AI自動最適化を最初の1週間で回すプレイブック

結論：最初の1週間は「テスト週」と割り切る

このプレイブックでは、RecoBoost の AI自動最適化（auto_optimize） を、導入直後の1週間で安全に回しながら「次に残すロジック・外すロジック」を判断できる状態まで持っていくことをゴールにします。

ポイントは次の3つです。

- 最初の1週間は「学習期間」として、数値のブレを前提に見る
- 候補ロジックは絞り込み、MAB（マルチアームドバンディット）＋Thompson Sampling の特性を活かす
- データが少ない週ほど「やめない」「広げすぎない」の2つを徹底する

前提：自動最適化とMAB / Thompson Samplingのイメージ

まずは、難しい数式抜きで「どう動くか」だけ押さえます。

• 自動最適化（auto_optimize）：複数のレコメンドロジックを同時に出し分け、成果が出ているロジックに自動で配分を寄せていく仕組みです。
• MAB（マルチアームドバンディット）：いくつかの選択肢（＝レコメンドロジック）を試しながら、「試す（探索）」と「当たりに寄せる（活用）」のバランスを自動で調整する考え方です。
• Thompson Sampling：MABを実現する代表的なアルゴリズムの1つで、「良さそうなロジックを多めに」「まだ分からないロジックも少しは試す」という配分を、確率的に決めていきます。

ストア運営者として押さえておきたいのは、次の2点だけです。

- 「明らかに弱いロジック」には徐々に配分が行かなくなる
- ただし「最初の数日」は、まだどれが弱いか分からないので、配分がブレる

この前提を踏まえたうえで、初期設定と1週間の動かし方を決めていきます。

手順：AI自動最適化を1週間で回すステップ

• 1. Shopify管理画面でアプリの対象ページを確認する：Shopify管理画面の オンラインストア → テーマ → カスタマイズ を開き、RecoBoost のレコメンドブロックを設置しているページ（商品詳細、カートなど）を確認します。自動最適化を使う位置を1〜2箇所に絞ります。
• 2. RecoBoostで自動最適化を使うセクションを決める：Shopify管理画面の アプリ → RecoBoost を開き、左メニューから レコメンドセクション （名称はご利用環境に合わせて読み替えてください）を選択します。商品詳細ページなら「この商品に関連するおすすめ」、カートなら「カート内のおすすめ」など、1〜2セクションに限定します。
• 3. auto_optimizeを有効にする：対象セクションの編集画面で、レコメンドロジックの設定欄から 自動最適化（auto_optimize） またはそれに相当するトグルを オン にします。適用対象が「このセクションだけ」になっていることを確認します。
• 4. 候補ロジックを3つ前後に絞る：同じ画面で、自動最適化の候補にするロジックを選びます。例として、
  - AI類似商品（類似度ベース）
  - 人気商品（閲覧・購入数ベース）
  - 最近閲覧商品 または AIパーソナライズ
  
  のように、性質の異なるロジックを 2〜4個 に絞ります。5個以上には増やさないのがおすすめです。
• 5. 成果指標（ゴール）を確認する：同じ自動最適化の設定内で、最適化の指標として何を使うかを確認します。通常は CVR（購入率） または クリック率 のどちらかです。カート/チェックアウト直前はCVR、商品詳細・トップはクリック率など、目的に合う指標を1つ選びます。
• 6. トラフィックが多い時間帯から運用を開始する：設定を保存し、公開テーマで反映されたことを確認したら、できればストアのアクセスが比較的多い時間帯（例：18〜24時など）までに有効化しておきます。日中〜夜のデータが最初の学習に使われます。
• 7. 1〜2日目は「偏りすぎていないか」だけを見る：1〜2日運用したら、RecoBoost の レポート または レコメンドセクションの詳細画面 で、自動最適化に含めた各ロジックの「表示数」「クリック数」「購入数」のバランスを確認します。この段階では、成果の優劣ではなく「一部ロジックだけ表示ゼロになっていないか」を見るだけにとどめます。
• 8. 3〜4日目に大きな敗者だけ候補から外す：3〜4日目に再度レポートを見て、明らかに「表示もそこそこあるのに、クリック率やCVRが他よりかなり低いロジック」がないかを確認します。もしあれば、そのロジックだけ自動最適化の候補から外し、残りを継続します。
• 9. 7日目に「残すロジック」と「次の候補」を決める：7日目になったら、1週間分の数字で判断します。表示数が一定以上あり、クリック率・CVRが安定して高いロジックを「今後のベースロジック」として残し、パフォーマンスが弱いロジックは候補から外します。そのうえで、次の1週間で試したいロジックがあれば、1つだけ追加するイメージで入れ替えます。

配置と候補ロジック選びのコツ

自動最適化を「どこに」「どのロジックで」使うかで、学習スピードと成果の出やすさが変わります。

• 商品詳細ページは「似ている×売れている」で組む：商品詳細では、AI類似商品 を軸に、人気商品 や 一緒によく買われる商品 を候補にします。ユーザーが検討中の商品に近いものと、ストア全体での売れ筋を両方試せます。
• カートページは「関連性重視」で絞る：カートでは 一緒によく買われる商品 や 関連商品 を優先し、あまり離れたカテゴリの人気商品は混ぜすぎないようにします。単価アップ（クロスセル）を狙う配置です。
• トップページ・コレクションページは「広く当てる」ロジックを使う：トップやコレクションでは、人気商品 や AIパーソナライズ を含めて、より広くユーザーに当てにいくロジックを候補にします。ここではクリック率を指標にするのがおすすめです。
• 候補ロジック同士の「かぶり」を減らす：似たようなロジックばかり入れると、MABのメリットが小さくなります。例：人気商品ロジックを2種類入れるより、「人気商品＋AI類似商品＋最近閲覧」のように性格を変えておきます。
• 一箇所に自動最適化を集中させる：最初の1週間は、自動最適化をあちこちに広げず、トラフィックの多い1〜2セクションに集中させることで、MAB / Thompson Sampling が早く学習できます。

データが少ない週によくある失敗と注意点

アクセス数や購入数が多くないストアでは、MAB / Thompson Sampling の学習にも時間がかかります。そのときに避けたいパターンと、実務的な対処をまとめます。

• 失敗1：1〜2日の結果だけでロジックを入れ替えすぎる：データが少ないと、たまたまの購入・未購入で指標が大きく動きます。この期間に頻繁に候補を入れ替えると、MABの学習がリセットされ続けてしまいます。対策として、最低でも 7日間 は大きく入れ替えない方針を決めておきます。
• 失敗2：候補ロジックを増やしすぎる：トラフィックが少ないのに候補が多いと、1ロジックあたりの表示データが極端に少なくなり、Thompson Sampling が「どれが良いか」判断しづらくなります。データが少ないと感じるうちは 2〜3ロジック に絞るのがおすすめです。
• 失敗3：CVRだけを見て早合点する：購入数が少ない週は、CVRが0％か100％のような極端な値になりがちです。その場合、クリック率 と 表示数 も合わせて見て、「ユーザーが興味を持っているか」「そもそも十分に表示されているか」を確認します。
• 失敗4：短期間で有効/無効を繰り返す：自動最適化のオン・オフを短い間隔で切り替えると、学習が安定せず、MABのメリットを享受しにくくなります。試すと決めたら、まずは 1週間は継続 する前提で運用します。
• 注意点：イベントが偏る日（セール日・メルマガ配信直後）は単独で評価しない：セール開始直後やメルマガ送信直後の1日は、通常と違う動きをしやすく、CVR・クリック率ともに乱高下します。1週間を見るときは、こうした「特殊な日」を含めて平均で見るか、日別で傾向を分けて考えます。

RecoBoostでの次の一歩

このプレイブックの内容をRecoBoostで実行する際の、具体的な次の一歩です。

• 1. 自動最適化を使うセクションを1〜2つに絞る：アプリ → RecoBoost → レコメンドセクション から、商品詳細ページかカートページのどちらか、または両方に対象を絞ります。
• 2. 候補ロジックを2〜4個だけ選ぶ：各セクションの編集画面で、自動最適化の候補にするロジックとして AI類似商品、人気商品、最近閲覧商品、AIパーソナライズ など性格の異なるものを選びます。合計は4個までに抑えます。
• 3. 指標を決めて1週間レポートを追いかける：セクション設定で最適化指標（CVRまたはクリック率）を選んだら、レポート 画面で日別・ロジック別の表示数と成果を1週間追いかけます。7日目に「残すロジック」「外すロジック」「次に試すロジック」を決める、というサイクルを1回まわしてみてください。