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Recommendationsは、訪問者行動コンテキストを使用して、Recommendations のアクティビティに関連する結果 Adobe Target 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、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、指定した割合の訪問者にはデフォルト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で分割されます。

条件の作成、および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。

様々なレコメンデーションアルゴリズムが、様々なタイプのページ上の配置に役立ちます。 各アルゴリズムタイプとその使用可能なアルゴリズムの詳細については、次の節を参照してください。

買い物かごベース cart-based

Cart-Based アルゴリズムタイプを使用すると、訪問者の現在の買い物かごの内容に基づいて、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、コンマ区切り値の mbox パラメーター cartIds を介して提供されます。 最初の 10 個の値のみが考慮されます。

買い物かごベースのレコメンデーションロジックは、「Recommended For You」ユーザーベースのアルゴリズムと、「People Who Viewed These, Bought Those」および「People Who Bought These, Bought Those」項目ベースのアルゴリズムに似ています。

共同フィルタリング手法を使用し Target、訪問者の買い物かごの中の各アイテムの類似性を判断したあと、各アイテムにおけるこれらの行動の類似性を組み合わせて、結合リストを取得します。

Target た、マーケターは、単一のセッション内または複数のセッションをまたいで訪問者の行動を確認することもできます。

Target では、単一のセッション内または複数のセッション間での訪問者の行動を調べるかどうかに関係なく、現在の買い物かごの項目に基づいて各訪問者に対するレコメンデーションが作成されます。

Cart-Based のアルゴリズムタイプでは、次のアルゴリズムを使用できます。

People Who Viewed This, Viewed Those

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

このロジックを使用すると、アイテムを閲覧した他の訪問者も閲覧したアイテムをレコメンデーションすることで、追加のコンバージョン機会を作成できます。 例えば、サイトでロードバイクを閲覧する訪問者は、バイクのヘルメット、サイクリングキット、ロックなども参照する場合があります。 他の製品を提案する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と、売上高の増加に役立ちます。

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。

これを閲覧した人が購入しました

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、この製品を表示した後に購入した他の製品を返します。指定された製品は結果セットに含まれません。

このロジックを使用すると、商品ページにレコメンデーションを表示することで、クロス販売の機会を増やすことができます。例えば、商品を表示した他の訪問者が購入した商品を表示する場合などです。 例えば、訪問者が釣り竿を見ている場合、レコメンデーションでは、タックルボックス、ワダー、釣りルアーなど、他の訪問者が購入した追加のアイテムを表示できます。 訪問者がサイトを閲覧する際には、追加の購入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。

これを購入した人が他に購入したもの

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、購入後に購入した他の製品を返します。指定された製品は結果セットに含まれません。

このロジックを使用すると、他の購入者も購入した商品を表示するなど、買い物かごの概要ページにレコメンデーションを表示することで、クロス販売の機会を増やすことができます。 例えば、訪問者がスーツを購入した場合、そのスーツと共に購入した他の訪問者の追加アイテム（ネクタイ、ドレスシューズ、カフリンクなど）がレコメンデーションに表示されることがあります。 訪問者が購入をレビューする際に、追加の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。

Popularity-Based

Popularity-Based 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に基づいて、またはユーザーのお気に入りのカテゴリや最も多く閲覧されたカテゴリ、ブランド、ジャンルなどのアイテムの人気度に基づいて、レコメンデーションを作成できます。

Popularity-Based のアルゴリズムタイプでは、次のアルゴリズムを使用できます。

サイト全体で最も多く閲覧された most-viewed

レコメンデーションは、最も頻繁に表示された項目によって決定されます。 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、1 つのセッションで surfboardA を閲覧後に surfboardB を閲覧すると、その結果は 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、値が A:15 B:7.5 に変わります。

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、一般的なページで使用します。

カテゴリ別で最も多く閲覧された 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 を閲覧後にカテゴリ B を閲覧すると、その結果は 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、一般的なページで使用します。

カテゴリ別で最も多く閲覧されたアルゴリズムを選択した場合は、次のRecommendations キーを選択できます。

品目属性別で最も多く閲覧された

サイトで最も多く閲覧された項目やメディアに類似した項目やメディアをお勧めします。

このアルゴリズムを使用すると、レコメンデーションのベースにする項目属性（例：「名前」、「ブランド」）を選択できます。

次に、訪問者のプロファイルに保存されている、一致させるプロファイル属性（「お気に入りのブランド」、「買い物かごに最後に追加された項目」、「最も多く閲覧された番組」など）を選択します。

サイト全体のトップセラー top-sellers

サイト全体で最も多く完了した注文に含まれる項目を表示します。 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使用すると、サイトで売れ筋商品のレコメンデーションを作成して、コンバージョンと売上高を増やすことができます。 このロジックは、サイトへの初回の訪問者に特に適しています。

カテゴリ別トップセラー

最も完了した注文に含まれる項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使用すると、カテゴリに基づいてサイトで売れ筋商品のレコメンデーションを作成し、コンバージョンと売上高を増やすことができます。 このロジックは、サイトへの初回の訪問者に特に適しています。

カテゴリ別で最も多く閲覧されたアルゴリズムを選択した場合は、次のRecommendations キーを選択できます。

品目属性別の上位セラー

サイトで最も購入された項目やメディアに類似した項目やメディアをお勧めします。

このアルゴリズムを使用すると、レコメンデーションのベースにする項目属性（例：「名前」、「ブランド」）を選択できます。

次に、訪問者のプロファイルに保存されている、一致させるプロファイル属性（「お気に入りのブランド」、「買い物かごに最後に追加された項目」、「最も多く閲覧された番組」など）を選択します。

Analytics 指標で上位に表示

「上位 x」を表示します。ここで x は任意の Analytics 指標です。 mbox の行動データを使用する場合は、「売り上げ」または「閲覧された上位」（x = 「売り上げ」または x = 「閲覧された」）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 = 「買い物かごへの追加」またはその他の Analytics 指標を使用できます。

Item-Based

Item-Based レコメンデーションタイプを使用すると、ユーザーが現在表示している項目または最近表示した項目に類似した項目の検索に基づいてレコメンデーションを行うことができます。

Item-Based のアルゴリズムタイプでは、次のアルゴリズムを使用できます。

これを閲覧した人が他に閲覧したもの 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、この製品を表示した後に表示された他の製品を返します。指定された製品は結果セットに含まれません。

このロジックを使用すると、アイテムを閲覧した他の訪問者も閲覧したアイテムをレコメンデーションすることで、追加のコンバージョン機会を作成できます。 例えば、サイトでロードバイクを閲覧する訪問者は、バイクのヘルメット、サイクリングキット、ロックなども参照する場合があります。 他の製品を提案する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と、売上高の増加に役立ちます。

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。

これを閲覧した人が購入したもの 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、この製品を表示した後に購入した他の製品を返します。指定された製品は結果セットに含まれません。

このロジックを使用すると、商品ページにレコメンデーションを表示することで、クロス販売の機会を増やすことができます。例えば、商品を表示した他の訪問者が購入した商品を表示する場合などです。 例えば、訪問者が釣り竿を見ている場合、レコメンデーションでは、タックルボックス、ワダー、釣りルアーなど、他の訪問者が購入した追加のアイテムを表示できます。 訪問者がサイトを閲覧する際には、追加の購入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。

これを購入した人が他に購入したもの 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、購入後に購入した他の製品を返します。指定された製品は結果セットに含まれません。

このロジックを使用すると、他の購入者も購入した商品を表示するなど、買い物かごの概要ページにレコメンデーションを表示することで、クロス販売の機会を増やすことができます。 例えば、訪問者がスーツを購入した場合、そのスーツと共に購入した他の訪問者の追加アイテム（ネクタイ、ドレスシューズ、カフリンクなど）がレコメンデーションに表示されることがあります。 訪問者が購入をレビューする際に、追加の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。

類似の属性を持つ項目 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。

類似属性を持つ項目/メディアを選択した場合は、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たレコメンデーションの生成は、新しいアイテムでは特に効果的です。新しいアイテムでは、これを閲覧したユーザー、それを閲覧したユーザー、および過去の行動に基づくその他のロジックを使用したレコメンデーションには表示されない可能性が高くなります。 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。

User-Based

ユーザーベースのアルゴリズムタイプを使用すると、ユーザーの行動に基づいてお勧めを紹介できます。

User-Based のアルゴリズムタイプでは、次のアルゴリズムを使用できます。

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。

最近表示され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 つのサイト間を切り替えると、訪問者には、両方のサイトで最近閲覧された同じ項目が表示されます。

Recently Viewed Items/Media は、特定の属性を持つ項目のみが表示されるようにフィルタリングできます。

考えられるユースケースとしては、複数の企業を抱える多国籍企業では、複数のデジタルプロパティをまたいで訪問者ビューの項目を持つ場合があります。 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、最近閲覧された項目が別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、一般的なページで使用します。

あなたにお勧め recommended-for-you

各訪問者のブラウジング、表示および購入履歴に基づいて項目をレコメンドします。

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対して、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。 Recommendations のリストは、訪問者の最新のアクティビティに対して重み付けされます。また、セッション内で更新され、ユーザーがサイトを閲覧するにつれてより詳細にパーソナライズされます。

表示と購入の両方を使用して、推奨項目を決定します。 指定したレコメンデーションキー（例：現在の項目）は、選択したインクルージョンルールフィルターの適用に使用されます。

例えば、次のことができます。

このアルゴリズムを選択すると、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お勧めを紹介できます。

レコメンデーションは、2 つの属性（user.x または profile.x 属性）のどちらかを使用して、訪問者のプロファイルに格納された品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。

つまり、Target を使用して、オフラインで計算されたレコメンデーションやカスタムキュレートされたリスト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。

カスタム条件にインクルージョンルールを追加することで、静的なレコメンデーションを、訪問者の興味に合わせた動的なレコメンデーションに変えることができます。

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が Recommendation Key ドロップダウンリストから表示されます。

現在の品目 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 Current Item Recommendations 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。これは自動的に取り込まれるので、ページで値を渡さないでください。

次のアルゴリズムで使用できます。

サイトの Last Purchased Item Recommendations キーを次の場所で使用します。

カスタム Recommendations 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、訪問者のキューに訪問者自身が最近追加したムービーに基づいて、お勧めのムービーを表示するとしましょう。

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売れ筋商品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。これは自動的に取り込まれるので、ページで値を渡さないでください。

次のアルゴリズムで使用できます。

サイトの Last Viewed Item Recommendations 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。

このロジックを使用すると、サイトで最も多く表示されたアイテムに基づいてお勧めを表示し、他のアイテムのコンバージョンを増やすことができます。 例えば、メディアサイトでは、最も多く視聴されたビデオに関するレコメンデーションをホームページに表示して、訪問者に追加のビデオを視聴するよう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 Current Category Recommendations 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製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 Current Category Recommendations 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、「強」を選択した場合は、一致の確実性が最も高い製品を推奨します。

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。

例えば、オンライン小売業者は、訪問者が過去のセッションで興味を示した項目を、その後の訪問でレコメンデーションできます。 各訪問者のセッションのアクティビティがキャプチャされ、最新性と頻度モデルに基づいてアフィニティを計算します。 この訪問者がサイトに戻ると、サイトのアフィニティを使用して、サイトでの過去のアクションに基づいてお勧めが表示されます。

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。