220330　aigentrecommend shiryou.pdf

お問合わせ先：シルバーエッグ・テクノロジー株式会社 Tel: 06-6386-1931 (Osaka) / 03-5357-1255 (Tokyo) / https://www.silveregg.co.jp/ e-mail:
inquiry@silveregg.co.jp
アイジェント・レコメンダー
ご紹介資料
リアルタイムレコメンドサービス
シルバーエッグ・テクノロジー株式会社
2022年 3月

2
シルバーエッグ・テクノロジー会社紹介

3
シルバーエッグ・テクノロジーについて
シルバーエッグ・テクノロジーは、1998年創業以来一貫して、LTV(顧客生涯価値)の最大化を実現する
AIマーケティング・ソリューションを提供してきました。
国内No.1
44.6%
SaaS型レコメンドツール市場占有率
2021年9月富士キメラ総研調べ「ソフトウェアビジネス新市場 2021年版」
SaaS型レコメンドツールの市場占有率推移調査
グローバル視点で鍛えられたAI技術
専門知識とコミットメント
幅広いエコシステム
AI搭載
レコメンドエンジン
米国人AIエンジニアであるCEO自らが開発し、
500社以上の企業での利用を通じ進化したAI
顧客の事業成長に寄り添う、AI運用の
プロフェッショナルによる伴走型サポート
ECプラットフォーム、MA・CRM、
メール、接客ツールなど、40社以上と連携

4
中核技術 – パーソナライゼーションのためのAI
ユーザーの行動データを収集・分析し、1人ひとりのニーズに
合致するアイテム（商品や情報）をリアルタイムで予測する、
エージェント型プログラム
開発者・CEO
トーマス・A・フォーリー
アイジェント
開発の歴史
ver.1 > > > > > > > > > > > > > > > Ver.7 > Aigent X
2000年
協調フィルタリング
技術に基づく
レコメンドエンジン開発
1998年
シルバーエッグ・
テクノロジー創業
2020年
カスタマイズ性の高い
パーソナライゼーション・
プラットフォーム
“Aigent X”の開発開始
2016年
東証マザーズ
(現グロース)上場
ベイジアンネットワーク、
強化学習などの
技術要素を漸次導入
500社以上での
実戦テストによる
AIの精度・信頼性向上
パスディペンデンシー
技術の開発による
高精度パーソナライズの実現

5
代表的なユーザー企業（公開事例）
更新： 2022年2月24日

6
ベスト・オブ・ブリードのマーケティングテクノロジーを提供
競争力と俊敏性を備えたマーケティングを実現する
“最適なツール”の組み合わせ戦略を支援
ベスト・オブ・ブリード戦略統合ツール戦略
⮚ ツールの組み合わせにより
自社にとっての最適な戦略を実現
⮚ 最新のテクノロジーやサービスに
容易にアップデート
⮚ ベンダーロックインの回避
⮚ 組み合わせ利用可能の可否は
ベンダーに依存
⮚ 個別の契約管理・運用
⮚ ベンダーの考案したベスト
プラクティスを容易に導入可能
⮚ 段階的な拡張と全社展開の容易さ
⮚ 契約の一本化・管理の一元化
⮚ “及第点”ツールの組み合わせ
⮚ 不要なツール・低機能ツールも
容易にリプレースできない
⮚ マーケティング戦略全体が
ベンダーの開発方針に左右される
メリット
デメリット
メリット
デメリット
▼シルバーエッグ製品と連携可能な
代表的なパートナー企業
他約40社

7
サービス紹介

8
シルバーエッグのサービス
リアルタイム・レコメンドサービス
WEBサイト、ネイティブアプリ上でアイテムをパーソナライズ
アイジェント・レコガゾウ
リアルタイム・レコメンドメールサービス
メール、LINE上で表示アイテムをパーソナライズ
こ
の
資
料
に
掲
載
＊特許取得技術

9
シルバーエッグのサービス
パーソナライゼーション技術でLTVアップサイクルをトータルに実現
購入
利用・体験
調査・
検討
認知・関心
Webサイト・App内体験のパーソナライズ
メール・SNSのパーソナライズ
◆ サイト閲覧中のユーザー
嗜好をリアルタイムに分
析してレコメンド
◆ 検索エンジンやPop-upツ
ールの表示内容をパーソ
ナライズ
◆ 組み合わせて買いやすい
商品をレコメンド
◆ POSデータを使ったOMO
レコメンド
◆ カゴ落ち・離脱客に対する
メールでのレコメンド
◆ メルマガ上で商品やBlog
コンテンツ等をレコメンド
◆ 購入後フォローメールやセ
ール案内でのレコメンド
カスタマー
ジャーニー

サービス1：アイジェント・レコメンダー
リアルタイム・レコメンドサービス
サイトやアプリ内での顧客の行動を機械学習技術で
分析し、1人ひとりが“いま”求めているアイテム
（商品・コンテンツ等）を予測し提示する、
SaaS型 AIレコメンド・サービス

11
コンセプト
「顧客本位の接客」を、AIの力で再現する
顧客を知り、顧客の求める
商品を提案する “One to One”接客
広告ツール、CRMツールでは、
一方的な“仮説”と“分類” に基づく
商品の「押し付け」が横行している
顧客一人ひとりの行動の傾向を
AIがリアルタイムで分析し
顧客の求めるものを的確に提案する
スタッフ顧客
TALK
RECOMMEND
PUSH!
スタッフ顧客群
ANALYSE
CRM等
顧客
LEARN
RECOMMEND
STORE DIGITAL

12
ソリューション
顧客1人ひとりを理解し、多様なニーズを予測する
レコメンドアルゴリズム群
行動相関レコメンド
閲覧閲覧相関 (Browse-Browse)
「この商品を見た人は、こんな商品を見ています」
同時購買相関 (Order-Order)
「この商品を購入した人は、一緒にこんな商品を購入しています」
メニュー一例
カテゴリ/キーワード閲覧相関
「このカテゴリ閲覧/キーワード検索をした人は、こんな商品を見ています」
言語解析（トピックレコメンド）
アイテム説明文の内容が近いものをレコメンド表示
カテゴリ/価格フィルタリング
特定カテゴリや、価格帯を限定／除外するフィルタリング設定
特徴量レコメンド
フィルタリング

13
Appenix:アイジェント・レコメンダーの多彩なチューニング
項目設定機能説明
行動相関レコメンド
閲覧閲覧相関 (Browse-Browse) 「この商品を見た人は、こんな商品を見ています」
同時購買相関 (Order-Order) 「この商品を購入した人は、一緒にこんな商品を購入しています」
閲覧購買相関 (Browse-Order) 「この商品を見た人は、結果的にこんな商品を購入しています」
過去購買相関 (Past-Order) 「過去この商品を購入した人は、次、こんな商品を購入します」
カテゴリ/キーワード閲覧相関「このカテゴリ閲覧/キーワード検索をした人は、こんな商品を見ています」
特徴量レコメンド
言語解析（トピックレコメンド）アイテム説明文の内容が近いものをレコメンド表示
画像認識（イメージレコメンド）アイテム画像の類似性が高いもの（似ているアイテム）をレコメンド表示
フィルタリング
カテゴリフィルタリング特定カテゴリを限定／除外するフィルタリング設定
価格フィルタリング商品価格を「以上、以下」で指定するフィルタリング設定
アイテムフィルタリング特定アイテムを除外する。ユーザ毎の購入アイテムの除外も可能

14
ソリューション
最適なアルゴリズム・チューニングを、
専任コンサルタントが ABテストに基づいて提案
調査・
検討
購入
利用
“検索相関レコメンド“
“リアルタイムランキング“
欲しい商品へのスマートな導線を創出
設定一例
初回アクセス
商品検索
商品探索
決済・
ユーザー登録
カート投入
商品スペック
確認
“閲覧相関レコメンド“
“ カテゴリフィルタ―“
同じカテゴリーや異なるカテゴリーで、ユーザーの嗜好
に合いそうな別商品を提案し、比較検討をしやすく
“閲覧購買相関レコメンド“
いまカートに入っている商品と組み合わせて買いやすい
商品を提案し、ついで買いを誘引
“過去閲覧相関レコメンド“
いままでの閲覧履歴から、その人だけのおすすめコレク
ションを作成

15
効果
信頼できる「おすすめ」が、顧客のLTVを上げてゆく
◆ セッション当たりの売上単価向上
購入する商品とマッチした“もう1品“を提案
◆ コンバージョン率向上
“出会い”の体験が、購入モチベーションを向上
◆ 顧客の再訪率・再購入率向上
個人のニーズを満たす快適な買い物体験を提供
◆ サイト回遊性強化・離脱率低減
「欲しい物と出会える」リンクを、様々な箇所に
店舗の商品プロフェッショナルたちも
想像しない商品を、AIはレコメンドしました。
彼らの選んだ“おすすめ商品”と比較しても、
AIのほうが確実に多くクリックされ、
購入されていました。
導入事例：「まんだらけネット通販」
800万種以上の多彩な“1品もの”を扱う中古ショップ。
AIレコメンドによる売上が、月額2000万円に迫り、
EC全体の売上の5％以上を占める。
ご担当者様インタビューより抜粋・編集
https://www.silveregg.co.jp/archives/casestudy/mandarake

16
コミットメント
コンサルティングサービス＋成果報酬型の提供モデルで
お客様のビジネスの成長にコミット
0%
50%
100%
150%
200%
250%
販売点数販売金額
レコメンドなしレコメンドあり
B2B 事務機器通販
0
20
40
60
80
100
120
140
平均購買数
リプレイス前
1.2倍
B2C コスメティック通販
0%
50%
100%
150%
200%
CVR
自社開発レコメンド
C2Cクラフトマーケット

17
特長1: リアルタイム性
常に変化し続ける顧客のニーズを、リアルタイムで捉える
いまテレビで
見た商品が
欲しい
商品よりも
Blog記事を
読みたい
昨日は
シューズを
探してた今日は
ジャケットが
見たい
探している
物件を
変えてみる！
サイト・Appに埋め込まれたタグ
から、顧客がページをクリックす
るごとに「何を見たか」「買った
か」を観察・分析。
ニーズ予測をリアルタイムで
修正し、より的確なアイテムを
提案

18
特長2: 独自開発アルゴリズムとチューニング
ビジネスモデルやユーザーの傾向にあわせた、多彩なレコメンド
基幹アルゴリズム：パス・ディペンデンシー（経路分析）
主なアルゴリズムの例
基幹アルゴリズム
（経路分析）
「閲覧－閲覧相関」
「同時購買相関」など、
豊富なロジックを内包
ハイパーパス
レコメンド
レコメンドリクエストが
多い場合に効果を発揮
ダイナミック
ランキング
サイト内の売上トレンドを
リアルタイムでランキング
ウェイテッド
アルゴリズム(仮)
特定のKPIにウェイトを
置いたアルゴリズム
P-filter
アルゴリズム(仮)
人をベースに置いた
相関関係の分析

19
特長3: 伴走型コンサルティングサポート
専門スタッフによる継続的なサポートで、AIの成果を最大化
ノウハウの提供レコメンド活用施策の提案
モニタリング管理ツール
● お客様の状況に合わせたアルゴリズ
ムや、レコメンド枠設置の方法を
コンサルタントが提供
● 活用ノウハウWebinarの開催
● 24時間365日のシステム監視
● 設定ミスやデータ連携エラーなどの
異常値の検知・連絡
● AIの活用度を深め、顧客体験を向
上させる「次の一手」の提案
● ABテストによる科学的な効果測定
● レコメンドによる売上推移などの
成果を定量的に理解できる
レポート画面

他社ツールとの連携ソリューション（一例）
接客ツール連携コーディネート・レコメンド
デザイン上の制約でレコメンドの表示位置が
画面下部に押し込められ、顧客が気づかない
顧客のサイト滞在時間に応じ、
ポップアップ画面でレコメンド
を表示
課題
解決策
効果
コンバージョン率が
150％以上向上（実例）
スタッフのコーディネートスナップの閲覧時間を
伸ばし、多様な商品を見せたい
顧客1人ひとりの購買履歴など
から、おすすめのコーディネー
トコンテンツを選んで表示
課題
解決策
効果
セッションあたりのコンテンツ
閲覧数が20～50件に（実例）

サービス2: アイジェント・レコガゾウ
リアルタイム・レコメンドメールサービス
メールやSNSメッセージの本文中に、受信者1人ひと
り異なるレコメンドアイテムを挿入する、特許取得の
レコメンドメールサービス。
アイジェント・レコメンダーのオプションとして提供。

22
概要
ユーザーがメールを開封した瞬間、
リアルタイムで予測したレコメンドアイテムをメール本文中に表示
メールシステ
ム
レコガゾ
ウ
メールに埋め込む画像
（商品やコンテンツへの
リンク)を、AIがユーザー
ごとにパーソナライズ
(特願2015-39059号)

23
特長1: 開封時にリアルタイムレコメンド
最新のユーザー動向・在庫情報に基づいたレコメンド表示が可能
レコメンドアイテム決定
メール配信
ユーザーがメールを開封
先行処理は不要です
ユーザがメールを開封
配信システムに連携
メール配信
リアルタイム
レコメンド
配信ステップによる
タイムラグ(数日～)
⮚最新の在庫アイテム
⮚新着アイテム
⮚直近のユーザー行動
⮚最新のレコメンド相関
を反映
一般的なメールレコメンドレコガゾウ
レコガゾウサーバー
リスク：
⮚アイテム在庫切れ
⮚新アイテムの未反映
⮚ユーザー自身の購入
⮚嗜好やトレンドの変化
開封検知

24
特長2: HTMLタグのみのカンタン実装
メール内へのタグ記述のみの実装*で、連携にかかる手間が圧倒的に少ない
⮚ 顧客情報の連携、同期
⮚ 商品情報の連携、同期
⮚ メールシステムとのデータ連携
⮚ 各種の連携監視
⮚ メーラ毎のアイテム表示枠調整
⮚ メール文の個別編集
⮚ シナリオ設計、セグメント配信
<a href=“https://x-recogazo.silveregg.net/
click?merch=x&cust=【会員ID】&pos=1…">
<img src= =“https://x-recogazo.silveregg.net/
recommend?merch=x&cust=【会員ID】&pos=1…”>
</a>
* Webサイトへのアイジェント・レコメンダー導入が前提となります
* 初回に一度、レコガゾウ画像テンプレートの作成が必要です
一般的なメールレコメンドレコガゾウ
⮚ HTMLメール内に画像＋アンカータグを記述
レコガゾウでは、すべて不要！

25
特長3: メール配信・マーケティングオートメーションとの連携
2021年9月現在
一般的なHTMLタグを用いるため、
基本的にあらゆるHTMLメールに、実装が可能
ソリューション連携実績

26
レコガゾウ活用シーン
No 対象シナリオロジック目的
1 購入後フォローメール過去購買先に購入した製品の“次に“購入すべき商品をパーソナライズ表示し、サイト来訪のきっかけを創出
2 ポイント有効期限リマインド閲覧閲覧過去に関心を示した商品をキーに、ポイント残高で購入できる“ユーザーの好みに合った”商品を提案
3 カゴ落ち翌日フォロー同時購買在庫僅少の購買喚起と併せて、直近の閲覧履歴から合わせ買い商品を表示
4 新着商品お知らせ過去購買購入履歴を元に、新着商品からのおすすめ商品を表示します
5 ポイント付与メール閲覧閲覧閲覧履歴を元にポイント付与のタイミングでのおすすめ商品を表示し、サイト来訪のきっかけを創出
6 クーポン配信メール閲覧閲覧閲覧履歴を元にクーポン利用できるアイテムからのおすすめ商品を表示し、サイト来訪のきっかけを創出
7 直近半年購入なし過去購買衣替えのタイミングで、前回購入した商品をキーに、次に購入する確率の高いシーズンアイテムを提案

27
ソリューション：POSデータを活用したOMOレコメンド
実店舗のPOSデータを使い、ECだけでなく店舗誘導・接客にも使えるレコメンドを実現！
EC化率が低く、大多数の顧客は実店舗のみ利用している。
店舗からECへの誘導、またその逆の施策が必要。
実店舗会員のID付き購買履歴（POSデータ）と、ECの販
売履歴データを統合し、アイジェントのAIが分析。
店舗会員向けの「おすすめ商品」を、メールや会員アプリ
のPush機能で紹介。
課題
解決策
効果
会員アプリ経由でECサイトで購入する顧客が大幅増加。
店舗スタッフにも「お得意様向けおすすめリスト」を配布。

220330　aigentrecommend shiryou.pdf

Recommended

Recommended

More Related Content

Recently uploaded

Recently uploaded (20)

Featured

Featured (20)