レコメンデーションキーに基づくレコメンデーションの設定

アルゴリズムに基づくレコメンデーションは、訪問者の行動コンテキストを使用して、Adobe Target Recommendationsのアクティビティで関連する結果を表示します。

次の表に示すように、各アルゴリズムタイプは、そのタイプに適した異なるアルゴリズムを提供します。

各条件は独自のタブで定義されます。 トラフィックは、異なる条件のテスト全体で等しく分割されます。 つまり、2 つの条件がある場合、トラフィックは等しく 2 分割されます。 2 つの条件と 2 つのデザインがある場合、トラフィックは 4 つの組み合わせに対して等しく分割されます。 さらに、比較のために、デフォルトコンテンツを表示するサイト訪問者の割合も指定できます。 その場合、指定した訪問者の割合にデフォルトのコンテンツが表示され、残りは条件とデザインの組み合わせに分割されます。

条件の作成とそのアルゴリズムのタイプとアルゴリズムの定義について詳しくは、条件の作成を参照してください。

レコメンデーションアルゴリズムが異なれば、異なるタイプのページに配置することができます。 各アルゴリズムタイプとその使用可能なアルゴリズムについて詳しくは、次の節を参照してください。

カートベース cart-based

​ カートベース ​のアルゴリズムタイプでは、訪問者の現在のカートの内容に基づいてアイテムをレコメンデーションできます。 レコメンデーションキーは、mbox パラメーターcartIdsを通じてコンマ区切りの値で指定されます。 最初の 10 個の値のみが考慮されます。

カートベースのレコメンデーションロジックは、ユーザーベースのアルゴリズム「おすすめ」と、アイテムベースのアルゴリズム「これらを閲覧した人、これらの商品を購入した人」および「これらの商品を購入した人、これらの商品を購入した人」に似ています。

Targetは、共同フィルタリング技術を使用して、訪問者のカート内の各項目の類似点を特定し、各項目でこれらの行動の類似点を組み合わせて、結合リストを取得します。

また、Targetでは、マーケターは1つのセッション内または複数のセッション間で訪問者の行動を調べることもできます。

Targetは、1つのセッション内の訪問者の行動を見るか、複数のセッションを見るかに関係なく、現在のカート内のアイテムに基づいて、各訪問者に対するレコメンデーションを行います。

次のアルゴリズムは、買い物かごベース ​のアルゴリズムタイプで使用できます。

これを閲覧したユーザーはも閲覧しました

指定した品目が閲覧された同じセッションで、閲覧される頻度が最も高い品目をレコメンドします。

このロジックは、このロジックを表示した後に表示された他の製品を返します。 指定した製品は結果セットに含まれていません。

このロジックにより、ある商品を閲覧した他の訪問者が閲覧した商品をレコメンドすることで、追加のコンバージョン機会を創出することができます。 例えば、サイトでロードバイクを閲覧した訪問者は、自転車のヘルメット、サイクリングキット、ロックなどを閲覧できます。 このロジックを使用して、レコメンデーションを作成することで、売上の向上に役立つ他の製品を提案できます。

このアルゴリズムを選択した場合は、次のレコメンデーションキーを選択できます。

これを閲覧したユーザーはも購入しました

指定した品目が閲覧された同じセッションで、購入される頻度が最も高い品目をレコメンドします。

このロジックは、このロジックを閲覧した後に購入した他の製品を返します。 指定した製品は結果セットに含まれていません。

このロジックにより、たとえば、購入した商品を閲覧した他の訪問者の商品を表示する商品ページにレコメンデーションを表示することで、クロスセルの機会を増やすことができます。 例えば、釣り竿を閲覧している訪問者に対して、レコメンデーションには、タックルボックス、賭け金、釣りルールなど、他の訪問者が購入した追加のアイテムを表示することができます。 訪問者がサイトを閲覧するたびに、新たな購買レコメンデーションが提供されます。

このアルゴリズムを選択した場合は、次のレコメンデーションキーを選択できます。

この商品を購入したユーザー、および様

指定した品目と同時に顧客に購入される頻度が最も高い品目をレコメンドします。

このロジックは、この商品を購入した後に購入した他の商品を返します。 指定した製品は結果セットに含まれていません。

このロジックにより、たとえば、ショッピングカートの概要ページにレコメンデーションを表示することで、クロスセルの機会を増やすことができます。このページには、他の購入者も購入した商品が表示されます。 例えば、訪問者がスーツを購入する場合、他の訪問者がスーツと一緒に購入した追加のアイテム（ネクタイ、ドレスシューズ、カフリンクなど）を表示することをお勧めします。 訪問者が購入をレビューする際には、関連するレコメンデーションを提供します。

このアルゴリズムを選択した場合は、次のレコメンデーションキーを選択できます。

人気度ベース ​

人気度ベース ​のアルゴリズムタイプを使用すると、サイト全体でのアイテムの全体的な人気度や、ユーザーのお気に入りまたは最も閲覧されたカテゴリ、ブランド、ジャンル内のアイテムの人気度に基づいてレコメンデーションを行うことができます。

次のアルゴリズムは、人気度ベースの アルゴリズムタイプで使用できます。

​ サイト全体で最も閲覧された most-viewed

推奨は、最も頻繁に閲覧されたアイテムによって決まります。 これは次のように動作するリーセンシー／頻度条件により決定されます。

例えば、サーフボード A、サーフボード Bを1つのセッションで表示すると、A: 10、B: 5になります。 セッションが終了すると、A:5、B:2.5になります。 次のセッションで同じ項目を表示すると、値はA:15 B:7.5に変更されます。

このアルゴリズムは、ホームページやランディングページ、オフサイト広告などの一般的なページで使用します。

​ カテゴリー別に最も閲覧された most-viewed-category

レコメンデーションは、最も多くのアクティビティを受信したカテゴリによって決定されます。商品ではなくカテゴリにポイントが付けられることを除き、「最も多く閲覧された品目」と同じメソッドを採用します。

これは次のように動作するリーセンシー／頻度条件により決定されます。

最初に訪問したカテゴリには、10 ポイントが付与されます。 同じカテゴリへの次の訪問には、5 ポイントが付与されます。 訪問ごとに、以前表示した現在のカテゴリ以外のカテゴリは、1 ポイントずつ減点されます。

例えば、1つのセッションでカテゴリ A、カテゴリ Bを表示すると、A: 9、B: 10になります。 次のセッションで同じ品目を閲覧すると、値は 「A：20 B：9」 に変化します。

このアルゴリズムは、ホームページやランディングページ、オフサイト広告などの一般的なページで使用します。

カテゴリ別に最も表示されるアルゴリズムを選択した場合は、次のレコメンデーションキーを選択できます。

項目属性で最も閲覧された項目

サイトで最も閲覧されたアイテムやメディアと類似したアイテムやメディアをレコメンドします。

このアルゴリズムでは、「名前」や「ブランド」など、レコメンデーションのベースとなる項目属性を選択できます。

次に、「お気に入りブランド」、「最後にカートに追加されたアイテム」、「最も閲覧された番組」など、訪問者のプロファイルに一致するように保存されているプロファイル属性を選択します。

サイト全体で​ トップ セラー top-sellers

サイト全体から最も完了済みの注文に含まれるアイテムが表示されます。 1 回の注文で同じ品目が複数含まれていても、1 回の注文としてカウントします。

このアルゴリズムにより、サイトで売れ筋商品に関するレコメンデーションを作成し、コンバージョンと収益を向上させることができます。 このロジックは、サイトへの初回訪問者に特に適しています。

​ カテゴリー別のトップセラー

最も完了済みの注文に含まれる品目をカテゴリ別に表示します。 1 回の注文で同じ品目が複数含まれていても、1 回の注文としてカウントします。

このアルゴリズムを利用すれば、カテゴリーにもとづいてサイトで売れ筋商品に関するレコメンデーションを作成し、コンバージョンと収益を向上させることができます。 このロジックは、サイトへの初回訪問者に特に適しています。

「​ カテゴリー別に最も閲覧された項目」アルゴリズムを選択した場合は、次の推奨事項キーを選択できます。

項目属性別の上位セラー

サイトで最も購入された商品やメディアと類似した商品やメディアをレコメンドできます。

このアルゴリズムでは、「名前」や「ブランド」など、レコメンデーションのベースとなる項目属性を選択できます。

次に、「お気に入りブランド」、「最後にカートに追加されたアイテム」、「最も閲覧された番組」など、訪問者のプロファイルに一致するように保存されているプロファイル属性を選択します。

​ プロファイル属性で最も閲覧されたユーザー

​ カテゴリー別に最も閲覧された項目と項目属性で最も閲覧された項目のように、項目情報ではなく訪問者プロファイル属性でグループ化された最も閲覧された項目をレコメンドします。 Targetは、属性値ごとにランク付けされたリストを個別に保持し、配信時に、各訪問者に各自の格納値に一致するリストを表示します。

このアルゴリズムは、属性を入力するプロファイルスクリプトに依存します。スクリプトの名前はrecsAttribute接頭辞で始まる必要があるので、Targetはそれをuser.recsAttribute<Name>として保存します。 ユースケースに関連する任意の訪問者特性のスクリプトを作成できます。

プロファイルスクリプトを使用したプロファイル属性の設定について詳しくは、このページ ​を参照してください。

例えば、訪問者の地域に基づいてレコメンデーションを作成するrecsAttributeRegionという名前のスクリプトは、次のようになります。

var region = mbox.param('userRegion');
if (region) return region;

スクリプトを作成してアクティブ化すると、対応する地域 エントリが条件を作成ウィンドウのプロファイル属性ドロップダウンで使用できるようになります。 recsAttribute プレフィックス自体はドロップダウンには表示されません。

プロファイル属性による トップセラー

​ カテゴリー別のトップセラーと​ アイテム属性のトップセラーのように、アイテム情報ではなく訪問者プロファイル属性でグループ化されたトップセラー項目をレコメンドします。 Targetは、属性値ごとに個別のトップセラーのリストを保持し、配信時に、各訪問者に独自の格納値に一致するリストを表示します。

​ プロファイル属性で最も閲覧された属性と同様に、このアルゴリズムは属性を入力するプロファイルスクリプトに依存しており、スクリプトの名前はrecsAttribute接頭辞で始まる必要があるので、Targetはそれをuser.recsAttribute<Name>として保存します。 ユースケースに関連する任意の訪問者特性のスクリプトを作成できます。 プロファイルスクリプトを使用したプロファイル属性の設定について詳しくは、このページ ​を参照してください。

例えば、訪問者のロイヤルティ層にレコメンデーションを基にしたrecsAttributeLoyaltyTierという名前のスクリプトは次のようになります。

var tier = mbox.param('visitorLoyaltyTier');
if (tier) return tier;

スクリプトを作成してアクティブ化すると、対応する​ ロイヤルティ層 エントリが、条件を作成ウィンドウのプロファイル属性ドロップダウンで使用できるようになります。 recsAttribute プレフィックス自体はドロップダウンには表示されません。

分析指標上位

x​が任意のAnalytics指標である「上位x」を表示します。 mboxの行動データを使用する場合、Top SoldまたはTop Viewed （x = "Sold"またはx = “Viewed”）を使用できます。 Adobe Analyticsの行動データを使用している場合は、x = "買い物かごの追加"またはその他のAnalytics指標を使用できます。

​ アイテムベース ​

​ アイテムベース ​のレコメンデーションタイプでは、ユーザーが現在閲覧中または最近閲覧したアイテムと類似したアイテムを見つけることに基づいて、レコメンデーションを行うことができます。

次のアルゴリズムは、​ アイテムベース ​ アルゴリズムタイプで使用できます。

これを閲覧したユーザー、これを閲覧したユーザー viewed-viewed

指定した品目が閲覧された同じセッションで、閲覧される頻度が最も高い品目をレコメンドします。

このロジックは、このロジックを表示した後に表示された他の製品を返します。指定した製品は結果セットに含まれません。

このロジックにより、ある商品を閲覧した他の訪問者が閲覧した商品をレコメンドすることで、追加のコンバージョン機会を創出することができます。 例えば、サイトでロードバイクを閲覧した訪問者は、自転車のヘルメット、サイクリングキット、ロックなどを閲覧できます。 このロジックを使用して、レコメンデーションを作成することで、売上の向上に役立つ他の製品を提案できます。

このアルゴリズムを選択すると、次のRecommendations キーを選択できます。

これを閲覧したユーザーが購入しました viewed-bought

指定した品目が閲覧された同じセッションで、購入される頻度が最も高い品目をレコメンドします。 この条件によって、顧客が指定の商品を閲覧した後で購入した他の商品が返されるので、指定した商品は結果セットに含まれません。

このロジックは、このロジックを表示した後に購入した他の製品を返します。指定した製品は結果セットに含まれません。

このロジックにより、たとえば、購入した商品を閲覧した他の訪問者の商品を表示する商品ページにレコメンデーションを表示することで、クロスセルの機会を増やすことができます。 例えば、釣り竿を閲覧している訪問者に対して、レコメンデーションには、タックルボックス、賭け金、釣りルールなど、他の訪問者が購入した追加のアイテムを表示することができます。 訪問者がサイトを閲覧するたびに、新たな購買レコメンデーションが提供されます。

このアルゴリズムを選択すると、次のRecommendations キーを選択できます。

これを購入した人、購入した人 bought-bought

指定した品目と同時に顧客に購入される頻度が最も高い品目をレコメンドします。

このロジックは、この商品を購入した後に購入した他の商品を返します。 指定した製品は結果セットに含まれていません。

このロジックにより、たとえば、ショッピングカートの概要ページにレコメンデーションを表示することで、クロスセルの機会を増やすことができます。このページには、他の購入者も購入した商品が表示されます。 例えば、訪問者がスーツを購入する場合、他の訪問者がスーツと一緒に購入した追加のアイテム（ネクタイ、ドレスシューズ、カフリンクなど）を表示することをお勧めします。 訪問者が購入をレビューする際には、関連するレコメンデーションを提供します。

このアルゴリズムを選択すると、次のRecommendations キーを選択できます。

類似の属性を持つアイテム ​ similar-attributes

現在のページアクティビティまたは過去の訪問者の行動に基づいた品目またはメディアに類似した品目またはメディアをレコメンドします。

類似属性を持つアイテム ​または類似属性を持つメディア ​を選択した場合、コンテンツの類似性ルールを設定するオプションがあります。

コンテンツの類似性を使用してレコメンデーションを生成することは、新しい項目に対して特に効果的です。この項目は、この項目を閲覧したユーザー、その他の過去の行動に基づくロジックを使用してレコメンデーションに表示される可能性が低くなります。 ​また、コンテンツの類似性を使用すると、過去の購入などの履歴データがない新規訪問者に対する便利なレコメンデーションを生成することもできます。

このアルゴリズムを選択すると、次のRecommendations キーを選択できます。

詳しくは、​ コンテンツの類似性を参照してください。

​ ユーザーベース ​

​ ユーザーベース ​ アルゴリズムの種類では、ユーザーの行動に基づいてレコメンデーションを行うことができます。

次のアルゴリズムは、​ ユーザーベース ​ アルゴリズムタイプで使用できます。

最近表示された項目 recently-viewed

訪問者の履歴（複数セッションにわたる）を使用して、デザインのスロット数に基づいて、訪問者が閲覧した最後の x 品目を提示します。

最近閲覧した項目 アルゴリズムは、特定の環境に固有の結果を返します。 別々の環境に属する 2 つのサイトがあり、訪問者がそれらのサイト間を移動した場合、各サイトでは、そのサイトで最近表示された項目のみが表示されます。 2つのサイトが同じ環境にあり、訪問者が2つのサイトを切り替えると、訪問者は両方のサイトで同じ最近表示された項目を見ることができます。

最近閲覧した項目または最近閲覧したメディア ​をフィルタリングして、特定の属性を持つ項目のみを表示できます。

考えられるユースケースとしては、複数の企業を持つ多国籍企業が、複数のデジタルプロパティにまたがる訪問者ビュー項目を持っている場合があります。 その場合は、最近表示した項目をレコメンデーションする場所を、それが表示された各プロパティのみに制限できます。 これにより、最近閲覧した商品が、他のデジタルプロパティのサイトに表示されるのを防ぐことができます。

このアルゴリズムは、ホームページやランディングページ、オフサイト広告などの一般的なページで使用します。

あなたにおすすめ recommended-for-you

各訪問者の閲覧履歴、閲覧履歴、購入履歴にもとづいて、商品をレコメンデーションします。

このアルゴリズムにより、新規訪問者と再訪問者の両方にパーソナライズされたコンテンツとエクスペリエンスを提供できます。 レコメンデーションのリストは、訪問者の最新のアクティビティに合わせて調整され、セッション中に更新されます。ユーザーがサイトを閲覧するにつれて、よりパーソナライズされます。

ビューと購入の両方を使用して、推奨項目を決定します。 指定されたレコメンデーションキー（例：現在の項目）は、選択した包含ルールフィルターを適用するために使用されます。

例えば、次のことができます。

このアルゴリズムを選択した場合は、次のフィルタリングキーを選択できます。

カスタム条件 custom

​ カスタム条件 アルゴリズムタイプを使用すると、アップロードしたカスタムファイルに基づいてレコメンデーションを行うことができます。

推奨事項は、ユーザー​ x ​またはプロファイル x​属性を使用して、訪問者のプロファイルに保存されている項目によって決定されます。

このオプションを選択した場合、entity.id の値がプロファイル属性に存在する必要があります。

レコメンデーションをカスタム属性に基づいておこなう場合、カスタム属性を選択してからレコメンデーションタイプを選択する必要があります。

カスタム条件の出力にリアルタイムでフィルターを適用することができます。 例えばレコメンデーション品目を、訪問者のお気に入りのカテゴリやブランドのものに絞ることができます。 オフラインの計算結果とリアルタイムのフィルタリングを組み合わせることができます。

この機能により、Targetを使用して、オフラインの計算されたレコメンデーションまたはカスタムでキュレートされたリストの上にパーソナライゼーションを追加できます。 これにより、データサイエンティストのスキルと、配信、ランタイムフィルタリング、A/B テスト、ターゲティング、レポート、統合などのアドビの実証済みの機能を連携させることができます。

​ カスタム条件に包含ルールが追加されたことで、訪問者の興味に基づいた静的なレコメンデーションが動的なレコメンデーションに変わります。

主な使用例は次のとおりです。

レコメンデーションキー keys

次のレコメンデーションキーは、​ レコメンデーションキー ドロップダウンリストから利用できます。

現在の項目 current-item

レコメンデーションは、訪問者が現在閲覧中の品目によって決定されます。

レコメンデーションは、指定した品目に興味を示している訪問者が興味を示す可能性のある他の品目を表示します。

このオプションを選択した場合、entity.id の値を表示 mbox でパラメーターとして渡す必要があります。

次のアルゴリズムで使用できます。

サイトの現在の項目のレコメンデーションキーを次の場所で使用します。

最後に購入された品目 last-purchased

レコメンデーションは、各ユニーク訪問者が購入した最後の品目によって決定されます。 これは自動的にキャプチャされるので、値をページに渡す必要はありません。

次のアルゴリズムで使用できます。

サイトの最終購入済みアイテム ​のレコメンデーションキーを次の場所で使用します。

カスタムレコメンデーションキー

カスタムプロファイル属性の値に基づいてレコメンデーションを設定できます。 例えば、訪問者が最後にキューに追加したムービーに基づいて、推奨ムービーを表示するとします。

カスタムプロファイル属性と直接一致するエンティティ ID がない場合は、エンティティとの照合方法を Recommendations に指示する必要があります。 例えば、訪問者のお気に入りのブランドの販売上位アイテムを表示するとします。

最後に閲覧された品目 last-viewed

レコメンデーションは、各ユニーク訪問者が閲覧した最後の品目によって決定されます。 これは自動的にキャプチャされるので、値をページに渡す必要はありません。

次のアルゴリズムで使用できます。

サイトの最終表示項目のレコメンデーションキーを次の場所で使用します。

最も多く閲覧された品目 most-viewed-logic

サイトで最も頻繁に表示される項目またはメディアを表示します。

このロジックにより、サイトで最も閲覧されたアイテムに基づいてレコメンデーションを表示し、他のアイテムのコンバージョンを向上させることができます。 例えば、メディアサイトでは、最も閲覧された動画のレコメンデーションをホームページに表示し、訪問者に追加の動画を視聴するように促すことができます。

このレコメンデーションキーは、次のアルゴリズムで使用できます。

現在のカテゴリ current-category

レコメンデーションは、訪問者が現在閲覧中の商品カテゴリによって決定されます。

レコメンデーションは、指定した商品カテゴリの品目を表示します。

このオプションを選択した場合、entity.categoryId の値を表示 mbox にパラメーターとして渡す必要があります。

このレコメンデーションキーは、次のアルゴリズムで使用できます。

サイトの現在のカテゴリ ​のレコメンデーションキーを次の場所で使用します。

お気に入りのカテゴリ favorite-category

レコメンデーションは、訪問者のお気に入りの商品カテゴリーによって決まります。

レコメンデーションは、指定した商品カテゴリの品目を表示します。

このオプションを選択した場合、entity.categoryId の値を表示 mbox にパラメーターとして渡す必要があります。

このレコメンデーションキーは、次のアルゴリズムで使用できます。

サイトの現在のカテゴリ ​のレコメンデーションキーを次の場所で使用します。

​ サイトの親和性 site-affinity

品目間の関係の確実性に基づいて品目をレコメンドします。 この条件を設定して、レコメンデーションが提示される前に必要となるデータ量をインクルージョンルールスライダーで決定できます。 例えば、「非常に強い」を選択した場合、一致の確実性が最も高い製品が推奨されます。

例えば、非常に強い親和性を設定して、デザインに 5 つの品目を含め、そのうちの 3 つが結びつきの強さのしきい値を満たしている場合、強さの最低要件を満たさない 2 つの品目は、レコメンデーションには表示されず、あらかじめ定義された代替品目が代わりに表示されます。 最も強い親和性を持つ品目が最初に表示されます。

たとえば、オンラインのretailerでは、その後の訪問者の訪問時に、以前のセッションで興味を示した商品をレコメンドすることができます。 各訪問者のセッションのアクティビティをキャプチャし、最新性と頻度モデルにもとづいて親和性を計算します。 この訪問者がサイトに戻ってくると、サイト親和性は、サイトでの過去のアクションに基づいたレコメンデーションを表示するために使用されます。

多様な商品コレクションや多様なサイト行動のある顧客の場合は、サイトの親和性を弱く設定した方が、最適な結果が得られることがあります。

このロジックは、次のレコメンデーションキーで使用できます。