Amazon Web Services ブログ
Amazon Personalize を使用してパーソナライズされたクーポンの推奨事項により、顧客エンゲージメントとロイヤルティを向上
このブログ記事は、ロッテマートのビッグデータアナリストを務める Sungoh Park によるゲストの記事です。彼の説明によれば、「ロッテ株式会社の一部門であるロッテマートは、さまざまな食料品、衣料品、玩具、電子機器、およびその他の商品を販売する韓国の大手小売業者です」
今日の消費者は、多くの選択肢から日用品を購入できます。ハイパーマーケット、e コマース、コンビニエンスストア、スーパーマーケットなどの複数のチャネルで買い物をすることができます。韓国のハイパーマーケットであるロッテマートは、Amazon Personalize を使用してエンゲージメントを高め、新製品の購入率を高め、最終的に顧客忠誠心をさらに築き上げるために、頻繁にパーソナライズされた推奨事項を顧客に提供します。この記事では、Amazon Personalize を使用する前にロッテマートが直面した問題と、それらの問題がどのように製品の推奨事項を改善し、新製品の購入を増やしたかについて説明します。
ロッテマートは、韓国、インドネシア、ベトナムに位置する 189 店舗の 60 万人以上の買い物客にさまざまな食料品、衣料品、玩具、電子機器、その他の商品を販売しており、2019 年の売り上げは 51 億 USD にいたります。
ロッテマートは、独自のモバイルクーポンシステムである M クーポンを使用して、店内で節約を促すことにより顧客に買い物を薦めています。ハイパーマーケットの顧客は 1 回の訪問あたり平均 50〜200 USD を費やすため、顧客の訪問頻度がロッテマートのビジネスパフォーマンスに直接影響を及ぼします。
従来、M クーポンは顧客の購入履歴に基づいて推奨を行っていました。たとえば、顧客が以前その製品を購入したことがある場合、特定のブランドのインスタントラーメンを推奨します。クーポンをタイムリーに発行すると顧客がその品目を再購入するため、購入履歴に依存するルールベースの推奨事項は有意味です。これは繰り返し購入を促進し、顧客忠誠心を維持するのに役立ちましたが、新製品の需要を高めたり、進化する顧客のニーズに適応してパーソナライズされたユーザーエクスペリエンスを作成したりすることはありませんでした。新製品が毎日追加されるため、ハイパーマーケットは製品の需要を迅速に生み出さなければなりません。ただし、最適な顧客体験を提供するために、ハイパーマーケットでは顧客にすべての新製品を薦めることはできません。そのような戦術を使用すると、無関係な推奨事項が表示されるため顧客をすぐに圧倒する可能性があります。ロッテマートは、店舗のトラフィックを増やし、新製品の購入決定に影響を与える長期的な戦略を理解する必要がありました。ロッテマートは、M クーポンのユーザーに高度なキュレーションとパーソナライズされた製品の推奨を提供するソリューションとして Amazon Personalize を使用し、顧客忠誠心と新製品の需要を増やしました。
統計的アプローチを使用して大規模な推奨を生成する
従来、ロッテマートは、顧客プロファイルの販売履歴とユーザー設定を使用して、クーポンを介して対象製品を推奨していました。このプロセスは、再購入期間の間隔やお気に入りのブランドなどのターゲット条件が正しく設定されていたときに機能しましたが、各買い物客に個別化された推奨を宣伝するには不十分であったため、以前購入した製品に対してのみ機能しました。買い物客に新製品を勧めるとき、クーポンの使用率は、割引に対するユーザーの興味を示す指標となります。この場合、実際の購入率は非常に低い結果となりました。
さらに、新しいオファーに統計的ターゲットマーケティングエンジンを構築して維持するには時間がかかります。また、価値の高いビッグデータエンジニアリングリソースを浪費します。このプロセスでは、各製品の購入サイクルを手動で計算し、クーポンによる影響度を推定するために、関連製品との関連分析を実行する必要がありました。
時間をかけて行ったすべての努力と投資にもかかわらず、新製品の導入においての期待を満たすパフォーマンスを得ることはできませんでした。ロッテマートの場合、重要な指標は、表示されたクーポンの数、クーポンの使用状況、繰り返し購入とパーソナライズされたクーポンを使用した購入の購入率でした。比率が増えたということは、顧客の隠れたニーズを示している可能性があります。そのため、ロッテマートは Amazon Personalize の探索を始めました。
次の図は、ロッテマートの過去の統計的推奨事項によるアーキテクチャを示しています。
カスタマイズされた推奨事項による顧客体験の向上
ロッテマートは、従来の方法では需要を促進することが困難であった新製品を Amazon Personalize を使用することで、コスト効率よく推奨することができました。販促クーポンの反応率であるクーポンヒット率が上昇し、月次売上に大きく貢献し始めました。
即座で価値が実現されることもありました。以前のアプローチと比較して、Amazon Personalize は面倒で複雑な手動データ分析の必要性を排除し、開発時間を 50% 短縮しました。ロッテマートは事前定義されたインタラクション、ユーザー、および品目のデータセットを提供するだけで済むため、時間を短縮できました。エンジニアリングチームは、従来のアプローチと比較して半分の時間でテスト結果を生成できました。
ただし、時間の短縮は、Amazon Personalize が適切なソリューションであると判断するために必要な成功指標の一部にすぎません。彼らは、顧客に最適な顧客体験を保証しながら、新しい製品をより頻繁に利用し購入する必要がありました。Amazon Personalize は、各データセットタイプの参照スキーマをすぐに利用できるようにすることで、新製品の購入を容易にしました。スキーマは、全体的なクーポンの応答率を改善するための追加機能または置き換えなど、お試し版とともに進化し続けました。ロッテマートがデータを準備した後、さまざまなアルゴリズムをテストしました。
最後に、Amazon Personalize は、全員を対象とする従来のルールベースの推奨事項を提供する代わり、顧客ごとにカスタムされた推奨事項を有効にしました。初期の開発時間を短縮し、カスタムモデルを管理して維持する必要がなくなったことで、プロセス全体で生産性が大幅に向上しました。
クーポン推奨事項のパーソナライズ
ロッテマートの目標は、新製品の需要を促進するために以前クーポンを使用したことがない顧客の参加率を高めることでした。顧客の関心と要件は常に変化しており、競争環境は絶えず進化し、ますます激しくなっています。ロッテマートは、未知の顧客ニーズを積極的に発見し、意図の変化に対応することにより、顧客の定着率と忠誠心を高めることができます。
次の図は、Amazon Personalize を使用した推奨事項とパーソナライズされたクーポンの新しいアーキテクチャを示しています。
ロッテマートは、最も費用のかかる 70 万人以上の主な顧客をクーポン推奨サービスの対象にしました。この買い物客のコホートは、他のショッピングチャネルからの割引やプロモーションからも非常に影響を受けやすくなっています。このコホートを初期の統計的推奨アプローチに積極的に取り入れたため、2 つの推奨エンジンの A/B テストを行う理想的なグループを構成できました。
このテストで、ロッテマートは、加工食品、浴室用品、洗剤、および季節性のないその他の日用家庭用品などの製品をモデル化したため、新学期や休日などのイベントの影響を軽減することができました。その結果、入力データとして 1 か月間の販売履歴のみが必要でした。データセットは数千万件のトランザクションで構成されていました。領収書に記載されている購入品目はそれぞれ、データセット内のやり取りに取り込まれました。
Amazon Personalize のモデリングでは、ロッテマートは、販売履歴 (数か月分)、製品メタデータ、およびユーザープロファイルといった 3 つのデータセットに依存しており、このようなデータセットを従来の統計的システムを通じて抽出されました。抽出されたデータを Amazon S3 にアップロードし、廃止された製品や匿名化されたユーザープロファイルなどの無関係なデータまたはノイズの多いデータを削除するための前処理を実行しました。データセットをやり取り、品目、ユーザーとしてインポートしました。これには、次の情報が含まれています。
- やり取り – 一定期間のすべての販売履歴
- 品目 – カテゴリや SKU などの製品メタ情報
- ユーザー – 複数のカテゴリ変数を持つ匿名化されたユーザープロファイルデータ
製品メタデータの統合により、推奨事項が大幅に改善されました。
ロッテマートが Amazon Personalize でモデル化する前に、どの製品メタデータを含めるかを決定する必要がありました。モデル化するのに最適な製品メタデータを見つけるためのショートカットはないため、ドメインの専門知識に大きく依存しています。このシナリオでも同じことが当てはまります。メタデータは、ドメイン専門家の経験と知識に基づいて絶えず更新され、改善されました。ヒントを 1 つ挙げると、カテゴリ機能がカーディナリティの低い属性に最適です。たとえば、SSN、E メール、ユーザー ID は一意であり、カーディナリティが高いため、カテゴリタイプには適していません。
品目またはユーザーのデータセットに対する機能の影響を評価するために、ロッテマートは HRNN メタおよび HRNN レシピを調査しました。HRNN はやり取りのデータセットを参照するため、HRNN はデータ準備という観点からして HRNN メタより簡単です。ただし、HRNN メタは、やり取りに加えて、品目メタデータまたはユーザーデータセットの機能をより多く使用します。ソリューションバージョンは、選択されたレシピ、データセットグループ、およびその他のパラメータでトレーニングされた、一種のトレーニング済み機械学習モデルです。同じデータセットグループ上に複数のソリューションバージョンを構築できます。これにより、さまざまなレシピでトレーニングされたモデルを評価または比較できます。このようにして、タスクに最適なレシピを見つけることができます。
推奨結果
クーポンの推奨事項は隔週で実行されるため、キャンペーン、API (API を介して推奨事項を提供するコンピューティング) が常に実行される必要はありません。userid を指定して GetRecommendations API を呼び出すことによって結果が収集されます。次に、ユーザーへの推奨事項を含む応答がファイルに書き込まれます。オンプレミスのクーポン配信システムである M クーポンは、Amazon S3 から結果をダウンロードします。このとき、後処理が行われ、最終的にパーソナライズされたクーポンが顧客に送信されます。ロッテマートは、クーポンの影響を受ける購入の収益やクーポンの消費率などのビジネス指標を収集できます。
次のスクリーンショットは、Amazon Personalize の M クーポンモバイルアプリと推奨事項クーポンを示しています。
コストの最適化
ロッテマートは、すべての推奨事項を取得した後にキャンペーンを削除することにより、費用対効果の高い方法で Amazon Personalize を運用し、使用されたキャンペーンのランタイムと TPS のコストのみが発生するようにします。キャンペーンの TPS は、多数の同時トランザクションに似ています。したがって、TPS 1 を持つキャンペーンの応答時間が 500 ミリ秒未満の場合、1 秒間に複数の推奨事項を生成できます。たとえば、推奨事項の API 呼び出しに 20 ミリ秒しかかからない場合、1 秒内に 50 個の推奨事項が取得されます。ハイパーパラメータ最適化 (HPO) は、最適なハイパーパラメータを特定し、それらをトレーニングに適用して最適なモデルを取得することにより、最適化されたモデルを構築するのに役立ちます。最適化のための暫定的なトレーニングが行われるため、単一モデルのトレーニングと比較した場合、コストに影響を及ぼします。ただし、HPO が完了したら、algorithmHyperParameters を指定することにより、将来のトレーニングでハイパーパラメータを再利用できます。これは、コストとパフォーマンスを効果的に管理する際に役立ちます。
まとめ
ロッテマートは常にクーポンのヒット率を上げるよう努めており、Amazon Personalize を使用することで、パーソナライズされた推奨事項を導入して以来、クーポンの使用率が 2 倍以上になりました。また、新製品の購入頻度が 1.7 倍に増加しました。これは、以前の統計的アプローチと比較して大幅な改善です。この比率が増えたことにより、ロッテマートが顧客の隠れた購入ニーズをうまく見つけたことを示しています。その結果、パーソナライズされたクーポンによって KPI が改善されたため、ロッテマートの毎月の売上に大きな影響を与えました。Amazon Personalize の使用を開始して、製品の推奨事項を改善し、顧客エンゲージメントを高める方法について詳しく説明します。
著者について
Sungoh Park は、ロッテマートのビッグデータアナリストとして、統計的アプローチを使用してターゲットマーケティングに 7 年以上取り組んできました。
Kyoungtae Hwang は、AWS のソリューションアーキテクトです。企業と協力して、顧客のビジネス結果を実現するワークロードを構築します。