レコメンド配信とは、顧客の購買履歴や行動データから「次に買いそうな商品」を予測し、メールやLINE、プッシュ通知で自動配信すること。顧客には「自分に合った提案」という体験を、企業には「バスケットサイズの拡大とチャーン防止」をもたらす。
カウンターでの一杯
夜10時近く、化粧品ECのあやがカウンターに現れた。表情が曇っている。
あや：「マスター、困ってるんです。メール配信は頑張ってるんですけど、オープンレート落ちてきて。最近は『こんなの誰向け？』みたいな内容になってて……」
マスター：「なるほど。今、配信内容は何を軸にしてるんだ？」
あや：「季節ですね。春は『春のスキンケア』みたいな一括配信。でも実際には、ニキビで悩んでる子もいるし、乾燥肌の子も、敏感肌の子もいるのに……」
マスター：「そこだ。君の顧客たちは、購買の瞬間に『自分が何を欲しいのか』を全員に教えてくれてないか？」
あや：「あ……あい、確かに。Aさんは先月『BBクリーム』を買ったし、Bさんは『毛穴対策美容液』を買った。」
マスター：「その『購買の言葉』を素直に聞くんだ。Aさんに毛穴対策美容液を同じタイミングで勧めるより、BBクリームと相性のいい『下地』を勧める方が何倍も刺さると思わないか？」
あや：「確かに……。でも一人一人手でカスタマイズなんて無理ですよ」
マスター：「そこでレコメンド配信の出番だ。過去の購買データと閲覧履歴から『こいつはこれを欲しがってる』って機械に予測させて、自動でそいつだけに送る仕組み。やることは最初の一度だけ。あとは毎日、それぞれの顧客に最適な商品が自動で候補に上がってくる」
あや：「でも……本当に当たるんですか？」
マスター：「当たるも外れるもない。君の顧客は『肌のターンオーバー28日周期』で、3週間目から4週間目に『次の商品を探したくなる』タイミングがあるんだろう？」
あや：「あ……そうですね。3週間使い続けて、『そろそろ効果が出始めるかな』って時期に『これ次に試したい』って問い合わせ来る」
マスター：「その『使い終わりそうなタイミング』と『この顧客は〇〇系の商品好きだな』っていう2つの情報を掛け合わせたら、『自分のために用意された提案』って感覚になる。そこが売上の分かれ道だ。」
マスターはカウンターの裏から、古い手帳を取り出した。
マスター：「通販って、昔は『欲しい人が探す』って流れだったんだ。でも今は違う。『欲しい時に、欲しい人が見つけられる』から『欲しい時に、その商品が探しに来る』の時代に変わってる。それがレコメンド配信。」
あや：「え、探しに来る？」
マスター：「そう。顧客はメールを開く時点で『あ、これ私向けの提案だ』って思ってる。だから開く。見る。買う。その流れが自動で回り始めるんだ。」
あやの目が輝いた。
あや：「それ……売上変わります？」
マスター：「変わる。おたくの業界なら、特に。ターンオーバーのタイミングで『このスクラブはどう？』って提案される顧客と『春のスキンケアセット』って一括メール受け取る顧客。開く確率が違う。」
ありがちな失敗
多くの企業がやりがちな失敗は、レコメンドの「精度」と「タイミング」を一緒くたに考えることだ。
例えば、D2C化粧品企業がAIツールを導入して「購買データから最適商品を3個ピックアップ」という運用を始めたとする。ところが配信タイミングは「毎週月曜朝8時」と固定。
その顧客が「水曜の夜に乾燥に気づいて『そろそろ美容液を検討したい』と思っても、配信は全員月曜朝。結果、レコメンドの精度は高いのに、タイミングがズレて開かれない。という事態が起きる」。
「顧客が『欲しい』と思うタイミング」を予測することが、実は商品の精度以上に大事。
一括配信（従来）：開封率 8% → クリック率 2% → 購買率 0.5%
レコメンド配信：開封率 22% → クリック率 6% → 購買率 1.8%
→ クリック数が3倍、購買数が3.6倍になる可能性
→ さらに1回の購買あたりの「クロスセル」金額が15～25%向上
（※データは業界・実装方法により変動。上記は中~上位パフォーマー企業の事例）
📋 本日の処方箋
1. 【なぜやるか】顧客は「自分に合った提案」だからメールを開く。一括配信より3倍開かれるから
【どうやるか】顧客ごとの購買履歴・閲覧履歴をツール（MAやCRMプラットフォーム）に仕込んで、「Aさんは毛穴対策」「Bさんは保湿」と自動分岐させる。最初の1回だけ手間をかけて、ロジックを決めたら、あとは自動回転させる。
2. 【なぜやるか】商品の推奨精度が高くても「欲しい時」に届かなければ開かれない。タイミング最適化で5～10%さらに開封率が上がるから
【どうやるか】「前回購買から何日目」「前回閲覧から何日目」という『顧客の心理サイクル』に合わせて配信日時を分散させる。化粧品なら28日周期、サプリなら21日目の『習慣化の壁』を意識して、その日に着信させるタイミング設計をする。
3. 【なぜやるか】レコメンド商品を「関連商品」でグループ化すると、リピート率がさらに15%向上するから
【どうやるか】「この商品を買った人は、この商品も買ってる」というデータから「セット購買パターン」を抽出。例：BBクリーム購買者には「下地」を勧める。毛穴対策美容液購買者には「美容オイル」を勧める。という『相乗効果のある組み合わせ』を意図的に設計する。
4. 【なぜやるか】A/Bテストで「どの商品提案が刺さるか」を継続検証しないと、推奨精度が落ちてくるから
【どうやるか】毎月「このセグメントには商品A vs 商品B、どちらのクリック率が高いか」を1割のサンプルで試し、勝ったパターンを全員に展開。常に「最適な推奨」を更新し続ける。
5. 【なぜやるか】チャーン（解約・購買離脱）が起きる前に「好みの商品」を先読みして届けるだけで、離脱率が20～30%低下するから
【どうやるか】購買頻度が落ち始めた顧客に「今月は配信なし」ではなく、逆に「いつもと違う新しい商品レコメンド」を仕掛ける。それで再興奮させる。チャーン予測とレコメンドを組み合わせる。
業種を超えた応用例
これは化粧品だけの話じゃない。サプリメント販売企業なら「習慣化の壁・21日目」で『継続率を爆上げする関連商品』を勧め、ペットフードなら「フード切り替え期間・7～10日の完全切り替わりタイミング」に「次の栄養ステップのフード」をレコメンドし、アウトドア用品なら「装備購買から3ヶ月後」に「次のシーズンに必要な関連ギア」を自動で提案する。顧客の『物理的な使い終わりサイクル』と『心理的な次の欲求』を組み合わせた時、レコメンド配信の本領が発揮される。
