日経電子版の記事【会員倍増オイシックス　「買わない」分析し好み把握】は、食材を定期的に届けるサブスクリプション型のビジネスモデルに関するリポートです。このビジネスモデルのどこに、レコメンドの精度を向上させる仕掛けがあるのでしょうか？

　一体どうやったらレコメンドの精度を上げることが出来るのか？AIなどのシステムに任せっ放しでいいのか？レコメンドの精度が上がるような仕掛けを作れないだろうか？――この記事は、そんな期待に応える仕組みを教えてくれているように思います。

　さっそく、記事からその仕掛けを抽出して、私なりに整理してみると――

▶レコメンドの精度を上げる仕掛け

【１】データの定量分析
（１）『サブスクリプション』サービスである事
　　●（ユーザーのメリット）
　　　☑　小売店では扱っていないような価値のある商品が手に入る
　　　　（珍しい食材など）。
　　　☑　定期的に商品が届く。
　　●（サービス提供企業のメリット）
　　　☑　特定の分野の商品を特定のユーザーに『継続的』にレコメンド
　　　　できる。
　⇩
（２）『レコメンド』機能がある事
　　●（ユーザーのメリット）
　　　☑　必要な商品をゼロから選ぶ手間、ストレスがない。
　　　☑　注文にかかる時間が大幅に短縮される。
　　　☑　好きな商品（食材など）だけに偏らず、発見があるような
　　　　レコメンドで、飽きない。
　　●（サービス提供企業のメリット）
　　　☑　レコメンドの『精度』が上がれば上がるほど売上も上がる。
　⇩
（３）『カゴ落ち』（分析）ができる事
　　●（ユーザーのメリット）
　　　☑　レコメンドされたリストから不要なモノを外して、必要なモノ
　　　　と入れ替えるだけで注文が済む。
　　●（サービス提供企業のメリット）
　　　☑　買ったモノ＋買わなかったモノ、買うという決断と買わない
　　　　という決断の両方を『分析』できるので、分析の精度が著しく
　　　　高まる。
　＋
【２】データの定性分析
　　　　会員の生の声を聞けるイベントなどを定期的に開催し、意見を
　　　吸い上げる。
　⇩
　【１】（１）～（３）・【２】を反復することでレコメンドの精度が継続的に向上する。

　この記事は、某社（日経新聞です）の広告風に言うなら、久しぶりに「なるほどね」と合点のいく内容でした。改めて整理すると――

▶　『最強(⁉)のレコメンド精度の方程式』
　＝『サブスク』＋『レコメンド』＋『カゴ落ち』
　＋『イベント』

#COMEMO #NIKKEI