サイジニア独自の
テクノロジー
COMPLEX NETWORK THEORY
複雑ネットワーク理論
1. 閲覧や購買など ユーザー行動履歴を収集


2. 収集データを結合し 複雑ネットワークを生成

3. コミュニティ抽出アルゴリズムにより嗜好性を解析

4. 解析結果をもとに レコメンド

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。


潜在しているロングテール商品を底上げ
サイト全体の売上を最大化
「協調フィルタリング」に代表される普及技術では、その理論的性質上、売れ筋商品がおすすめされる傾向が多く、結果的に“すでに知っている商品”、“ありきたりな商品”ばかりになってしまうのが弱点でした。そもそも、それらの商品はレコメンドすることが必要だったのでしょうか? デクワスは、この根本的な問題を解決します。
左上図は、あるECサイトにおいて、普及型エンジンを採用する他社とA/Bテストを行った際の実測値です。レコメンド経由の売上をそれぞれ色付けしています。CTRは、レコメンドクリック数/全体クリック数で計算されることから、一見すると普及型エンジンの方が高く見えます。しかし、その大半は、もともと売れ筋の商品、すなわちレコメンドサービスを利用していなくても売れていたはずの商品です。一方、スケールフリー性*を前提に、複雑ネットワーク理論に基づき開発されたデクワスは、売れ筋商品だけではなく、ロングテールまで広くカバーしてレコメンドすることが可能です(左下図)。
御社のロングテール商品は、決して価値がない商品ではありません。“まだ見つかっていない、価値ある商品”です。これらロングテール商品を適切にお客様にレコメンドすることがデクワスの強み。今まで売れていなかった商品の売り上げを伸ばすことで、サイト全体の売上を最大化することができるのです。
*次数分布がべき乗則に従っていること
REAL TIME
リアルタイム処理
”今、クリックした行動”に即座に対応
行動履歴の解析をベースにしたレコメンドは、従来、解析データの更新タイミングまで同じ内容を表示せざるをえないのが弱点でした。その結果、発売されたばかりの新商品をとりこぼしたり、お客様の嗜好の移り変わりにリアルタイムに対応することができません。
秒間数十万回ものデータをリアルタイムに処理するネット広告事業で培ったノウハウを活用し、サイジニアは、“Deep Mining”テクノロジーを開発しました。Deep Miningは、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。“今、生じている行動”に適応した最適なレコメンドを表示することが可能です。
従来のレコメンド

何をクリックしても次のデータ更新まで
同じ表示が変わらない
リアルタイムレコメンド

新たに閲覧した商品に応じて
レコメンドも即時対応
SCIENCE × ENGINEERING
サイエンス × エンジニアリング
Science 01 セレンディピティの演出

「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ドします。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
Science 02 “埋もれる宝”を“売れる宝”に

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。
下図は、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、縦軸はレコメンドされる回数です。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ドされています。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
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。
下のグラフでは、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ド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。
Science 03 「好き」の順序をとらえる

「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ドロジックは、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。
DEEP MINING
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ドができないという、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、瞬時にレコメンドに反映され、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ドだからこそ、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。

