ユースケース：視聴後のコンテンツ発見を促進する

この例は、架空のブランドがBraze AI 項目のレコメンデーションを活用して、主要な顧客モーメントにおいてパーソナライズされたコンテンツや製品の提案を提供する方法を示しています。レコメンデーションロジックがエンゲージメントを改善し、コンバージョンを増やし、手作業の手間を減らす方法について説明します。

例えば、カミラはキュレートされた映画やシリーズを配信するストリーミングプラットフォーム「MovieCanon」のCRMマネージャーだとしましょう。

カミラの目標は、視聴者が何かを見終わった後もエンゲージし続けてもらうことです。これまで、MovieCanonの「あなたにおすすめ」メッセージは幅広いジャンルのマッチングに基づいており、セッションの数時間後や数日後など任意のタイミングで送信されていました。エンゲージメントは低く、チームはもっとうまくやれることを分かっていました。

AI 項目のレコメンデーションを使用して、カミラは各視聴者の視聴履歴に基づいて新しいタイトルを自動的にレコメンドし、ユーザーが映画やエピソードを見終わった直後に配信する仕組みを構築します。これは、ユーザーが次に実際に見たいコンテンツを発見し、プラットフォームとのエンゲージメントを維持するための、よりスマートでパーソナルな方法です。

このチュートリアルでは、カミラがどのように以下を行うかを説明します。

• ユーザーが何かを見終わったときにトリガーされるパーソナライズされたメッセージ
• 視聴者の好みに合わせたレコメンデーション——MovieCanonのカタログから自動的に取得され、メッセージに挿入される

ステップ 1: レコメンデーションを作成する

カミラはまず、ユーザーが何かを見終わるたびに関連するタイトルを表示するレコメンデーションを作成します。ダイナミックなものにしたいので、ユーザーは最近視聴した内容に基づいてさまざまな提案を受け取ります。

1. Brazeのダッシュボードで、カミラはAI 項目のレコメンデーションに移動します。
2. 彼女は新しいレコメンデーションを作成し、「Post-viewing suggestions」と名付けます。
3. レコメンデーションタイプとしてAI Personalizedを選択し、各ユーザーが過去の行動に基づいてカスタマイズされたレコメンデーションを受け取れるようにします。
4. 彼女はユーザーが以前にインタラクションしたアイテムをレコメンドしないを選択し、すでに視聴済みのコンテンツがレコメンドされないようにします。
5. 彼女はMovieCanonの最新コンテンツライブラリーを含むカタログを選択します。カミラはカタログのセレクションを追加しません。カタログ内のすべてのアイテムをレコメンド対象にしたいためです。
6. カミラはレコメンデーションをWatched Contentカスタムイベントにリンクします。このイベントは視聴完了を追跡し、Property Nameをコンテンツのタイトルに設定します。
7. 彼女はレコメンデーションを作成します。

ステップ 2: アプリ内メッセージを設定する

レコメンデーションのトレーニングが完了した後、カミラはユーザーがタイトルを見終わった直後に届くメッセージングフローを構築します。このメッセージには、カタログから直接取得された3つのパーソナライズされた提案のリストが含まれます。

1. カミラはドラッグアンドドロップエディターを使用してアプリ内メッセージCampaignを作成します。
2. トリガーをカスタムイベントWatched Contentに設定します。
3. 彼女はタイトル画像、名前、「今すぐ視聴」CTAを含む複数ページのアプリ内メッセージをデザインします。

4. メッセージ本文で、カミラはパーソナライゼーション追加モーダルを使用して、レコメンドされたタイトルの名前、説明、サムネイルなどの変数をLiquidで追加します。これにより、カタログからコンテンツがダイナミックに挿入されます。彼女はLast Watched Movieのカスタム属性をテンプレートに組み込み、このレコメンデーションがユーザーの視聴履歴に基づいていることを伝えます。

1
{% assign items = {{product_recommendation.${Post-viewing suggestions}}} %}{{ items[0].name }}

1
{% assign items = {{product_recommendation.${Post-viewing suggestions}}} %}{{ items[0].description }}

1
{% assign items = {{product_recommendation.${Post-viewing suggestions}}} %}{{ items[0].thumbnail }}

5. 次にカミラはページを複製し、各変数のLiquid配列（{{ items[0]}}を{{items[1]}}に）をインクリメントして、レコメンデーションリストの次のアイテムをテンプレートに挿入します。

ステップ 3: 測定と最適化

Campaignが稼働すると、カミラは開封率、CTR、フォローアップの視聴行動を監視します。彼女はパフォーマンスを以前の静的なレコメンデーションCampaignsと比較し、より高いエンゲージメントと、ユーザーあたりのコンテンツセッション数の増加を確認します。

また、A/Bテストも計画しています。

• タイミング（視聴直後と視聴10分後）
• コンテンツレイアウト（カルーセルとリスト）
• CTAバリエーション（「今すぐ視聴」と「キューに追加」）

イベント駆動型のメッセージングとAI 項目のレコメンデーションを組み合わせることで、カミラはコンテンツ発見を自動的でパーソナライズされた体験に変えます。MovieCanonは推測に頼ることなく、セッションの深さを高め解約を防止するために、適切なタイミングで関連性の高いコンテンツを配信し、ユーザーのエンゲージメントを維持し続けます。