# レコメンドエンジン刷新で売上を18%向上

> 小売・EC (アパレル)・従業員 約350名のお客様の導入事例（支援期間 約6ヶ月）。顧客行動データを活用したレコメンドエンジンを再構築。CVRと客単価の向上により、売上18%向上を実現。

- URL: https://enhanced.co.jp/case/case-03/
- お客様: 非公開企業
- 公開日: 2026-09-28
- 発行: エンハンスド株式会社 (https://enhanced.co.jp/)

---

- 業種: 小売・EC (アパレル)
- 支援期間: 約6ヶ月
- 支援領域: 顧客行動分析 / レコメンドエンジン再構築 / A/Bテスト設計・運用
- 体制: コンサルタント1名・データサイエンティスト2名・エンジニア2名

関わった事業: [AI × マーケティング](https://enhanced.co.jp/services/ai-acceleration/marketing/)、[AIシステム開発](https://enhanced.co.jp/services/ai-development/ai-system/)

## 課題

既存のレコメンドが購買履歴の単純な共起に頼っており、閲覧中の文脈を反映できていませんでした。

- 「一度買った商品と似たもの」ばかりが並び、回遊とクロスセルにつながっていなかった

- 新規顧客や新商品に対して有効な推薦を出せず、コールドスタート問題が放置されていた

- 施策の効果検証の仕組みがなく、改善の良し悪しを判断できていなかった

## 取り組み

1. **行動ログの再設計と顧客理解の深掘り**: 購買だけでなく閲覧・検索・カート投入までを含めた行動ログを整理。セッション単位で「いま何を探しているか」を捉えられるデータ構造に作り直しました。
2. **文脈を反映したハイブリッド推薦の実装**: 協調フィルタリングに商品属性ベースの推薦を組み合わせ、直近の行動で重みを変える構成に刷新。新商品・新規顧客にも推薦を出せるようにしました。
3. **A/Bテストを前提とした改善サイクルの定着**: 配信ロジックを切り替えられる基盤と評価ダッシュボードを整備し、施策の効果を数字で判断できる状態へ。改善の意思決定をチームに引き渡しました。

## 成果

- 売上の向上: 18%
- レコメンド経由CVRの改善: 24%
- 客単価の向上: 11%

※ 同一期間の A/B テストにおける、従来ロジック群との比較値です。

顧客行動データを活用したレコメンドエンジンを再構築。CVRと客単価の向上により、売上18%向上を実現。

## この事例のポイント

- 購買だけでなく、閲覧・検索・カート投入までの行動ログを整理し、セッション単位で「いま何を探しているか」を捉えられるデータ構造に作り直しました
- 協調フィルタリングに商品属性ベースの推薦を組み合わせ、直近の行動で重みを変える構成にして、新商品・新規顧客にも推薦を出せるようにしました
- 配信ロジックを切り替えられる基盤と評価ダッシュボードを整え、施策の効果をA/Bテストの数字で判断できるようにしました

## 進め方

約6ヶ月の支援を、コンサルタント1名・データサイエンティスト2名・エンジニア2名の体制で、次の3つの段階で進めました。

1. **行動ログの再設計と顧客理解**：それまでのレコメンドは購買履歴の単純な共起に頼っており、閲覧中の文脈を反映できていませんでした。そこで、閲覧・検索・カート投入までを含めた行動ログを整理し、セッション単位で関心を捉えられるデータ構造に作り直しました。
2. **文脈を反映したハイブリッド推薦の実装**：協調フィルタリングに商品属性ベースの推薦を組み合わせ、直近の行動で重みを変える構成に刷新しました。購買の履歴が少ない新商品や新規顧客にも推薦を出せるようにし、放置されていたコールドスタート問題に対応しました。
3. **A/Bテストを前提とした改善サイクルの定着**：配信ロジックを切り替えられる基盤と評価ダッシュボードを整備し、改善の意思決定をお客様のチームに引き渡しました。

## 効果の測り方

レコメンドの改善は、時期やキャンペーンなど、ほかの要因でも売上が動くため、施策の前後を比べるだけでは効果を切り分けにくくなります。この事例では、配信ロジックを切り替えられる基盤を整え、同じ期間に従来のロジックと新しいロジックを比べるA/Bテストで効果を確かめました。

| 指標 | 確かめていること | 結果 |
| --- | --- | --- |
| 売上 | 事業全体への効果 | 18%向上 |
| レコメンド経由のCVR | 推薦した商品が購入につながったか | 24%改善 |
| 客単価 | 関連する商品の買い合わせ（クロスセル）が増えたか | 11%向上 |

※ 同一期間の A/B テストにおける、従来ロジック群との比較値です。

評価ダッシュボードで施策の効果を数字で判断できるようにしたことで、次に何を試すかを、お客様のチームで決められる状態になっています。施策を始める前に「何をもって成功とするか」を決めておく考え方は、「[生成AIの導入は何から始める？小さく試して全社に広げる5つのステップ](https://enhanced.co.jp/articles/generative-ai-adoption-first-steps/)」でも解説しています。

## 関わった事業

この事例は、レコメンドエンジンの再構築と配信の基盤づくりを[AIシステム開発](https://enhanced.co.jp/services/ai-development/ai-system/)で、顧客行動の分析と効果測定・改善の仕組みづくりを[AI × マーケティング](https://enhanced.co.jp/services/ai-acceleration/marketing/)でご支援しました。

## よくある質問

### 新商品や、初めて訪れたお客様にもレコメンドを出せますか？

この事例では、協調フィルタリングに商品属性ベースの推薦を組み合わせることで、購買の履歴が少ない新商品・新規顧客にも推薦を出せるようにしました。

### レコメンドの効果は、どのように確かめましたか？

配信ロジックを切り替えられる基盤を整え、同じ期間に従来のロジックと比べるA/Bテストで確かめました。あわせて評価ダッシュボードを整え、施策の効果を数字で判断できるようにしています。

### どのくらいの期間と体制で進めましたか？

支援期間は約6ヶ月で、コンサルタント1名・データサイエンティスト2名・エンジニア2名の体制で進めました。

### 導入後の改善は、社内で続けられますか？

この事例では、A/Bテストを前提とした改善サイクルを整え、改善の意思決定をお客様のチームに引き渡しました。次に何を試すかを、お客様のチームで決められる状態になっています。

## お客様の声

> 推薦の精度が上がっただけでなく、施策を数字で振り返る文化がチームに根づきました。次に何を試すかを自分たちで決められるようになっています。
>
> — EC事業部 マーケティング責任者

---

出典: 「レコメンドエンジン刷新で売上を18%向上」エンハンスド株式会社 https://enhanced.co.jp/case/case-03/
