商品親和性
商品親和性は、どの商品が一緒に購入される傾向があるか、順番に購入されるか、同じタイプの顧客によって購入されるかを測定し、カタログ内のアイテム間の隠れた関係を明らかにします。これは、推測ではなく実際の購買パターンに基づいて、クロスセル、バンドル、レコメンデーション戦略を強化するために使用されます。
商品親和性の定義
商品親和性とは、顧客が実際に商品を購入する方法に基づく商品間の測定可能な関係を指します。つまり、どのアイテムが同じ注文に含まれるか、顧客が最初の購入後に次にどのアイテムを購入するか、そしてどの商品が同じ顧客セグメントに好まれる傾向があるかです。「これらは一緒に合いそうだ」という直感に基づくマーチャンダイジングの決定とは異なり、商品親和性は実際の取引データから導き出されるため、マーチャンダイザーが予想しなかった組み合わせを頻繁に明らかにします。スマートフォンケースとスクリーンプロテクターは明らかな組み合わせかもしれませんが、親和性データはスマートフォンケース購入者の驚くべき割合が3週間後に特定のブランドのコーヒーも購入していることを明らかにする可能性があります。商品親和性は、現代のEコマースにおけるほとんどのクロスセルレコメンデーション、「よく一緒に購入されている」ウィジェット、バンドル設計、および購入後のメールフローの基盤となっています。
商品親和性の計算方法
商品親和性は通常、マーケットバスケット分析から借用した3つの関連統計を使用して測定されます。
- 支持度 — 2つの商品が一緒に出現する頻度を、全注文に対する割合で示します。
- 信頼度 — 顧客が商品Aを購入した場合に、商品Bも購入した確率を示します。
- リフト — 2つの商品が独立して購入された場合に期待されるよりも、その共同購入がどれだけ起こりやすいかを示します。リフトスコア1は関係がないことを意味し、1を有意に上回る値は真の親和性を示します。
計算例：あるストアが四半期に10,000件の注文を販売したとします。商品A（ヨガマット）はそのうち800件に含まれています。商品B（マットストラップ）は合計300件の注文に含まれ、そのうち150件にはヨガマットも含まれています。
- A+Bペアの支持度 = 150 / 10,000 = 1.5%
- 信頼度（A → B）= 150 / 800 = 18.75%
- 独立している場合の期待共同購入率 = (800/10,000) × (300/10,000) = 0.24%
- リフト = 18.75% ÷ (300/10,000 × 100) = 約6.25倍
リフト6.25は強いシグナルです。ヨガマットを購入した顧客は、平均的な顧客と比較してストラップも購入する可能性が6倍以上高いため、マットの商品ページや購入後のメールにおいて明らかなクロスセル候補となります。
商品親和性がEコマースブランドにとって重要な理由
商品親和性は、クロスセルを推測ゲームからデータに裏付けられた戦略へと変えます。マーチャントは「こちらもおすすめ」セクションに掲載する商品を手動で決定する代わりに、実際の購買パターンにそれらのレコメンデーションを任せることができます。これにより、直感ベースのマーチャンダイジングよりも一般的に高い付加率が生まれます。なぜなら、その組み合わせは想定されたロジックではなく、実際の顧客行動を反映しているからです。
親和性データはバンドル設計も改善します。親和性の高い2つの商品（上記のヨガマットとストラップなど）から構築されたバンドルは、単にカテゴリを共有しているが実際の注文ではめったに一緒に発生しない2つの商品から構築されたものとは、異なるコンバージョン率を示します。また、親和性を顧客価値データと組み合わせることができるため、マーチャントはすべての高リフトペアを平等に扱うのではなく、最も価値の高い顧客セグメントからの組み合わせを優先してプロモーションできます。
商品親和性と関連概念
| 概念 | 測定内容 | 主な用途 |
|---|---|---|
| 商品親和性 | 購買行動に基づく商品間の関係 | クロスセル、バンドル、レコメンデーション |
| マーケットバスケット分析 | 単一取引内での同時発生 | 親和性の統計的基盤 |
| 顧客セグメンテーション | 共有特性による顧客グループ | どの顧客にどのオファーを表示するかのターゲティング |
| 品揃え最適化 | 在庫すべき製品と廃止すべき製品 | カタログと在庫の決定 |
| パーソナライズドレコメンデーション | 個人レベルでの製品提案 | サイト上およびメールでのパーソナライゼーション |
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
商品親和性とAI主導のコマース
ChatGPT ShoppingやPerplexity ShoppingのようなAIショッピングアシスタントが、「Xに合うものは何ですか」といった質問に答えたり、顧客に代わって複数製品のショッピングリストを生成したりするようになるにつれて、クリーンで適切に構造化された親和性データの価値はさらに高まっています。これは基本的に、これらのアシスタントが製品説明やレビューから推測しようとしているものと同じシグナルですが、マーチャントはすでにファーストパーティの注文履歴からそれを保有しています。「よく一緒に購入されている」正確なデータやバンドルデータを製品フィードに取り込むことで、AIショッピングツールは競合他社の製品を代わりに提案するのではなく、自社のカタログから補完的なアイテムを推奨するためのより強力な基盤を得ることができます。
AmICitedのeshop_get_product_affinityツールは、まさにこのコンセプトに基づいて構築されています。任意の製品について、それを購入する顧客の生涯価値と、その顧客が一緒にまたはその後購入する傾向のある特定の製品を明らかにし、マーチャントに基礎となるバスケット分析を自ら構築することなく、「ここで何をクロスセルすべきか」に対する直接的なデータに裏付けられた回答を提供します。
商品親和性を活用するためのベストプラクティス
- 親和性の強さを判断するには、単なる同時発生回数ではなくリフトを使用しましょう。両方の製品がベストセラーであるという理由だけで頻繁に発生する組み合わせは、必ずしも真の親和性とは限りません。
- 新製品の投入、季節変動、廃止されたアイテムはすべて基礎となる購買パターンを変化させるため、親和性の計算は定期的に更新しましょう。
- 親和性を顧客価値データと組み合わせることで、クロスセルの取り組みがより価値の高いセグメントからの組み合わせを優先するようにしましょう。
- 現在の「よく一緒に購入されている」ロジックを完全に置き換える前に、親和性駆動のレコメンデーションをテストしましょう。新製品の場合、カテゴリベースのヒューリスティックが薄いデータサンプルよりも優れたパフォーマンスを発揮することがあります。
- 親和性インサイトを商品ページ以外にも適用しましょう。購入後のメールシーケンスやバンドル設計も、サイト上のレコメンデーションウィジェットと同様に恩恵を受けます。
商品親和性におけるよくある間違い
カテゴリの類似性を真の親和性と混同すること。 同じカテゴリの2つの製品が必ずしも一緒に販売されるとは限りません。実際、カテゴリ内の競合製品は多くの場合、負の親和性を示します。顧客は両方ではなく、どちらかを購入するからです。親和性はカタログ構造から想定するのではなく、実際の共同購入データに基づいて測定する必要があります。
少なすぎる注文履歴に依存すること。 発売されたばかりでわずか数件の注文しかない製品は、小サンプルのノイズだけで誤解を招くような強いまたは弱い親和性を示す可能性があります。十分なSKUレベルのデータが蓄積されるまでは、カテゴリレベルの親和性の方が信頼性の高い代替手段となります。
リフトを無視して生の同時発生数に注目すること。 2つのベストセラーは、意味のある関係があるからではなく、両方とも頻繁に購入されているという理由だけで、一緒に頻繁に出現します。リフトは、製品が独立して購入された場合の期待同時発生率と比較することで、これを補正します。
カタログ変更後に親和性モデルを更新しないこと。 廃止された製品、新しいバリアント、季節商品は親和性の状況を変化させ、古いモデルはもはや意味をなさない組み合わせを推奨し続けたり、新たに出現した組み合わせを見逃したりすることになります。
親和性をすべての顧客セグメントに一律に適用すること。 初回購入者の間で強い組み合わせが、リピート購入の高価値顧客には当てはまらない場合があります。これらの顧客はしばしば異なる購買パターンを持ちます。セグメントを考慮した親和性は、単一のブレンドモデルよりも関連性の高いレコメンデーションを生成します。