行動レコメンデーション
このガイドでは、Adobe Journey Optimizer （AJO） Decisioning、Real-Time Customer Data Platform （RT-CDP）およびAdobe Experience Platform （AEP）を使用して、行動的商品とコンテンツの推奨事項を実装する方法について説明します。 web、モバイルアプリ、メールチャネルをまたいでパーソナライズされたレコメンデーション体験を提供する必要がある、ソリューションアーキテクト、マーケティングテクノロジスト、実装エンジニア向けに設計されています。
実行可能なすべての実装オプション、各フェーズでの決定の考慮事項、およびAdobe Experience League ドキュメントへのリンクが表示されます。 行動レコメンデーションは、商品の閲覧数、購入数、コンテンツのインタラクション、検索クエリなどの行動シグナルと、Adobe AJO Decisioningの選択戦略やランキングモデルを組み合わせることで、商品レベルまたはコンテンツレベルのレコメンデーションを生成します。 オファー決定支援では、適格性ルールとビジネス制約を使用して、オファー、プロモーション、インセンティブを決定します。一方、このパターンは、大規模で継続的に変化する項目カタログ（製品、記事、動画）に対して実行されます。このパターンでは、適格性を管理するのではなく、行動に即した親和性シグナルによって選択が促進されます。
ユースケースの概要
製品カタログ、コンテンツライブラリ、メディアライブラリを利用している企業は、行動履歴やセッション中のアクティビティにもとづいて、各訪問者に最も関連性の高い項目を表示する必要があります。 ホームページの「おすすめ」カルーセル、製品詳細ページのクロスセルウィジェット、メールキャンペーンに埋め込まれた製品レコメンデーションなど、訪問者の行動プロファイルをカタログの最も関連性の高い項目に一致させ、適切なチャネルでタイミングよく提供するという根本的な課題は同じです。
このパターンは、Web SDKまたはMobile SDKを介してリアルタイムで行動シグナルを取り込み、商品属性と行動コンテキストを組み合わせたAJO Decisioningの選択戦略を通じて処理し、web、アプリ、またはメールチャネルを通じて推奨商品を配信することで、この課題に対処します。 ランキングモデルには、数式ベース（カテゴリーの親和性スコアによるソートなど）やAIを使用したランク（パーソナライズされたレコメンデーションモデルなど）を使用できます。 このパターンは、フォールバックレコメンデーションを設定することで、行動履歴のない新規訪問者に対するコールドスタートシナリオも処理します。
このパターンのターゲットオーディエンスには、実際のユーザー行動にもとづくパーソナライズされたレコメンデーションを通じて、エンゲージメント、コンバージョン、平均注文額を向上させたいと考えているコマースマーチャンダイジングチーム、コンテンツパーソナライゼーションチーム、デジタルエクスペリエンスチームが含まれます。
主なビジネス目標
このユースケースパターンでは、次のビジネス目標をサポートしています。
クロスセルとアップセルの収益を促進
行動や購入履歴にもとづいて、既存顧客に補完的な商品やサービスを宣伝します。
KPI: アップセル/クロスセル %、増分収益、顧客生涯価値
コンバージョン率を向上
購入、サインアップ、フォーム送信など、望ましいアクションを実行した訪問者と見込み顧客の割合を向上させます。
KPI: コンバージョン率、リードコンバージョン、リード単価
パーソナライズされた顧客体験の提供
個人の好み、行動、ライフサイクルのステージに合わせて、コンテンツ、オファー、メッセージを調整。
KPI:のエンゲージメント、コンバージョン率、顧客満足度（CSAT）
戦術的なユースケース
このパターンの一般的な戦術的な実装は次のとおりです。
- 製品詳細ページの製品クロスセルウィジェット（「顧客も購入しました」）
- 閲覧履歴に基づくホームページの「おすすめ」カルーセル
- 読み取り行動に基づくメディアサイトでのコンテンツのレコメンデーション
- 「最近閲覧した」と類似アイテムのウィジェットの組み合わせ
- 購入後の補完商品レコメンデーション
- 行動の親和性にもとづいて商品レコメンデーションを電子メールで送信
- セッション内の閲覧行動にもとづいて、カテゴリー固有のレコメンデーションを提供
- 行動シグナルにもとづく検索結果のランキング
主要業績評価指標
以下のKPIは、行動レコメンデーションの実装の効果を測定するのに役立ちます。
ユースケースパターン
行動に関する推奨事項
AJO Decisioningの選択戦略とランキングモデルを使用して、行動シグナルにもとづいて、コンテクストに即したコンテンツを提供するアイテムレベルまたはコンテンツレベルのレコメンデーションを生成します。
関数チェーン：行動シグナル取り込み>決定戦略評価> レコメンデーション配信> レポート
パターンの組み合わせに関するガイダンスについては、「実装の考慮事項」の「パターン構成」セクションを参照してください。
アプリケーション
このユースケースパターンでは、次のアプリケーションを使用します。
- Adobe Journey Optimizer（AJO） Decisioning – 行動シグナルを評価し、各訪問者に最も関連性の高い項目を返す選択戦略、ランキングモデル、項目カタログ、および決定ポリシー
- Adobe Real-Time Customer Data Platform（RT-CDP） – 行動プロファイルデータの収集、レコメンデーションの範囲に対するオーディエンスの評価、行動の親和性スコアリングに対する計算属性
- Adobe Experience Platform（AEP） — Web SDKおよびMobile SDK、Edge Network処理による行動イベントの取り込み、イベントデータおよびカタログデータのXDM スキーマ管理
基本関数
このユースケースパターンでは、次の基本機能を使用する必要があります。 各機能について、ステータスは、通常それが必要か、事前設定が想定されているか、適用できないかを示します。
サポート機能
次の機能は、このユースケースパターンを強化しますが、コア実行には必要ありません。
アプリケーション関数
この計画では、アプリケーション機能カタログから次の機能を実行します。 関数は、番号付きのステップではなく実装フェーズにマッピングされます。
Journey Optimizer （AJO）
Real-Time CDP （RT-CDP）
前提条件
実装を開始する前に、次の手順を完了してください。
- [ ] AJO Decisioningがプロビジョニングされ、ターゲットサンドボックスで有効になっています
- [ ] Web SDKまたはMobile SDKがデプロイされ、製品/コンテンツ IDを使用して行動イベントを収集しています
- [ ]製品またはコンテンツカタログデータを取り込み可能です（製品名、カテゴリ、価格、画像URL、可用性）
- [ ]行動イベントスキーマには、カタログ項目にリンクする項目/製品識別子が含まれます
- [ ] データストリームは、Adobe Journey Optimizer サービスが有効になっている状態で設定されています（Edge Decisioningに必要）
- [ ]
isActiveOnEdge: trueとの結合ポリシーが設定されています（リアルタイム web/アプリのレコメンデーションに必要） - [ ]電子メールのレコメンデーション （オプション C）：電子メールチャネルサーフェスが設定され、検証されています
- [ ] メールのレコメンデーション （オプション C）: ターゲットオーディエンスが定義され、評価されています
実装オプション
次のオプションでは、行動レコメンデーションを実装するための様々なアプローチについて説明します。 チャネルの要件と技術的な制約に最も適したオプションを選択します。
オプション A:web リアルタイムのレコメンデーション
Web ページでの商品またはコンテンツのレコメンデーションに最適：商品またはコンテンツのレコメンデーション – クロスセルウィジェット、ホームページのレコメンデーションカルーセル、カテゴリーページのパーソナライズされたリスト、検索結果のパーソナライゼーション。
仕組み：
訪問者がサイトを閲覧すると、行動シグナルはWeb SDKを介してリアルタイムで収集されます。 各ページビュー、商品インタラクション、検索クエリは、Adobe AEPにストリーミングされ、訪問者のプロファイルに関連付けられます（匿名の訪問者の場合はECID、既知の訪問者の場合は認証ID）。 レコメンデーションサーフェスを含むページが読み込まれると、Web SDKはEdge Networkを介してAJOから決定評価をリクエストします。 決定エンジンは、選択戦略に対して訪問者の行動プロファイルを評価し、ランキングロジックを適用し、不適格な商品（既に購入された商品、在庫切れ商品）をフィルタリングし、推奨される商品を返品します。
レコメンデーションは、コードベースのエクスペリエンスまたはweb チャネルサーフェスを通じてページ上にレンダリングされます。 レンダリングには、カルーセル、グリッド、単一アイテムのウィジェット、またはレコメンデーションテンプレートで定義された任意のカスタムレイアウトを使用できます。 インプレッションイベントとクリックイベントは、パフォーマンスレポート用にAEPに自動的に追跡されます。
重要な考慮事項：
- Edge decisioningでは、Edgeで結合ポリシーをアクティブにする必要があります
- レコメンデーションの待ち時間は、Edge Networkの応答時間に依存します（シングルスコープリクエストの場合は500 ミリ秒未満のSLA）
- 匿名の訪問者は、セッション内の行動にもとづいてレコメンデーションを受け取ります。既知の訪問者は、セッション間の行動履歴から利点を得ることができます
- 行動履歴がないコールドスタート訪問者には、フォールバックのレコメンデーションが表示されます
利点：
- セッション内の行動にもとづくリアルタイムのパーソナライゼーション
- Edge Network経由のサブセカンドレコメンデーション配信
- 匿名の訪問者と既知の訪問者の両方に対応
- インプレッションとクリックの自動追跡
- 新しいレコメンデーションにページの再読み込みは必要ありません
制限：
- Edge プロファイルストアには、完全なプロファイル属性のサブセットが含まれます
- 多くのプロファイル属性を持つ複雑なランキングモデルでは、ハブサイドでの評価が必要になる場合があります
- 行動イベント トラッキングを使用したWeb SDK展開が必要です
Experience League:
オプション B：モバイルアプリレコメンデーション
アプリ内の商品レコメンデーション、パーソナライズされたコンテンツフィード、通知を活用したレコメンデーション、モバイルコマースエクスペリエンスなど、に最適です。
仕組み：
行動シグナルは、ユーザーがアプリを操作する際にMobile SDKを介して収集されます。 製品ビュー、コンテンツでのやり取り、検索、購入は、AEPにストリーミングされます。 レコメンデーションサーフェスを含む画面が読み込まれると、Mobile SDKは決定評価をリクエストします。 レコメンデーションは、アプリ内メッセージ、コンテンツカード、モバイルアプリ内のコードベースのエクスペリエンスを通じて配信されます。
コンテンツカードは、オーディエンスが自由に閲覧できるフィードのようなエクスペリエンスを維持できるため、モバイルアプリのレコメンデーションユースケースに特に適しています。 アプリ内メッセージは、特定の行動によってトリガーされるコンテキストに沿ったレコメンデーションに使用できます（例：商品をカートに追加した後に補完的な商品を表示する）。
重要な考慮事項：
- Mobile SDKは、関連するインタラクションの行動イベント トラッキングで設定する必要があります
- コンテンツカードは、永続的なレコメンデーションサーフェスを提供します。アプリ内メッセージは一時的なものです
- オフライン動作トラッキングでは、イベント送信の遅延にSDK キュー管理が必要です
- アプリストアの更新サイクルは、レコメンデーションレンダリングの変更をデプロイできる速度に影響します
利点：
- アプリが統合されたスムーズなレコメンデーションレンダリングにより、ネイティブなモバイル体験を実現します
- コンテンツカードは、永続的で閲覧可能なレコメンデーションフィードを提供し
- アプリ内メッセージにより、コンテキストに即した行動をトリガーにしたレコメンデーションが可能になります
- デバイスレベルのシグナル（場所、アプリの使用パターン）を活用して、関連性を高めます
制限：
- Mobile SDK統合とアプリ開発リソースが必要です
- レンダリングの変更にはアプリの更新が必要です（サーバー駆動型レイアウトでコードベースのエクスペリエンスを使用する場合を除く）
- オフライン期間は、行動シグナルの収集にギャップを生む
Experience League:
オプション C：電子メールによる行動レコメンデーション
最適な用途：電子メールキャンペーンの商品レコメンデーション – 見た商品レコメンデーション、購入後のクロスセル電子メール、定期的な「おすすめ」ダイジェスト、パーソナライズされた商品レコメンデーションを含むリエンゲージメントメールを使用して、放棄された電子メールを参照します。
仕組み：
以前のセッションから収集された行動プロファイルデータは、メールの送信時間やレンダリング時間にレコメンデーションの選択に反映されます。 オーディエンスは、適切な受信者（例：閲覧したものの購入しなかった訪問者、最近購入した顧客）をターゲットにするように定義されます。 キャンペーンやジャーニーは、レコメンデーションの配置を含むメールを送信するように設定されています。 送信時に、AJO Decisioningは、各受信者の行動プロファイルを選択戦略に照らして評価し、推奨される項目をメールコンテンツに挿入します。
このオプションは、セッション中のシグナルではなく、蓄積された行動履歴にもとづいています。 計算属性（カテゴリー親和性スコア、最近の製品閲覧、購入頻度）は、行動履歴をプロファイルレベルのシグナルに抽出し、選択戦略で効率的に評価できるため、メールのレコメンデーション品質を大幅に向上させます。
重要な考慮事項：
- メールレコメンデーションは、開封時間ではなく送信時間に評価されます。送信時の行動プロファイルの状態によって、レコメンデーションが決まります
- ランキング品質を向上させるために、計算属性を強くお勧めします
- メールのレンダリングの制限（JavaScriptなし、CSS限定） レコメンデーション表示形式の制限
- 設定および検証済みのメールチャネルサーフェスが必要
利点：
- セッションをまたいだ行動履歴を活用し、より詳細なパーソナライゼーションを実現
- 既存のキャンペーンやジャーニーのワークフローとの統合
- web/アプリの顧客接点が利用できない場合のリエンゲージメントとウィンバックに効果的です
- 1つのメールに複数のレコメンデーションの配置を含めることができます
制限：
- レコメンデーションは送信時に静的です。メールが開かれても更新されません
- メールレンダリングの制約により、レコメンデーションの表示形式が制限される
- オーディエンスの評価とキャンペーン/ジャーニーオーケストレーション基盤が必要
- 依存関係（チャネル設定、オーディエンス定義、キャンペーン実行）が増えるため、実装が複雑になる
Experience League:
オプションの比較
次の表に、実装オプションの主な違いをまとめました。
適切なオプションの選択
次のガイダンスを参照して、状況に最適なオプションを選択してください。
- オプション Aを使用して、web サイトでのリアルタイムの商品レコメンデーションを主な目標としている場合に開始します。 これは最も一般的な出発点であり、実装の複雑さが最も小さいとすぐに価値を得られます。
- モバイルアプリが主要なエンゲージメントチャネルであり、アプリ内レコメンデーションが有意義なコンバージョン向上をもたらす場合は、オプション Bを選択します。 オプション Bは、同じ選択戦略と項目カタログを使用して、オプション Aと並行して実行できます。
- 行動レコメンデーションをメール キャンペーンに拡張する場合は、オプション Cを追加します。 通常、オプション AまたはBの上に重ねられ、同じ商品カタログと選択戦略を使用しますが、メール固有のレンダリングテンプレートとオーディエンスベースのターゲティングが使用されます。
- 共通パターンのオプション A + Cを組み合わせる：アクティブな訪問者に対するリアルタイムのweb レコメンデーションに加えて、コンバージョンせずに離脱した訪問者に対する放棄された閲覧または購入後のメール レコメンデーションを追加します。
実装フェーズ
以下のフェーズでは、行動レコメンデーションのエンドツーエンドの実装を紹介します。
フェーズ 1：行動イベントスキーマとデータ収集の設定
Application Function: AEP: Data Modeling & Preparation （F2）、AEP: Data Sources & Collection （F3）
このフェーズでは、行動シグナルとアイテムカタログデータを収集するXDM スキーマ、データセット、データ収集メカニズムを確立します。 このデータ基盤は、あらゆるレコメンデーションロジックの基盤となります。
決定：行動イベントスキーマ設計
どの行動シグナルがレコメンデーションを促進すべきか？
決定：品目カタログ取得方法
商品カタログまたはコンテンツカタログは、AEPにどのように取り込まれますか？
UI ナビゲーション： データ管理/ スキーマ / スキーマの作成；データ収集/ データストリーム / 新規データストリーム
キー設定の詳細：
- Experience Event スキーマには、イベントペイロードに製品/項目識別子（SKU、製品ID、コンテンツ ID）を含める必要があります
- 商品カタログスキーマには、フィルターとランキングに使用する属性（カテゴリ、価格、画像URL、可用性ステータス、タグ）を含める必要があります
- データストリームでは、Edge決定に対してAdobe Journey Optimizer サービスを有効にする必要があります
- Web SDK
sendEvent呼び出しには、XDM コマースフィールドにマッピングされた製品インタラクションデータを含める必要があります
Experience League ドキュメント：
フェーズ 2:IDとプロファイルの設定
Application Function: AEP: Identity & Profile Configuration （F4）
この段階では、ID名前空間、プライマリ ID指定、マージポリシーを設定し、行動シグナルが訪問者プロファイルに正しく関連付けられ、リアルタイムのレコメンデーション配信に利用できるようにします。
決定：Edge決定の結合ポリシー
このレコメンデーションユースケースには、リアルタイムのEdge評価が必要ですか？
決定：匿名と既知の訪問者ID
匿名の訪問者からの行動シグナルはどのように処理すべきですか？
UI ナビゲーション： ID/ID名前空間、プロファイル/結合ポリシー
キー設定の詳細：
- ECID名前空間は事前設定されており、Web SDKおよびMobile SDKによって自動的に使用されます
- 認証されたID用にカスタム ID名前空間（CRM ID、ロイヤルティ ID）を作成する必要があります
- Experience Event スキーマのプライマリ IDは、web/モバイル行動イベントのECIDにする必要があります
- 結合ポリシーは、デバイス間でIDをつなぎ合わせるためにプライベートデバイスグラフを使用する必要があります
Experience League ドキュメント：
フェーズ 3：商品カタログと選択戦略の設定
アプリケーション関数： AJO：決定
このフェーズでは、アイテムのカタログ（決定項目）、行動シグナルとアイテム属性を組み合わせた選択戦略のランキング、対象外のアイテムを除外するフィルタリングルール、コールドスタートプロファイルのフォールバックレコメンデーションが設定されます。
決定：品目カタログ範囲
推奨事項にはどのような項目がありますか？
決定：ランキングアプローチ
最適なレコメンデーションを決定するために、適格なアイテムをどのようにランク付けする必要がありますか？
決定：ルールのフィルタリング
どの項目を推奨事項から除外する必要がありますか？
決定：コールドスタート戦略
行動履歴がない新規訪問者には何を表示すべきですか？
UI ナビゲーション： Journey Optimizer > コンポーネント >意思決定管理>決定；Journey Optimizer > コンポーネント >意思決定管理> オファー；Journey Optimizer > コンポーネント >意思決定管理>配置
キー設定の詳細：
- カタログ内の各製品またはコンテンツ項目を、属性（カテゴリ、価格、画像URL、タグ）で表す決定項目を作成します
- 商品カタログフィルタリングと行動ランキングロジックを組み合わせた選択戦略を定義します
- ランキングモデルの設定：数式ベースの式は、プロファイル属性（計算属性からのカテゴリ親和性スコアなど）を参照できます
- コールドスタートプロファイルのデフォルトのレコメンデーションとして機能するフォールバックオファー/アイテムを作成する
- 論理グループ化にコレクション修飾子（タグ）を使用して、アイテムをコレクションに整理します
- ビジネスルールを適用するために、選択戦略内にフィルタリングルールを設定します（購入済みの場合は除外、在庫のみ）
Experience League ドキュメント：
フェーズ 4: チャネルとサーフェスの設定
Application Function: AJO: Channel Configuration
このフェーズでは、レコメンデーションがレンダリングされる配信サーフェスを設定します。 設定は、実装オプションによって大きく異なります。
決定：配信サーフェスのタイプ
レコメンデーションはどこに表示されますか？
オプションが異なる場所：
オプション A （Web リアルタイム レコメンデーション）の場合：
コードベースのエクスペリエンスサーフェスまたはweb チャネルサーフェスを設定します。 コードベースのエクスペリエンスは、カスタムレコメンデーションレンダリング（カルーセル、グリッド、アイテムカード）に最も柔軟な機能を提供します。 サーフェス URIは、ページ上のレコメンデーションが表示される場所を識別します。
オプション B （モバイルアプリのレコメンデーション）の場合：
アプリ内メッセージまたはコンテンツカードサーフェスを設定します。 コンテンツカードは、永続的なレコメンデーションフィードに使用することをお勧めします。 アプリ内メッセージは、コンテクストに即して行動をトリガーにしたレコメンデーションに適しています。
オプション C （電子メールの行動レコメンデーション）の場合：
サブドメインのデリゲーション、IP プールの割り当て、送信者の設定を使用して、メールチャネルサーフェスを設定します。 サーフェスの配信品質が検証されていることを確認します。
UI ナビゲーション：管理/ チャネル / チャネルサーフェス / サーフェスを作成
Experience League ドキュメント：
フェーズ 5：コンテンツと配信の設定
アプリケーション関数： AJO: メッセージ オーサリング
このフェーズでは、訪問者に推奨される項目の表示方法を制御する、推奨レンダリングテンプレートを定義します。 これには、アイテムレイアウトデザイン、アイテム属性（名前、画像、価格、リンク）を引き出すパーソナライゼーション表現、全体的なレコメンデーションエクスペリエンスデザインが含まれます。
決定：レコメンデーション表示形式
推奨アイテムはどのようにレンダリングする必要がありますか？
決定：表示する推奨事項の数
プレースメントあたりの決定返すアイテム数
オプションが異なる場所：
オプション A （Web リアルタイム レコメンデーション）の場合：
コードベースのエクスペリエンステンプレートを使用して、レコメンデーションレンダリングをデザインします。 HTML/CSS/JavaScriptを使用して、カルーセル、グリッドまたはウィジェットのレイアウトを作成します。 Personalizationの式は、決定応答属性（項目名、画像URL、価格、商品URL）を参照します。 インプレッションとクリックの追跡は、Web SDKによって自動的に処理されます。
オプション B （モバイルアプリのレコメンデーション）の場合：
アイテム表示ロジックを使用して、コンテンツカードやアプリ内メッセージのテンプレートを設定できます。 モバイルアプリがネイティブにレンダリングする、JSON ベースのコンテンツ構造を使用できます。 おすすめアイテムごとにディープリンクを含めます。
オプション C （電子メールの行動レコメンデーション）の場合：
Email Designerを使用したメールコンテンツのデザイン。 決定機能を活用したコンテンツブロックを使用して、レコメンデーションの配置を挿入。 メールテンプレート内の項目属性に対してパーソナライゼーション式を設定します。 件名のパーソナライズは、最も推奨される項目を参照できます。
UI ナビゲーション： コンテンツ管理/ コンテンツテンプレート；キャンペーン/ジャーニー/ コンテンツを編集/ メールDesigner
キー設定の詳細：
- 各レコメンデーションは、フェーズ 3で作成された決定を参照する必要があります
- Personalization式では、Handlebars構文を使用して項目属性をレンダリングします
- Webの場合：決定を呼び出し、応答をレンダリングするようにコードベースのエクスペリエンスを設定します
- メールの場合：キャンペーンまたはジャーニー内のメールアクションに決定を埋め込みます
- 既知の行動履歴を持つテストプロファイルを使用して、推奨事項をプレビューします
Experience League ドキュメント：
フェーズ 6：オーディエンスの範囲とキャンペーン/ジャーニーを設定する（オプション Cのみ）
Application Function: RT-CDP: Audience Evaluation, AJO: Campaign ExecutionまたはJourney Orchestration
メールベースのレコメンデーション（オプション C）の場合、このフェーズでは、ターゲットオーディエンスを定義し、レコメンデーションメールを配信するキャンペーンまたはジャーニーを設定します。 オプション AとBでは、ページ/画面の読み込み時にレコメンデーションがリアルタイムで配信されるため、このフェーズをスキップします。
決定：オーディエンス評価方法
レコメンデーションメールのターゲットオーディエンスはどのように評価すべきですか？
決定：配信メカニズム
メールはキャンペーンまたはジャーニーを通じて配信すべきですか？
UI ナビゲーション：お客様/オーディエンス/オーディエンスを作成/ルールを作成；キャンペーン/キャンペーンを作成；ジャーニー/ジャーニーを作成
キー設定の詳細：
- 行動履歴を参照するセグメントルール式（例：「過去7日間に閲覧したが購入していない商品」など）を使用して、ターゲットオーディエンスを定義します
- フェーズ 4からチャネルサーフェスを参照するメールアクションで、キャンペーンまたはジャーニーを設定します
- フェーズ 3の決定をメールコンテンツに埋め込みます
- 過剰なメッセージを避けるために、スケジュール設定と頻度ルールを設定する
Experience League ドキュメント：
フェーズ 7：レポートと最適化の設定
Application Function: AJO: Reporting & Performance Analysis, S5: Reporting & Analysis
この段階では、レコメンデーションのクリックスルー、コンバージョン、収益指標などに関するパフォーマンスモニタリングを確立します。 レポート機能を構築して、レコメンデーションの効果を測定し、最適化の機会を特定できます。
決定：レポートの深さ
必要なレポート分析のレベル？
UI ナビゲーション： キャンペーン/キャンペーンを選択/すべての時間レポート、ジャーニー/ジャーニーを選択/すべての時間レポート、Customer Journey Analytics/プロジェクト/新しいプロジェクトを作成
キー設定の詳細：
- AJOのキャンペーンとジャーニーレポートで、配信とエンゲージメント指標を確認します
- Customer Journey Analytics統合の場合は、AJO エクスペリエンスイベント データセット（Message Feedback、Email Tracking、Decisioning）を含む接続を作成します
- レコメンデーション固有のディメンション（項目名、項目カテゴリ、レコメンデーションサーフェス）と指標（インプレッション数、クリック数、コンバージョン数、収益）を含むCustomer Journey Analytics データビューを作成します
- レコメンデーションのCTR、コンバージョン率、インプレッションあたりの売上に関する計算指標を構築します
- サーフェス、セグメント、期間をまたいでレコメンデーションパフォーマンスを比較するCustomer Journey Analytics ワークスペースパネルを作成します
Experience League ドキュメント：
実装に関する考慮事項
導入前と導入中に、次のガードレール、落とし穴、ベストプラクティス、トレードオフを確認しましょう。
ガードレールと制限
- サンドボックスごとに最大10,000件の承認済みパーソナライズされたオファー（決定項目） — 意思決定管理ガードレール
- 1決定あたり最大30件のプレースメント
- 決定リクエストごとに最大30個のコレクションスコープ
- オファーの配信時間SLA：シングルスコープのEdge リクエストの場合、P95で500 ミリ秒未満
- AI ランキングモデルのトレーニングには最低1,000回のコンバージョンイベントが必要です
- オファーキャッピングカウンターは、高スループットのシナリオで最大で数秒の遅延が発生する場合があります
- Edgeの決定は、edge profile storeで使用可能なプロファイル属性に制限されます
- サンドボックスごとにEdgeでアクティブにできる結合ポリシーは1つだけです – プロファイルガードレール
- サンドボックスあたり最大25個のアクティブな計算属性 – 計算属性ガードレール
- サンドボックスごとに最大4,000個のセグメント定義 – セグメント化ガードレール
- ストリーミング取り込み：HTTP接続あたり1秒あたり最大20,000 レコード — 取り込みガードレール
よくある落とし穴
- 決定では、フォールバック項目のみが返されます。 パーソナライズされた決定項目が、有効期限範囲内で承認され、実施要件ルールが訪問者のプロファイル属性と一致することを確認します。 上限に達していないことを確認します。
- Edge delivery returns empty personalization: データストリームがAdobe Journey Optimizer サービスを有効にして設定されており、決定範囲がWeb SDK リクエストで正しくフォーマットされていることを確認します。
- ランキング式が適用されていません：数式が構文的に有効であり、アクセス可能なプロファイル属性を参照していることを確認してください。 数式エラーはサイレントに優先順位ベースのランキングにフォールバックされます。
- 古いレコメンデーション：行動イベントデータがリアルタイムで流れていない場合、古い行動プロファイルに基づいたレコメンデーションが行われます。 Web SDKまたはMobile SDKがアクティブにストリーミングイベントであることを確認します。
- コールドスタートのフォールバック率が高すぎます：訪問者の大部分がフォールバックのレコメンデーションを受け取る場合、行動履歴のみに依存するのではなく、コンテキストシグナル（現在のページカテゴリ、リファラルソース）を使用してコールドスタート戦略を強化することを検討してください。
- 推奨事項がページ上でレンダリングされません： コードベースのエクスペリエンスサーフェス URIがページ URL パターンと一致し、Web SDKが決定応答を正しく要求およびレンダリングしていることを確認してください。
- レコメンデーションにカタログ項目が見つかりません：すべてのカタログ項目が決定項目として取り込まれ、正しいコレクション修飾子でタグ付けされ、選択戦略で参照される適切なコレクションに含まれていることを確認します。
ベストプラクティス
- AIでランク付けされたモデルに投資する前に、計算属性（カテゴリーの親和性、インタラクションの最新性）を使用して、数式ベースのランキングモデルから開始します。 フォーミュラベースのモデルは透明性があり、監査可能であり、比較のための確かなベースラインを提供します。
- インプレッションとクリックの追跡を初日から実装できます。 インタラクションデータがなければ、AI ランキングモデルはトレーニングできず、レコメンデーションの効果を測定することもできません。
- 複数のレコメンデーションサーフェス（ホームページ、PDP、電子メール）ごとに個別の選択戦略を作成できます。これにより、あらゆるチャネルで戦略を再利用できます。 サーフェスごとにユーザーインテントが異なります。
- 計算属性を使用して、行動履歴をランキングシグナルに抽出します。 生のイベントデータは詳細すぎて、フォーミュラベースのランキングを効果的に行うことはできません。「カテゴリーの親和性スコア」や「最後の購入からの日数」などの集計シグナルの方が効果的です。
- パーソナライズされたレコメンデーションとは別に、フォールバックレコメンデーションをテストできます。 フォールバック項目は、新規訪問者に優れた体験を提供する、ブランドに適した高品質なデフォルトにします。
- コールドスタートのフォールバック率を主要な健全性指標として監視する。 フォールバック率が時間の経過とともに低下している場合、行動のカバー率が増加していることを示しています。
- メールのレコメンデーションでは、行動プロファイルが最も完成したタイミング（例：閲覧時間のピーク後、送信中ではない）で送信スケジュールを設定します。
トレードオフの決定
以下のトレードオフは、それぞれの企業の固有の要件にもとづいて評価する必要があります。
リアルタイムのシグナルと履歴の蓄積
セッション内の行動シグナルは、関連性は直ちに示されますが、深度は限られます。 行動履歴の蓄積により、詳細な情報が得られますが、陳腐化する可能性があります。 こうした情報源のバランスがレコメンデーションの品質に影響します。
- オプション Aのユーザーは、既知の訪問者に対する累積履歴を補足して、即座に関連するリアルタイム シグナルを好みます
- オプション Cのお気に入り：電子メールは非同期で送信されるため、蓄積された履歴のみ
- 推奨事項： webとモバイル（オプション A、B）の場合、セッション内のシグナルを、過去の行動から得られた計算属性と組み合わせます。 メールの場合（オプション C）、行動履歴を実用的なプロファイルレベルのシグナルに要約する、計算された属性に多額の投資をおこないます。
フォーミュラベースモデルとAI ランクモデルの比較
フォーミュラベースのランキングは、透明性が高く、すぐに反映されます。 AIを利用してランク付けされたモデルは自動的に適応しますが、トレーニングに必要なデータが不足しており、ランキングに関する意思決定の可視性が低くなっています。
- フォーミュラベースの利点：透明性、監査可能性、即時のデプロイメント、ランキングロジックに対するきめ細かいビジネス管理
- AIによる優先度：自動化された最適化、明らかでないパターンの検出、手動での調整作業の削減
- 推奨事項： パフォーマンスのベースラインを確立し、コンバージョンデータを蓄積するために、数式ベースのランキングで開始します。 十分なトレーニングデータ（1,000以上のコンバージョンイベント）があり、手作業による数式調整で実現できる以外にも最適化したい場合は、AI ランクモデルに移行します。
レコメンデーションのカバー範囲と関連性の比較
商品カタログを拡張し、フィルタリングルールを緩和することで、パーソナライズされたレコメンデーションを受け取るリクエストの割合は増加しますが、レコメンデーションごとの関連性は減少する可能性があります。
- 高いカバレッジの好意： パーソナライズされたレコメンデーションを表示する訪問者の数を最大化します。主な目標がエンゲージメントの場合に役立ちます
- 関連性の高いお気に入り：より多くの訪問者にフォールバックレコメンデーションが表示される場合でも、関連性の高い項目のみを表示します。主な目標がコンバージョンの場合に役立ちます
- 推奨事項：中程度のフィルタリング（購入済み商品、在庫切れ商品を除く）を開始して、フォールバック率とコンバージョン率の両方を監視します。 コンバージョンデータがサポートしている場合にのみ、フィルタリングルールを強化します。
Personalizationの深さと導入の複雑さ
より豊かな行動シグナルと、より洗練されたランキングモデルは、レコメンデーションの品質を向上させますが、実装の複雑さやメンテナンスの負担を増やします。
- 実装を簡素化：価値実現までの時間を短縮し、メンテナンスを減らし、デバッグと反復を容易にする
- より詳細なパーソナライゼーションの支持： コンバージョン率の向上、顧客体験の向上、競争上の差別化
- 推奨事項：段階的に実装する。 製品ビューシグナルとフォーミュラベースのランキング（フェーズ 1）から始めます。 行動エンリッチメントの計算属性の追加（フェーズ 2）。 基盤が成熟し、十分なトレーニングデータが利用可能になったら、AIを活用してランクモデルを評価します（フェーズ 3）。
関連ドキュメント
次のリソースでは、このパターンで使用されるテクノロジーと機能に関する追加の詳細を示します。