deqwasのイメージ画像 deqwasのイメージ画像

まだ知らない“お気に入り”への運命の赤い糸を計算する
サイジニア独自のテクノロジー

Complex network theory 21世紀のサイエンス「複雑ネットワーク理論」

  • 閲覧や購買など
    ユーザー行動履歴を収集
  • 収集データを結合し
    複雑ネットワークを生成
  • コミュニティ抽出アルゴリズムにより嗜好性を解析
  • 解析結果をもとに
    レコメンデーション

人間社会の複雑さと、偶然に出会った人が実は友人の知り合いだったというときに実感する“世間の狭さ”――

日常経験するこんな事象を定量的に解明しようと誕生したのが、「複雑ネットワーク」の研究分野です。基礎理論の歴史は古く、グラフ理論の誕生にまでさかのぼりますが、世界的に研究が進んだのは21世紀になってから。インターネットやウェブ、ソーシャルネットワークが広く普及したことが研究成果拡大の大きな要因です。

情報と情報、あるいは人と人の間のネットワークを対象に研究が進んだこの理論を、サイジニアでは、いち早く、人と情報の間のネットワーク分析に応用しました。日々大量に発生するユーザーのクリックから人と情報の複雑ネットワークを構成し、独自開発の解析ロジックによって趣味嗜好の近さを分析します。これらの解析手法とその応用技術は日米で複数の特許を取得しています。

“愛する人との運命的な出会い”――そんな現象を高度な数学により説明する理論を応用して、あなたと「未来のお気に入り」の間の“運命の赤い糸”を分析します。
「探す」のではなくて「でくわす」。それが、デクワスの目指すユーザー体験です。

Strength of deqwas サイエンス×エンジニアリングが実現するデクワスの強み

  • Science 01 セレンディピティの演出

    Science 01セレンディピティの演出

  • Science 02 “埋もれる宝”を“売れる宝”に

    Science 02“埋もれる宝”を“売れる宝”に

  • Science 03 「好き」の順序をとらえる

    Science 03「好き」の順序をとらえる

セレンディピティ(でくわす感)の演出の画像

セレンディピティ(でくわす感)の演出

「これを買った人はこれも買っています」――既存の普及型エンジンが計算するのは購入商品群の共起確率、つまり同時に購入される確率の高い順に商品をレコメンデーションします。その結果、ありがちな商品ばかりが並んでしまうという弱点がありました。左の図でいうと、商品Aに対してB、C、Dばかりがおすすめされる状態です。
複雑ネットワーク理論では、各ノードのスモールワールド性*を考慮します。たとえば、商品Aに対してはEを提案します。これは同時購入された一次近傍系の商品群に近く(EやF)、その先の三次近傍系同士(青いノード)がスモールワールドを構成しているからです。

想像してみてください。大勢が集まるパーティー会場に出かけて行って、友達同士(自分の一次近傍系=左図オレンジ)で話をしているばかりでは新鮮味はありません。それよりも、いろいろ話をしているうちに、友達の友達が友達同士だった場合の新たな出会い(左図緑の中のE)を見つけた時、「世間は狭いですね」という驚きとともに、その人に対して親近感を覚えることでしょう。
パーティー会場では偶然の出会いに感激するかもしれませんが、ユーザー行動履歴を解析するデクワスでは、あなたと“お気に入り商品”との間の「運命の赤い糸」は事前に計算できるのです。

*部分グラフの内部結合が外部ノード群に対して密になっている状態

複雑ネットワーク理論(当社実績)と既存の普及型エンジンの比較画像 複雑ネットワーク理論(当社実績)と既存の普及型エンジンの比較画像 商品ランクの画像

“埋もれる宝”を“売れる宝”に変身させる

既存の普及型エンジンでは、主に「協調フィルタリング」という手法が用いられています。実装が簡単であるというメリットがある一方、似たものばかりが表示されがちというデメリットがあると言われていました。

左図は、あるECサイトで、デクワスと既存手法を採用するA社でA/Bテスト*を行った際の実測値。横軸は商品ランキング、縦軸はレコメンデーションされる回数です。デクワスでは、人気の売れ筋からロングテールの商品まで広くレコメンデーションされています。ところが、普及型エンジンでは人気上位の商品ばかりがおすすめされてしまい、ロングテールはいつまでも埋もれたまま。

スケールフリー性を前提とした複雑ネットワークを基礎理論にしているからこそ、デクワスはロングテール商品まで取り扱うことが可能なのです。

*異なる手法を二つ同時に走らせ、結果を比較すること 商品ランクの画像

アパレルやDVDなど異なる業種におけるデクワスの導入効果を左に示します。導入後、全体のPVが増加する傾向にありますが、特に重要なのは増加したPVの中身です。

左のグラフでは、商品の人気ランキングごとにグレーからブルーまで色分けをしています。グレーが人気商品、ブルーがロングテール商品です。

導入後、PVが顕著な伸びを示しているのはロングテール。すなわち、商品力があったにも関わらず、ユーザーに見つけられず埋もれていた商品が、デクワスのレコメンデーションにより適切な人へとおすすめすることができた結果です。こうして、デクワスにより、“埋もれる宝”が“売れる宝”に変身していくのです。

「好き」の順序をとらえることの重要性

セレンディピティ(でくわす感)の演出3の画像
セレンディピティ(でくわす感)の演出3の画像

「ECサイトでタブレットのケースを購入したら、『これを買っている人はこれも買っています』と、タブレット本体をおすすめされた」――
既存の普及型エンジンでは、このような一見おかしなおすすめに遭遇することがあります。これは、普及型エンジンが採用する協調フィルタリングという手法が、商品群の同時購買に関する共起確率をベースに商品をおすすめするためです。この手法は実装が簡単であるというメリットがあるものの、商品が購買される順序関係までは考慮してくれません。

複雑ネットワーク理論を活用するデクワスはグラフ理論がベース。そのデータ構造は有向グラフになっています。有向グラフとは、ノードとノードを結ぶリンクに「向き」があるグラフです。たとえば、タブレット本体Aを購入した後にケースBを購入した場合には、A→Bという形式で記述されます。有向グラフを用いることで、時間的な順序関係を考慮して計算することができるのです。

趣味嗜好性が反映される商材をおすすめする際、この順序関係は非常に重要な手掛かりになります。アパレルならマストアイテムからアクセサリーへ、化粧品ならエントリー商品から高付加価値商品へと、ユーザーがブランドを「好き」になる順序を考慮しなければなりません。上述のデジタルガジェットの例では、本体から周辺機器へという購入順序を損なわずに解析するロジックが必要です。

購入順序を考慮したデクワスのレコメンデーションロジックは、日米で特許を取得したサイジニア独自の解析技術。「好き」の順序をとらえることで、ユーザーの「次に欲しい」を先読みします。

Engineering

Deep Mining――進化を続けるビッグデータ解析処理技術

デクワスの情報処理基盤は常に進化を続けています。

一つには、機械学習により、日々のサービス提供からフィードバックされる大量のユーザークリックを教師信号としてシステムが自動学習。より高いパフォーマンスが発揮されるよう、各種パラメータが最適化されていきます。また、注目著しいディープラーニング型の解析ロジックも新規開発。商品画像、価格、売れ行き、ユーザークリックなど、高次元のマルチモーダル情報を分析し、新着商品が出現した際の販売予測に活用されています。これにより、購買履歴が溜まらないとレコメンデーションができないという、既存の普及型エンジンが抱える問題を解消しています。

これら大量のデータはリアルタイムに解析が行われます。それを実現するのが、サイジニアの解析ノウハウをつぎ込んだ、“Deep Mining”テクノロジーです。いつ誰が*どこから何のページをどのようなデバイスによってクリックをしているのかをリアルタイムに分析します。結果は、瞬時にレコメンデーションに反映され、複雑で移ろいやすいユーザーの購買心理の変化にリアルタイムに追従します。

Deep Miningは、これらの分析を各ユーザーごとに実行。多様な解析ロジックとリアルタイム情報処理によって各ユーザーにパーソナライズされたレコメンデーションだからこそ、御社のECサイトにおけるコンバージョンを増加し売上金額のアップにつながるのです。

*当社では匿名化されたクッキーIDなどを分析対象とし、個人情報は取り扱っておりません。
デクワス解析エンジン
複雑ネットワーク解析エンジンの画像
  • 複雑ネットワーク理論
  • 機械学習
  • ディープラーニング
矢印の画像
パーソナライズレコメンドの画像
リアルタイム情報処理基盤
  • 誰が/いつ/どこで/何を/なぜ/どのように――
    いわゆる「5W1H」をリアルタイムに分析
矢印の画像

最適な内容を
リアルタイムに提示

パーソナライゼーション
パーソナライズレコメンドの画像
  • CTR向上
  • CVR向上
  • 売上金額アップ
矢印の画像

成果の最大化

複雑ネットワーク解析エンジンの画像

Touch point タッチポイント一覧

チャネル タッチポイント
オン
ライン
デバイス PC PCの画像 SPの画像 APPの画像
スマホ
Web
スマホ
App
自社サイト トップ トップからCVまでのアクセス分布の画像
カテゴリー
マイページ
カート
サンクス
その他
メディア
メール
マガジン
Mailの画像 ADの画像 Digital receiptの画像
購入完了
メール
ディスプレイ
広告
デジタル
レシート
オフ
ライン
プリント チラシ Printの画像 POSの画像 ROBOの画像
ダイレクト
メール
購入明細書
レシート
ロボット Pepper

* Pepperに関連する商標は、ソフトバンクロボティクス株式会社及びその他のソフトバンクグループ関連会社に帰属します。