> ## Documentation Index
> Fetch the complete documentation index at: https://moengage.com/docs/llms.txt
> Use this file to discover all available pages before exploring further.
# 概要 - Advanced Recommendations
> MoEngage の Advanced Recommendations は、機械学習とニューラルネットワークを使用して、リアルタイムに適応する動的でパーソナライズされた提案を提供します。
Advanced Recommendations は、機械学習アルゴリズムとニューラルネットワークを使用して、精度の高いレコメンデーションを見つけ出します。これらのレコメンデーションは動的で、時間の経過とともにユーザーのインタラクションパターンに適応し、ほぼリアルタイムで更新されます。
レコメンデーション結果は関連性の高い順に並べられており、最初にレコメンドされるアイテムが最も関連性が高いことを意味します。これらのレコメンデーションは、さらに次のカテゴリに分類できます。
# レコメンデーションモデル
すべての Advanced Recommendations モデルは、Push、Email、SMS、WhatsApp、Cards、On-site Messaging、Web Personalization、In-App Messaging、Connectors、API のサーフェスで利用できます。SDK のサポートは近日提供予定です。
## Recommended Items
あなただけのために！個々のインタラクション行動から導き出され、より広範なユーザートレンドの影響も受ける、各ユーザー向けにカスタマイズされたレコメンデーションです。親友よりもあなたのことをよく知っているパーソナルスタイリストのようなものと考えてください。あなたのインタラクションに基づいて選択肢を厳選し、あなたと同じようにエンゲージするユーザーの嗜好も取り入れます。
| 詳細 | 値 |
| - | - |
| 最適な用途 | 個々のユーザーに対するパーソナライズ |
| ユーザーアクションイベント | Product Viewed、Add to Wishlist、Add to Cart、Product Purchased |
| カタログ属性 | Item ID |
| パーソナライズ | 個々のユーザーにパーソナライズ |
| コールドスタート要件 | 2 回のインタラクションを持つ 25 人のユニークユーザーによる最低 1000 件のユーザーアクションイベント |
| 推論頻度 | 毎日 |
| 返される最大アイテム数 | 25 (設定可能) |
| フォールバック動作 | Popular Items (ユーザーが過去 2 か月間にエンゲージメントがない場合に提供) |
| モデルの再トレーニング | 7 日ごと (設定可能) |
### ユースケースの例
* ユーザーに次に最適なアイテムを提供します。
* 'You May Like'、'You May Be Interested'、'Recommended For You' などのコレクションを作成します。
## Similar Items
あるアイテムを見て、「これは気に入ったけど、似たようなものは他にある？」と思ったことはありませんか。そんなときは Similar Item モデルをご利用ください。共通のアイテム属性と過去のトレンドを掘り下げ、お気に入りのアイテムと同じ魅力を持つアイテムを見つけ出します。
| 詳細 | 値 |
| - | - |
| 最適な用途 | 代替案の提示と意思決定の後押し |
| ユーザーアクションイベント | Product Viewed、Add to Wishlist、Add to Cart、Product Purchased |
| カタログ属性 | Title、Price、Category、Brand (カタログに合わせてカスタマイズ可能) |
| パーソナライズ | アイテムアンカー型 (アンカーアイテムに基づき、ユーザートレンドのシグナルと組み合わせ) |
| コールドスタート要件 | 2 回のインタラクションを持つ 25 人のユニークユーザーによる最低 1000 件のユーザーアクションイベント |
| 推論頻度 | 7 日 (設定可能) |
| 返される最大アイテム数 | 25 (設定可能) |
| フォールバック動作 | Popular Items |
| モデルの再トレーニング | 14 日ごと (設定可能) |
### ユースケースの例
* ユーザーが関心を持っている製品やサービスの代替オプションを提供します。
* ユーザーの関心に合う、より幅広い製品やサービスを探索できるようにします。
## Frequently Viewed Together Items
レコメンデーションの探偵のような存在です。Merlin AI はアイテム間の隠れたつながりを見つけ出し、他のユーザーがよく一緒に閲覧しているものを表示して、クロスセルを容易にします。存在すら知らなかったクロスセルの機会を提示します。
| 詳細 | 値 |
| - | - |
| 最適な用途 | 平均注文額の向上とクロスセル |
| ユーザーアクションイベント | Product Viewed |
| カタログ属性 | Item ID |
| パーソナライズ | アイテムアンカー型 (共同閲覧の関連性に基づく) |
| コールドスタート要件 | 2 回のインタラクションを持つ 25 人のユニークユーザーによる最低 1000 件のユーザーアクションイベント |
| 推論頻度 | 7 日 (設定可能) |
| 返される最大アイテム数 | 25 (設定可能) |
| フォールバック動作 | Popular Items |
| モデルの再トレーニング | 14 日ごと (設定可能) |
### ユースケースの例
* ユーザーに関連する製品バンドルやパッケージを提供します。
* 関連する追加の製品やサービスを提案することで、売上とエンゲージメントを向上させます。
## Frequently Bought Together Items
よく一緒に購入されるアイテムを提案することでショッピング体験を向上させ、アップセルやバンドル購入の利便性につなげます。このモデルは、通常一緒にレジに運ばれるアイテムの完璧な組み合わせを常に把握している、目利きの店主のような存在です。特定の商品と一緒に顧客が最もよく購入するアイテムをレコメンドし、購入意欲が高まったタイミングでアップセルやバンドルの機会を生み出します。
| 詳細 | 値 |
| - | - |
| 最適な用途 | 平均注文額の向上とアップセル |
| ユーザーアクションイベント | Product Purchased |
| カタログ属性 | Item ID |
| パーソナライズ | アイテムアンカー型 (共同購入の関連性に基づく) |
| コールドスタート要件 | 2 回のインタラクションを持つ 25 人のユニークユーザーによる最低 1000 件のユーザーアクションイベント |
| 推論頻度 | 7 日 (設定可能) |
| 返される最大アイテム数 | 25 (設定可能) |
| フォールバック動作 | Popular Items |
| モデルの再トレーニング | 14 日ごと (設定可能) |
### ユースケースの例
* 補完的な製品やサービスを提案して、売上とエンゲージメントを向上させます。
* 顧客のニーズを予測し、購入を完了するための関連する提案を提供することで、顧客満足度を向上させます。
## Popular Items & Trending Items
誰もが喜ぶ人気アイテムです。迷ったときは、トレンドになっているものを選びましょう。話題を集めているアイテムを見つけ出します。これらの社交的なレコメンデーションは、デフォルトのフォールバックとして定義されています。過去のインタラクションがない新規ユーザーにとって、これらのアイテムは歓迎委員会のような役割を果たし、新しい購入者が常に最新情報を把握できるようにします。
| 詳細 | 値 |
| - | - |
| 最適な用途 | 発見、新規ユーザーのアクティベーション、汎用的なフォールバック |
| ユーザーアクションイベント | Product Viewed、Add to Wishlist、Add to Cart、Product Purchased |
| カタログ属性 | Product ID。属性ベースのトレンドアイテムでは、指定した属性を使用します。 |
| パーソナライズ | パーソナライズなし (集団レベル) |
| コールドスタート要件 | なし。このモデルはコールドスタートのセーフティネットです。 |
| 返される最大アイテム数 | 25 (設定可能) |
| フォールバック動作 | 該当なし。このモデルはすべての Advanced Recommendations モデルのデフォルトのフォールバックであり、自動的に提供されます。 |
| 更新頻度 | 毎日 |
これらのレコメンデーションは、すべての Advanced Recommendations モデルのデフォルトのフォールバックとして組み込まれており、ユーザーが過去 2 か月間にどのアイテムともエンゲージしていない場合に提供されます。
### ユースケースの例
* プラットフォームのトレンドを提示して、新規ユーザーをアクティベートします。
* ユーザーが関心を持つ可能性のある、新しく人気のある製品やサービスを発見できるようにします。
# フィルター
フィルター設定を使用すると、顧客に表示されるレコメンデーションを絞り込むことができます。これらのフィルターは、レコメンドモデルのロジックに加えて機能し、提案されるアイテムの関連性を高めます。
## ユーザーアクションフィルター
フィルター設定を使用すると、顧客自身のインタラクションアクティビティに基づいて、顧客に表示されるレコメンデーションを微調整できます。アイテムは次の 2 つの方法でフィルタリングできます。
* **Keep Items**: このフィルターを使用すると、アイテム属性ルールの結果とユーザーアクションフィルター条件の両方に共通するアイテムのみを含めるユーザーアクション条件を定義できます。
* **Remove Items**: このフィルターを使用すると、アイテム属性ルールの結果からアイテムを削除するユーザーアクション条件を定義できます。
レコメンデーションフィルターを適用した後の最終的な商品の計算は次のとおりです。
* A = コアレコメンデーションフィルターからの商品
* Keep items:
* B = 'keep item' フィルター設定からの商品
* 最終結果 = A ∩ B
* Remove items:
* C = 'remove item' フィルター設定からの商品
* 最終結果 = A ∩ B - C
### ユースケースの例
* *frequently bought together* のバンドルをレコメンドしつつ、カートに追加されたアイテムを削除します。
* ユーザーが過去 30 日間に閲覧した *Recommended items* のみを残します。
* 新しい商品の発見を促すために、*Frequently viewed together items* リストから閲覧済みのアイテムを削除します。
* ユーザーがすでにウィッシュリストに追加したアイテムを *Similar items* レコメンデーションから削除します。
## アイテム属性フィルター
フィルター設定を使用すると、カタログで利用可能な情報に基づいて、顧客に表示されるレコメンデーションを絞り込むことができます。
* ユーザーのロケーションにある *similar properties* をレコメンドする
* 在庫があり、価格が \$10 未満の *frequently bought together bundle* をレコメンドする
* セール中の *frequently viewed together Items*
* 特定のブランドのみの *Recommended Items*
以前は *Sherpa AI* と呼ばれていたすべての MoEngage AI 製品は、現在 *Merlin AI* と呼ばれています。
キャンペーンでレコメンデーションを使用する前に、実際のユーザーまたはサンプルに対してテストしてください。詳細については、[Test a Recommendation](/docs/ja/user-guide/content/recommendations/getting-started/test-a-recommendation) を参照してください。