レコメンドアルゴリズム開発を通じたLTV向上と在庫最適化
事例概要
オンラインサブスクリプションサービスにおける、データ活用を通じたLTV向上と在庫最適化プロジェクト
Summary
| 課題 | 高水準なデータ利活用の未着手、AIレコメンドの精度不足によるレンタル機会損失、需要集中によるウェイティングの発生 |
|---|---|
| アプローチ | ユーザー・アイテム両面でのクラスタリング分析、複数手法（コンテンツ/アイテム/属性）を組み合わせたハイブリッド型アルゴリズムの開発 |
| 成果 | ・未評価アイテムのサジェストによる在庫分散の実現 ・在庫最適化への寄与 ・PoCを経て事業への本格実装を完了 |
| 期間 | 2ヶ月 |
課題：データ利活用の遅れと機会損失
プロジェクト開始時、当該サービスでは膨大なデータが蓄積されていたものの、高度な分析や施策への反映が十分ではなく、特に以下の4点が喫緊の課題となっていました。
- データ利活用の未着手：高水準な分析環境が整っておらず、顧客の嗜好を深く理解できていない
- ユーザー購買の機会損失：適切なレコメンドが行われないことで、ユーザーがアイテムを選ぶ際の離脱が発生
- ブランド・嗜好性の分析不足：ブランド同士の結びつきや、顧客の衣類選択に関するデータ活用が不十分
- 過度な需要集中：特定の人気アイテムに予約が集中し、多くのユーザーにウェイティング状態が発生
解決策
上記の課題に対し、2段階のアプローチとハイブリッドアルゴリズムにてプロジェクトを進行しました。
①消費者インサイトの発見
アイテムとユーザーの両面からクラスタリングを実施。過去のレンタル実績を詳細に集計・分析することで、どのユーザー層が、どのブランドやスタイルを好むのかという消費者インサイトを可視化しました。
②レコメンドアルゴリズムの開発
複数のロジックを組み合わせたアルゴリズムを設計しました。
- 既存ユーザー向け（ハイブリッド型）：コンテンツベース・フィルタリング（実際に借りたものと似たものを推奨）とアイテムベース・フィルタリング（似たものを借りた他のユーザーの実績から推奨）の結果を掛け合わせ、精度の高いリストを生成
- 新規ユーザー向け：実績が少ない場合でも、登録されたユーザー属性（好きなブランドや属性）から嗜好を予測するフィルタリングを採用
- 在庫最適化の組み込み：まだ実績の少ない未評価アイテムを意図的にサジェストに含めることで、レンタルアイテムを分散させ、在庫の回転率を向上させる設計を実現
成果
- 本番環境への実装：PoCの結果、高い有効性が確認されたため実際の事業サービスへ本格実装を実施
- 在庫運用の効率化：アルゴリズムによってアイテムのレンタルが分散され、特定のアイテムへの需要集中（ウェイティング）の緩和と在庫最適化に寄与
- ユーザー体験の向上：個々の嗜好に基づいた精度の高い提案により、ユーザーが迷うことなく自分に合ったアイテムを見つけられる環境を提供