Aigent-Recommender-Introduction.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) / E-mail: inquiry@silveregg.co.jp / URL: https://www.silveregg.co.jp Copyright © Silver Egg Technology CO., Ltd. All Rights Reserved
アイジェント・レコメンダーご紹介資料
導入検討企業様向け
シルバーエッグ・テクノロジー株式会社
2022年 9月版

2
ご紹介サービス
アイジェント・レコガゾウ
メールでご利用いただくパーソナライズ・レコメンドツール
＊特許取得技術
アイジェント・レコメンダー
WEBサイト、ネイティブアプリでご利用いただく
パーソナライズ・レコメンドツール
2

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。
（2021年度）
国内No.1
41.0%
SaaS型レコメンドツール市場占有率
富士キメラ総研2021年度「ソフトウェアビジネス新市場 2022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
3

4
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
4

5
アイジェント・レコメンダーとは
ユーザーの行動情報（閲覧、検索、CVなど）を蓄積し、AIがリアルタイムに分析・予測・自動学習を実施することで、
ユーザー1人ひとりの「いまのニーズ」を予測し提案するレコメンドサービス
今見ているものは何か？
その前にとった行動は何か
ユーザー同士の類似性を計算
アイテム同士の相関性を計算
ユーザーの興味を予測して推奨
レコメンドがクリックや購買に至ったかを学習
顧客行動情報
様々な軸で
AIが予測と
学習を実施
AI 商品やコンテンツを
レコメンド
ベイジアン協調フィルタリング、カーネル法、強化学習等の手法を取り入れ、レコメンド精度が自動で向上
5

アイジェントの仕組み
全ユーザの
行動情報を分析 AIが学習
最適なロジックで
レコメンド
リアルタイム
ユーザー導線分析
ベイジアン協調
フィルタリング
カーネル法強化学習
レコメンドレシピ設定
◆ 行動相関レコメンド
閲覧-閲覧、同時購買、閲覧購買相関ほか
◆ アイテム表示
ランキング、言語解析ほか
◆ フィルタリング
カテゴリ、価格、アイテムほか
6

7
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
7

8
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
8

特長3:利用シーンに応じたチューニング（レシピ設定）
ユーザー
の動き
サイト
訪問
商品検索
比較
・
検討
決定
お気に入
り登録
履歴確認
サイト
該当ページ
TOP
ページ
商品詳細ページ
カート
ページ
注文（完了）
ページ
商品詳細ページ
注文
・
決済
レコメンド
ポイント
間口を
広げる
1
ユーザーの離脱を防ぐ
2
継続を
促す
3
次回以降の
レコメンドを
4
ユーザーの嗜好に
合わせたレコメンドを
5
閲覧閲覧相関
あるいは
キーワード閲覧相関
閲覧閲覧相関
あるいは
閲覧購買相関
同時購買
相関
過去購買
相関
閲覧閲覧相関
あるいは
過去購買相関
レシピ設定
レコメンドレシピ一覧
行
動
相
関
レ
コ
メ
ン
ド
閲覧閲覧相関
(Browse-Browse)
同時購買相関
(Order-Order)
閲覧購買相関
(Browse-Order)
過去購買相関(Past-
Order)
カテゴリ/キーワード閲覧
相関
ア
イ
テ
ム
表
示
言語解析（トピックレコ
メンダー）
ランキング
閲覧履歴、購入履歴
ルールベース
フ
ィ
ル
タ
カテゴリフィルタリング
価格フィルタリング
アイテムフィルタリング
9

10
特長4: 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
10

レコガゾウとは
メール開封時にレコメンド結果をリアルタイムに抽出し、メール上に表示するサービス
受信
1 開封
2
一般的なメルマガ
・
レコメンドメール
売りたい商品を
オススメ
レコガゾウ
精度の向上
ユーザーの行動履歴
に基づき、1人1人が
欲しい商品をオススメ
リアルタイム
配信X日前に、オススメ
する商品を決定
メールが開封された
瞬間にオススメする
商品を決定
HTMLメールに
Imageタグを
設置すれば実現可能
クリック数に
応じた従量課金
導入が簡易コスト
SIer、メール配信ベンダー、
社内システム担当が工数をかけ
バッチ連携を作成する必要有り
メール配信数に
応じた従量課金
開封結果を取得
3
レコメンド結果を瞬時にレスポンス
4
オススメ商品をリアルタイムに自動表示
5
11

12
導入事例
12

導入事例
レコメンド業界をリードしてきた技術力および専属コンサルタントによる丁寧な改善活動を通して、
導入企業様において確実に効果を発揮
店舗顧客向けOMOレコメンド
POS連携で実店舗からECへの
流入が激増
新世代パーソナライゼーション
プラットフォーム「Aigent X」
EC販売の約5％をAIが創出
行動情報で言語化できない
好みもパーソナライズ
レコメンド経由のCVR176%UP
月平均注文件数が7～8%UP
OMO戦略でEC・店舗の
併用顧客を増やしたい
13

事例：minne byGMOペパボ（C2C）
ユーザートレンドを反映し「今」欲しい商品を提案
GMOペパボ株式会社
国内最大のハンドメイドマーケット「minne」で「買いたい人」と「売りたい人」をつなげる
登録作家数62万人*、ユニークでカテゴリー分類しにくい作家作品を多数扱う *2020年時点
• ユニークでカテゴライズしにくい作家作品が多数
• 閲覧情報を利用しユーザーが“今” ほしいものをレコメンドしたい
解決策
効果
課題
• 「お気に入り登録」を含めた多様な行動情報をベースとして、
「好みに合いそうなもの」をユーザー一人ひとりにリアルタイム
表示
• CVR176％向上（リプレイス前後6ヶ月毎比較）
• レコメンドエンジンの運用に割く人材や時間を削減
https://www.silveregg.co.jp/archives/casestudy/minne
詳細はこちら
14

事例：LACOSTE（ファッション）
ユーザートレンドを反映し「今」欲しい商品を提案
株式会社ラコステジャパン
国内最大のハンドメイドマーケット「minne」で「買いたい人」と「売りたい人」をつなげる
登録作家数62万人*、ユニークでカテゴリー分類しにくい作家作品を多数扱う *2020年時点
• ユニークでカテゴライズしにくい作家作品が多数
• 閲覧情報を利用しユーザーが“今” ほしいものをレコメンドしたい
解決策
効果
課題
• 「お気に入り登録」を含めた多様な行動情報をベースとして、
「好みに合いそうなもの」をユーザー一人ひとりにリアルタイム
表示
• CVR176％向上（リプレイス前後6ヶ月毎比較）
• レコメンドエンジンの運用に割く人材や時間を削減
https://www.silveregg.co.jp/archives/casestudy/Lacoste
詳細はこちら
15

事例：洋服の青山 / THE SUIT COMPANY（ファッション）
コロナ禍でのEC売上を向上させる新たなWeb戦略
青山商事株式会社
ビジネスパーソンをターゲットとする紳士服販売チェーン
「洋服の青山」「THE SUIT COMPANY」の2業態を展開している
• 店舗と同様の接客をECで実現しEC故のわずらわしさを解消したい
• カテゴリベースの関連商品レコメンドではクリック率が上がらない
解決策
効果
課題
• AIによる商品提示のパーソナライズ化
• AIで、人間のスタッフが想定し得ない「顧客の求めている商品」
を提案
• 月平均注文件数が７〜８%に向上
• 過去の購買傾向からアプローチできることで、CVRの向上に繋が
った
https://www.silveregg.co.jp/archives/casestudy/aoyama
詳細はこちら
16

事例：まんだらけ通販（中古品EC）
膨大な商品の中から「欲しい」商品をすぐに見つけられる
株式会社まんだらけ
マニア向け中古グッズの通販サイト
世界最大級の在庫を持ち、独特な在庫管理・流通システムを使用
• 膨大な商品を取り扱っているが、カテゴリー分類とキーワード検索
しかない
• お客様が本当に欲しいものを見つけられているのか不明確
解決策
効果
課題
• AIによる商品提示のパーソナライズ化
• AIで、人間のスタッフが想定し得ない「顧客の求めている商品」
を提案
• プロの視点でもわからない、一人ひとりの好みの繋がりをAIが捉
えて商品を提示することが可能に
• レコメンド部分の売上が月額2千万円（EC販売の約5％）
https://www.silveregg.co.jp/archives/casestudy/mandarake
詳細はこちら
17

会社概要
会社名シルバーエッグ・テクノロジー株式会社
事業内容 AI（人工知能）技術をベースにしたWebマーケティングサービス
の開発・提供
設立 1998年
資本金 285百万円（2021年12月31日現在）
代表者代表取締役社長トーマス・アクイナス・フォーリー
所在地東京オフィス：東京都千代田区永田町2-13-1 オカムラ赤坂ビル
7F
大阪本社：大阪府吹田市江坂町1-23-43 ファサード江坂ビル10F 代表取締役社長 & CEO
トーマス・フォーリー
18

Aigent-Recommender-Introduction.pdf

Recommended

Recommended

More Related Content

Similar to Aigent-Recommender-Introduction.pdf

Similar to Aigent-Recommender-Introduction.pdf (20)

More from JunKakuta1

More from JunKakuta1 (6)

Recently uploaded

Recently uploaded (8)

Aigent-Recommender-Introduction.pdf