Amazonで何か買い物したあと、「この商品を買った人はこちらも買っています」っていうのが表示されて、つい見ちゃう……なんて経験、あるんじゃないかな。あれ、なんで自分の好みに合ったものが出てくるんだろう？って不思議に思ったことない？ 実はあれ、レコメンデーションっていう仕組みのおかげなんだよ。この記事を読めば、レコメンデーションってそもそも何なのか、どうやって動いているのか、そしてビジネスでなぜそんなに重要視されているのかが全部わかるよ。
- レコメンデーションとは、ユーザーのデータをもとにシステムが自動で提示する 「あなた向けのおすすめ」 のこと
- 閲覧履歴・購買履歴・評価などのデータを 機械学習 で分析して、好みのパターンを学習している
- Amazon・Netflix・YouTubeなど主要サービスで使われており、 売上・利用継続率 を大きく伸ばす重要な仕組み
もうちょっと詳しく
レコメンデーションは、ひとくちに言えば「大量のデータから、そのユーザーが次に欲しがるものを予測する技術」だよ。でも、その中身にはいくつか種類がある。大きく分けると「似た好みの人を参考にする方法」と「商品の特徴を分析する方法」の2パターンがあって、多くのサービスはこの両方を組み合わせて使っているんだ。ポイントは「完全に正確じゃなくていい」ということ。100個おすすめして5個でも刺されば、レコメンデーションとしては大成功なんだよ。つまり確率を上げるゲームで、完璧な予言じゃないってことを覚えておこう。精度を高めるためにデータを増やし続け、アルゴリズムを改良し続けるのが、エンジニアやデータサイエンティストの仕事になっているんだ。
レコメンデーションは「当てにいく確率ゲーム」。精度100%を目指すより、打率を少しずつ上げることが大事！
⚠️ よくある勘違い
→ 名前・住所・個人を特定できる情報を直接使って「おすすめ」を作っているわけではない。あくまで行動パターン（何を見たか・何を買ったか）がベースになっていることがほとんど。
→ 個人を「特定」するのではなく、「この行動パターンを持つ人はこういうものが好き」という傾向を分析している。プロファイリング（個人の性質を分析すること）とは似ているようで目的が違う。
[toc]
レコメンデーションとは何か？ 基本をおさえよう
そもそも「レコメンデーション」って日本語でなんていう？
「レコメンデーション（recommendation）」を日本語にすると「推薦」や「おすすめ」になるよ。でもビジネスやIT業界でこの言葉を使うときは、「人間が手動でやるおすすめ」じゃなくて、「システムやアルゴリズム、つまりコンピューターのプログラムが自動的にユーザーに提示するおすすめ情報」を指すことがほとんどだ。
たとえば、友達から「このマンガ絶対おもしろいよ！」ってすすめられるのは人間のおすすめ。でもAmazonで本を見ていたら「この本を見た人はこんな本も見ています」って出てくるのは、システムのレコメンデーションだよ。似ているようで、仕組みが全然違うんだ。
ビジネスの世界では、このレコメンデーションの仕組みを「レコメンデーションエンジン」とか「レコメンドシステム」とも呼ぶよ。エンジンっていうのはつまり「動力源」のことで、おすすめを生み出すための中心的な仕組みって意味だね。
身近なレコメンデーションの例
実は、毎日の生活でレコメンデーションに触れていないことのほうが少ないくらいだよ。
- YouTube：動画を見終わると「次のおすすめ動画」が自動で出てくる
- Netflix / Hulu：「あなたへのおすすめ」コーナーが毎回変わる
- Amazon：商品ページ下の「よく一緒に購入されている商品」
- Spotify / Apple Music：あなたの聴いた曲をもとにしたプレイリストを自動で作ってくれる
- X（Twitter）：「おすすめ」タブに表示されるツイート
- 食べログ・ぐるなび：あなたの検索・閲覧履歴をもとにしたおすすめ店
こうやって並べてみると、本当にいたるところにあるよね。現代のデジタルサービスは、もはやレコメンデーションなしには成り立たないといっても過言じゃないよ。
レコメンデーションはどうやって動いているの？ 仕組みを解説
大きく分けると「3つの方法」がある
レコメンデーションエンジンの作り方には、主に3つのアプローチがあるよ。それぞれ考え方が違うから、順番に見ていこう。
①協調フィルタリング：「似た人」を探す方法
協調フィルタリング、つまり「似た好みを持つ人たちのデータを使ってすすめる方法」は、レコメンデーションの中でも一番メジャーな手法だよ。
イメージとしてはこんな感じ。あなたが映画Aと映画Bと映画Cを見たとする。するとシステムが「映画AとBとCを全部見た人は、映画Dも高確率で見ているよ」というパターンを見つけるんだ。だからあなたにも「映画Dはどう？」ってすすめてくれる。
友達グループで考えると分かりやすいよ。クラスに趣味が似てる子がいたとして、その子がめちゃくちゃ気に入った本があったら、あなたも好きな可能性が高いよね。協調フィルタリングはまさにそれをシステムでやっているんだ。「類は友を呼ぶ」をデータで再現しているイメージだよ。
②コンテンツベースフィルタリング：「商品の特徴」で探す方法
コンテンツベースフィルタリング、つまり「商品やコンテンツ自体の特徴を分析しておすすめする方法」は、ユーザーの行動よりもモノの性質に注目するアプローチだよ。
たとえばあなたがアクション映画をよく見るなら、「アクション」「スピード感がある」「男性主人公」などの特徴を持つほかの映画をすすめてくれる。あなたが見ていない作品でも、特徴が似ていれば候補に上がるんだ。
音楽サービスのSpotifyが持っている「Audio Features（音声特徴）」っていう仕組みが有名で、曲のテンポ・エネルギー・明るさ・踊りやすさなどを数値化して、似た特徴の曲をすすめてくれるよ。
③ハイブリッド型：いいとこ取りで精度を上げる
実際の多くのサービスは、①と②を組み合わせたハイブリッド型を使っているよ。なぜかというと、それぞれに弱点があるからだ。
- 協調フィルタリングの弱点：新しいユーザーや新商品にはデータが少なすぎておすすめできない（「コールドスタート問題」と呼ぶ）
- コンテンツベースの弱点：ユーザーが知らないジャンルには踏み出せない（いつも同じような商品しかすすめられない）
両方の方法を組み合わせることで、弱点を補い合って精度の高いレコメンデーションを実現しているんだよ。
なぜビジネスでこんなに重要なの？
売上への影響が圧倒的にデカい
レコメンデーションがビジネスで重視される一番の理由は、ズバリ「売上が増えるから」だよ。数字で見ると、その効果の大きさがよくわかる。
- Amazonの売上の約35%がレコメンデーション経由と言われている
- Netflixでは視聴される作品の75%以上がレコメンデーション経由
- McKinsey（世界的なコンサル会社）の調査では、ECサイトのレコメンデーションは売上を平均10〜30%押し上げるという結果が出ている
これだけ売上に直結するから、大企業はレコメンデーションシステムの改善に毎年何百億円もの投資をしているんだよ。
ユーザーの「続けたい」気持ちを高める
売上だけじゃなく、「チャーンレート（解約率）を下げる」効果もレコメンデーションの重要な役割だよ。チャーンレートっていうのは、つまりサービスをやめる人の割合のことだね。
YouTubeをイメージしてほしい。1本見終わったあとに「次の動画」がパッと出て、それが面白そうだったらもう1本見るよね。その「もう1本」の積み重ねが視聴時間を増やして、広告収入に直結する。Netflixも「次のエピソードを自動再生」する仕組みは全部レコメンデーションと連携しているんだ。
ユーザーが「このサービス、なんか自分のことをわかってくれてる気がする」と感じると、解約しにくくなる。これをエンゲージメント（ユーザーがサービスにどれだけ深く関わっているか）を高めると言うよ。
「探す手間」をなくしてくれる
現代は情報が多すぎる時代だよ。Amazonには数億点以上の商品があって、YouTubeには毎分500時間分の動画がアップロードされている。その中から自分に合ったものを探し出すのは、もはや人間の手には負えない量だよね。
レコメンデーションは「探す手間を省く」という意味でも価値があるんだ。ユーザーが「何を選べばいいかわからない」状態のときに、「これなんてどう？」ってガイドしてくれる。図書館司書が「あなたの好みならこの本がいいですよ」と教えてくれるようなイメージだよ。
レコメンデーションの課題と未来
「フィルターバブル」という落とし穴
レコメンデーションには便利な面がある一方で、問題点も指摘されているよ。有名なのが「フィルターバブル」という現象だ。
フィルターバブルっていうのは、つまり「自分の好みや意見と似た情報しか届かなくなって、違う考え方や新しい世界に触れられなくなる状態」のことだよ。
例えて言うと、あなたが毎日野球のニュースばかり見ていたら、レコメンドも野球関連ばかりになる。そうすると、サッカーが世界的に流行っていても全然情報が入ってこない……みたいな状態だよ。特にニュースやSNSでは、「自分と同じ意見の情報ばかり見るようになる」ことが社会問題として議論されているんだ。
プライバシーとデータの問題
レコメンデーションをより賢くするには、もっと多くのユーザーデータが必要になる。でも、データを集めすぎると「どこまで自分の行動を追跡されているんだ」というプライバシーの問題が出てくるよ。
ヨーロッパでは「GDPR（EU一般データ保護規則）」、つまりユーザーの個人データの使い方を厳しくルール化した法律が2018年に施行されて、世界的にデータの取り扱いへの意識が高まっているよ。日本でも個人情報保護法が強化されていて、企業がどんなデータをどう使うかをきちんと説明する義務が増えているんだ。
AIの進化でレコメンデーションも進化中
最近では生成AI（ChatGPTのようなテキストを生成できるAI）の技術もレコメンデーションに組み込まれ始めているよ。たとえば「この商品、あなたはこういう理由で気に入るかも」という「なぜすすめるか」の理由まで自動生成できるようになってきた。
従来のレコメンデーションは「何をすすめるか」だけを計算していたけど、これからは「なぜ合っているか」を言葉で説明してくれるレコメンデーションが当たり前になっていくかもしれないよ。まるでAIの店員さんがついてくれるような体験になっていくんだ。
また、リアルタイム性も高まっていて、ユーザーが今まさに見ているページや検索しているキーワードに合わせて、その瞬間のおすすめを出す「リアルタイムレコメンデーション」の技術も急速に普及しているよ。データをため込んで夜中にバッチ処理（まとめて一気に計算する処理）していた時代から、即座に反応できる時代になってきたんだ。
レコメンデーションはもはや「あったら便利」じゃなくて、「ないと使ってもらえない」くらい当たり前のインフラになっている。ビジネスをやる人もエンジニアも、そしてサービスを使うユーザーも、この仕組みを理解しておくことが現代では大切だよ。
