さまざまな業種・業界への豊富な実績（アパレル）
業界別マーケティングオートメーション（MA）活用のポイントとは
マーケティングオートメーション（MA）を活用する企業が増えてきておりますが、BtoB向け、BtoC向けだけでなく、業界別という観点で様々な活用目的があります。
今回はBtoC向けのマーケティングオートメーション（MA）の活用に関するポイント、参考事例をご紹介致します。
BtoC向けでマーケティングオートメーション（MA）を導入されている業界としては以下のような業界が代表されます。
マーケティングオートメーション（MA）施策のポイントとなる「誰に」「何を」「いつ」「どのように」の各要素における課題も業界ごとに異なってくるため、その業界の顧客に適した施策のシナリオがあります。
本コンテンツではアパレル（ファッション）業界にフォーカスして、課題やおすすめのシナリオをご紹介致します。
アパレル（ファッション）
よくある課題：アパレル（ファッション）業界で起こる「何を」に関する課題とは。
「メールでおすすめ商品を表示する単位は、SKU？アイテム？どちらで表示すべきか？」
アパレルでは、同じ商品でもサイズや色などで複数種類のアイテムが販売されています。例えば、あるTシャツをサイズはＳ／Ｍ／Ｌの３種類、色は白／赤／黒と３種類を販売しているサイトの場合、このTシャツをメールにどのように掲載することが効果的だと思いますか？
有効シナリオのご紹介
考え方はいくつかありますが、弊社では以下のようにシナリオに応じて、おすすめする商品単位を変える施策をご提案しております。
1. カートリマインドシナリオ：
カートリマインドシナリオとは、カート投入したが購入には至らず、そのまま放置されているユーザーへカートに入れた商品をメールで案内し、購入の後押しをする。一般的にもよく使われるシナリオです。
ユーザーがカートに商品を投入する場合、ユーザーは自らサイズや色を選択してカートへ投入しています。「Lサイズ赤のTシャツ」を投入したにも関わらず、メールには「Mサイズ白のTシャツ」が表示されていてもモチベーションはあまり上がらないかもしれません。このケースの場合には、やはりユーザー自ら選択したサイズや色に合わせてパーソナライズした商品、SKU単位の商品をおすすめすることが有効といえます。
2. WEB閲覧フォローシナリオ：
WEB閲覧フォローシナリオとは、サイトで商品を閲覧したが、カート投入や購入には至っていないユーザーへ閲覧した商品や関連するおすすめ商品をメールで案内し、購入の後押しをする。こちらも一般的によく使われるシナリオです。カートリマインドほどコンバージョン率は高くありませんが、件数が多いため、効果の金額としては大きくなる傾向があります。
この場合は、商品を閲覧しているものの、カート投入する気持ちにはなっておらず、まだまだ購入を迷っている段階が考えられます。
「赤いトートバッグ」と「黒いトートバッグ」の両方を閲覧しているユーザーがいたとします。こうした状態のユーザーの購入意欲を促進するには、まずはカートリマインドシナリオ同様に閲覧した「赤いトートバッグ」「黒いトートバッグ」をSKU単位で送る、それでも購入に至らなかった場合には更に５日後に、今度はSKU単位ではなく、アイテム単位のレコメンド商品に切り替え、一緒によく見られている商品や、一緒に購入されている商品などSKUではなくアイテムとしての商品バリエーションを見せることで、購入意欲促進を狙うことができます。
上記では「商品単位」の活用例についてご説明をしておりますが、「なにを」の課題は色、サイズなどの「単位」だけではなく、学習データとして何を指定するか、という点もあります。学習するデータによって作り出せるレコメンドルールが変わり、活用の幅が広がります。
例えば、「サイト閲覧ログ」を学習データとして利用した場合には、A商品とB商品どちらを購入しようか迷いながらサイト回遊をしているログデータとなるため、「よく比較検討されている商品」のレコメンドデータを作り出すことができます。
「サイト閲覧ログ」ではなく「購入履歴データ」を学習データとして利用した場合には、A商品を購入している人が他にどんな商品を購入しているかを学習していくため、「一緒によく購入されている商品」「この商品を購入した人が購入している関連商品」といったクロスセルのレコメンドデータを作り出すことができます。
その他、店舗で購入されたお客様に近くの別店舗をレコメンドしたり、ポイント交換できる商品をレコメンドすることもできますので単純に購入できる商品のみではありません。
有効なシナリオ、チャネルを見極めレコメンドする内容を変更することでお客様に最適な情報をお届けできます。
パーソナライズのポイント
上記の様に「カートリマインドシナリオ」「WEB閲覧フォローシナリオ」どちらも一般的によく行われているシナリオです。より効果を高めるためには、単に商品を紹介するのではなく、それぞれのシナリオの目的やお客様の状態に応じて、商品単位や学習データを変えたバリエーションのあるレコメンド商品をより適切にユーザーに見せていくことが重要といえます。
数十万、数百万のSKUを持つECサイトにとって、膨大な組み合わせが存在するため、システムによるパーソナライズのロジック学習が重要な要素となります。パーソナライズされたメールと、されていないメールではコンバージョン率が数倍から数十倍変わるとも言われ、売上インパクトを考えるとなおさらです。
Probanceでは、こうしたレコメンドする商品マスタの単位を複数登録することはもちろんのこと、商品だけでなく、ブランドマスタやクーポンマスタなど商品以外のマスタをレコメンドマスタとして活用すること、また学習データとしても、サイト閲覧ログや購買履歴データ、クーポン履歴データなどの様々なトランザクションデータを学習データとして活用することが可能です。
更にブレインパッドの手掛けるRtoasterやConomiといったレコメンドエンジンで作りだされるレコメンドデータを取り込むことももちろん可能です。このように、バリエーションのある効果的な「なにを」を作り出し、それらを目的に応じて使い分けることでシナリオ効果の最大化を支援します。
代表的な事例⇒ミレポルテ（https://www.brainpad.co.jp/probance/case/06/）