定義
Product Recommendation（商品推薦）とは、ユーザーの閲覧履歴・購買履歴・カート内商品・検索クエリなどの行動データをもとに、その顧客にとって「次に買う可能性が高い商品」を自動的に提示する仕組みです。DTC／EC文脈では単なる「おすすめ表示」ではなく、AOV（平均注文単価）の引き上げとクロスセル／アップセル転換率の最大化を目的とした収益エンジンとして扱われます。
日本市場では、楽天やAmazonの「この商品を買った人はこちらも買っています」が代表例ですが、DTCブランドにおいては単なる協調フィルタリングではなく、ブランド世界観を壊さない推薦設計が成否を分けます。たとえば「購入履歴＝同じカテゴリの別色」を機械的に出すと、ブランドの提案文脈とズレてCVRが落ちるケースが少なくありません。
類比：コンビニの「レジ横」と「店員の一言」
商品推薦を理解する最もわかりやすい比喩は、コンビニのレジ横陳列です。
- レジ横のホットスナックは「今まさに会計しようとしている人」へのアップセル。＝カート画面の推薦枠。
- 「この商品と一緒にいかがですか？」と店員が言うのはクロスセル。＝商品詳細ページの「よく一緒に購入される商品」。
- 「前回買ったアレ、今日はこちらも入荷しましたよ」はパーソナライズ推薦。＝マイページ／メルマガ内の推薦。
つまり推薦とは、棚を賢く並べ替える技術ではなく、顧客の購買文脈に合わせて“提案のタイミング”を設計する技術です。日本のDTCでは、この「店員の一言」に相当するコピー設計が、推薦アルゴリズム以上にCVRへ効くことがあります。
公式
商品推薦のビジネスインパクトは、以下の式で分解できます。
推薦による増分売上 = Σ（推薦経由セッション数 × 推薦CTR × 推薦CVR × AOV） 推薦ROI = 推薦による増分粗利 ÷ 推薦実装・運用コスト
より現場で使われる推薦スロット別の貢献度は次の通りです。
スロット貢献度 = インプレッション数 × CTR × CVR × AOV × 粗利率
たとえば、商品詳細ページの推薦枠で以下の数値があったとします。
- インプレッション：120,000／月
- CTR：8.5%
- CVR：3.2%
- AOV：7,800円
- 粗利率：55%
120,000 × 0.085 × 0.032 × 7,800 × 0.55 ≒ 1,428,000円／月の粗利貢献
このように、推薦は「表示回数」ではなく粗利ベースで評価しないと、実装優先度を誤ります。
推薦タイプ比較表
| 推薦タイプ | 主な設置場所 | 使用データ | 強み | 弱み | 日本DTCでの適性 |
|---|---|---|---|---|---|
| 協調フィルタリング | 商品詳細／カート | 購買・閲覧履歴 | 実績ベースで精度が高い | コールドスタートに弱い | 商品数が多いブランド向け |
| コンテンツベース | 商品詳細／検索結果 | 商品属性・タグ | 新商品でも即日稼働 | 意外性がなくAOV伸びにくい | 素材・成分訴求型に最適 |
| ルールベース（手動） | カート／チェックアウト | 人間の設計 | ブランド文脈を完全制御 | スケールしない | 少量SKUのDTCに最適 |
| パーソナライズ（AI） | トップ／マイページ | 全行動＋CRM | AOV・LTV最大化 | 実装コスト高 | 会員基盤が強いブランド向け |
| リアルタイム推薦 | カート abandonment | セッション内行動 | 離脱直前の挽回 | レイテンシ管理が必要 | カゴ落ち対策に有効 |
応用シーン
1. 商品詳細ページ（PDP）でのクロスセル
「この商品と一緒に使われているアイテム」を表示。化粧品DTCなら「化粧水＋乳液＋美容液」の3点提案で、AOVが1.4倍になった事例もあります。
2. カート画面でのアップセル
「あと3,000円で送料無料」と連動させ、推薦枠に送料無料ラインを超える商品を優先表示。日本のECでは送料無料ラインが購買決定要因になるため、推薦ロジックに「送料無料までの残額」を組み込むのが定石です。
3. 購入後メール／LINEでのリピート推薦
購入商品の消耗サイクルに合わせて推薦。たとえばサプリメントなら「前回購入から28日経過」で再購入推薦を配信。リピート率が18%向上した例があります。
4. カゴ落ちリカバリ
離脱したカートの中身＋「一緒に買われた商品」をメールで再提示。推薦経由のCVRは通常メールの2.3倍になることがあります。
よくある誤解
誤解1：「推薦＝AI導入」
実際には、ルールベースの手動推薦のほうがDTCでは成果を出すことが多いです。SKUが50点以下のブランドなら、人間が文脈を設計したほうが精度もブランド整合性も高くなります。
誤解2：「CTRが高ければ成功」
CTRが高くてもCVRが低ければ、粗利貢献はマイナス。推薦枠は「クリックさせる場所」ではなく「買わせる場所」です。
誤解3：「推薦は自動で最適化される」
日本のDTCでは、推薦コピー・画像・並び順のA/Bテストを月次で回さないと、数ヶ月でCTRが半減します。アルゴリズムは定期的な“編集”が必要です。
誤解4：「全ページに推薦を入れればいい」
推薦枠を増やしすぎると、ページ表示速度が落ち、離脱率が上昇します。特にモバイルでは、推薦ウィジェット1つあたり0.3秒の遅延でCVRが約7%低下するというデータもあります。
関連用語
- Cross-sell（クロスセル）：関連商品の追加購入提案
- Up-sell（アップセル）：上位商品への誘導
- AOV（Average Order Value）：平均注文単価
- Collaborative Filtering（協調フィルタリング）：類似ユーザー行動に基づく推薦
- Cart Abandonment（カゴ落ち）：カート投入後の離脱
- Personalization（パーソナライゼーション）：顧客ごとの体験最適化
- CDP（Customer Data Platform）：推薦の基礎となる顧客データ基盤
商品推薦は、「何を出すか」より「いつ・どこで・どんな文脈で出すか」が成果を決めます。日本のDTCでは、アルゴリズムの精度よりも、ブランドの提案力と顧客理解の深さが、最終的なAOVとLTVを左右します。