昨晩遅く帰ってきて、オリンピックの映像が見たいと思ってTVをつけたが、なかなかハイライトシーンが放映されない。
チャンネルをガチャガチャと変えるが、インタビューの時間が長く、なかなかでない。
TVを録画しておいても、ハイライトシーンだけを検索するのは難しい。
そうなると、やっぱり、ネットで動画検索したくなる。

ということで、ネットでみた。

・YouTubeを見てみる
YouTubeで「北島康介」で検索すると、100m平泳ぎの決勝シーンが、簡単に見つけられる。やっぱり便利。
だが、準決勝や決勝のシーンを探そうとしてもなかなか探せない。

・「民放ＴＶ北京オリンピック公式動画サイト 『ｇｏｒｉｎ．ｊｐ』」を見てみる
　このサイトは、民放テレビ１３２社が共同でやって、オリンピック映像をネットで配信するという相当な権利関係をクリアして、TV局がネットで重要なコンテンツを無料で配信するという、トライアルとはいえ画期的なサイト。

　競技毎、試合毎に、公式ハイライト動画が閲覧できる。
　競技毎、試合毎に、整理されているのでかなり便利。やはり公式に動画を扱える権利を持っていることは強い。

　ただし、すべての動画を見る前に必ずCM が流れてしまう。これは悲しい。

　せっかくピンポイントで動画を見に来ているになあという感じ。


今回のオリンピックでTVが公式にネットで動画配信をしたというのは、相当な進歩だと思う。
ただし、やっぱりどう利権を守りながら収益を上げるか？が課題ですね。
ネットの動画の関係は、まだまだ進化しないとですね。


最後に、ちょっとしたコネタ。

今朝の日経産業新聞の2面に取り上げられましたが、
gorin.jp で利用さているレコメンドエンジンは、ホットリンク社製のレコメンデーションエンジンなんですよ～～。

先日、ある方のご紹介で、
議員会館の野田聖子議員（その時はまだ大臣ではありませんでした）のお部屋を訪問させていただきました。


話は、面談そのものの内容ではないのだが、
ちょっとびっくりしたのは、
国政に関わる幅広い仕事をされているにも関わらず、
国会議員の方のお部屋は、予想よりも全然小さい。

机も、議員会館に備え付けの机なんだと思いますが、私の机よりも小さく、とっても古い机。

昔、私の地元出身の国会議員さんのお部屋も訪問させていただいたこともあるんだけど、議員会館の議員さんのお部屋はみんな同じつくりみたい。

正直、ちょっとばかり気の毒になった。


IT の分野の場合、技術者の場合は特に、仕事場の環境は生産性に大きく関わる。
机の大きさ、開発用コンピュータの性能、雰囲気、etc.
だから、よい会社ほど、そういった仕事環境って大切にする。


実際には、国会議員の人たちの仕事の時間は議員会館にいる時間はものすごく少ないのかもしれないけど、それにしても国の政策を担う人たちの仕事環境って、もっともっと前衛的に改善したほうがよいのにと思った。


けど、そういった投資をしたとたん、国民やマスコミからむちゃくちゃたたかれるんでしょうね。
学校教育に対するモンスターペアレントみたいに、
今は国民やマスコミが、国政に対するモンスターシチズン、になっている気がする。


まあ、そんな中で、昨日野田聖子さんが、消費者行政推進担当大臣になられたという報道があって、ついこの前お会いしたばかりだったので、タイムリーな話題にちょっとびっくり。


お会いした印象は、同じ目線でお話してくださるとっても気さくな方、という印象。
消費者行政推進担当相というのはとてもぴったりな感じがします。
日本をよくするために、ぜひがんばっていただきたいと思います。

今朝の日経産業新聞2面に、
ホットリンクが発表した「2008年春ドラマ　口コミランキング」の記事が掲載された。
本日発表するホットリサーチの調査結果による。

日経産業新聞には、番組のランキングのみが公表されているが、
本来の調査の目的は、TVが持っている話題喚起力の指標作り。

今、口コミマーケティングがはやりだしていますが、
広告費があまり出せないから、口コミで広める低コストのマーケティングを手法をとりたい、という考え方。

しかし、特にネットでの口コミのプロモーションの効果って、どれくらいあるのか？という実は、非常に小さいと考えている。

そこで、TV に露出した場合の口コミ数を数値化することで、
TV が持つ口コミ喚起力を改めて考え直したい、という提案だったんです。

詳しくは、こちらの
【第30回ホットリサーチ】
「ネット上の口コミを徹底分析！ 1700万人が選んだ話題のドラマはこれだ！」をご覧ください。

全国47都道府県の地方新聞社が集まり、地域の良質で信頼できる品々を厳選してお届けするＥＣサイト「４７ＣＬＵＢ」にホットリンクのレコメンデーションエンジン「レコナイズ」を導入しました。


＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊
４７CLUB へレコメンデーションエンジンを導入した際のポイントは、以下の2つがあげられます。

１．各ページ毎に、ユーザの購入意識の状態に合わせて、きめ細かく対応したアルゴリズムを組み込んでいる

２．ログインしていないユーザにもパーソナライズされたマイページを提供している


＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊

レコメンデーションエンジンの激しい狂騒が続きますが、
いよいよ、

・ＥＣサイトの多様なニーズに答えられるか？という柔軟性と、
・大量のトラフィックに耐えられるスケーラビリティと、
・本当に結果を出せ仕組みなのか？という効果

という、３つが本当に揃った強い会社のみが残る状態になっていくでしょう。


＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊
以下、詳しく知りたい方向けに導入のポイントを細かく説明しておきます。

１．各ページ毎に、ユーザの購入意識の状態に合わせて、きめ細かく対応したアルゴリズムを組み込んでいる

・トップページ⇒リマインド：　前回訪問時に調べた商品をやっぱり買いたいという意識状態のユーザ向け
・大カテゴリートップ⇒大カテゴリーの中での閲覧ランキング：　トップページから入ってきて何を買うか決めていない or 大カテゴリーは決まっているが何を買うかの詳細が決まっていない意識状態のユーザ向け
・中カテゴリートップ⇒中カテゴリーの中での閲覧ランキング：　トップページから入ってきて何を買うか決めていない or 中カテゴリーは決まっているが何を買うかの詳細が決まっていない意識状態のユーザ向け
・都道府県トップ⇒各都道府県の中での閲覧ランキング：　トップページから入ってきて何を買うか決めていない or 買いたいものの産地は決まっているが何を買うかの詳細が決まっていない意識状態のユーザ向け
・商品ページ⇒閲覧ベースの協調フィルタリング：　買いたいものがある程度決まっていて比較検討している意識状態のユーザ向け
・カートページ⇒購入ベースの協調フィルタリング：　欲しいものが買えそうでほっとしている意識状態のユーザ向け
・購入完了ページ⇒総合人気ランキング（先週の売れ筋ランキング）：　欲しいものは買って、ほっとしている意識状態のユーザ向け


レコメンデーションエンジンは、アルゴリズムの高度さが大事なのではなくて、
ランキングのような単純なアルゴリズムであっても、ユーザの意識状態を理解し、それに合わせた推薦をしてあげることが大事なのです。



２．ログインしていないユーザにもパーソナライズされたマイページを提供</b>

ログインしていないユーザさんに対しても、
　「パーソナライズされた商品」「リマインド」「カテゴリー別ランキング（4カテゴリー分）」
をレコメンデーションエンジンで生成し、マイページ化して提供しています。

以前も書きましたが、レコメンデーションエンジンのようなSaaSサービスをWEBページの部品として使うと、データベースを持たなくとも、WEBページを高度なデータベース連携システムにすることができる例です。

サマンサタバサグループのスタイライフ株式会社が運営する、ファッションアウトレット通販サイト「CHU：SE」 http://www.stylife.co.jp/sf/chuse/ へ、
ホットリンクのレコメンドASPサービス「レコナイズ」を提供しました。

ファッションサイトでは、商品の入れ替わりサイクルが早く、
ユーザの行動履歴を利用した協調フィルタリングでは、レコメンドできない or レコメンドの精度が低くなる、という問題がありました。

ホットリンクのレコメンドエンジンは、
商品毎に付属されている商品属性のテキスト情報を利用して、
「良く似た属性の商品をおお薦めするアルゴリズム」と、「行動履歴を利用した協調フィルタリング」を掛け合わせ、
従来の協調フィルタリングの問題を解決したソリューションを提供しているので、
まさにぴったりな導入事例になりました。


この手法は、
１．YouTube のように「タグ」をつけられた動画コンテンツ
２．ニュース記事のような、「テキスト主体」で、かつ「更新が早い」コンテンツ（メディア）
に、非常に効果を発揮します。


また、ホットリンクは特に、ブログ分析ツール「電通バズリサーチ」や「クチコミ＠係長」のサービスも開発していたりと、
テキストマイニング技術に優れているので、
ニュース記事のようなメディアサイトでは、特に他社と違いが出ると思うんですよね。


まあ、レコメンドエンジン市場は非常に盛り上がっているけど、
最後は、本当に効果を出せているか、の勝負になります。

必ず、データをきちんと見て、アルゴリズムをチューニング・発展させられる研究部門を持っている少数の会社に修練していくでしょう。


導入を検討されている企業の方は、後々入れ替えの必要が発生しないよう、十分に比較検討されてください。

またまた、4月入社の新卒女子社員と、密室でビデオ撮影してしまいました。

ウワサの動画作品は、こちら。
↓
「10分でわかる！クチコミ分析ツール『クチコミ＠係長』パート１」

CNET で、モバイルサイトに対して、弊社レコメンドエンジンの導入効果を公表しました。

モバイルコンテンツサイトを運営するモバイルファクトリーさんと共同で調査した結果です。

モバイルファクトリーさんが運営するHTMLメール（デコメ）素材ダウンロードサイト「デコりん」において、
ホットリンクのリコメンドエンジン「レコナイズforモバイル」を導入し、サイト利用者の行動履歴に基づいてサイトの表示を変えたり、デコメ素材を推薦したりした結果を発表しました。

具体的には、以下のレコメンドを実施

１．サイトトップページにおいて、ユーザーの行動パターンに合わせてメニューの並び順を変更した。

２．ユーザーの閲覧履歴から好みを推測して気に入ると思われるデコメ素材を勧めた。

３．デコメ素材のダウンロード完了ページにおいて、同じデコメ素材を利用した人がほかに利用しているデコメ素材を推薦した。

詳細な情報は、以下をご覧ください。

・CNET の記事

・【第29回ホットリサーチ】「レコメンドエンジン導入による効果検証（モバイル版）」

ホットリンクのレコメンドASPサービス「レコナイズ」が、
ヤフーファイナンス様の、オンライン証券ガイドに、導入されました！！！

今回の導入では、
一般のECサイトのようにレコメンドエンジンの「パーソナライズ」機能を利用して出来ているとわけでなく、
サイトの大部分をレコメンドエンジンの「ランキング」機能をパーツとして組み合わせて出来上がっています。


これは、WEBサイトで、DBやその接続部分を自社で開発せず、全てSaaS 型の外部サービスに任せ、外部サービスの出力をパーツとして組み合わせることでWEBサイトを構築する良い例になっています。


近い将来には、
世のなかのWEBサイト全体が、こういった、SaaS型のエンジンから出力されたパーツで出来上がるようになるんでしょうね。

「クチコミ＠係長のブログ」をスタートしました。

口コミに関する様々な最新情報を発信していきますので、こちらもぜひ見てみてください。


PS. ホットリンクの研修開発室のブログもこっそり公開しています。
　「ホットリンクの研修開発室のブログ」
　Google Apps の導入・移行ネタからスタートしている模様。
　こちらもぜひお見知りおきを。

先日、2008年春ドラマの口コミランキングを作成したが、じっくり見てみるといろいろなことが分かってくる。

回を追う毎に口コミが増えていくドラマと、減っていくドラマ。
なぜか、ある回だけ、どーーんと口コミがあがっていくドラマ。
もっともっと深く見ていくと、かなりいろんなことが分かりそう。


さて、今回は、前回の口コミランキングを媒体別に分けて出してみた。
「2008年春ドラマ　媒体別口コミランキング」
１．ブログ上で発生した書き込みによるランキング
２．2ch 内で発生した書き込み数によるランキング

やってみると、ブログでも2chでもほぼ同じ傾向で盛り上がりの波が来ていることが分かる。
ただし、2chでより盛り上がるドラマと、ブログでより盛り上がるドラマがあるようで、
ドラマ毎に特性が現れるようだ。

近々、ホットリンクの新エージェントサービスとしてリリース予定の「クチコミ＠係長」を使って、「2008年春ドラマの口コミランキング」を作成し、公開してみた。

結果は、こちら。


当然、視聴率とは異なる変化をしているはず。

僕なりの「視聴率」と「口コミ数」に関する仮説としては、

「口コミ数」　＝　「視聴率」　×　「TV 閲覧ユーザ数」　×　「共感度」

『共感度』というと、ちょっとニュアンスが違う気がするが、
テレビを見て、感動したとか、むかついたとか、何か一言いいたいとか、そんな『心の動きの度合い』を、上の式では『共感度』という係数として表現してみた。


今度、視聴率データをきちんともらって、
相関を取ってみたいと思います。


PS. 今回の口コミランキングページは、Google Docs を利用して作成した。
　WORD みたいに書いていけるので、HTML の知識は全くいらないし、
　「WEBに公開」とやったとたんに、google のWEBサーバ上でアップロードされた。
　今後、WEBサーバのホスティングサービスって、
　Google さえあれば、いらなくるんじゃないの？

ホットリンクの口コミ分析チームのM氏が、脅威の発見をした！！！

アメリカ合衆国の大統領選で、オバマとクリントンがデッドヒートは記憶に新しい。

ホットリンクの口コミ分析チームのM氏が、数ヶ月前にオバマに関する大統領選に関する英語のブログをしらみつぶしに読んでみたという。
その数、なんと数千件。


当然、オバマを応援するブログもあれば、非難するブログがある。
そこで、応援する人と、非難する人の属性で、違いがあるのか？を検討した。


そして、驚愕の事実が発見されたのです。


なんと、オバマを応援する人と非難する人で特徴的に異なる点として、
応援する人は、過去に、あの有名ドラマ「24」（トゥエンティフォー）の熱烈なファンだったという属性が見出された。

「24」には、非常に勇敢で正義感にあふれるパーマーという黒人大統領が登場する。
「24」は、シリーズ毎に12話あり、1話を見ると眠たいのにやめられなくなってしまう。
更に、そのシリーズが、シリーズ２、シリーズ３、とドンドン続く。
結局、黒人大統領パーマーのかっこよさを、非常に短期間のうちに、徹夜に近い状態で朦朧となった頭で、長時間見てしまう、という体験をする。これこそまさに洗脳状態ではないか？

米国民は、24のドラマを見ている内に、
「黒人大統領はかっこいい」と潜在意識に埋め込まれ、黒人大統領に対して違和感がなくなっていたのだ。

あのドラマがあったからこそ、米国の国民は、オバマを受け入れやすくなったのだ。


もしかしたら、あのドラマは、オバマを大統領にするために戦略的に作られたドラマだったのかも、と思いたくなる。

（またまた、品性が冒されてしまったようなタイトルですみません。m(_ _)m　
　去年の週刊現代の連載の悪影響ですかね（笑））

今年4月入社の新卒女子社員Iちゃんと2人で、
ホットリンクのレコメンドASPサービス「レコナイズ」の商品説明を、Youtube にアップロードしてみた。

主演：内山（実質声優）
助演女優：I さん（実質声優）



10分でわかる！内山幸樹のレ コナイズ勉強会パート１--- 仕組み編
http://youtube.com/watch?v=C_GT9bRXCfE

10分でわかる！内山幸樹のレコナイズ勉強会パート２---管理画面編
http://youtube.com/watch?v=Pk_Pba77jCc&feature=related


今更だけど、動画の表現力ってすごいなぁ。

PS.　I ちゃん、お疲れ様でした！

（ちょっとタイトルが大げさすぎです。ごめんなさい）

先日、CTCが、インドの大手開発会社と業務提携したという話しが発表になっていた。

ここ数年、いろいろな大手SIベンダーが、インドをはじめ中国・ベトナムの開発会社と提携するようになった。

そして、良く言われるのが、日本語の教育を施し、日本語が出来る人材を日本にブリッジSE として常駐させる、という話し。


一見よさそうな話しに見えるが、
実は、世界のIT技術者と直接コミュニケーションが取れない日本の技術者が、
自分たちの心地よい鎖国された世界の中で、世界の優秀な技術者に日本語で話してもらうという状況だ。

ソフトウェアのオープンソース化の流れの中で、良いソフトウェアは世界規模で優秀な技術者が集い、コミュニティを形成し、ソフトウェアを改善していく。

そんな中、自分たちが世界の優秀な技術者コミュニティに参加することをせずに、世界の技術者に対して日本の言語に合わせて仕事をさせるというやり方で、どれだけ優秀な技術者がそんな要望に対応してくれるのだおう。
そんなので、いつまで戦っていけるのだろう。


少なくとも、日本における英語教育レベルは低くない。
7年前のホットリンクは、7カ国の人種がおり、経営会議も英語だった。
転職してきたメンバーは、みんなおっかなびっくりで、英語なんて話せませんと言っていたものだが、
数ヶ月もすると、誰もが平気で英語でコミュニケーションをしていた。
（ただし、納期前にトラブルが発生したりすると、さすがにスムーズに意思が伝わらないイライラが爆発したりするのだが・・・・。）

少なからず、小規模なベンチャーであれば、
自分たちが英語を学習し、世界の技術者のコミュニティに入っていき、
世界のスピードで進歩を遂げるべきではないだろうか？
X人の技術者に日本語を勉強させてチームに加えても、追加メンバーが必要になると、またプラスY人に日本語を勉強させる必要がある。
ところが、自分たち数人が英語を勉強すれば、追加メンバーが必要になると、どこにでもメンバーがいることになる。



もちろん、インターフェースやお客さんが日本語にならざるを得ない、という状況はあるだろう。

その場合には、せめて、
エンジン部分とインターフェース部分を切り離し、
エンジン部分の開発チームは、公用語を英語にし、広く門徒を広げ、世界から優秀な人材をメンバーに迎え入れ、
インターフェース開発チームは、公用語を日本語とし、日本人のメンバーで構成する、
という編成がよいと思う。


ホットリンクでも、
昔と違いブログ・SNSが収益の基盤となっていたここ数年は、日本人のメンバーがほとんどになってしまったが、
昨年後半から、対象分野をエージェント技術に特化し、かつSaaS 型での事業構造に切り替えたので、
外国人メンバーが再び加わりやすくなった。


いつ開発拠点を海外に移せるかなぁ・・・・・。
楽しみ、楽しみ。

昨日、映画「大いなる野望」を見た。

トムクルーズ主演だし、ハリウッドの娯楽映画だろうと思って観に行ったら、全く娯楽映画ではない。
娯楽映画だと思ってみた人にとっては、尻切れトンボで、？？？？という感じ。

しかし、気持ちを切り替えて考えると、それなりに考えさせられる映画ではある。

大統領とマスコミと市民（教授・学生）というそれぞれの立場で、
現状の世界情勢を憂い、
過去の反省をし、
より良い未来を考えそれぞれが正しいと思う決断をし、行動を起こす。
しかし、過去から学んで正しい決断をしたはずなのに、
結果は、あたらな過ちの繰り返しになり、
世界は変わらない（　←　ここまで言っているかどうかは、解釈による）。

映画の主題が、
「みんなが行動を起こさないと世界は変わらない」と言っているのか？
「行動を起こしても変えられない大きな渦の中に現実世界がはまっている」と言いたいのか？
ちょっと分からないが、それなりに考えさせられるのは確かだ。


今の日本に例えて考えると、
ちゃんと考える基礎情報とグローバル視点と参加意識がない国民。
国民に正しく情報を伝えられないメディア。
大局を見ながら正義に突き進めない政治家・国家。
自分で政党や総理大臣を選んでおきながらトップを支えず、こき下ろす国民文化。
正義を貫くと力をなくす政治構造。

どんなに個々の人が何とかしなければと思っても、そう簡単に変えられる状況ではない。

さっさと日本を出たくなる。


ホットリンクの仕事の面からいっても、
WEB2.0は、規模によって価値が指数関数的にあがる仕組みだ。
日本語という言語に縛られていては、このWEB2.0世界で勝つことは出来ない。

だから、私は早く海外に出たいと思っている。


しかし、世界に出たら、良い世界が待っているのか？
日本を出たら、良い政治が行われている国があるのか？


サブプライム問題に端を発して、
ある国の失策は世界中に広がる。

自分の国だけうまく回そうとしても、どうにもならない。

結局は、一人が動いたとしても簡単には変えられない大勢とわかってはいても、
動かないと何も始まらない。


そういう時の心の動きって、
企業の創業者精神と似ているものが一部ある。

国民・政治家・メディア、いろんな人たちが変わらなければならない中で、
時代を変えるような新しい価値を生み出すパワーを持っているベンチャー起業家たちも、
自分の会社のことだけ考えているわけにはいかなくなっているんでしょうね。


そんな状況の中で、
みんなのちょっとした変えようという力をうまく集約できる可能性があるのがITだと思うんだよね。


何回か、ITを政治に応用するとどうなるか考えてみようかな？
けど、国が発表する電子立国とかeJapan 構想みたいになっちゃうと、全然だめだめなので、その辺はご安心を。

最近は、本当にいろいろな会社からレコメンデーションエンジンのASPサービス（リコメンデーションエンジンASPサービス）が出てきています。

なぜこんなに雨の後の竹の子のように同じようなサービスが出てくるのでしょうか？


私は、オープンソース技術やWEB2.0サービス・技術が普及したことが非常に大きな要因になっていると考えています。

協調フィルタリングアルゴリズムの基礎自体は、既に30年程度前に最初の論文が発表され、アルゴリズムも公開されています。
その後、様々な改良版のアルゴリズムが公開されているし、大学の研究室からオープンソースのものが提供されていたりもします。

ですので、２０００年当時でも自分で提供しようとすれば、ちょっとしたプログラマであれば、すぐに作れてしまいました。

しかし、アルゴリズム自体は作れたとしても、それを「レコメンドASPサービス」（リコメンドASPサービス）として提供するとなると、話は全く異なる技術分野に飛び火します。

どういうことかというと、
ASPサービスの場合、
・顧客のWEBサイトへの訪問顧客の履歴データがリアルタイムでこちらのサーバにやってきます。
・個々のWEBサイト自体が、増大するトラフィックを処理するために非常に苦労しています。
・更に、そのような顧客を複数抱え、
・それぞれの顧客のWEBサイトをユーザが閲覧する度に、閲覧履歴データがリアルタイムでこちらのASPサーバに送信されるのです。
・それを蓄積し、
・更にリアルタイムでレコメンド結果（リコメンド結果）を返信する

という必要があります。
また、
・その履歴データは、日々増大していきます。

即ち、レコメンデーションエンジン（リコメンデーションエンジン）をASPで提供するためには、
１．大量のトラフィックをさばく仕組み
２．大量のデータを効率的に分散し、蓄積する仕組み
３．分散された大量の履歴データから現実的なレスポンス時間でレコメンド結果（リコメンド結果）を計算する仕組み

が必要になります。

言い換えると、
アルゴリズムを考える行動心理学および数学的な研究開発力とは別の、
大規模なWEBシステムを構築する工学的な力が別途必要になるのです。


2000年の当時に、このような大規模なデータベースシステムや分散システムの開発を経験できる会社は、大手ポータルの仕事を請けているような会社しかなく、非常に稀でした。
更に、それを構築するために、オラクルなどの高価なデータベースを利用すると、コスト的に事業が成り立ちませんでした。

２０００年当時のWEBシステム開発の市場には、大量のトラフィックを扱い、低価格で分散データベースを構築する技術が成熟していなかったのです。


そんな中、2003年からブログブームがおき、その後WEB2.0サービスがどんどん普及しました。
その時に、開発会社は上記で語ったことと全く同じ問題に直面したのです。

・日々ユーザは増え続け、
・時が経つにつれて、ユーザが書き込んでデータが多くなっていき、データベースが肥大化していく。
・データベースが大きくなると、システムのレスポンスが低下し、更には、一つのデータベースで扱えるデータサイズを超えていく。
・サービスの競争激化でどんどん機能が増えいく。

そんなWEB2.0サービスの狂騒の中を戦ってきた開発会社は、
知らず知らずの内に、
レコメンデーションエンジンをASPで提供できるだけの、大量のトラフィックを扱うWEBシステムを開発する技術・ノウハウを蓄積していたのです。


そして、時代は、
WEB 2.0系サービスの第一段階である、「ユーザに（明示的に）参加してもらう」という段階を終えます。
この時、WEB2.0系システム会社は次の事業の稼ぎネタを探さなければならなくなります。

そんな中、これまでのシリーズで述べて来た、
①EC市場の成熟によるニーズの顕在化
②市場やサービス提供者のプライバシーに関する警戒感の低下
を迎えるのです。


と考えると、
ブログ・SNSブームに乗っかり、ブログ・SNS構築の受託開発を請け負っていた会社が、こぞってレコメンドASP市場（リコメンドASP市場）に売って出てきている理由が分かるのではないでしょうか？


2000年のレコメンド（リコメンド）と2008年のレコメンド、何が違う？かというと、
「WEB2.0 ブームを経験したことで、大量のトラフィックを扱うWEBシステムを構築するためのシステム構築ノウハウを利用できたこと」
でしょう。


読者の中で、
レコメンデーションのASPサービス（リコメンデーションASPサービス）の導入を考えられている方は、
サービス提供会社が、大規模なブログコミュニティやSNSを構築した経験のある会社かどうかも、一つの判断材料にされるとよいと思います。


**************************************************************
このシリーズは、これにて一旦終わりにしたいと思います。

今後は、レコメンデーションエンジン（リコメンデーションエンジン）を実際に導入した効果などをお知らせできればよいなと思っています。


またのお楽しみに。

3月31日付けで、株式会社ガーラおよびガーラバズ社から、
口コミの収集・分析の事業「電通バズリサーチ事業」を買い取りました。

約2年間前にガーラおよびガーラバズ社と資本提携を行ってから、
電通バズリサーチのシステムおよび技術開発を委託されていました。

口コミ分析の分野、まだまだ発展途上の分野であり、
より一層の研究開発投資と、サービスへの反映スピードを上げていく必要があります。

本事業を買い取ることで、
ホットリンクとして、創業以来培ってきた、
テキストマイニングの技術、嗜好性把握技術、WEBマイニングの技術、クロール技術、分散システムの技術と人的リソースを思う存分投下し、
口コミ分析の分野での世界有数のサービスに仕立て上げたいと考えています。

詳細は、こちらのプレスリリースをご覧ください。


ちなみに、電通バズリサーチのDB にある現状の口コミ総数は、
掲示板を含めると、19億5228万2848記事
ブログのみだと、3億8168万5800記事
おそらくですが、日本最大ではないのかな？

2000年のレコメンド（リコメンド）と2008年のレコメンド、何が違う？④

さて、いよいよシリーズ第四弾です。

今回は、ちょっとばかりアルゴリズムの話をしようと思います。

レコメンドエンジンのアルゴリズムで有名なものといえば、
・ルールベースのエンジン
・協調フィルタリングのエンジン
です。

また、他には、
・コンテンツベース（属性ベース）のエンジン：商品属性の似たものを推薦
・コンテキストベースのエンジン：主に文章の中身が似ているものを推薦
・ベイジアンネットのエンジン：ユーザの行動をプログラムで予測して推薦
などがある。

さて、ここでは、アルゴリズムの詳細には深入りせずに、どのアルゴリズムが良いのかをユーザ視点で考えてみよう。

2000年当時にレコメンデーションエンジンを導入しようとする顧客は、まだ導入実績が少なかったこともあって、いろいろなアルゴリズムを勉強し、耳年増になり、その効果よりもそのアルゴリズムに興味を持った。

しかし、アルゴリズムの優劣ってどうやって決めるのだろうか？

私は、レコメンドエンジンを考える際には、常に「現実の店員さん」に当てはめて考える。
つまり、どんなお客さんに、どんなお勧めをする店員さんが優秀なのか？を考えてみるのだ。
では、実際の現実のお客さんへの対応を想像してみよう。


１．ある店員さんは、「このお店の売れ筋商品はこれですよ」といきなりお勧めをする。

２．ある店員さんは、「何をお探しですか？」とまず問いかける。
そして、
２－１．　「○○メーカの○○型番の黒のものが欲しいんです」といわれると、「そうですか」とその商品を持ってくる。
２－２．「デジカメを買いたいんです」といわれると、
２－２－１．ある店員さんは、「最新のデジカメの売れ筋ランキングはこれですよ」とお勧めする。
２－２－２．ある店員さんは、「画素数とシャッタースピードなど、どこにこだわられますか？」と問う。
２－２－３．ある店員さんは、「どんな目的に使われますか？」と問う。
２－２－４．ある店員さんは、彼がプロのカメラマンであるということを知っていて、プロ仕様のデジカメのリストをお見せする。

２－３．お客さんが、どれかのデジカメを手に取っていると、
２－３－１．ある店員さんは、「そのデジカメを検討したお客さんは、このデジカメも検討しましたよ」とお勧めする。
２－３－２．ある店員さんは、「そのデジカメを検討したお客さんは、最終的にこのデジカメを購入しまたした」とお勧めする。
２－３－３．ある店員さんは、「そのデジカメと似た性能のデジカメはこれですよ」とお勧めする。

２－４．更に、お客さんがあるデジカメを購入することが決まったら、
２－４－１．ある店員さんは、「そのデジカメを買ったお客さんは、この大容量のメモリカードも買ってますよ」とお勧めする。
２－４－２．ある店員さんは、「外は雨が降ってきたので傘もどうですか？」とお勧めする。


さて、あなたなら、どの店員さんに接客されたいですか？


と言われても、一言で答えを言えないですよ。
それはなぜか？

自分がその時に、
・欲しい商品が決まっているのであれば、それを聞いて、さっと出してくれる店員がよいし、
・デジカメを買いたいけど、全く機械のことを知らなければ、最近の売れ筋ランキングを教えてもらって参考にしたいし、
・または、目的を聞いてくれて、目的にあったものをお勧めしてくれると楽チンですね。
・または、自分がある程度デジカメに詳しければ、画素数やシャッタースピードなどの詳しい商品性能を教えて欲しい。
・更に、デジカメを買った時に、メモリも一緒に買うことを薦めてくれるのもよいですね。


そうなんです。
自分が、買いたいものがどれくらい決まっているか？知っているか？という「自分の状態によって」、最適な接し方を変えて欲しいんです。
いつも同じお仕着せの接し方をされてはイヤなんです。
いろいろなタイプのお客さんに合わせて対応の仕方を変えて欲しいのです。


さて、ここで話をアルゴリズムに戻しましょう。
今の例で分かりましたでしょうか？
そうです、ある完璧な一つのアルゴリズムで、全てのお客さんを満足させることなどできないのです。


ですので、
あるお客さんには、店舗の売れ筋ランキング（統計によるレコメンデーション）
あるお客さんには、デジカメの売れ筋ランキング（統計によるレコメンデーション）
あるお客さんには、性能を元にした絞込み検索（条件検索によるレコメンデーション）
あるお客さんには、このデジカメを検討した人が他に検討したデジカメ（閲覧履歴ベースの協調フィルライング＆コンテンツフィルタリングの組み合わせ）
あるお客さんには、このデジカメを検討した人は、結局購入したデジカメ（閲覧履歴ベースと購入履歴ベースの協調フィルライング＆コンテンツフィルタリングの組み合わせ）
あるお客さんには、このデジカメを購入した人が他に購入したメモリカード（購入履歴ベースの協調フィルライング）
あるお客さんには、プロ仕様のデジカメのリスト（ユーザ属性と、コンテンツフィルタリングの組み合わせ）
あるお客さんには、急に雨が降ってきているので傘（自然環境とルールベースの組み合わせ）

と、「いろいろなお勧めが出来る」店員さんがよいんです。



話は変わって、2000年の当時の営業した時の例をお話すると、
タワーレコードさんにレコメンデーションエンジンを営業に行くと、「うちは、ヒットチャートTOP10を並べておけば売れるんだよ」とおっしゃり、
HMVさんに行くと、「顧客嗜好に合わせて、商品推薦をしたい」とおっしゃられた。

お店によって、お客さんの嗜好が違うので、お店によっても必要なレコメンデーションエンジンのアルゴリズムが違う、という例ですね。

導入するお店によっても、利用するアルゴリズムが変わってくるんですね。

結局、気の利く店員さんというのは、いろいろな対応の仕方を知っていて、お客さんに合わせて対応を使い分けてくれるんです。
そして、たくさんのアルゴリズムをもっていて、お客さんやそのお客さんの購入プロセスの段階に応じて使い分けられる必要があるんですね。




このようなことから、一つのすごいアルゴリズムで売上が大幅にアップする、という幻想を抱いてはいけない！ということが終わりでしょうか？


さて、話を今回のテーマに戻しましょう。

2000年の当時から、ホットリンクでは、上記のことは分かっていました。
なので、
松下電器さん経由で総務省のプロジェクトで納入したレコメンデーションエンジンは、
・ランキング
・属性ベース＋ランキング
・コンテキストベース
・ユーザ嗜好ベース
などの複数の要素やアルゴリズムを組み合わせ、
ユーザ毎に推薦するアルゴリズムを変化させました。

しかし、市場的には、早すぎたし、受託開発として納品するまでのものにはなりましたが、多数のお客様に納入するようなパッケージ製品になるまでの開発を行うには至りませんでした。

我々だけでなく、他のレコメンデーションエンジンのメーカも生きていくだけで精一杯であり、あらゆるアルゴリズムを実装するまでの余力はなかったのでしょう。
どの会社も、一つのアルゴリズムで勝負！という段階でした。


2008年現在、複数のレコメンデーションASPサービスがありますが、
複数のアルゴリズムを用意し、お客様のニーズに応じて使い分けられるようになっているようです。


ということで、
2000年のレコメンド（リコメンド）と2008年のレコメンド、何が違う？④かというと、
ずばり、
「2000年当時：一つのアルゴリズムで勝負
2008年現在：複数のアルゴリズムを実装し、うまく使い分けをする」
ということでしょう。



次回に続く。

いよいよ第三弾です。

そろそろ技術的な側面からの話をいれていきたい気もするが、
少しずつにしていきたいと思う。

2000年の当時に有名だったレコメンデーションの会社は？というと、
・？？？（んーーー。ルールベースのエンジンのアメリカの会社。ど忘れ。）
・Net Perceptions（協調フィルタリングのエンジン。アメリカの会社）
・シルバーエッグテクノロジー（人工知能と言っていましたが、ニューラルネット的なエンジンでした。日本の会社）
・ホットリンク（協調フィルタリング・コンテキストベースフィルタリング・属性ベースフィルタリング・それらの掛け合わせのエンジン）
でした。

導入するのにかかる費用は、
・？？？で、1億円以上
・Net Perceptions で、2000万円以上。
・シルバーエッグテクノノロジーで、500万円程度だったかな？
・ホットリンクでは、お客さんの要望に応じてですが、やっぱり500万円以上の見積もりを出していた
という感じでした。

どこのエンジンも、
導入するためには、既存の商品データベースや、顧客データベースとの連携などのシステム開発が必要で、
更には、初期のルールの設定などの初期費用がかかりました。

そんな中で、お客さんから言われるのは、
「リコメンデーションエンジン（←当時は、『レ』コメンドではなく、『リ』コメンドという表記が一般的でした（笑）を導入して、投資対効果は？」
という問いです。

数千万円の投資をして、それをリコメンデーションエンジンの効果で回収するとしたら、いったいどれほどの効果が必要なのでしょうか？

月商1000万円のオンライン書店だとして、
書店の利益を、20％とすると、
月額の利益は、200万円。
仮に、