初回購入カテゴリ別の次回提案ロジック
「あなたにぴったり」を作るクロスセル戦略

なぜ2回目の提案商品が重要か

F2転換において、「何を提案するか」は「いつ提案するか」と同じくらい重要です。初回購入者は、まだブランドとの関係性が浅く、信頼の蓄積がほとんどありません。その段階で見当違いの商品をおすすめしてしまうと、「このショップは私のことを理解していない」と感じさせ、離脱の原因になります。

逆に、初回購入の文脈をしっかり踏まえた提案ができると、「自分のことをわかってくれている」という感動が生まれ、F2転換率が劇的に向上します。あるコスメECでは、一律の人気商品レコメンドから初回購入商品に基づくパーソナライズドレコメンドに切り替えたところ、F2転換率が8ポイント改善したというデータもあります。

2回目に何を買うかは、その顧客の将来のLTVにも大きく影響します。2回目に「正解」の商品と出会えた顧客は、3回目以降の購入確率が高く、長期的なロイヤルカスタマーに育ちやすい傾向があります。つまり、F2のレコメンド設計は、単なる目先の売上ではなく、顧客のライフタイムバリュー全体を左右する重要な意思決定なのです。

「同じもの」vs「違うもの」の判断基準

2回目に提案すべきは「同じ商品のリピート」か「別の商品」か。これは商材タイプによって正解が異なります。判断の基準は以下の通りです。

同じ商品のリピートが適切な場合

• 消耗品で、使い切りサイクルが明確：サプリメント、スキンケア、食品など。使い切れば自然と再購入のニーズが生まれるため、同じ商品のリマインドが最もコンバージョン率が高くなります。
• 効果実感に時間がかかる商品：「1個使っただけでは効果が十分にわからない」商品は、「まずは2〜3個使い続けてください」という継続利用の訴求が適切です。
• 初回がお試しサイズ：初回にトライアルセットや少量パックを購入した場合、2回目は「本商品（フルサイズ・定期コース）」へのアップセルが自然な流れです。

別の商品（クロスセル）が適切な場合

• 耐久財・アパレル：同じシャツを2枚買う顧客は少ないため、コーディネートできる別アイテムの提案が有効です。
• ギフト購入：ギフトとして購入した顧客には、「自分用にもいかがですか？」という文脈で別商品（または同商品の自家需要）を提案します。
• カテゴリ横断の「悩み」が存在する：ニキビケア化粧水を買った顧客に、同じ悩み軸の洗顔料やサプリメントを提案するなど、カテゴリを超えた「悩み起点」のクロスセルは非常に効果的です。

商材タイプ別クロスセル戦略

消耗品・食品のアップセル戦略

初回にお試しセット（少量）を買った人には、次回は「本商品（定期コースや大容量版）」を提案します。これは基本中の基本です。アップセルの訴求ポイントは「お得さ」です。「お試し価格の1個あたり単価」と「定期コースの1個あたり単価」を比較して見せることで、定期コースの価値を可視化しましょう。また、「まとめ買い割引」も、消耗品のF2転換には効果的なオファーです。

アパレル・雑貨のクロスセル戦略

「トップス」を買った人には「ボトムス」を、「革靴」を買った人には「シューケア用品」を提案します。コーディネート提案は、スタイリング写真や着用イメージとセットで見せると、コンバージョン率が大幅に向上します。商品マスタに「関連カテゴリ」のタグ付けをしておくことで、自動化が可能になります。

コスメの「悩み」軸クロスセル

「ニキビケア化粧水」を買った人は、「ニキビ」という悩みを抱えています。次に提案すべきは、一般の人気商品（例：美白クリーム）ではなく、同じ悩み軸の「洗顔料」や「美容液」です。悩み軸でのクロスセルは、カテゴリ軸のクロスセルに比べてCVRが1.5〜2倍高いというデータもあります。

ギフトからの自家需要転換

ギフト購入者は潜在的な自家需要の宝庫です。「贈り先の方に喜んでいただけましたか？ご自分用にもいかがですか」というアプローチで、ギフト購入→自家購入への転換を狙います。ギフト購入者向けには、自家需要に適した少量サイズやお試しセットを用意しておくと効果的です。

レコメンドロジックの設計

商品レコメンドをシステムに組み込む際のロジック設計は、以下の3つのアプローチから選択します。

• ルールベース：「商品Aを買った人には商品Bを提案する」というルールを、マーチャンダイザーが手動で設定する方法です。商品数が少ない（〜100SKU）ショップに適しており、設計意図が明確でコントロールしやすいのがメリットです。ただし、商品数が増えるとルール管理が煩雑になります。
• 協調フィルタリング：「商品Aを買った人は、商品Bも買っている」という購買パターンをデータから自動抽出する方法です。Amazon の「この商品を買った人はこんな商品も買っています」がまさにこのロジックです。十分な購買データ（最低でも数千件の注文）があれば精度が高くなりますが、新商品や購入頻度の低い商品には弱い点がデメリットです。
• コンテンツベース：商品の属性（カテゴリ、悩み、成分、色、素材など）の類似度に基づいてレコメンドする方法です。新商品でも属性さえ登録すればすぐに提案対象になるのがメリットです。商品マスタの属性データの充実度がレコメンド精度を左右します。

実践的には、「ルールベース」をベースに、データが蓄積されたら「協調フィルタリング」を補助的に組み合わせるハイブリッドアプローチが最も現実的です。

データに基づく提案商品の選定方法

「なんとなく相性が良さそう」ではなく、データに基づいて提案商品を選定する方法を紹介します。

• バスケット分析（マーケットバスケット分析）：過去の注文データから「一緒に購入されることが多い商品の組み合わせ」を抽出します。アソシエーションルール（リフト値、支持度、確信度）を計算し、F2転換に効く「次の1品」を特定しましょう。
• F2転換率の商品別分解：初回購入商品ごとにF2転換率を算出し、「この商品を最初に買った人はF2転換率が高い」というゲートウェイ商品を特定します。ゲートウェイ商品の購入者がF2で何を買っているかを分析すれば、自ずと最適な提案商品が見えてきます。
• LTV逆算アプローチ：F2で購入する商品によって、その後のF3、F4への転換率やLTVが変わることがあります。たとえば、F2で商品Bを購入した顧客はLTVが高く、商品Cを購入した顧客はLTVが低い、という傾向がないかを検証します。長期的なLTV最大化の視点から、F2に提案すべき商品を選定しましょう。

パーソナライゼーションの段階的導入

レコメンドのパーソナライゼーションは、一気に高度なことをやろうとせず、段階的に導入するのが成功の秘訣です。

レベル1：カテゴリベース

初回購入カテゴリに応じて、提案する商品カテゴリを出し分けます。たとえば「スキンケア購入者にはスキンケア関連を」「食品購入者には食品を」という大枠の出し分けだけでも、一律レコメンドに比べてF2転換率は向上します。ほとんどのECプラットフォームで実現可能な、最初の一歩です。

レベル2：商品ベース

初回購入の「具体的な商品」に応じて、提案商品を出し分けます。商品マスタに「関連商品」「クロスセル商品」をタグ付けし、メールやLINEのレコメンド欄に動的に差し込みます。商品数が多い場合は、売れ筋商品から優先的にタグ付けを進めましょう。

レベル3：行動ベース

購入商品だけでなく、「サイトでの閲覧行動」「メールのクリック履歴」「LINEでのタップ履歴」などの行動データを加味して、より精度の高いレコメンドを行います。「購入はしなかったが、何度も閲覧していた商品」を提案するなど、潜在的な関心を読み取ったアプローチが可能になります。

レベル4：予測モデル

機械学習を活用し、「この顧客が次に購入する可能性が最も高い商品」を予測します。ここまで来ると、かなり高度なデータ基盤とエンジニアリングリソースが必要ですが、大規模ECでは大きな成果を生む投資です。まずはレベル1〜2を確実に実装し、データを蓄積することから始めましょう。