ソリューション
リソース
企業情報
January 13, 2023
今日の消費者は、買い物をする際に常にパーソナライズされた体験を求めると同時に、プライバシーに関する懸念を高めています。では、マーケットプレイスはどのようにしてパーソナライゼーションとプライバシーの両方をプラットフォーム上で提供できるのでしょうか？以下では、リテールメディアのイノベーターたちが機械学習を活用することでこの課題を解決できる理由を探ります。
マーケットプレイスは、ユーザーのプライバシーを守るためにNISTプライバシーフレームワークやクラウドベンダーによるアーキテクチャに関するガイダンスのようなプライバシー・バイ・デザインの業界のベストプラクティスに従ってデータ管理システムを構築する必要があります。例えば、データの露出を最小限に抑える基本的な方法として、最小権限の原則に基づいて、必要なデータのみを人やマシンと共有することが挙げられます。
その反面、出店者は買い物客にリーチしてオーディエンスプールを拡大しつつ、最も購入する可能性の高い買い物客に商品を宣伝したいと考えています。どの商品を誰に薦めるべきかを理解するには、買い物客の履歴や行動を知ることが必要であり、これがパーソナライゼーションの根底にあります。
出店者はどの程度までマーケットプレイスのデータにアクセスする必要があるのでしょうか？オーディエンスに商品を販売促進したい出店者は、コンバージョンする可能性が最も高い買い物客を効果的にターゲットにするために、個々の買い物客の行動パターンを知りたがります。しかし同時に、買い物客はこれまで以上にプライバシーの保護を望んでいます。194カ国中137カ国が、データとプライバシーの保護を確保するために何らかの規制を導入しています。マーケットプレイスの多くは、買い物客の情報を危険にさらすことを恐れ、買い物客の行動データを出店者と共有しないことを選択しています。
このような制限により、どの商品を薦めたり販売促進したりすべきかを出店者が選択することが困難になります。また、仮に行動データにアクセスできたとしても、膨大なデータセットを継続的に正確かつ大規模に解析して価値のあるインサイトを導き出すことはほとんど不可能です。
従ってマーケットプレイスは、ユーザーのプライバシーを保護しつつ、出店者が買い物客にリーチしてコンバージョンできるよう、自動化されたインテリジェントなパーソナライゼーションメカニズムを提供する必要があります。ここで機械学習（ML）の出番です。
例えば、韓国の大手ホーム＆リビングマーケットプレイスのoHouseは、繁忙期には7秒に1回の割合で家具を販売しており、月間売上は1,800億韓国ウォン（1億3,800万米ドル）に達します。MLベースのアドテックソリューション「Moloco Retail Media Platform（RMP）」を導入し、データプライバシーとパーソナライゼーションのバランスを取ることが、同社の売上拡大に貢献しています。
MLのパワーは、行動パターンに基づいて買い物客の嗜好を深く理解して予測し、適切な買い物客に適切な広告を提供することで発揮されます。マーケットプレイスにとってそれは、買い物客の個人データに直接アクセスすることなく、出店者が効果的にオーディエンスにリーチできるようにすることを意味します。以下では、このメカニズムを構成する「商品の理解」と「ナビゲーションの理解」の2つの手法について解説します。
商品カタログには、メーカーや寸法、商品画像など、販売商品に関する情報が含まれます。商品カタログのデータを理解することで、買い物客が好きそうな商品を類似点から判断することができます。例えば、65インチのSamsungのテレビを閲覧する買い物客は、LGなど、他のメーカーの似たようなテレビにも興味を持つ可能性が高いです。
90年代後半、Amazonは470万件の商品を販売していました。現在、この巨大Eコマース企業は何十億もの商品を販売しています。同社はビジネスを拡大するため、オンプレミスのデータウェアハウスを使ったデータマイニング技術から、クラウドインフラストラクチャに構築されたMLベースのレコメンデーションシステムへと進化しました。Amazonのパーソナライズされたエクスペリエンスは、買い物かごの中身を最大化するのに最適な商品を予測するMLテクノロジーによって支えられています。Molocoは、中小規模のマーケットプレイスが、パーソナライズされたエクスペリエンスを実現できるテクノロジーの提供に注力しています。
私たちはディープラーニングをベースに商品を理解する技術を開発し、商品名、カテゴリー、価格、さらに画像などのメタデータを理解するシステムを構築しました。
買い物客の行動データ、すなわちユーザーイベントに基づいてMLエンジンをトレーニングすることで、商品の推奨において重要な、将来の行動を予測することが可能になります。例えば、旅行サイトでユーザーが「ハワイ ホテル 2ベッドルーム」と「ハワイ バケーションレンタル」という検索クエリを短期間に入力したとします。MLは、ユーザーのナビゲーションを理解することで、ユーザーがハワイの宿泊場所を探していると予測します。
ナビゲーションの理解、つまり逐次的なイベントの理解は、天気予報や株式市場の予測、言語翻訳、Eコマースにおける商品の推奨など、多くの日常的な事象の基礎となっています。MLアルゴリズムは多種多様で、それぞれに特徴とトレードオフがあります。例えば、LSTM（Long Short-Term Memory）のMLアルゴリズムは予測に優れていますが、学習に長い時間がかかります。一方、CNN（畳み込みニューラルネットワーク）は、学習時間は短いものの、予測精度はLSTMより劣ります。
近年、業界やMLコミュニティは、Transformerなどの新しいモデルをアプリケーションに採用しています。Transformerは、学習、予測精度、予測リクエストに対する低遅延応答のバランスが良く、運用効率の向上に役立ちます。
しかし、最先端の技術を「おすすめ商品」のシナリオに適切に取り入れるには、多大な努力が必要とされます。自然言語処理やコンピュータビジョン、音声認識など、多岐にわたる分野にエンジニアが対応する必要があるためです。そこでMolocoは、ナビゲーションの理解向けにカスタマイズされたTransformer MLアーキテクチャを構築しました。
このように、パーソナライズされたショッピング体験を構築するには、膨大なリソース、時間、スキルが必要になります。革新的なマーケットプレイスは、プライバシーを最優先したパーソナライゼーションを大規模に実現しており、セキュアなデータ管理システムで機械学習（ML）ソリューションを活用しています。多くのマーケットプレイスは、ゼロからMLソリューションを構築するためのインフラストラクチャや専門知識を備えていないものの、ソリューションプロバイダーと提携することで、リテールメディアビジネスを迅速に立ち上げ、拡大することが可能です。
Molocoは、10年間にわたり築いてきた機械学習の専門知識を基にアドテックソリューションを構築しました。MolocoのオープンAPIを活用することで、マーケットプレイスはわずか8週間で広告ビジネスを開始できます。また、MLトレーニングのためのデータ入力をマーケットプレイス側で管理できるようにすることで、ユーザーの個人情報の共有を最小限に抑え、ユーザープライバシーを強化しつつ、マーケットプレイスの出店者の売上促進と、コアとなるショッピング体験の維持をサポートできます。
前述のように、リテールメディアのコンテキストでマーケットプレイスや出店者、エンドユーザーの多様なニーズを満たす上で、MLは非常に重要です。次回のブログ記事では、パフォーマンスの高い広告を実現する大規模な予測システムの構築を可能にするディープラーニングモデルの開発方法をご紹介します。
コマースメディアのエコシステム：データ、AI、ECショッピングの融合場所コマースメディアエコシステムの全貌をご紹介します。ファーストパーティデータとAIを活用してサプライヤー、EC事業者、消費者の成長を促進できる理由をご覧ください。
