投稿者 投稿日: カテゴリー EC×AI活用
AI商品レコメンド実装とは、購買データを使い関連商品を自動表示する仕組みを店に組み込むことです。
「おすすめ商品」の枠を1つ足すだけで客単価が動くと聞いて手を出したものの、表示される商品がカートに入れた本人と無関係で、かえってCVRが下がった。自社EC、特にShopifyの運営でこの相談が増えています。レコメンドはアプリを入れれば終わりではなく、どのデータを、どの画面に、どの粒度で出すかの設計で成果が分かれます。この記事では、ノーコードでAI商品レコメンドを導入する手順を実装数と一致させたプロンプト6本つきで整理し、データ要件から効果測定まで、店長が自分の手で進められる順序で説明します。
ノーコードでAIレコメンドが売上に効くロジックと前提データ
商品レコメンドが客単価を押し上げるのは、買おうとしている人にもう1点を提案できるからです。新規客を1人増やすより、いま買い物カゴを持っている人に関連商品を見せるほうが、追加の集客コストがかからない分だけ利益率が高くなります。レコメンド経由の売上構成比は、設計次第で全体の1割前後を占めることもあるという見込みが各種の事例報告で語られますが、これは商材・客層・設置箇所で大きく振れるため、自店では必ず実測してください。
仕組みは大きく2系統に分かれます。協調フィルタリング(購買・閲覧の行動履歴が似た人同士をひも付け、「この商品を買った人はこれも買っています」を出す方式)と、コンテンツベース(商品名・カテゴリ・タグなど商品自体の属性が近いものを並べる方式)です。前者は行動データが貯まるほど精度が上がる代わりに、データが薄い立ち上げ期は当たりが弱い。後者はデータが少なくても動きますが、似たものばかり並んで代わり映えしない弱点があります。多くのレコメンドアプリは両者を内部で組み合わせており、利用者は方式を意識せずに使えます。どちらが向くかは店のフェーズで変わり、注文が薄いうちはコンテンツベース、行動ログが厚くなれば協調フィルタリングへ重心を移す、という切り替えの判断を店側が握っておくと、推薦のはずれが減ります。
ここに生成AIを足すと、第3の選択肢が現実になります。商品の説明文や用途を生成AIに読ませて「このシーンで使う」「この相手に贈る」といった意味の近さで束ねる方式です。タグが完全に揃っていなくても、商品説明の文面から意図をくみ取って関連づけられるため、属性データの整備が追いつかない店でも、ある程度の文脈を持った推薦を組めます。ただし生成AIの判断は揺れるので、最終的な並びは店側で確認する前提で使うのが安全です。
ここで効いてくるのが前提データです。AIレコメンドが参照するのは主に2つで、購買履歴(誰が何を一緒に、あるいは続けて買ったか)と閲覧履歴(どの商品ページを見て、どこで離脱したか)です。Shopifyの場合、これらはストアに標準で蓄積されており、レコメンドアプリは権限を付与されるとその行動ログを読み取って学習します。直近の支援案件で観測したのは、月間の注文件数が数十件に満たない立ち上げ期の店ほど協調フィルタリングが機能せず、まずは手動の関連商品設定とコンテンツベースで土台を作るほうが現実的だったケースです。
行動データに加えて、商品側の属性データも軽視できません。商品名・カテゴリ・タグ・価格・在庫といった商品マスタの情報が整っていないと、コンテンツベースの推薦も協調フィルタリングの裏側も精度が出ません。商品名が「新商品A」のように内容を表していなかったり、カテゴリが空欄だったりすると、AIは「何と何が近いか」を判断できず、推薦がぼやけます。レコメンドを入れる前に、まず売れ筋上位の商品から順に、タグと属性を埋め直す地味な作業が効きます。アパレルなら色・サイズ・季節・シーン、食品ギフトなら用途・賞味期限帯・のし対応の有無、といった粒度でタグを持たせると、推薦の文脈が一気に合いやすくなります。
楽天市場とAmazonは事情が異なります。両者はモール側が検索結果や商品ページ下部のレコメンド枠を握っており、出店者が外部のAIレコメンドツールを商品ページへ自由に差し込むことはできません。楽天であれば店舗内のおすすめ商品設定やクーポンアドバンス、Amazonであればスポンサー広告やブランドストアの範囲で運用するのが基本で、自社ECほどの自由度はないと考えてください。本記事の手順は自社EC、なかでもShopifyを中心に説明し、モール側は機能依存になる点を都度補足します。モールでの細かな仕様は変更が早いため、楽天RMSやAmazon Seller Centralの最新ヘルプを各自で要確認としておきます。あえて補足すると、モールでも「よく一緒に買われる商品」の傾向は自社ECの行動データから読み取れます。自社ECで観測した合わせ買いパターンを、楽天の店舗内おすすめ枠の手動設定に反映する、という横展開は規約の範囲で実行できます。
ノーコードAIレコメンドの実装手順
ここがこの記事の中心です。コードを書かずにAI商品レコメンドを立ち上げる流れを、Shopifyを例に順を追って説明します。途中で使えるプロンプトを6本、独立したコードブロックで掲載します。生成AIは商品コピーやバンドルの提案文を作る部分で使い、レコメンドの並び順そのものはアプリのアルゴリズムに任せる、という役割分担が現実的です。
最初の一歩はレコメンドの土台を選ぶことです。Shopifyには無料の公式アプリSearch & Discoveryがあり、商品詳細ページに「関連商品」「あなたへのおすすめ」枠を出せます。これはShopifyの行動データを使った推薦と、店側が手で指定する関連商品を併用できる仕組みで、まず無料で動かして反応を見るのに向いています。物足りなければ、より高度なレコメンドSaaS(行動ログを機械学習で分析し、枠ごとに最適な商品を出すアプリ)を後から追加する二段構えが安全です。Shopifyアプリの選び方そのものはShopifyのAIアプリの選び方で詳しく整理しています。
土台を入れたら、設置箇所を決めます。レコメンドが効くのは主に3か所で、商品詳細ページ(同じ系統や合わせ買いを提案)、カートページ(あと1点で送料無料、などの背中押し)、メール(購入後のフォローやかご落ち通知に関連商品を載せる)です。3か所を同時に欲張ると検証が散らかるので、まず商品詳細ページ1か所から始め、数字が動いてからカート、メールへ広げる順序を推奨します。
設置の具体作業もShopifyならコード不要です。Search & Discoveryを入れると、オンラインストアのテーマエディタに「商品レコメンデーション」のセクションを商品テンプレートへ追加できます。テーマのカスタマイズ画面で商品ページを開き、セクションを追加して位置を商品説明の下に置き、表示する商品の出し方を「自動」か「手動で関連商品を選ぶ」かで選びます。立ち上げ期は手動寄り、注文が貯まってきたら自動寄りに切り替える、と先ほどの段階運用をここで反映します。カートページのレコメンドは、テーマがカート用のレコメンドブロックに対応していればテーマエディタから、対応していなければレコメンド系アプリのブロック機能から差し込みます。いずれもドラッグと選択だけで完結し、テーマのコードを直接書く必要はありません。
ここから生成AIの出番です。レコメンド枠は出すだけでなく、枠の見出しや商品の関連コピー、バンドルの組み方で成果が変わります。1本目は、ある商品に対する関連商品の組み合わせ候補を出す用途です。
あなたは日本のECサイトの売場設計に詳しいマーチャンダイザーです。
以下の商品に対して、同時購入や買い回りが起きやすい関連商品の組み合わせを5パターン提案してください。
各パターンに、なぜ一緒に買われやすいか(用途・季節・補完関係など)の根拠を1行添えてください。
対象商品：{商品名}
商品ジャンル：{ジャンル}
価格帯：{価格}
主な購入者像：{客層}
在庫が潤沢な関連候補：{候補商品リスト}
出力：組み合わせ5パターン、各パターンに商品名と一緒に買われる理由を1行
候補が出たら、関連商品枠に添える短いコピーを作ります。「この商品と一緒に」だけでは弱いので、買い足す理由を一言で伝える文を生成します。2本目です。
あなたはECの商品コピーライターです。
メイン商品に対するクロスセル枠で表示する、関連商品の訴求コピーを作ってください。
1案30文字以内、誇大表現や最大級表現(最高・No.1・絶対など)を使わず、買い足す具体的な利点が伝わる日本語にしてください。
メイン商品：{商品名}
関連商品：{関連商品名}
一緒に使うシーン：{利用シーン}
出力：訴求コピー5案、各案に想定する読者の購入動機を1行
次はバンドル提案です。単品より、用途でまとめたセットのほうが客単価は上がりやすい。3本目は、複数商品をまとめたバンドルの構成と名前を提案させます。
あなたはEC事業者のバンドル設計を支援するコンサルタントです。
以下の商品群から、用途やシーンで束ねたバンドルセットを3案設計してください。
各案に、セット名・含める商品・想定単価・誰のどんな場面向けかを記載してください。
値引き率は指定せず、構成と訴求軸だけ提案してください。
商品群：{商品リスト}
店の客層：{客層}
強化したいシーン：{シーン例（ギフト・新生活・防災など）}
出力：バンドル3案、各案にセット名・構成商品・想定単価帯・対象シーン
レコメンド枠の見出し文も成果を左右します。「おすすめ」だけの枠と、客の文脈に合わせた見出しでは押される率が変わります。4本目は枠の見出しを複数案出す用途です。
あなたはECサイトのUIライティング担当です。
商品詳細ページとカートページに置くレコメンド枠の見出しを、場面別に提案してください。
各見出しは20文字以内、押し売り感を避け、見た人が自分ごとと感じる日本語にしてください。
商品ジャンル：{ジャンル}
枠の設置場所：{商品詳細 or カート}
枠で出す商品の性質：{合わせ買い or 同系統 or 売れ筋}
出力：見出し5案、各案にどんな客層に響くかを1行
メール経由のレコメンドも自社ECなら強力です。購入後のサンクスメールやかご落ちメールに関連商品を載せます。5本目は、購入後フォローメールの本文に差し込むレコメンド紹介文を作ります。なお楽天R-Mailなどモールのメールは外部誘導や規約の制約があるため、この用途は自社ECのメール配信を前提とします。
あなたは自社ECのCRM担当です。
購入後フォローメールに載せる、関連商品レコメンドの紹介セクションを作ってください。
押し売りにならず、買った商品をより活かす提案として読める文章にしてください。
薬機法・景表法に触れる効能断定や最大級表現は使わないでください。
購入した商品：{購入商品}
おすすめする関連商品：{関連商品}
購入者の購入回数：{初回 or リピート}
出力：メール用の見出し1案と本文2〜3文、末尾に関連商品への一言
最後は効果測定の設計です。何を見れば改善が回るのかをAIに整理させ、自店のKPI項目を決めます。6本目です。
あなたはECのデータアナリストです。
AI商品レコメンドの効果を測るためのKPI設計を提案してください。
レコメンド枠ごとに、見るべき指標と、改善のために回す検証項目をセットで挙げてください。
専門用語には1行の説明を添えてください。
設置したレコメンド枠：{設置箇所リスト}
店の月間注文件数の目安：{件数}
今いちばん伸ばしたい数字：{客単価 or CVR or リピート率}
出力：枠ごとのKPI一覧と、優先して検証すべき項目3つ
宣言どおりプロンプトは6本です。ここまでをShopify管理画面のテーマ設定とアプリ設定だけで組めるので、コードを触らずにレコメンドの初期構築から効果測定の枠組みまで通せます。生成AIにはGPT-5.5 Instant、Gemini 3.5 Flash、Claude Opus 4.8のいずれを使っても上記プロンプトは機能します。コピーの自然さやトーン調整ではClaude Opus 4.8、大量の商品リストを高速にさばくならGemini 3.5 Flashが扱いやすいという現場感覚ですが、好みの差の範囲です。生成AIをEC実務に組み込んだ事例は生成AIのEC活用事例も参考になります。
レコメンド導入でつまずく失敗例と回避策
導入後にかえって数字が落ちる店には、共通したつまずき方があります。3つに整理します。
1つ目はデータ不足のまま協調フィルタリングに頼るケースです。立ち上げ間もない店や、月間注文が数十件規模の店で「この商品を買った人はこちらも」を出すと、母数が小さく推薦がほぼランダムになります。結果、商品詳細ページに脈絡のない商品が並び、回遊どころか離脱が増える。回避策は、データが薄いうちはコンテンツベース(商品属性が近いもの)と店側の手動指定を主にし、注文が貯まってから行動ベースの推薦を強める段階運用です。アプリの設定で「手動指定を優先」を選べる場合は、立ち上げ期はそちらに寄せます。
2つ目は過剰レコメンドでCVRが落ちるケースです。商品詳細にもカートにもポップアップにも、所狭しとおすすめを出すと、肝心の「買う」ボタンが埋もれます。選択肢が増えるほど人は決められなくなるという傾向があり、レコメンド枠の乱立はその罠にはまります。回避策は、1ページに置くレコメンド枠を絞り、カートページでは購入導線を最優先にして枠を1つだけにすることです。商品詳細で見せて、カートでは背中を押す、と役割を分けます。
3つ目は在庫切れ商品を推薦し続けるケースです。よく一緒に買われるからと出した関連商品が品切れだと、クリックした客は空振りし、店の信頼が落ちます。回避策は、在庫連動でレコメンド対象から自動除外する設定を必ず有効にすることと、定番の品切れが続くなら代替商品を手動でひも付けておくことです。Shopifyのレコメンド系アプリの多くは在庫状況を見て除外できるので、設定漏れがないか初期構築時に確認してください。季節商材を扱う店では、シーズンを過ぎた商品が推薦に残り続ける見落としも起きます。母の日ギフトが6月の商品ページに出ていれば、客は季節外れと感じて店全体の鮮度を疑います。在庫だけでなく、販売期間の終わった商品を推薦対象から外す運用ルールも決めておくと安全です。
加えて、推薦が同じ商品ばかりに偏る「人気商品の独り勝ち」も地味に効きます。売れ筋上位だけがどの枠にも出ると、ロングテールの商品が客の目に触れず、品揃えの幅が活きません。回避策として、レコメンド枠の一部を「売れ筋」ではなく「同じ属性の別商品」に割り当て、見せる商品の多様性を意図的に確保します。アプリ側で枠ごとにロジックを変えられる場合は、商品詳細は同系統、カートは合わせ買い、と役割を分けると偏りが減ります。
レコメンドのKPI設計と費用・工数の目安
成果を測る軸は3つに絞ると回しやすいです。レコメンド経由CVR(レコメンド枠をクリックした人のうち購入に至った割合)、クロスセル率(注文のうち関連商品が一緒に買われた割合)、客単価(1注文あたりの平均購入金額)です。導入前の数値を1〜2週間とっておき、導入後の同じ期間と比べると、レコメンドが効いているかを切り分けやすくなります。
数値の目標は商材で大きく変わるため断定はできませんが、目安として、レコメンド経由のクリックから購入への転換は通常の商品ページ閲覧より高く出る傾向があります。これはすでに買う気のある客が見ているからで、低く出る場合は推薦内容が文脈と合っていない可能性を疑います。客単価は、合わせ買いやバンドルが当たれば数%から1割ほど動くことがあるという見込みですが、これも自店の実測が前提です。KPIをどう経営判断につなげるかはECのKPIと経営判断で整理しています。
費用の目安です。Shopify公式のSearch & Discoveryは無料で、まずここから始められます。高度なレコメンドSaaSは月額制が多く、無料枠つきから月数十米ドル、注文規模に応じた従量課金まで幅があります。具体的な金額はアプリと改定で変わるため、各アプリのShopify App Storeの料金表を要確認としてください。生成AIの月額は、ChatGPT Plusが20米ドル、Claude Proが20米ドル、Gemini系の有料プランも同程度という2026年6月時点の水準で、コピーやバンドル設計の補助には個人プランで足ります。
KPIを見るときに気をつけたいのは、レコメンドの貢献を過大にも過小にも評価しないことです。レコメンド枠から買われた売上を全部が枠の手柄だと見ると、枠がなくても買っていた分まで上乗せして数えてしまいます。逆に、枠を見て別の商品を思い出して後から買った間接的な効果は数字に表れにくい。厳密な切り分けは難しいので、枠を出した期間と出さない期間で全体の客単価がどう動いたかという、店全体の数字との突き合わせを併用すると、判断を誤りにくくなります。
工数の目安は、Search & Discoveryで商品詳細に関連枠を1つ出すだけなら、商品データが整っていれば半日程度。生成AIで関連コピーやバンドルを詰め、カートとメールへ広げる本格運用まで含めると、初月は数日かけて設計と検証を回し、翌月以降は週1回の数値確認と微調整が回せれば十分という現場感覚です。CRMと連携したメールレコメンドまで踏み込むならECのCRM×AI活用もあわせて見てください。なお、いちばん時間を食うのは初期の商品データ整備で、レコメンドそのものの設定より、タグと属性を埋め直す作業に工数が偏ります。ここを外注や生成AIで効率化できると、立ち上げの体感は大きく軽くなります。
AIレコメンドはどこへ向かうのか
レコメンドの次の段階は、生成AIが客との対話のなかで提案するエージェント接客です。これまでのレコメンドは「過去に似た人が何を買ったか」を出す静的な仕組みでした。生成AIを挟むと、客が「贈り物で、予算は5千円、相手は料理好き」と入力すれば、その場で条件に合うバンドルを組んで提案する、対話型の売場が現実になりつつあります。Shopifyをはじめ各プラットフォームがチャット型のショッピング支援を実装し始めており、レコメンド枠とチャットの境目は薄まっていく見込みです。
もう一つの流れが、買い物を代行するAIエージェントへの最適化です。客本人ではなくAIが商品を探して比較し購入まで進める動きが広がると、店側はAIに正しく商品を理解させる商品データの整備が、人間向けの見栄え以上に重要になります。属性タグ、用途、対象者を構造化して持たせておくと、AIレコメンドにも外部のAIエージェントにも拾われやすくなる。この観点はAIショッピングエージェント対応で掘り下げています。
独自に付け加えるなら、レコメンドの主戦場は「枠の最適化」から「商品データの質」へ移ります。どれだけ賢いアルゴリズムでも、商品名が曖昧で属性タグが空欄では、人にもAIにも正しく薦められません。2026年以降にレコメンドで差がつくのは、派手なアプリを入れた店ではなく、地道に商品データを構造化し、在庫連動と効果測定を回し続けた店だと考えています。
もう一段先を読むと、レコメンドの評価軸も変わります。これまではクリック率や客単価という即時の数字で枠を測ってきましたが、生成AIで一人ひとりに違う提案を出せるようになると、その客の生涯価値、つまり何度買い続けてくれるかという長い時間軸での貢献を見るほうが理にかなってきます。初回は安い入門商品を薦め、リピート客には上位商品やまとめ買いを提案する、といった顧客の段階に応じた出し分けが、ノーコードのCRM連携でも現実味を帯びています。短期の数字だけを追って毎回いちばん高い商品を推すと、押し売り感で客が離れる。長く付き合う前提で何を薦めるかを設計できる店が、レコメンドの次の競争で前に出ると見ています。
よくある質問
AIレコメンドは無料で始められますか
自社EC、特にShopifyなら無料で始められます。公式のSearch & Discoveryアプリが無料で、商品詳細ページに関連商品やおすすめ枠を出せます。反応を見て物足りなければ、後から有料のレコメンドSaaSへ広げる段階運用が安全です。
楽天やAmazonでも同じように導入できますか
同じようにはできません。楽天市場とAmazonはモール側が商品ページのレコメンド枠を握っており、外部のAIレコメンドツールを自由に差し込めません。楽天なら店舗内のおすすめ設定やクーポン、Amazonなら広告やブランドストアの範囲での運用になります。最新の可否は各モールのヘルプを要確認としてください。
どのデータがあればレコメンドは動きますか
主に購買履歴と閲覧履歴です。Shopifyならストアに標準で蓄積され、アプリに権限を渡せば学習に使われます。ただし注文件数が少ない立ち上げ期は行動ベースの推薦が弱いため、商品属性で並べるコンテンツベースと手動指定から始めるのが現実的です。
レコメンドを出す場所はどこがよいですか
まず商品詳細ページの1か所から始めるのを推奨します。数字が動いてからカートページ、購入後メールへ広げると検証が散らかりません。カートでは購入導線を最優先にし、レコメンド枠は絞ってください。
生成AIはレコメンドのどの部分で使いますか
並び順そのものはアプリのアルゴリズムに任せ、生成AIは関連商品のコピー、バンドルの構成、枠の見出し、メール文面づくりに使うのが現実的です。GPT-5.5 Instant、Gemini 3.5 Flash、Claude Opus 4.8のいずれでも本記事のプロンプトは機能します。
効果はどう測ればよいですか
レコメンド経由CVR、クロスセル率、客単価の3つを軸にします。導入前の数値を1〜2週間とり、導入後の同じ期間と比べると効果を切り分けやすくなります。数値が伸びない場合は推薦内容が客の文脈と合っているかを見直してください。
外注は必要ですか
ノーコードのアプリ設定と生成AIのプロンプトで、店長が自分の手で初期構築から効果測定まで進められます。CRM連携の高度なメールレコメンドや、商品データの大規模な構造化まで踏み込む段階で、支援を検討すれば十分です。
著者：齋藤竹紘（株式会社オルセル 編集長／5,000社以上のEC支援実績／書籍3冊）
※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/
【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）
株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。
この記事を読んだ人は、こんな記事も読んでいます
