Sequential Multimodal Evidence Optimization for Product Media Ranking in E-Commerce

現代のオンラインストアのデジタル棚において、購入への道のりは、めったに一度の視線だけで終わることはありません。むしろ、それは顧客が一つずつスワイプしていく画像、動画、そしてインタラクティブな3Dモデルのカルーセルを通じた旅なのです。買い物客は商品を手に取ったり触れたりすることができないため、この一連の視覚的な手がかりを頼りに、自分が何を買おうとしているのかというイメージを構築します。彼らは、購入に自信を持てるようになるか、あるいは手間がかかりすぎると判断して離脱するまで、証拠を一つずつ積み上げていくのです。これらの商品を販売するプラットフォームにとっての課題は、これらの手がかりが表示される「順序」が極めて重要であるということです。もし最も説得力のある情報がリストの最後に埋もれていれば、顧客はそれを見る前に諦めてしまうかもしれません。これは単に注意を引くことではなく、決断へと導くストーリーへと人を導くことなのです。

プラサンジット・デイ、フランク・マッキンタリー、アーラブ・シンハ率いるAmazonの研究者たちは、このパズルを解くための新しい方法を開発しました。彼らはそのアプローチを「逐次的マルチモーダル証拠最適化（Sequential Multimodal Evidence Optimization）」、略してSMEOと呼んでいます。個々の画像や動画を、クリックを競い合う独立したアイテムとして扱うのではなく、彼らは単一製品のメディア・コレクション全体を、完全な物語を伝えるために協力し合う一つのチームとして捉えています。彼らの目標は、最小限の労力で顧客が「イエス」という決断に到達できる特定の順序を見つけ出すことでした。数百万件の実際のショッピングセッションを分析することで、既存のシステムは、ユーザーが画面にどれくらい滞在したかといった短期的な反応に焦点を当ててしまい、実際に販売に至ったかどうかという最終的な結果を軽視しているために失敗することが多いという事実を突き止めました。

研究者たちは、現在の手法が、派手な画像が多くのクリックを集めることが最も重要であると誤解してしまうミスを犯していることを発見しました。しかし、クリックは必ずしも購入を意味しません。顧客は好奇心から明るい写真をクリックしたとしても、技術的な詳細やデモンストレーション動画を見ることができなければ、購入せずに離脱してしまうことがあります。新しいシステムであるSMEOは、顧客が実際に何をしたかという履歴から学習します。それは、顧客が商品を購入したか、あるいは閲覧をやめたかまでの、メディアの視聴シーケンスを分析します。そして、その特定の文脈において、どの証拠が最も説得力を持っていたかを導き出します。例えば、コーヒーメーカーの場合、箱の静止画よりも、実際に機械が動いている動画の方がはるかに重要であり、顧客が離脱するのを防ぐためには、この動画をシーケンスの早い段階で見せるべきであることを学習するかもしれません。

これを実現するために、チームは2段階のプロセスを構築しました。まず、メディアのシーケンスが販売につながったかどうかに基づいて、その価値を理解するモデルを訓練しました。このモデルは、過去の配置によるバイアスを無視し、実際のコンテンツとその内容がいかに顧客の決定を助けたかに焦点を当てるように学習しました。次に、この理解を用いて、新しい製品に対してメディアをどのように配置するかをコンピュータプログラムに教えました。このプログラムはエディターのように機能し、画像や動画の最適な順序を選択します。それは、最も意思決定に重要な情報をできるだけ早く表示することを優先し、顧客がスワイプに疲れる前に、最も重要な証拠を目にすることができるようにします。

このシステムを大規模なスケールでテストした結果、顕著な成果が得られました。研究者たちが新しい手法をオンラインストアで使用されている標準的なルールと比較したところ、新システムは推定購入成功率を5.5パーセント向上させました。さらに重要なことに、顧客が意思決定に至るまでの時間を15パーセント短縮しました。これは、顧客が探しているものを見つけるために、より少ない数の画像をスワイプすれば済むようになったことを意味します。また、この研究は、システムが明示的に指示されなくてもパターンを認識することを明らかにしました。例えば、家具の場合は3Dモデルが他の製品よりもはるかに価値が高い一方で、衣類の場合は生地の動きを見せる動画が最も説得力があることを発見しました。これにより、システムは製品カテゴリーごとの特定のニーズに合わせて、証拠の提示方法を自動的に調整することが可能になりました。

この研究の最も強力な側面の一つは、「特定の画像や動画が販売に対してどれほどの貢献をしているか」という、測定が困難であった問題を解決していることです。以前は、購入が最初の写真によるものなのか、5番目の動画によるものなのかを判断することは困難でした。新しいシステムは、直接的なラベル（「この画像が販売を引き起こした」といったもの）がなくても、各メディアの貢献度を振り返って理解する方法を提供します。これは、あるメディアを取り除いたり移動させたりした場合に何が起こったかをシミュレーションすることで、顧客のジャーニーがどのように変化したかを確認することによって行われます。この洞察により、ストアオーナーはどの資産が真に価値があり、どれが冗長であるかを理解でき、より効果的に商品ページを改善できるようになります。

研究者たちは、エレクトロニクスから美容製品に至るまで、様々なカテゴリーにわたる数百万件の実際のショッピングセッションのデータを使用して、彼らのアイデアを厳格にテストしました。彼らは、人気に基づいた単純なルールや他の高度なランキングシステムを含む、いくつかの他のアプローチと比較しました。彼らの手法はこれら全ての代替案を一貫して上回り、メディアを競合するアイテムのリストとして扱うよりも、逐次的なストーリーとして扱う方が効果的であることを証明しました。このシステムはオフラインで動作するように設計されています。つまり、画像の順序は事前に準備されて保存されるため、顧客がサイトを訪れた際にウェブサイトの速度を低下させることはありません。これにより、毎日数百万の製品を整理する必要がある大規模な運用においても実用的です。

結局のところ、この研究は、単に顧客の目を引くことから、顧客の時間と意図を尊重することへと焦点をシフトさせています。視覚的な証拠を、自信を素早く構築するような順序で配置することで、システムはオンラインショッピングの摩擦を軽減します。それは、顧客の注意力が限られたリソースであることを認め、最小限の手順で必要な情報を見つけられるよう支援することを目的としています。今回の知見は、デジタルストアが顧客の意思決定プロセスを念頭に置いて構成されているとき、それがショッパーにとってより良い体験となり、売り手にとってより効率的な市場となることを示唆しています。この研究は、情報の順序が単なる見た目の細部ではなく、デジタル世界における人々の選択のあり方を決定づける根本的な要素であることを裏付けています。