオフセットオプションが含まれています。

7. _「成果を定義」_の下で、指定された期間内にこのレコメンデーションの結果イベントを選択します。結果のデフォルトの時間枠は1時間です。Next > をクリックして、アイテム タブに移動します。
8. 成果を達成するために推奨したいアイテムを選択することで、アイテムカタログを作成できます。 推奨される項目を定義する で、イベントを選択... をクリックしてエクスポージャーイベントを選択します。
9. プロパティを選択... をクリックして、ユーザーに推奨するアイテムを指定します。項目自体は選択しません。 代わりに、エクスポージャーイベントに関連付けられたイベントプロパティを選択してください。レコメンデーションは、このイベントプロパティの値から推奨される項目を選択します。

たとえば、音楽アプリがユーザーにアプリ内からコンサートのチケットを購入してもらいたいと考える場合があります。 アプリは、プレイリストをフォローしたユーザーに、そのユーザーがフォローしたプレイリストのジャンルに基づいてコンサートのポップアップを表示することがあります。 この場合、follow_playlistイベントに関連付けられているgenreイベントプロパティを選択します。 より一般的に、イベントプロパティはしばしばSKU、IDまたはNameなどの名前を持っています。

10. 各ユーザーに推奨するアイテムの数を指定します。 デフォルトでは、Amplitudeは前のステップで選択したイベントプロパティの最も頻繁な値50個から30日間のユニーク値に基づいて選択します。

また、プロパティ値の静的リストを使用するようにレコメンデーションを設定することもできます。**「静的リストで作成」**を切り替え、オプションリストから候補を選択します。 特定の値を動的レコメンデーションから除外することもできます。次に 次へ > をクリックして、次のステップに進みます。

11. 保存 タブで、新しいレコメンデーションに名前と説明を入力します。
12. _コントロール_スライダを使用して、コントロールとして含めるユーザーの割合を設定します。 Amplitudeはこれらのユーザーをランダムに選択し、レコメンデーションとしてランダムなアイテムセットを提示します。このコントロールグループを使用して、このレコメンデーションがもたらす効果を測定してください。複数のレコメンデーションにわたって同じコントロールグループを除外するには、［既存のレコメンデーションへのリンク］をクリックし、既存のレコメンデーションを選択します。
13. 完了したら、ビルドをクリックします。Amplitudeはレコメンデーションの生成に約1時間かかり、準備が整うとメールを送信します。

レコメンデーションを理解する

Amplitudeがレコメンデーションの作成を完了したら、レコメンデーションをクリックしてその基本情報を確認します。レコメンデーションが [概要] タブに表示されます。

信頼度スコアは、このレコメンデーションがランダムなアイテムリストと比較して統計的に有意なリフトを生み出すというAmplitudeの確信度を表します。

信頼度スコアの下に、Amplitudeはレコメンデーションに出現する頻度で項目をランク付けします。リストの一番上に表示される項目は、このレコメンデーションが最も頻繁に提案する項目であり、コンバージョンにつながる可能性が最も高い項目です。

［Performance］タブの上部には次の 4 つの統計情報が表示されます。

• 正確さ: Amplitude Experimentは最新のユーザーデータを使用して定期的にトレーニングを実行し、そのデータと最新のユーザーアクティビティに基づいてモデルを構築します。 各トレーニング実行では、一定割合のユーザーからのデータが除外されます。 Amplitudeはモデルを完成させた後、このホールドアウトグループに対してモデルを実行して精度を推定します。
• ベースラインに対するリフト：Amplitudeがモデルをデプロイするとき、一部のユーザーには推奨事項を表示し、他のユーザーにはランダムなアイテムを表示します。この統計は、推奨事項を見たグループのコンバージョンを、見なかったグループのコンバージョンで割った比率です。
• レコメンデーションCRとコントロールCR：これらはそれぞれ、レコメンデーションを見たユーザーの母集団とランダムなアイテムを見たユーザーの母集団におけるコンバージョン率です。
• 有意性：この数値が大きいほど、Amplitudeの結果に対する信頼度が高まります。予測と推奨事項には、独自のミニバージョンのAmplitude Experimentが組み込まれています。 テスト群、対照群、コンバージョン率の差、インプレッション数、コンバージョン数はすべて、標準的な有意性計算に組み込まれます。

レコメンデーションを作成する際のよくある間違い

• 間違ったコホートを使用しています。 すべてのユーザーを対象にレコメンデーションを行うだけで十分な場合もありますが、より具体的なコホートが必要な場合もあります。目標と、その目標を達成するのに最適なユーザー候補は誰なのかについて考えてください。たとえば、2回目の購入を最適化することを目標としている場合、すでに購入したことがあるユーザーをスタートコホートとして選択します。
• 間違った結果を指定しています。 結果イベントによって、選択したアイテムの順位が決まります。 「プロダクト購入において金額が100ドルを超える」ことを目的に最適化する場合、レコメンデーションは高価なアイテムを優先します。レコメンデーションを実行する前に、この動作でよろしいか確認してください。
• 露出イベントのタイミングが間違っています。 結果イベントの後に発生する露出イベントを選択した場合、レコメンデーションは適切にトレーニングされません。
• 不正な露出イベントコンテキスト。 イベントプロパティのコンテキストは、その露出イベントによって異なります。 イベントプロパティの名前は、「プロダクトがクリックされた」場合と「ボタンがクリックされた」場合で、容易に異なる意味になり得ます。
• イベント プロパティが間違っています。 たとえば、プロダクト名とプロダクトIDは同じ基本情報を伝えますが、形式は非常に異なります。選択したものがCMSのデータ保存方法と一致していることを確認してください。
• 結果イベントには十分なユニークアクションがありません：結果イベントには毎日少なくとも50件、理想的には100件のユニークユーザーアクションが含まれることを確認してください。コンバージョン数がこのしきい値を下回ると、モデルはシグナルを検出せず、すべてのユーザーに同じコンテンツを推奨します。