レコメンドエンジン

レコメンドエンジンの効果はデータ量とトラフィックに強く依存します。アルゴリズムを学習させるには十分な行動ログが必要で、一般に月間ユニークユーザー数が数万規模、購買トランザクションが月数千件以上あることが最低ラインの目安とされています。これは広告予算換算で月500万円前後を投じているECサイトが概ね相当します。

SaaSの月額費用は初期設定込みで月30万〜300万円程度と幅広く、トラフィック連動課金のプランでは事業規模が大きいほどコスト負担も増えます。月額広告予算が2,500万円を超える中堅〜大手ECでは、レコメンドによる購買単価・クロスセル向上の効果が明確に測定できるため、費用対効果が成立しやすくなります。

一方、月額広告予算が500万円未満の小規模ECでは、SaaSのランニングコストに対して得られる増分売上が小さく、Shopifyなどの標準機能で代替する、あるいはオープンソース（LightFMなど）を自社実装するほうがコスト効率が良いケースがあります。

レコメンドエンジンの起源は1990年代初頭のMITや施設のリサーチグループに遡ります。1994年にXerox PARCの研究者が開発した「Tapestry」が協調フィルタリングの先駆けとされており、同年Usenetニュースの推薦システムとして登場しました。その後、Amazonが1998年に「Item-to-Item Collaborative Filtering」を商用化し、「この商品を買った人はこんな商品も買っています」という表示が世界標準のECパターンとして定着しました。2006〜2009年にはNetflixが100万ドルの懸賞金をかけた「Netflix Prize」を開催し、推薦精度向上の研究が爆発的に進みました。2010年代以降はディープラーニングの台頭により、テキスト・画像・行動ログを統合したハイブリッドモデルが主流となっています。

日本市場では、楽天市場が2000年代中盤から自社レコメンド機能を強化し、2010年代にYahoo!ショッピングやZOZOTOWNが独自エンジンを本格展開しました。国産SaaSとしてはHibana（現CACHATTO）やiRC（INSIGHT INTELLIGENCE）などが登場し、2015年前後からUGENIUSやPersol CERDAS（現Recolua）など中堅EC向けのサービスも参入しています。改正個人情報保護法（2022年施行）以降はCookie利用制限への対応が設計の必須条件となり、ファーストパーティデータ活用型のアーキテクチャへの移行が国内の主要テーマとなっています。