レコメンデーション導入の準備でホーム画面を整えたら、予想以上に大きなビジネスインパクトが出た話 / Mercari US Buyer UX Improvement 1

Transcript

1. レコメンデーション導入の準備でホー ム画面を整えたら、予想以上に大きな ビジネスインパクトが出た話 株式会社メルカリ メルカリUS東京支部 機械学習エンジニア 松岡玲音

2. スピーカー紹介 • メルカリがファーストキャリア ◦ MITのPh.D.課程を中退 • メルカリでのキャリア ◦ 日本版メルカリで１年間 ◦

   US版メルカリで１年３ヶ月 • フロントエンド以外は今のところなんでも • 日本ソムリエ協会認定ワインエキスパート ◦ 今は国際資格取得に向けて勉強中

3. ECにおける商品閲覧と商品検索

4. 商品検索 • ECの基本、「検索」 • ユーザーは、欲しいものを既に大体把握 している • クエリの意図を読み取って、関連度の高 い結果が返せることが重要

5. 商品閲覧 • いわゆる「おすすめ」や「関連商品」 • ユーザーは、欲しいものを把握していない ことが多い • レコメンドエンジンが特に本領を発揮する 部分 •

   検索と相補的に働き、ECでの購買行動を 促す

6. 商品検索 商品閲覧 メルカリでは、商品閲覧にとても大き な改善余地がある！！ 良いレコメンドエンジンを開発して、 商品閲覧のUXを改善しよう！ メルカリにおける商品閲覧と商品検索のバランス

7. どこから始めるか？🤔 Home For You Similar Items

8. Home • アプリのランディングページなので、上手く 改善できれば一番大きな効果が見込めそ う • 日本版メルカリでも、過去にHomeの改善 施策で大きくGMV（流通総額）が伸びた実 例がある •

   2年以上前からほとんど更新されておら ず、改善の余地に溢れている（？） Homeから始めよう！🔥

9. Homeの闇その１: レガシー化した実装 • ステークホルダーが多く、様々な機能が継ぎ足 されていった • USの成長期において実装されたので、コード のクオリティを省みる余裕がなかった？ ◦ 外部データに依存したテスト、直列なリク

   エスト、副作用の多用。。。 • メモリーリークの温床になっており、レイテンシ も目も当てられない状態に😇 • そして、全容を知る人は一人もUSに残っていな かった😱

10. Homeの闇その２: 形骸化したコンポーネント群 • Homeは、15種類以上（！）の複数のコン ポーネントからなる • それらのうちの多くは、正しく効果検証され ないまま導入されていた • 再度分析してみると、下記以外はほとんど

    活用されていないことが判明😇 ◦ Recently Viewed ◦ My Likes ◦ Personalized Search

11. • 高レイテンシ • 魔境と化した実装 • 放置されたコンポーネントたち • ほとんど活用されていないHome まずは一旦整えないと、 レコメンデーションどころじゃない。。。😇

    😇 😇 Home

12. 準備その１: 負債の解消 • モノリスの大規模リファクタリング ◦ ソフトウェア考古学 ◦ レイテンシを半分以下に • Personalized

    Searchコンポーネントを切り出して マイクロサービス化 ◦ Home上の最大の魔窟を整理 ◦ レコメンデーションを導入しやすい形に

13. 準備その２: 不要なコンポーネントの棚卸し • CTRの低いコンポーネントの消去 ◦ A/Bテストでデルタ法を使って一つ一つ効 果測定 ◦ PMと協力して各ステークホルダーや VPoPから了承を取る

    • ユニバーサルコントロールグループ を導入 ◦ 数%のホールドアウト群 ◦ 改善の効果を常にトラッキングできるよう に • この時点で既に売り上げが少し改善 🚀

14. • 整理が一段落し、レコメンデーションがやれそうな感じに ◦ 一番売り上げ貢献の大きいPersonalized Searchコンポー ネントが、アプリを開いた時点で目に触れる位置まで上 がってきた • Personalized Search

    ◦ ユーザーの過去の閲覧履歴から、複数の検索条件を生成 して、個々の検索結果を表示する ◦ 閲覧した商品の素性を主に検索条件に使用 ◦ いわゆる ”Retargeting”

15. レコメンデーションの準備は整ったかのように見える！しかし、まだ理 想的な形ではない。。。 • 毎時更新のバッチなので、ユーザーの行動が リアルタイムに反 映されない • 出せるコンテンツが、今の検索エンジンとそのAPIに依存してい る •

    個々の検索結果は９個しか表示されず、その先を見るには検索 画面に飛ばなければいけないので、 閲覧体験が滑らかではない

16. 準備その３: リアルタイム化の為のデータ基盤導入 • ユーザーの行動履歴をBigtableに溜め込む ◦ クライアントログ取得のデータパイプライン から分岐 • 一時間ごとのバッチ更新だったPersonalized Searchをリアルタイム化

    • コンポーネントのお掃除と相まって、 Home経由 の購買が大きく改善 ◦ やはりユーザーはリアルタイムのフィード バックを求めていた • そして、この時点でようやくチーム結成 😭 Client Logging Event Personalization Service User Activity DB User Activity Worker

17. 準備その４: タイムラインへの置き換え • Personalized Searchを、無限スクロールでき る商品フィードへと置き換える ◦ 行動ログから最新の関連商品を提示 ◦ 検索エンジン以外も使えるように

    ◦ 閲覧行動がより滑らかに • 固定数の商品のみを出す形（擬似タイムライ ン）で一旦テスト ◦ Home経由のあらゆるKPIが大幅に改善 ◦ MLチーム史上最大のGMV改善率を記録 した😇🔥

18. まとめ • レコメンデーションをHomeに導入するための準備だけで大幅にGMVが改善した ◦ リファクタリング、レイテンシ改善、機能削減、効果測定 ◦ リアルタイム化、UI/UXの変更 • 機械学習をやる前にやるべきこと が結構ありそう

    ◦ どこに手を入れると効果が大きいかの見積もり ◦ ユニバーサルコントロールグループの導入など、効果検証の基盤 ◦ 機械学習の恩恵を最大限に引き出すための、サービスの理想的な状態とは？ • エンジニアリング力があると視野が広がることも ◦ 負債が溜まっているところにこそチャンスがあったりする ◦ チームを作るには、まず自分が動いて成果を捻り出す