Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
ZOZOTOWNでの推薦システム活用事例の紹介
Search
tera
November 04, 2024
Technology
1
680
ZOZOTOWNでの推薦システム活用事例の紹介
2024/10/28 @生成AI Conf - AIレコメンドシステムの最前線を語る
tera
November 04, 2024
Tweet
Share
More Decks by tera
See All by tera
ZOZOTOWNのホーム画面をパーソナライズすることの難しさと裏話を語る
f6wbl6
1
680
Other Decks in Technology
See All in Technology
オープンソースAIとは何か? --「オープンソースAIの定義 v1.0」詳細解説
shujisado
9
1.1k
Security-JAWS【第35回】勉強会クラウドにおけるマルウェアやコンテンツ改ざんへの対策
4su_para
0
180
100 名超が参加した日経グループ横断の競技型 AWS 学習イベント「Nikkei Group AWS GameDay」の紹介/mediajaws202411
nikkei_engineer_recruiting
1
170
サイバーセキュリティと認知バイアス:対策の隙を埋める心理学的アプローチ
shumei_ito
0
390
iOSチームとAndroidチームでブランチ運用が違ったので整理してます
sansantech
PRO
0
150
OCI 運用監視サービス 概要
oracle4engineer
PRO
0
4.8k
SRE×AIOpsを始めよう!GuardDutyによるお手軽脅威検出
amixedcolor
0
150
EventHub Startup CTO of the year 2024 ピッチ資料
eventhub
0
120
The Role of Developer Relations in AI Product Success.
giftojabu1
1
130
適材適所の技術選定 〜GraphQL・REST API・tRPC〜 / Optimal Technology Selection
kakehashi
1
680
CDCL による厳密解法を採用した MILP ソルバー
imai448
3
110
SREが投資するAIOps ~ペアーズにおけるLLM for Developerへの取り組み~
takumiogawa
1
410
Featured
See All Featured
How to Ace a Technical Interview
jacobian
276
23k
How to Think Like a Performance Engineer
csswizardry
20
1.1k
The Pragmatic Product Professional
lauravandoore
31
6.3k
Measuring & Analyzing Core Web Vitals
bluesmoon
4
130
The Myth of the Modular Monolith - Day 2 Keynote - Rails World 2024
eileencodes
16
2.1k
Writing Fast Ruby
sferik
627
61k
Into the Great Unknown - MozCon
thekraken
32
1.5k
What's new in Ruby 2.0
geeforr
343
31k
A designer walks into a library…
pauljervisheath
204
24k
Why Our Code Smells
bkeepers
PRO
334
57k
GraphQLとの向き合い方2022年版
quramy
43
13k
Art, The Web, and Tiny UX
lynnandtonic
297
20k
Transcript
ZOZOTOWNでの推薦システム 活用事例の紹介 株式会社ZOZO 技術本部 データシステム部 推薦基盤ブロック ブロック長 寺崎 優希 Copyright
© ZOZO, Inc. 1 2024/10/28 @生成AI Conf - AIレコメンドシステムの最前線を語る
© ZOZO, Inc. 株式会社ZOZO 技術本部 データシステム部 推薦基盤ブロック ブロック長 技術本部 データサイエンス部
推薦研究ブロック ブロック長 寺崎 優希 最高のZOZOTOWNを作るために2つの推薦系チームの リーダーを兼務しています。 先々週RecSys2024 in Bariに参加して推薦システムの最 先端に触れてきました。 趣味は鳥貴族です。 2 渡航前日に購入したネックピローで快眠している図
© ZOZO, Inc. https://zozo.jp/ 3 • ファッションEC • 1,600以上のショップ、9,000以上のブランドの取り扱い •
常時102万点以上の商品アイテム数と毎日平均2,600点以上の新着 商品を掲載(2024年6月末時点) • ブランド古着のファッションゾーン「ZOZOUSED」や コスメ専門モール「ZOZOCOSME」、シューズ専門ゾーン 「ZOZOSHOES」、ラグジュアリー&デザイナーズゾーン 「ZOZOVILLA」を展開 • 即日配送サービス • ギフトラッピングサービス • ツケ払い など
© ZOZO, Inc. 4 本日お話しすること・しないこと 話すこと • ZOZOTOWN にまつわる推薦システムの変遷 •
様々な推薦システムの開発に至った経緯など 話さないこと • 推薦システムの技術的な話 ◦ (例). 使用している ML モデルの詳細, システムアーキテクチャの詳細, etc.
© ZOZO, Inc. 5 ZOZOTOWNの推薦システム3選 1. 商品詳細面おすすめアイテム枠 2. ホーム面モジュール 3.
マーケティングオートメーション(MA)
© ZOZO, Inc. 6 ZOZOTOWNの推薦システム3選 1. 商品詳細面おすすめアイテム枠 2. ホーム面モジュール 3.
マーケティングオートメーション(MA)
© ZOZO, Inc. 7 1. 商品詳細面おすすめアイテム枠 - 機能概要 • ZOZOTOWN内の商品を押下した際の遷
移先ページの下部にある枠のこと • おすすめアイテム枠では詳細面で表示さ れている商品に基づく推薦商品が表示さ れる Scroll アプリ商品詳細面の例
© ZOZO, Inc. 8 1. 商品詳細面おすすめアイテム枠 - 考慮事項 • クエリ商品とユーザー行動ログを使って
おすすめアイテムを推薦する際に考慮す ることは多岐に渡る ◦ 最適化する指標と KPI ◦ 推薦アイテムの更新頻度 ◦ コールドスタートアイテムの取り扱い ◦ システム導入・運用コスト ◦ 秒間あたりのリクエスト数 ◦ レイテンシ ◦ etc. • ユーザーID • 過去に閲覧した商品のID等 クエリ商品 ユーザー行動ログ おすすめアイテム
© ZOZO, Inc. 9 1. 商品詳細面おすすめアイテム枠 - 推薦モデル変遷 • 〜2019年
◦ ルールベースの推薦ロジックをクエリで構築 ◦ バックエンドチームで管理する API で運用 • 2020年 ◦ 推薦モデルのML化を開始・ABテスト実施 w/Google Cloud ◦ 内製モデルの開発も開始 • 2021年 ◦ ABテストを繰り返すも鳴かず飛ばず • 2022年 ◦ Recommendations-AIをPC/SPに100%リリース • 2023年 ◦ Recommendations-AIをアプリに100%リリース • 2024年 ◦ 内製モデルをフォールバック用のモデルとして100%リリース
© ZOZO, Inc. 10 ZOZOTOWNの推薦システム3選 1. 商品詳細面おすすめアイテム枠 2. ホーム面モジュール 3.
マーケティングオートメーション(MA)
© ZOZO, Inc. 11 2. ホーム面モジュール - 機能概要 • ZOZOTOWNを起動した時に最初に開か
れるページ • モジュールと呼ばれる単位で施策ごとの 商品をグルーピングしている • ホーム面上部のモールタブと性別タブの 組み合わせで表示されるモジュールが異 なる モジュール scroll モール 性別
© ZOZO, Inc. 12 2. ホーム面モジュール - パーソナライズ内容 大きく分けて以下の2パターン 1.
モジュール内に表示される商品のパーソナライズ 2. モジュールの並び順をパーソナライズ
© ZOZO, Inc. 13 2. ホーム面モジュール - パーソナライズ内容 大きく分けて以下の2パターン 1.
モジュール内に表示される商品のパーソナライズ 2. モジュールの並び順をパーソナライズ 今人気のマストバイアイテム!! ユーザーA ユーザーB 今人気のマストバイアイテム!! 同じモジュール(=商品の訴求軸)でも 表示される商品がユーザーごとに異なる ・トレンドアイテム全般を好むユーザーAには広く浅く ・最近メガネを探しているユーザーBにはメガネや小物系を
© ZOZO, Inc. 14 2. ホーム面モジュール - パーソナライズ内容 大きく分けて以下の2パターン 1.
モジュール内に表示される商品のパーソナライズ 2. モジュールの並び順をパーソナライズ 今人気のマストバイアイテム!! ユーザーA ユーザーごとに表示されるモジュールと 並び順を変える ・トレンドアイテム全般を好むユーザーAにはトレンドを 押さえたモジュール ・小物をよく閲覧するユーザーBには雑貨系のモジュール いま羽織りたいライトアウター おうち時間を楽しむインテリア ユーザーB 今人気のマストバイアイテム!!
© ZOZO, Inc. 15 2. ホーム面モジュール - 事例1 • モジュール内に表示される商品のカテゴリーとブランドをパーソナライズ
• アップデートを加える度にA/Bテストを行い現在の形に 商品検索条件に推薦カテゴリー による絞り込みを決定 商品検索条件に推薦ブランドに よる絞り込みを追加 ルールベースによる 行動ログの集計 ML モデルによる 推薦ブランドの予測 ※上記はイメージ画像です チェックしたカテゴリーのおすすめアイテム ソックス/靴下 カテゴリー ブランド
© ZOZO, Inc. 16 2. ホーム面モジュール - 事例2 • ユーザーごとにモジュールが表示される順序をパーソナライズ
◦ サイト上に表示できるモジュール数には限りがあるため、N 件ある表示候補モジュールの中 から k 件選んでいる 今人気のマストバイアイテム!! いま羽織りたいライトアウター … • 今人気のマストバイアイテム!! • いま羽織りたいライトアウター • 着回し力抜群の厳選トップス • 秋冬カラーの注目アイテム • … 表示候補モジュール モジュール企画チーム 企画 & 入稿 計50件程度 ユーザー ZOZOTOWN上での 行動ログ データベース MLモデル 最適な 並び順を予測 計30~40件程度
© ZOZO, Inc. 17 ZOZOTOWNの推薦システム3選 1. 商品詳細面おすすめアイテム枠 2. ホーム面モジュール 3.
マーケティングオートメーション(MA)
© ZOZO, Inc. 18 3. マーケティングオートメーション(MA) - 概要 • メールやLINE、プッシュ通知等のコンテンツをパーソナライズする
• 役割分担は以下の通り ◦ コンテンツのパーソナライズ:推薦チーム ◦ 配信処理:MAチーム • 配信タイミングもユーザーごとにパーソナライズされている クーポンメールの イメージ
© ZOZO, Inc. 19 3. マーケティングオートメーション(MA) - 事例 運用されている推薦システムの一例 •
シューズアイテム推薦 ◦ シューズコンテンツを訴求 • ラグジュアリーアイテム推薦 ◦ ZOZOVILLA (ラグジュアリーアイテム) のコンテンツを訴求 • コスメアイテム推薦 ◦ コスメコンテンツを訴求 • クーポンショップ推薦 ◦ クーポン対象となっているショップを訴求 etc.
© ZOZO, Inc. 20 ZOZOTOWNの推薦システム年表 2019年 商品詳細面おすすめアイテム枠 ・推薦モデル導入検討開始 2020年 2021年
ホーム面 ・モジュール推薦用APIリリース MAシステム ・シューズ推薦リリース ・ラグジュアリアイテム推薦リリース 商品詳細面おすすめアイテム枠 ・内製モデル開発開始 ・A/Bテスト開始、長き戦いの始まり MAシステム ・推薦モデル開発開始 ・リテンション最適化モデルリリース 2022年 商品詳細面おすすめアイテム枠 ・Recommendations-AI リリース(PC/SP) ホーム面 ・第1弾パーソナライズモジュールリリース ・第2弾パーソナライズモジュールリリース MAシステム ・コスメ推薦リリース 2023年 商品詳細面おすすめアイテム枠 ・Recommendations-AI リリース(App) ホーム面 ・第3弾パーソナライズモジュールリリース MAシステム ・クーポンメール推薦リリース 2024年 商品詳細面おすすめアイテム枠 ・内製モデルリリース(for fallback) ホーム面 ・モジュール並び順パーソナライズリリース 20XX年 To Be Continued…
© ZOZO, Inc. 21 今後のZOZOTOWNの推薦システムが向かう先 • Beyond-accuracy metrics (e.g. 多様性,
新規性, etc.) を追求 ◦ ホーム面・商品詳細面など全ての場所で CTR 最適を目指せば良いのか? ◦ CTR 最適を目指したリターゲティング偏重な推薦は最高の UX か? • WEAR のデータを活用したクロスプラットフォーム・マルチドメイン推薦 ◦ ZOZOTOWN 上でのコーディネートの推薦・パーソナライズ ▪ いわゆる「こちらもいかがでしょうか?」でコーディネートを完成させる ▪ ZOZONEXT の「似合う」の研究と地続きにある • LLM による推薦体験の変革 ◦ e.g. サイト上の行動ログを元にユーザーのコンテキストを LLM で解釈する ▪ 検索機能との境界が曖昧になっていく
None