商品数は増えたのに、訪問者がトップページや検索結果から先へ進んでくれません。閲覧はされても購入につながらず、CVR（購入転換率）が伸び悩むのは、よくある状況です。
打ち手としてレコメンド機能が候補に挙がっても、どのロジックをどこに置けば成果が出るのかは判断しづらいものです。この記事では、レコメンドのロジックの種類と設置場所の選び方を、CVR改善の設計手順として整理します。
「レコメンドを入れたのに数字が動かない」「どのロジックが自社に合うのかわからない」といったご相談があれば、ぜひお気軽にご相談ください。▶ サービス紹介資料をダウンロードする（無料）
レコメンドは「ロジック設計」でCVRが変わる
レコメンド機能は、入れること自体が目的になりやすい施策です。ツールを導入して「あなたへのおすすめ」の枠が表示されれば、なんとなく仕事をした気になります。
ところが枠を置いただけでクリックも購入も増えなければ、サイトに無駄な表示が一つ増えただけです。
「枠を置けば回遊が増える」という前提自体を、見直す必要があります。訪問者が枠に気づかなければ表示は素通りされ、興味のない商品が並べば逆に離脱の引き金になりかねません。
置く・置かないの判断ではなく、何をどう見せるかという中身の設計こそが分かれ目です。
成果を分けるのは、機能の有無ではなくロジックの設計です。同じレコメンド枠でも、どのデータをもとに何を出すかで、クリック率もCVRも大きく変わります。
レコメンド経由のクリック率が通常導線の2倍前後、購入率では数倍に伸びたという報告もあります。逆に設計を誤ると、既存の購入導線を邪魔して数字を下げてしまうケースもあるでしょう。
この接客という捉え方は、レコメンドを評価するときの軸にもなります。良い接客が「押し付けず、欲しいものに気づかせる」ものなら、良いレコメンドも同じです。
売上を急ぐあまり関係の薄い高単価品を並べると、短期の数字より長期の信頼を損ないます。
まず押さえたいのは、レコメンドが「サイト内の接客」だという視点です。実店舗で店員が「それなら、こちらもよく一緒に選ばれています」と一言添える場面を、システムで自動化したものがレコメンドにあたります。
店員が的外れな商品を勧め続ければ客は離れるように、ロジックがずれていれば画面上のレコメンドも信頼を失います。
同じ訪問者数でも、回遊する商品が1点増えれば購入点数も伸びます。集客を増やすには広告費や工数がかかりますが、レコメンドはすでに来ている訪問者の体験を厚くする施策です。
費用をかけずに伸ばせる余地が残っている店舗ほど、優先度の高い打ち手といえます。
自社ECの担当者にとって、レコメンドはCVRと客単価の両方に効く数少ない打ち手です。新規の集客を増やさなくても、すでに訪れている訪問者の回遊と購入点数を伸ばせるからです。
広告費を上げずに売上を積み増せる点で、年商5億円未満のフェーズほど投資対効果が大きくなります。
レコメンドのもう一つの価値は、訪問者が自分では探さなかった商品に出会える点にあります。検索やカテゴリ移動だけでは、訪問者は知っている商品にしかたどり着けません。
関連性の高い提案を差し込むことで、品揃えの幅を体験してもらい、結果として購入点数の増加につながります。
一方で、レコメンドはすべてのサイトで等しく効くわけではありません。商品数が極端に少ない店舗や、購買データがほとんど溜まっていない立ち上げ初期では、出すべき関連商品の母数が足りず精度が上がりにくいのが実態です。
自社が今どのフェーズにいるかを見極めたうえで、ロジックと設置場所を選ぶ姿勢が出発点です。
レコメンドロジックの種類と使い分け
レコメンドのロジックは、大きく4系統に分けて考えると整理しやすくなります。協調フィルタリング、コンテンツベース、ルールベース、パーソナライズドの4つです。
それぞれ得意な場面と弱点が異なり、自社の商材とデータ量に合うものを選ぶ必要があります。
ロジックの違いは、店員の接客スタイルの違いに置き換えると理解しやすいでしょう。みんなが買う定番をすすめる店員、似た商品を並べて比べさせる店員、店の一押しを熱心に語る店員、常連の好みを覚えている店員もいます。
どのスタイルが合うかは、店の商材と客層で変わります。
ロジックを知らないまま導入すると、ツール任せの初期設定で運用が止まりがちです。なぜその商品が出ているのかを説明できなければ、改善の打ち手も見つかりません。
仕組みを理解しておくことが、レコメンドを「育てられる施策」に変える前提です。
協調フィルタリング（一緒に買われている商品を出す）
協調フィルタリングは、ECで最もよく使われているロジックです。「この商品を買った人は、こんな商品も買っています」という表示が代表例で、多数の購買履歴から関連性の高い組み合わせを導きます。
商品Aの購入者がよくBも買っていれば、Aのページを見ている訪問者にBを提示する、という発想です。
協調フィルタリングには、商品同士の関係を見るアイテムベースと、似た行動の人を探すユーザーベースの2種類です。アイテムベースは「Aを見た人にBを出す」、ユーザーベースは「あなたと似た行動の人がCを買った」という形で、出すロジックの根拠が違います。
商品点数が多く、購買データが一定量たまっている店舗ほど精度が上がる傾向があります。
協調フィルタリングが力を発揮するのは、いわゆる定番の組み合わせを掘り起こす場面です。担当者が思いつかない意外な合わせ買いを、購買データが教えてくれることもあります。
人の感覚では気づけない関連を拾える点が、自動ロジックならではの強みです。
このロジックの弱点は、データが少ない時期に的外れな提案になりやすい点です。購入履歴が薄い新商品や、買う人が限られるニッチ商品は、関連付けの材料が足りず表示されにくくなります。
立ち上げ直後はこの弱点が出やすいため、補完するロジックとの併用が現実的です。
コンテンツベース（商品の属性が似たものを出す）
コンテンツベースは、商品そのものの属性をもとに似た商品を出すロジックです。カテゴリ、ブランド、色、価格帯、素材といった商品データの近さで関連商品を選びます。
購買履歴ではなく商品情報を使うため、データが溜まる前から動かせるのが強みです。
たとえば、白い無地のコットンシャツを見ている訪問者に、同じ価格帯で色違いや素材違いのシャツを並べる使い方が当てはまります。購入実績がまだ少ない新商品でも、属性が近ければ関連枠に載せられるからです。
立ち上げ期や、季節商品の入れ替えが多い店舗と相性が良いロジックです。
ただし、コンテンツベースだけに頼ると提案が単調になりやすい面があります。シャツを見ている人にシャツばかり出していては、合わせ買いの広がりが生まれません。
属性の近さに加えて、購買データを使う協調フィルタリングと組み合わせると、回遊と客単価の両方を伸ばしやすくなります。
ルールベース（運営者が条件を決めて出す）
ルールベースは、運営者が「Aを見たらBを出す」という条件を手動で設定するロジックです。アルゴリズムの学習に頼らず、店舗側の意図をそのまま反映できます。
在庫を動かしたい商品や、利益率の高い商品を意図的に押し出したい場面で効果を発揮します。
在庫を動かしたい商品がある場合も、ルールベースが頼りになります。売れ残りそうな商品を関連枠に意図的に差し込めば、自然な形で露出を増やせるのも強みです。
自動ロジックでは出てこない商品を、運営判断で前に出せる柔軟さが強みです。
具体的には、季節キャンペーンの目玉商品や、まとめ買いを促したいセット商品の訴求に向いています。母の日のギフト需要が高まる時期に、対象カテゴリのページへギフト向け商品を固定表示する、といった運用です。
データ量に左右されないため、立ち上げ初期でもすぐ使えます。
ルールベースのもう一つの利点は、ブランドの意図を表現できることです。売りたい順番や見せたい世界観を、運営者の判断でそのまま反映できます。
データに従うだけでは出てこない打ち出しを作れる点で、ブランド構築を重視する店舗に向いています。
注意したいのは、ルールを作りすぎると運用が破綻する点です。手動設定は柔軟な反面、商品数が増えるほどメンテナンスの手間が膨らみます。
主要な数パターンに絞って設定し、細かい関連付けは自動ロジックに任せる切り分けが現実的な手順です。
パーソナライズドとハイブリッド（一人ひとりに最適化する）
パーソナライズドが効くのは、再訪が多く履歴が積み上がっている店舗です。一度きりの訪問者には本人データが乏しく、精度を出しにくい面があります。
会員基盤やリピーターが育っている店舗ほど、個人最適化の効果を引き出せます。
パーソナライズドは、その訪問者個人の閲覧・購入履歴だけを使って提案を最適化するロジックです。他人の行動ではなく本人の嗜好を軸にするため、「あなたへのおすすめ」がより手元の関心に近づきます。
リピーターが多い店舗ほど、過去の行動を活かせる余地が大きくなります。
近年は、複数のロジックを組み合わせるハイブリッド型が主流になりつつあります。協調フィルタリングの弱点であるデータ不足を、コンテンツベースやルールベースで補う考え方です。
AIが購買データを学習して関連度をスコア化し、運用するほど精度が高まる仕組みも広がっています。
AIレコメンドの実践を扱った動画セミナーでは、商品を一方的に押し付けるのではなく、訪問者の状況に寄り添う「売らない接客」の発想が紹介されていました。在庫処分を最優先にした押し売り型の表示は、短期の数字は動いても信頼を損ねるという指摘です。
一人ひとりへの最適化を狙うほど、出す商品の精度と文脈が問われます。
関連記事：自社ECサイトのCRM戦略｜顧客セグメント・ステップメール・MA連携でLTVを最大化する方法
設置場所別に最適なレコメンドを設計する
同じロジックでも、サイトのどこに置くかで役割は変わります。トップ、商品詳細、カート、購入完了といった各ページは、訪問者の心理状態が異なるからです。
設置場所ごとに目的を決めてから、合うロジックを当てはめる順番で設計します。
設置場所を考えるときは、訪問者がその画面で何を考えているかを想像すると外しません。商品を探している段階なのか、買うかどうか迷っている段階なのかで、欲しい情報は変わります。
心理状態に合わない提案は、どれだけ精度が高くても響きません。
改善効果を早く出したいなら、購入に近い場所から手をつけるのが定石です。トップページよりもカートページのほうが購入決定に近く、同じ改善でもCVRへの影響が大きくなります。
限られた工数で成果を出すには、優先順位を意識した設計が欠かせません。
トップページ・一覧ページ（回遊のきっかけを作る）
トップページや一覧ページに来た訪問者は、まだ買う商品を決めていません。この段階のレコメンドは、売り込みよりも「自分に関係のある商品がある」と感じてもらう役割を担います。
ランキングや新着、閲覧履歴に基づく続きの提案が向いています。
季節やイベントに合わせて入口の提案を組み替えるのも効果的です。年末商戦やセール時期には、その時期に動いている商品をトップの枠に出すと回遊が伸びます。
固定のおすすめを置きっぱなしにせず、需要の波に合わせて中身を更新する運用が成果につながります。
初回訪問者には行動データがないため、人気ランキングや売れ筋を入口に使うと外しにくくなります。再訪のリピーターには、前回見た商品の続きや関連カテゴリを提示すると回遊が伸びるでしょう。
同じ枠でも、初回と再訪で出す中身を切り替える設計が効果的です。
商品詳細ページ（比較と合わせ買いを促す）
商品詳細ページは、レコメンドが最も働く場所のひとつです。訪問者は特定の商品に興味を持っており、比較対象や関連商品への関心が高まっています。
「似た商品」と「一緒に買われる商品」の2種類を出し分けると、検討と合わせ買いの両方を後押しできます。
2つの枠の見出しを変えるだけでも、訪問者の受け取り方は変わります。「この商品に似た商品」と「一緒に購入されている商品」では、期待する中身が異なるからです。
枠の意図が伝わる見出しを添えると、クリック率が上がりやすくなります。
似た商品は、コンテンツベースで色違い・価格帯違いを並べると比較検討が進みます。一緒に買われる商品は、協調フィルタリングで実際の購買データから関連付けると客単価が伸びるでしょう。
2つの枠を役割で分け、混在させないことが見やすさと成果につながります。
合わせ買いやアップセルの設計をさらに深めたい場合は、客単価アップの専門記事も参考になります。レコメンドの設置と、提案する商品の組み立て方をセットで考えると効果が高まるはずです。
関連記事：自社ECサイトの客単価を上げるクロスセル・アップセル戦略｜AOV最大化のための実践メソッドと設計ポイント
カート・購入完了ページ（最後のひと押しと次の来店）
カートページは、購入を決めかけた訪問者が最後に立ち止まる場所です。ここでのレコメンドは、買い忘れを防ぐ補完提案が効きます。
「この商品と一緒に必要になるもの」を小さく添える程度にとどめ、購入の邪魔をしない配置が前提です。
逆に、補完品をうまく添えると客単価をそっと押し上げられます。スマートフォンを買った訪問者に保護フィルムやケースを小さく提案する、といった形です。
本人も必要だと感じている品を控えめに出すと、押し売り感なく購入点数を増やせます。
カートで強い割り込み表示を出すと、かえって離脱を招くリスクがあります。決済直前の訪問者は集中しているため、大きな別商品の提案は迷いの種です。
点数を1〜2点に絞り、低単価の補完品を中心にするのが現実的です。
購入完了ページは、見落とされがちですが次回来店の起点です。買った商品と相性の良い消耗品や、次に必要になるタイミングの商品を提示すると、再訪の動機を作れます。
購入直後の満足度が高い瞬間に、補完提案型のロジックを当てるとリピートにつながりやすくなります。
CVRを上げるレコメンド設計の手順
レコメンドで成果を出すには、思いつきで枠を置くのではなく手順を踏む必要があります。目的の設定、ロジックの選定、設置場所の決定、計測、改善という流れです。
各ステップを飛ばさないことが、入れたきり放置を防ぎます。
手順を固定しておけば、担当者が変わっても運用を引き継げるはずです。属人的な勘で枠を動かすのではなく、目的と数字に基づいて判断する型を残すことが、長く成果を出し続ける条件につながります。
ここでは、自社ECの担当者が現場で進めやすい5ステップに分けて説明します。完璧な設計を一度で組もうとせず、小さく始めて回しながら精度を上げる前提で読み進めてください。
目的を一つに絞る
最初に決めるのは、レコメンドで何を改善したいかという目的です。CVRなのか、客単価なのか、リピート率なのかで、選ぶロジックも設置場所も変わります。
目的が曖昧なまま導入すると、効果測定の基準すら定まりません。
たとえばCVRを上げたいなら、商品詳細ページでの比較提案やカートでの補完提案が中心です。客単価を上げたいなら、商品詳細での合わせ買い提案に重心を置きます。
一つの枠で全部を狙わず、目的ごとに枠の役割を割り当てる発想が出発点です。
商材とデータ量に合うロジックを選ぶ
次に、自社の商材とデータ量に合うロジックを選びます。商品点数が多く購買データも溜まっているなら協調フィルタリングが軸です。
立ち上げ初期でデータが薄いなら、コンテンツベースやルールベースから始めるのが現実的です。
判断に迷ったら、いま自社にあるデータで動くかどうかを基準にしてください。購買履歴がほとんどない状態で協調フィルタリングを入れても、精度は上がりません。
手元の商品データだけで回るロジックを起点にし、データが溜まってから自動学習型へ移すと無駄がありません。
購入に近い場所から設置する
購入に近い場所から着手すると、改善の手応えを早くつかめます。手応えがあれば社内でも続けやすく、次の施策への投資判断も通りやすくなるでしょう。
最初の一手で小さな成功を作ることが、レコメンド運用を定着させる近道です。
ロジックが決まったら、設置場所を購入に近い順で選びます。カートや商品詳細ページのように、購入決定に近い場所ほど改善のインパクトが大きいからです。
最初から全ページに置こうとせず、効果の出やすい1〜2か所に絞ります。
1か所目で数字の動きを確認できれば、横展開の判断もしやすくなります。逆に全ページへ一斉に入れると、どの枠が効いているのか判断できません。
検証できる単位で設置することが、改善を続けるための土台です。
クリック率とCVRを枠ごとに計測する
設置したら、レコメンド枠ごとにクリック率と経由CVRを計測します。「枠が表示された回数」「クリックされた回数」「クリック後に購入された回数」を分けて見ることが基本です。
枠単位で数字を持たないと、どこを直すべきかが判断できません。
数字を見るときは、絶対値より変化の方向に注目すると判断しやすくなります。先月と比べて枠のCVRが上がったのか下がったのかを追えば、調整の効果が見えてくるでしょう。
一度の計測で結論を出さず、推移で良し悪しを判断する姿勢が改善を支えます。
計測ではGA4のイベント設定を使うと、レコメンド枠のクリックや購入を追えます。表示はされているのにクリックされない枠は、出す商品か見せ方に課題があるはずです。
クリックはあるのに購入につながらない枠は、提案商品の価格や関連性を見直す対象です。
関連記事：ECサイトのGA4データ分析で売上を改善する方法｜計測から改善施策まで
出す商品と見せ方を改善し続ける
レコメンドは、入れて終わりではなく回しながら育てる施策です。計測で見えた弱い枠から、出すロジックや商品の絞り込み条件を調整します。
月に一度は枠ごとの数字を振り返り、改善の優先順位を付け直す運用が理想です。
AIを使った自動学習型のレコメンドは、運用するほどデータが溜まり精度が高まります。導入直後の精度が低い時期を乗り越えれば、手動調整の負担を減らせるでしょう。
短期で見限らず、数か月単位で育てる前提を持つと成果が安定します。
レコメンド導入でよくある失敗と対策
レコメンドは手軽に始められる反面、つまずきやすいポイントもはっきりしています。代表的な失敗を先に知っておくと、回避できる落とし穴が減るからです。
ここでは現場で起きやすい4つの失敗と対策を整理します。
失敗の多くは、ロジックの問題ではなく設計と運用の問題です。ツールの性能を疑う前に、目的設定と計測の手順を見直すと原因が見つかりやすくなります。
順番に確認していきます。
目的が曖昧で効果を測れない
最も多い失敗は、目的を決めないまま導入してしまうケースです。「とりあえず入れた」状態では、何が成功で何が失敗かを判断できません。
CVRなのか客単価なのか、改善する指標を一つ決めることが対策の第一歩です。
目的が決まれば、見るべき数字と直すべき枠が自然に絞られます。たとえばCVR改善が目的なら、カートと商品詳細の枠のCVRだけで判断がつくでしょう。
指標を絞ることで、運用の迷いも減ります。
コールドスタートで精度が上がらない
導入直後に精度が低くなる現象は、コールドスタートと呼ばれます。協調フィルタリングやパーソナライズドは過去のデータを前提にするため、データが薄い時期は的確な提案ができません。
立ち上げ初期や新商品で特に起きやすい問題です。
コールドスタートは、裏を返せば時間が解決する問題でもあります。運用を続けて行動データが積み上がれば、自動ロジックの精度は自然に上がっていくでしょう。
導入初期の精度だけで「使えない」と判断せず、数か月単位で育てる前提を持つと、成果が安定します。
対策は、データが溜まるまで別のロジックで補うことです。購買履歴が足りない時期は、商品属性で動くコンテンツベースや、運営者が設定するルールベースを併用します。
データが蓄積したら自動学習型に重心を移すと、精度の谷を浅くできます。
表示が多すぎて購入を邪魔する
良かれと思ってレコメンド枠を増やしすぎると、かえって購入の妨げです。画面が関連商品で埋まると、訪問者は本来買おうとしていた商品から気がそれます。
特にカートや決済直前は、割り込み表示が離脱を招くリスクが高い場所です。
対策は、枠の数と表示点数を意図的に絞ることです。1ページに置く枠は役割の違う2種類までにとどめ、カートでは点数を1〜2点に抑えます。
引き算の設計が、結果としてCVRを守ります。
商品数が少ないのに自動ロジックに頼る
商品点数が少ない店舗が、いきなり自動レコメンドに頼るのも失敗のもとです。出せる関連商品の母数が足りず、同じ商品ばかりが並んでしまいます。
少カバー率問題と呼ばれ、ニッチ商材ほど起きやすい現象です。
少ない商品数を逆手に取り、丁寧な手動設計で差をつける考え方もあります。主力商品の周辺だけを作り込めば、限られた品揃えでも自然な提案が組めるはずです。
品数が増えてから自動化に切り替える前提で、今できる範囲を固める進め方が堅実です。
商品数がまだ少ない段階では、ルールベースで主要な組み合わせを手動設定するほうが確実です。売れ筋とセット商品を中心に、数パターンの関連付けから始めます。
品揃えが厚くなってきたタイミングで、自動ロジックへ移行する判断が現実的です。
小規模ECが今日から始めるレコメンド
レコメンドは高額なツールがなければ始められない、というわけではありません。多くのECカートには標準のレコメンド機能やアプリが用意されています。
まずは手元の機能で小さく始め、効果を見てから投資を判断する順番が無駄を生みません。
高機能なツールほど、使いこなすための運用体制も求められます。設定や分析に手が回らなければ、宝の持ち腐れになりかねません。
今の人員で回せる範囲から始め、運用が回り始めてから機能を引き上げる順番が、無理なく成果を積み上げる道筋です。
年商5億円未満のフェーズでは、いきなり高機能な専用エンジンを入れるより、標準機能で設計の型を作るほうが費用対効果が高くなります。ロジックと設置場所の考え方さえ身につけば、ツールが変わっても応用が利くからです。
背伸びした投資よりも、運用できる範囲から始める姿勢が大切な判断軸です。
標準機能・アプリから検証する
ShopifyやBASEといった主要なカートには、関連商品やおすすめ枠の標準機能が備わっています。追加アプリを使えば、協調フィルタリングやパーソナライズドに近い提案も導入できるでしょう。
まずは無料または低コストの選択肢で、効果が出る場所を見極めます。
無料の範囲で試すなら、まずは一つの枠に絞って効果を確かめるのが堅実です。あれもこれもと欲張らず、商品詳細ページの「関連商品」だけを丁寧に設計します。
一点突破で成功体験を作れば、次の投資判断にも自信を持てます。
標準機能で商品詳細ページに関連商品枠を出すだけでも、回遊とCVRの変化を測れるはずです。クリック率と経由CVRを記録し、効果が確認できた枠から強化します。
検証データが揃えば、専用エンジンへ投資する判断にも根拠を持てます。
段階的に範囲を広げる
最初から完璧な設計を目指さず、1か所の成功を横に広げる進め方が堅実です。商品詳細ページで効果が出たら、カートや購入完了ページへ展開します。
1段階ずつ検証しながら広げることで、失敗の影響を小さく抑えられます。
実際に、標準のレコメンドからAI搭載型へ切り替えてサイト全体の回遊率が1割以上伸びた例や、導入後にCVRが10%以上改善したアパレル店舗の例も報告されています。いずれも一気に作り込んだのではなく、計測と改善を重ねた結果です。
小さく始めて育てる発想が、最終的な成果を分けます。
「自社のカートでどこまでレコメンドができるのか」「標準機能で始めるべきか専用ツールが必要か」といったご相談があれば、ぜひお気軽にご相談ください。▶ サービス紹介資料をダウンロードする（無料）
商材タイプ別のレコメンド設計の考え方
レコメンドの正解は、扱う商材によって変わります。アパレルと食品では、訪問者が次に求める商品の性質がまったく違うからです。
自社の商材がどのタイプに近いかを押さえると、選ぶロジックと出す商品の方向性が定まります。
ここでは代表的な4タイプに分けて、設計の勘どころを整理します。複数のタイプにまたがる店舗も多いため、主力商材を基準に当てはめながら読み進めてください。
アパレル・雑貨（コーディネート提案が効く）
アパレルや雑貨は、組み合わせの提案が購入点数を押し上げる商材です。トップスを見ている訪問者に、合わせやすいボトムスや小物を提示すると、コーディネート単位での購入につながります。
協調フィルタリングで実際の合わせ買いデータを使うと、説得力のある提案につながります。
色やサイズのバリエーション提示も、検討を後押しする有効な手です。気になった商品の色違いが並んでいれば、訪問者は離脱せずに比較を続けます。
コンテンツベースで属性の近い商品を出し、協調フィルタリングで合わせ買いを足す二段構えが向いています。
食品・消耗品（補充とまとめ買いを促す）
購入からどれくらいで使い切るかが読める点も、食品・消耗品の強みです。前回の購入日から逆算したタイミングで再購入を促せば、提案の精度が一段上がります。
周期に合わせた補充提案は、訪問者にとっても「ちょうど欲しかった」という体験につながります。
食品や日用消耗品は、リピートと補充の周期が明確な商材です。一度購入した商品は、一定期間が過ぎれば再び必要になります。
購入完了ページや再訪時に、過去に買った商品の補充提案を出すと再購入につながりやすくなります。
まとめ買いの提案も、客単価を伸ばす定番の打ち手です。送料無料ラインの手前にいる訪問者へ、あと一品で条件を満たす低単価商品を添えると、合わせ買いが生まれます。
補完提案型のロジックと、送料条件を意識したルールベースを組み合わせると効果が高まります。
単価の高い耐久品（比較検討を支える）
家具や家電のような単価の高い耐久品は、購入までの検討期間が長い商材です。即決ではなく、複数の商品を見比べてから決める訪問者が多くを占めます。
この段階では、合わせ買いよりも比較を支えるレコメンドが効きます。
耐久品では、購入後のフォローよりも購入前の安心づくりが効果的です。比較しやすい情報がそろっていれば、訪問者は迷いを減らして決断できます。
レビュー件数の多い近い商品を並べるなど、判断を支える材料を添える工夫が後押しになるはずです。
同じ価格帯やスペックの近い商品を並べ、検討材料を増やす設計が向いています。買ってすぐ次を買う商材ではないため、客単価よりCVRと再訪促進を重視するほうが現実的です。
閲覧履歴に基づく「検討中の続き」を再訪時に出すと、長い検討を取りこぼしにくくなります。
ギフト需要のある商材（贈る相手起点で出す）
のし対応やラッピングといったギフト特有のニーズも、提案に絡められます。ギフト需要の高い時期に、対象商品とあわせて関連オプションを案内すると親切です。
贈り物の不安を減らす提案が、購入の後押しにつながります。
ギフト需要のある商材は、買う人と使う人が異なる点が特徴です。訪問者は自分の好みではなく、贈る相手を想像しながら商品を探しています。
本人の閲覧履歴に基づくパーソナライズドだけでは、相手向けの提案を外しやすくなります。
ギフトシーンでは、ルールベースで用途別のおすすめを固定表示するほうが当てやすくなります。母の日や誕生日といったシーンごとに、価格帯と相手像で絞った商品を並べると効果的です。
シーズンの需要に合わせて手動で組み替えられるルールベースが、ギフト商材と相性の良いロジックです。
レコメンドを他の施策とつなげて効果を伸ばす
レコメンドは、サイト上の枠だけで完結させるとCVR改善の幅が限定的です。メールやサイト内検索、カゴ落ち対策と連携させると、訪問者との接点全体で効果が広がります。
同じロジックを複数の接点で使い回す発想が、投資対効果を高めます。
連携を考えるうえで大切なのは、接点ごとに訪問者の状態が違うという視点です。サイトを離れた後の訪問者と、検索バーを使っている訪問者では、出すべき商品が変わります。
状態に合わせてロジックを当て直すと、つながりが自然になじみます。
レコメンドメールで再訪を促す
サイト上のレコメンドは、その場にいる訪問者にしか届きません。一度離脱した訪問者を呼び戻すには、メールでのレコメンドが補完になるはずです。
閲覧したが買わなかった商品や、相性の良い関連商品をメールで提示すると、再訪のきっかけを作れます。
メールとサイトで提案がちぐはぐにならないよう、ロジックをそろえる配慮も必要です。サイトで見た提案とメールの中身が連動していれば、訪問者の体験は一貫します。
接点ごとにバラバラの商品を出すより、つながりのある提案のほうが信頼を積み上げます。
レコメンドメールは、サイト上の表示より高い反応が出ることもあるでしょう。購入直後のお客様へ「次に必要になるもの」を補完提案型で送ると、メール経由の購入につながりやすくなります。
配信のタイミングと出す商品を、購入周期に合わせて設計することが成果を分けます。
関連記事：自社ECサイトのメールマーケティング完全ガイド｜メルマガ・ステップメール・CRM活用で売上を最大化する方法
サイト内検索の結果に関連商品を添える
サイト内検索を使う訪問者は、買う意欲が高い層です。検索結果に関連商品やおすすめを添えると、目的の商品が見つからなかった場合の離脱を防げます。
検索キーワードと属性が近い商品を出すコンテンツベースが、この場面では使いやすいロジックです。
0件表示のまま放置されたページは、訪問者を確実に逃します。せっかく検索するほど意欲の高い訪問者を、空白の画面で帰してしまうのはもったいない状況です。
近いカテゴリの人気商品を一つでも出しておけば、回遊の糸口を残せます。
検索結果が0件になったときの受け皿としても、レコメンドは役立ちます。該当商品がなくても、近いカテゴリの人気商品を提示すれば回遊が続くでしょう。
検索とレコメンドを組み合わせることで、せっかくの高意欲な訪問者を取りこぼしにくくなります。
カゴ落ち対策と組み合わせる
カゴ落ちの背景には、送料や支払い方法への迷いが隠れていることもあります。レコメンドだけで解決しきれない離脱もあるため、原因の切り分けが欠かせません。
フォローのなかで補完提案を添えるのは、あくまで後押しの一手という位置づけです。
カートに入れたまま購入されないカゴ落ちは、どの店舗でも一定の割合で起きます。離脱後のフォローメールに、カート内商品と相性の良い商品を添えると、再検討を促せるはずです。
単に「買い忘れていませんか」と送るより、補完提案を加えるほうが反応が高まります。
ただし、カゴ落ちフォローで別商品を強く押すと、本来買おうとしていた商品から気をそらすリスクがあります。主役はあくまでカートに入っている商品で、レコメンドは脇役に徹する配分が無難です。
提案は1〜2点に絞り、後押しの一言として添える設計が現実的な手順です。
関連記事：ECサイトのカゴ落ち対策完全ガイド｜原因分析から改善施策まで徹底解説
レコメンドの効果を正しく検証する
レコメンドを入れた後に「なんとなく売上が伸びた気がする」で終わらせると、再現性のある施策になりません。本当に効いているのかを切り分けるには、検証の設計が必要です。
感覚ではなく数字で判断する土台を作ることが、改善を続ける条件です。
検証の前に、何をもって成功とするかの基準を決めておく作業も必要です。「CVRが0.2ポイント上がれば継続」といった線を引いておけば、判断がぶれません。
基準のないまま数字を眺めても、続けるか見直すかの決断は下せないからです。
検証でつまずく原因の多くは、見る指標を絞れていないことにあります。売上全体の増減だけを見ても、レコメンドの貢献は判別できません。
枠単位の数字と、比較できる検証方法をセットで用意する姿勢が出発点です。
A/Bテストで貢献度を切り分ける
レコメンドの効果を厳密に測るなら、A/Bテストが有効です。レコメンドを表示するグループと、表示しないグループに分けて、CVRや客単価を比べます。
外部要因の影響を受けにくくなるため、枠そのものの貢献度を判断しやすくなります。
大がかりな仕組みが用意できない場合でも、導入前後の比較で代替できます。導入の前後で同じ期間・同じ条件の数字を並べ、季節要因を考慮して変化を読み取るとよいでしょう。
完璧な検証にこだわりすぎて何も測らないより、できる範囲で比較する姿勢が前進を生みます。
除外設定で不自然な提案を防ぐ
レコメンドの精度は、出す商品を足すだけでなく、出さない商品を決めることでも上がります。在庫切れ商品や、すでにカートに入っている商品を提案し続けると、訪問者は違和感を覚えるでしょう。
除外条件を設定して、不自然な表示を防ぐ運用が欠かせません。
具体的には、購入済み商品や販売終了商品を関連枠から外す設定が基本です。消耗品のように繰り返し買う商材は除外せず、耐久品は購入済みを外すといった商材ごとの調整も求められます。
除外設定の見直しは、地味ながらクリック率と信頼の両方に効きます。
指標の見かけに惑わされない
レコメンド経由の売上が大きく見えても、そのまま成果とは限りません。レコメンドがなくても買っていた商品まで、経由の数字に含まれている場合があるからです。
表示の有無で比較しないと、貢献を過大評価してしまいます。
クリック率が高い枠が、必ずしも売上に貢献しているとも限りません。クリックは集めても購入につながらない枠は、目を引くだけで終わっている可能性があります。
クリック率と経由CVRの両方を見て、購入まで届いているかで判断する視点を持ちます。
よくある質問
Q:レコメンドを導入すれば必ずCVRは上がりますか？
A:導入しただけで上がるわけではありません。目的に合ったロジックを、購入に近い場所へ設置し、枠ごとに計測して改善する手順が前提です。商品数が極端に少なかったり、データが薄い時期は精度が上がりにくいため、商材とフェーズに合う始め方を選ぶことが先決です。
Q:立ち上げたばかりでデータがありません。どのロジックから始めるべきですか？
A:購買データが薄い時期は、商品属性で動くコンテンツベースや、運営者が条件を決めるルールベースが向いています。色違いや価格帯違いの提示、売れ筋とセット商品の手動設定から始めると、データが少なくても外しにくくなります。購買履歴が溜まってきたら、協調フィルタリングや自動学習型へ移すと精度の谷を浅くできます。
Q:レコメンド枠はサイトのどこに置くのが効果的ですか？
A:購入決定に近い場所ほど効果が出やすく、商品詳細ページとカートページが優先候補です。商品詳細では「似た商品」と「一緒に買われる商品」を出し分け、カートでは買い忘れを防ぐ補完品を1〜2点に絞ります。最初から全ページに置くのではなく、効果の出やすい場所から検証する進め方が現実的です。
Q:専用のレコメンドエンジンを入れないと成果は出ませんか？
A:最初から専用エンジンが必要なわけではありません。主要なカートには標準のレコメンド機能やアプリがあり、まずはその範囲で設計の型を作れます。標準機能でクリック率と経由CVRを記録し、効果が確認できた段階で専用エンジンへの投資を判断すると、無駄な費用を避けられます。
Q:レコメンドの効果はどの数字で測ればよいですか？
A:枠ごとの表示回数・クリック率・経由CVRの3点を分けて見ると判断できます。表示されてもクリックされない枠は出す商品や見せ方に課題があり、クリックされても購入につながらない枠は提案商品の価格や関連性を見直します。GA4のイベント設定を使えば、レコメンド枠のクリックと購入を追えます。
まとめ
レコメンドの成果を決めるのは、機能の有無ではなくロジックの設計です。自社の商材とデータ量に合うロジックを選び、目的を一つに絞って購入に近い場所から設置し、枠ごとに計測して改善を続ければ、数字は動き出します。
「レコメンドを入れたが数字が変わらない」「自社のカートでどう設計すればいいか整理したい」といったご相談があれば、ぜひお気軽にお問い合わせください。TSUMUGUでは、自社ECのCVR改善に向けたレコメンド設計や計測の仕組みづくりを伴走で支援しています。→ まずは相談する（無料）
