AIは、コンテンツが膨大なプラットフォームにおける「選択肢の過剰」という問題を解決できるのか？

はじめに

レコメンデーションシステムは、ユーザーが選択しなければならない選択肢の数を減らしてくれます。そしてデータによれば、その価値は多くの人が想定している以上にプラットフォームにとって大きいことが示されています。それが「新しい発見」を犠牲にしているかどうかは別の問題であり、その答えも簡単には出せません。

ストリーミングアプリは、火曜の夜にユーザーに多大な負担を強いる。アプリを開くと、見る価値のあるコンテンツにたどり着くまでに（そもそも何か見つかるという前提で）、ずらりと並んだサムネイルを一つずつ確認していかなければならない。多くの人は、結局何も見つからないまま終わってしまう。 バナーが入れ替わり、同じ数本のタイトルが繰り返し表示され、ある時点でアプリを閉じてしまうことが、最も抵抗の少ない道に思えてくることもある。Vegas Stars casino nzのようなカジノサイトは、別の角度から関連する問題に直面している。新規アカウントでログインすると、何百もの見慣れないゲームのタイルが表示され、どこから始めればよいのかが明らかではないのだ。研究者たちは以前、これを「選択の過負荷」と名付け、プラットフォーム側はこれを一種の収益問題として扱っている。

レコメンデーションエンジンの真の価値

Netflixに所属する経済学者グループ（論文の著者3名はNetflixに直接勤務）による2025年11月のSSRNワーキングペーパーによると、Netflixのレコメンデーションエンジンを単純な人気ランキングに置き換えると、エンゲージメントは12％低下する。 完全なパーソナライゼーションより一歩手前の「行列因数分解モデル」を試してみると、その影響は4％にとどまり、損失は小さくなります。これを数億人の加入者ベースで換算すると、その差は数十億時間の視聴時間に相当し、最終的には何らかの形で契約更新率に反映される金額となります。

クラウス・ヴェルテンブロッホ氏は、パーソナライゼーションが紛れもなく有益であるという見解を完全には支持していない。同氏はINSEADでマーケティングを教えているほか、そもそも人々がアルゴリズムによる選択をどれほど重視しているのかを疑問視する論文を共著している。 「私と共著者は、消費者がそのような選択を行う際にAIアルゴリズムに過度に依存しないよう注意を促している」とヴェルテンブロッホ氏は論文の中で述べ、人々にバイアスについて再考するよう呼びかけた。彼は、レコメンデーションが「公式な推奨」ではなく、単に「アドバイス」に過ぎないものとして、ありのままに受け止められることを望んでいると語った。

これは「人気バイアス」と関連している。ある番組を視聴しているアカウントが一定数に達すると、モデルはその番組を他の人に推薦するよう促される（未知の作品よりも、すでにヒットしている作品を推薦する方が無難だからだ）。その結果、視聴者数が少ない番組は、その後のアルゴリズムの更新で次第に露出が減り、最終的にその番組を積極的に探していない人々の目から消えてしまう。 経済学者は、このプロセスを説明するために「富める者はさらに富む」という効果を引用する。これは、検索エンジンのインデックス作成やソーシャルメディアのフィードなど、アルゴリズムが暗黙のうちに人気を品質を判断する指標として用いているあらゆる場面に影響を及ぼす。

NetflixとINSEADは最終的に同じ結論に達しましたが、そこに至るまでの道のりは異なっていました。両者は異なる業界の全く異なるデータを扱っていましたが、ユーザーが定着し続ける根本的な理由は通常同じであることに気づきました。既存のコンテンツの質を向上させないままライブラリを拡大し続けると、質の低いコンテンツが蓄積され、新規ユーザーの獲得や既存ユーザーの維持において非効率的になりがちです。

アルゴリズムは「嬉しい偶然」を捉えられない

クリック履歴、ページ滞在時間、検索キーワードは、ほとんどの検索エンジンの基盤を成しています。これらのデジタルフットプリントに基づいて、ユーザーがすでに時間をかけて視聴したりプレイしたりしたコンテンツをさらに提示します。設計意図の観点からは理にかなっています。しかし一方で、特定の種類の提案がユーザーに表示されない可能性もあります。 その理由は少々微妙で、そもそもそのコンテンツを紹介されたことがなかったため、興味を示した兆候が一切なかったという事実に基づいています。かつて、レコメンデーションシステムやAIが登場する前は、「口コミ」マーケティングが主流でした。兄弟や姉妹から、ほんの数曲しか入っていないミックステープをもらったとき、探してもいなかったのに、突然まったく新しいサブジャンルを発見するようなものです。

コンテンツタイプ	標準的なエンゲージメント	キュレーション型エンゲージメント	主な観察結果
幅広い層に支持されるヒット作	すでに高い	ほとんど変動なし	人気だけでこれらのタイトルは注目を集める
中堅のカタログ	埋もれており、見過ごされやすい	目立って順位が上がる	ここでは特に、キュレーションが真価を発揮する
ニッチなタイトル	ほとんど目立たない	わずかに増加	的確なターゲティングにも限界はある

データだけでは、こうした予期せぬ楽しい発見を自力で引き出すのは困難です。「Vegas Stars」のようなサイトは、カードゲーム、ボラティリティの高いスロット、24時間体制で稼働するライブディーラーなど、膨大なカタログを管理しています。当然ながら、このようなライブラリを整理するには何らかの仕組みが必要です。機械学習アルゴリズムが基礎となる数学的処理を担い、スマートなUX／プロダクトデザインがその役割を完結させます。過去の経験が全くないユーザーが新規アカウントを作成した場合、AIと優れたコンテンツカテゴリがその魔法を発揮します。 このようにプラットフォームを構成することで、ゲーム一覧がごちゃごちゃになるのを防ぐことができます。

適切なキュレーションは大きな効果をもたらす

Vegas Starsに初めて訪れたユーザーは、約200個の個別のゲームタイルを目にしますが、その時点ではクリック履歴は一切ありません。 多くの旧式のレコメンデーションエンジンは、この「白紙の状態」に対して時代遅れの対応をとっています。その主な理由は、そもそもそのようなシナリオを想定して構築されていないからです。中には、画面上のすべてが区別がつかなくなるまで、同じ数種類のジャンルを繰り返し提示し続けるものもあります。より優れたシステムは、もう少し工夫を凝らし、プレイヤーがすでに好んでいるものを追跡した上で、そのパターンから外れたタイトルを時折挿入し、何が受け入れられるかを試します。

• クリック数やセッション時間は、いかなるアンケートよりもプレイヤーのことを雄弁に物語ります。
• 協調フィルタリングを通じて数千のアカウントを相互に比較し、プレイされた内容やスキップされた内容における共通点を洗い出します。
• ボラティリティやゲームメカニクスはゲームファイルから直接読み取られるため、プレイスタイルのマッチングは推測ではなくデータに基づいています。
• セッション中の気分の変化も捕捉されます。これは、静的なプロフィールでは見逃されてしまうような要素です。

エンジニアたちは、記録がまだ何もない新規アカウントというこの初期シナリオに、「コールドスタート問題」という名前をつけています。一部のシステムは、適切なパーソナライズを行うのに十分な行動データが蓄積されるまで、新規アカウントを広く人気のあるコンテンツにデフォルトで誘導することで対処します。他のシステムは、代わりにいくつかのオンボーディング質問を行い、登録プロセスを少し煩雑にする代わりに、マッチングの初期段階での優位性を確保します。どちらの解決策も完璧ではありませんが、200個のタイルをランダムに表示して何かがヒットすることを期待するよりは、どちらも優れています。

あらゆるコンテンツを精査し始めると、実際の選別作業の大部分は2つの手法によって行われます。まず、協調フィルタリングは、クリックされた、再生された、あるいは「共通してスキップされた」タイトルを比較することで、1つのアカウントと他の何千ものアカウントとの間の類似度スコアを算出します。 コンテンツベースのタグ付けは、その比較を省略し、代わりに各タイトルのメタデータ（ボラティリティ指数、テーマ、ペイテーブルの構造など）を読み取り、それらの属性をそのアカウントが過去に好んだものと照合します（これら2つの手法は、一方が他方を置き換えるのではなく、しばしば並行して実行されます）。どちらの方法も、ユーザーが座って手作業でカタログ全体をくまなく調べる手間を省いてくれます。

これを分解すると、およそ5つのステップを経ており、それぞれは非常に単純明快です：

1. ランキングが決定される前に、セッションデータ、カテゴリーの好み、スキップパターンがモデルに反映されます。
2. 個々のプロフィールは、単に広く人気のあるタイトルだけでなく、実際のクリック履歴と結びついたタイトルと照合されます。
3. 適切な順位付けを行う。ホームページのグリッドにおけるエンゲージメントの大部分は、最初の数行で発生します。これが、その下のリストのサイズよりも順位付けの順序の方が重要視される理由の一部です。
4. 新しいクリック、スキップ、および完了したセッションは、さらなる学習データとしてモデルに反映されます。
5. 新作のリリースやプレイヤーの行動の変化は、定期的な更新を待つことなく、数分以内に反映されます。

Vegas Starsにおけるより優れたキュレーションの実態

Vegas Starsのようなサイトでは、トラフィックの大部分をモバイルセッションが占めており、それによってユーザーのためにキュレーションが果たすべき役割も変わります。 画面が小さいため、スクロールせずに表示できるタイルはせいぜい6～8個程度です。そのため、最初に表示される行に配置されたコンテンツは、Netflixの研究が指摘する「ホームページのグリッド効果」と同様に、非常に大きな影響力を持っています。この最初の行の配置を誤ると、たとえ背後にあるマッチングアルゴリズムがどれほど優れていても、プレイヤーはライブラリの残りの部分を見ることはありません。

さらに、ライブディーラーのテーブルゲームは、まったく新しいレベルの複雑さを加えます。例えば、3つの空席があるブラックジャックのテーブルに、参加を希望するユーザーがいるとします。そのユーザーを接続するには、予約カレンダーをくまなく探すのに数秒を費やすのではなく、ミリ秒単位で対応する必要があります。 席が埋まってしまったら、単に再放送の再生ボタンを押すだけでは済まない。オンデマンド動画ライブラリとは異なり、ここではタイミングが重要だ。なぜなら、ライブテーブルが満席になれば、プレイヤーにとってその機会は失われてしまうからだ。これは、PlayStationやXboxで見られる『コール オブ デューティ』やその他のチームゲームにおけるマルチプレイヤーロビーのようなものだ。

ペイアウトの速度も、多少間接的ではありますが、ユーザーの発見（ディスカバリー）に影響を与えます。仮想通貨や電子ウォレットを通じて資金を移動させるプレイヤーは、銀行振込を何日も待つ人よりもセッションを素早く繰り返す傾向があり、その結果、そのアカウントが別のプラットフォームに移ってしまう前に、レコメンデーションエンジンが訪問ごとに何かを学習する時間が少なくなってしまいます。資金の入金が早ければ早いほど、そのロビーが実際にそのプレイヤーにとって機能したかどうかを判断するスピードも早くなる傾向があります。

これを実現するには、本格的なエンジニアリングが必要です。高速で応答性の高いバックエンドシステムに加え、プレイヤーの注目が実際にどこに向くかを踏まえて設計されたレイアウトが求められます。

免責事項：ギャンブルは娯楽の一形態であり、本質的なリスクを伴います。収入源や財務戦略として捉えるべきではありません。失っても構わない金額のみを賭け、厳格な制限を設け、ギャンブルが生活に影響を及ぼしている場合は支援を求めてください。参加は18歳以上の成人に限定されます。常に責任を持ってギャンブルを行ってください。