ハイパー・パーソナライゼーションとは｜従来のパーソナライゼーションとの違い

ハイパー・パーソナライゼーションとは

ハイパー・パーソナライゼーションとは、大量の顧客の行動データをリアルタイムで収集し、商品発見、ユーザーエクスペリエンス、コミュニケーションを、一人ひとりの興味・関心・嗜好に合わせて最適化することです。

ハイパーパーソナライゼーションを実現するためには、自社の製品やユーザーを徹底的に理解するとともに、データとテクノロジーを組み合わせてカスタマイズした戦略を立てる必要があります。

AIとデジタル技術掛け合わせたハイパー・パーソナライゼーションの仕組み

AI技術を搭載したパーソナライゼーションエンジンは、従来のパーソナライゼーションプラットフォームが行っていた、ビッグデータを元に顧客をセグメントするものとは異なります。

同じセグメントの人に人気な商品をすすめるだけでなく、個々の買い物客のニーズに対応するための装備が充実しています。

1. 買い物客は、サイト上の商品をクリックしたり、カートに入れたり、実際に購入したりといった行動を起こす

2. 行動のたびに、画像認識AIエンジンは、買い物客が触れた商品の詳細を学習し、リアルタイムでその人の好みやスタイル、インスピレーションなど、新しい具体的な情報を収集する

3. リアルタイムで収集した新しい具体的な情報を元に、特定の視覚的類似性に基づいた高度なレコメンデーションを実現する

従来のパーソナライゼーションの課題

①セグメント内でのレコメンド

従来のパーソナライゼーションエンジンは、以下のような流れで行われていました。

• 何千人もの顧客からのビッグデータを基にした統計的アルゴリズムに、買い物客の属性や環境とサイト上での行動（商品をクリックする、保存する、カートに入れるなど）のデータをかける

• 重複するアイテムを特定する

• ビッグデータを活用して、買い物客をセグメント化する

例えば、東京に住む35歳の女性が白いワンピースをカートに入れた場合、そのワンピースを購入した他の30代の東京の女性が気に入ったり購入したりした商品が、より多くレコメンドされることになります。

しかし、すべてのターゲットがその商品を気に入るとは限りません。自分以外の人の統計情報に基づいた商品のレコメンドでは、買い物客一人ひとりの興味・関心・嗜好に合わせることができません。

良くても、特定の顧客に関連する可能性のあるものを推測して提供するだけです。最悪の場合、買い物客は、個人として見られていないと感じ、離れていってしまいます。

②人気商品の固定化

レコメンデーションエンジンは、同じ人気商品を宣伝し続けるため、新しい顧客がそれらの商品を購入する可能性が高くなります。

その結果、ある商品が他の商品よりも露出度が高いという理由で、人気商品とされるサイクルが生まれてしまうのです。

従来のパーソナライゼーションエンジンでは、セグメント内で人気な商品をおススメで表示します。

たとえ、ある商品が現在サイトを閲覧している個々の顧客に最も適した商品であっても、過去に同じセグメント内の誰からも購入されたことのない商品をレコメンドすることはありません。

パーソナライゼーションとの違い

パーソナライゼーションとハイパー・パーソナライゼーションの違いを具体的にみてみましょう。

＜パーソナライゼーションの具体例＞

「ユーザーの名前を宛名にしたメルマガを配信する」「SNSの投稿を地域や言語で分けて投稿する」など、最低限の情報量（ユーザーの基本情報や趣味、関心など）をもとにユーザーに合ったコンテンツを提供します。

＜ハイパー・パーソナライゼーションの具体例＞

ユーザーに関する最低限の情報＋ユーザーの行動を把握してよりユーザー観点に近いコンテンツを提供します。

例えば、あるユーザーがECサイトでAというブランドの服を見ているとします。

行動①：過去に同じブランドの検索・購入履歴がある

行動②：オンラインショッピングは大体19時〜21時に買う傾向にある

この2つの行動データから、ブランドAがユーザーに対して19時〜21時の間にディスカウントの案内をプッシュ通知で送るというのがハイパー・パーソナライゼーションです。

ユーザーが提供する情報だけではなくユーザーの行動も上手く活用することで、ユーザーは「そうそう、こういう商品が欲しかった！」と感じるのです。

ハイパー・パーソナライゼーションがECサイトに与える効果

直帰率の低減

直帰率とは、買い物客が1ページ目を訪れただけでWebサイトを去ってしまう割合のことです。

どんなに広告からのCVRを高めたところで、ユーザーのニーズや興味に合わない買い物体験を提供しているサイトでは、直帰率が高くなります。

直帰率を低減させるポイントは、すべてのタッチポイントでパーソナライズの機会を設けることです。

例えば、Google検索を経由して商品詳細ページに辿り着いた訪問者は、求めているものが明確です。

商品を見たり、説明を読んだり、カートに入れたりするのをできるだけ簡単にすることで、ストレスによる離脱を防ぐことができます。

コンバージョン率の上昇

買い物客が、自分のスタイルや意図に合った商品の提案やコンテンツ、サポートを受けると、コンバージョンに繋がる可能性が高くなります。

McKinseyによると、パーソナライズされた買い物体験は、コンバージョン率を10〜15%増加させます。

さらに、画像認識AIを活用したパーソナライゼーションソリューションを活用すれば、より高いコンバージョン率を期待できるでしょう。

平均注文金額を高める

買い物客が、同サイトの中で自分の好みやニーズにマッチするより多くのアイテムがあれば、もっと買いたいというモチベーションが高まります。

従来のパーソナライゼーションソリューションでも、平均注文金額にある程度の影響を与えることはできますが、画像認識AIソリューションによって、Eコマース企業は平均注文金額をさらに高めることができます。

ブランドイメージの強化

高度にパーソナライズされた買い物体験を提供するブランドや小売業者は、より強いブランドイメージを与えることが可能です。

信頼性が高く、的確な提案やストレスのない体験を提供するイメージが認知されれば、ポジティブな口コミが広がり、新しいユーザーの獲得にもつながるでしょう。

まとめ

ビッグデータ技術やAI技術の進展により、「ハイパー・パーソナライゼーション」を実現する基盤も整いつつあります。より快適な顧客体験を提供するために「ハイパー・パーソナライゼーション」はますます活用されていくでしょう。