この記事のポイント
ECの商品推薦をGoogle Cloudで構築するならVertex AI Search for commerce内のRecommendations AIが候補- 商品カタログとユーザーイベントが十分にそろっているECなら短期検証よりA/Bテスト前提の導入が現実的
- Google Cloud Recommenderはクラウド最適化向けで、商品推薦のRecommendations AIとは別物
- 料金は予測リクエスト数と学習・チューニングのノード時間で読むべき構成
- 推薦モデルだけで終わらせず、在庫・CRM・販促施策まで接続する設計が重要
Microsoft MVP・AIパートナー。LinkX Japan株式会社 代表取締役。東京工業大学大学院にて自然言語処理・金融工学を研究。NHK放送技術研究所でAI・ブロックチェーンの研究開発に従事し、国際学会・ジャーナルでの発表多数。経営情報学会 優秀賞受賞。シンガポールでWeb3企業を創業後、現在は企業向けAI導入・DX推進を支援。
Recommendations AIは、Google CloudのVertex AI Search for commerceで利用できる商品推薦機能です。ECサイトやアプリの閲覧・購買データ、商品カタログをもとに、関連商品や再購入候補、カート追加につながりやすい商品を推薦できます。
本記事では、Recommendations AIの現在の位置づけ、主要モデル、導入手順、活用事例、料金体系、導入時の注意点までを、2026年4月時点の公式情報をもとに解説します。
Recommendations AIとは？商品推薦を自動化するGoogle Cloudの機能
Recommendations AIは、ECサイトやアプリで「おすすめ商品」「関連商品」「よく一緒に買われる商品」などを表示するためのGoogle Cloudの推薦機能です。2026年4月時点では、独立した単体サービスというより、Vertex AI Search for commerceの中で検索・閲覧・推薦を支える機能として理解するのが安全です。
oogle Cloudの設定ドキュメントでも、Vertex AI Search for commerceを有効化するとRecommendations AIが利用可能になる流れが説明されています。
つまり、Recommendations AIは小売・EC向けの商品発見基盤の一部であり、汎用的な「AIが何でもおすすめしてくれるAPI」ではありません。
現行名称との関係
Recommendations AIという名称は今も公式ドキュメントや事例ページで使われていますが、周辺プロダクトの名称は変わっています。Google Cloudのリリースノートでは、2025年1月10日にVertex AI Search for retailがVertex AI Search for commerceへ改称されたと説明されています。
そのため、本記事では検索キーワードとして分かりやすい「Recommendations AI」を使いながら、現在の実体はVertex AI Search for commerce内のrecommendations機能として扱います。古い資料で「Retail Search」「Recommendations AI」「Vertex AI Search for retail」と書かれている場合も、2026年時点ではSearch for commerceの文脈で確認するのが実務上の近道です。
何を推薦できるか
Recommendations AIが扱うのは、主に商品カタログとユーザーイベントに基づく商品推薦です。たとえば、商品詳細ページで類似商品を出す、カート画面で追加購入候補を出す、過去購入を踏まえて再購入商品を提案する、といった使い方が中心になります。
Google Cloudの公式ソリューションページでは、Recommendations AIが顧客行動、コンテキスト、SKUのニュアンスを理解し、チャネル横断で関連性の高い推薦を出すための機能として紹介されています。Webサイトだけでなく、モバイルアプリ、メールなど、複数の商品発見接点に推薦を組み込む設計が想定されています。
ここで重要なのは、推薦アルゴリズムだけを見るのではなく、商品データ、ユーザーイベント、配信面、A/Bテストをセットで設計することです。推薦結果が良くても、在庫切れ商品を出す、販促意図と合わない商品を出す、メール配信のタイミングがずれる、といった運用課題が残ると成果にはつながりません。
Recommendations AIが必要になる理由
Recommendations AIが必要になるのは、商品点数と顧客接点が増え、手作業のルールだけでは最適な商品提案を維持できなくなるためです。少数商品のECであれば「新商品を上に出す」「人気商品を表示する」だけでも一定の効果はありますが、SKU数や顧客セグメントが増えるほど、画一的な推薦は機会損失になりやすくなります。
ルールベースの限界
ルールベースの推薦は、初期導入しやすい一方で、ユーザーごとの意図を細かく反映しにくい弱点があります。たとえば、同じ「スニーカー」を見ているユーザーでも、スポーツ用途、通勤用途、セール品探し、ブランド指名買いでは次に出すべき商品が変わります。
レコメンドAIの一般論としても、購買履歴、閲覧履歴、クリック、カート投入、購入といったイベントを組み合わせるほど、推薦は個別最適化しやすくなります。Recommendations AIは、この商品カタログとイベントデータを前提に、ページごと・ユーザーごとに異なる推薦を返すためのマネージドな選択肢です。
検索と推薦を分けて考えない
ECの改善では、検索と推薦を別施策として扱いがちです。しかし、実際の購買体験では「検索した商品から関連商品を見る」「カテゴリを閲覧して比較する」「カートで追加購入候補を見る」という流れが連続しています。
Vertex AI Searchとは？機能・料金・導入手順を解説でも解説しているように、Vertex AI Search for commerceは検索・閲覧・商品発見の体験をまとめて改善するための領域です。Recommendations AIを単体の推薦エンジンとして導入するより、検索、カテゴリ閲覧、メール、キャンペーン、CRM施策まで含めて「どの接点で何を推薦するか」を設計したほうが成果を読みやすくなります。
Recommendations AIの主要モデル
Recommendations AIでは、表示面や目的に応じて複数の推薦モデルを選びます。どのモデルを使うかは、単なるアルゴリズム選択ではなく、「どのページで、どのユーザーに、何を起こしたいか」を決める作業です。
Google Cloudのrecommendation modelsドキュメントでは、モデルタイプと最適化目的が整理されています。代表的なモデルを実務目線でまとめると、以下のようになります。
| モデルタイプ | 主な用途 | 向いている配置面 |
|---|---|---|
| Others You May Like | 閲覧中の商品に近い候補や関連候補を出す | 商品詳細、カテゴリ、ホーム |
| Frequently Bought Together | 一緒に購入されやすい商品を出す | カート、商品詳細、購入直前 |
| Recommended For You | ユーザーごとに個別の推薦を出す | ホーム、会員ページ、アプリ |
| Buy It Again | 過去購入に基づき再購入候補を出す | マイページ、メール、日用品EC |
| Similar Items | 類似商品を提示する | 商品詳細、在庫切れ代替 |
この表が示すように、まずは商品詳細ページならOthers You May LikeやSimilar Items、カートならFrequently Bought Together、会員向けの再訪問施策ならRecommended For YouやBuy It Again、というように配置面から逆算すると選びやすくなります。
最適化目的の選び方
Recommendations AIでは、モデルタイプによってクリック率、コンバージョン率、セッションあたり収益などの最適化目的を選ぶ考え方があります。Google Cloudのリリースノートでは、Others You May LikeとFrequently Bought Together向けにセッションあたり収益の最適化目的が提供されたことも案内されています。
ただし、収益最適化を選べば常に正解というわけではありません。新規ユーザーの回遊を伸ばしたい時期ならクリック率、購入直前のカート追加を重視するならコンバージョンや収益、リピート商材なら再購入といったように、KPIと表示面を合わせる必要があります。
事前学習済みLLMの活用
2026年時点のVertex AI Search for commerceには、推薦・検索の改善に生成AI技術も組み込まれています。Google Cloudのpretrained LLMドキュメントでは、事前学習済みLLMによる推薦パフォーマンス改善や、LLMを使った埋め込み、説明的な特徴量の扱いが案内されています。
ただし、ここも「LLMを使うから何でも高精度になる」と考えるのは危険です。商品名、説明文、カテゴリ、価格、画像、在庫、ユーザーイベントが欠けていると、モデル側で補える範囲には限界があります。推薦モデルの前に、商品カタログとイベントデータの品質を見るべきです。
Recommendations AIの導入手順
Recommendations AIの導入は、APIを有効化してすぐ本番投入するものではなく、商品カタログ、ユーザーイベント、モデル作成、A/Bテストを順番に進める流れになります。Google Cloudのセットアップ手順では、プロジェクト作成、Vertex AI Search for commerceの有効化、商品カタログとユーザーイベントのインポートが前提として示されています。
実務では、次の順番で進めると整理しやすくなります。
- 商品カタログを準備する
商品ID、商品名、カテゴリ、価格、在庫、説明文、画像URLなど、推薦に必要な商品情報を整えます。商品属性が粗いと、類似商品や関連商品の精度が出にくくなります。
- ユーザーイベントを取り込む
閲覧、クリック、カート追加、購入などのイベントを記録します。Google Cloudの手順では、過去イベントのインポートに加えて、リアルタイムイベントの記録も説明されています。
- 推薦モデルを作成する
表示面に合わせてモデルタイプを選び、モデルを作成します。Google Cloudのモデル作成ドキュメントでは、初期学習とチューニングに通常2〜5日かかり、大規模データではさらに時間がかかる場合があると説明されています。
- 配信設定から予測を呼び出す
serving configを使って推薦結果を返します。Google Cloudのget recommendationsドキュメントでは、recommendation requestの文脈になるユーザーイベントを渡して予測を取得する流れが示されています。
- A/Bテストで効果を見る
推薦の良し悪しは、オフラインの精度だけでは判断できません。クリック率、カート追加率、購入率、平均注文額、長期的なリピート率など、表示面に合ったKPIで検証します。
この順番で見ると、最初の山場はモデル作成ではなくデータ準備です。たとえば商品カタログが店舗・EC・アプリで別々に管理されている場合、モデル以前に商品IDやカテゴリ定義をそろえる必要があります。BigQueryに購買・閲覧・在庫データを集約している企業では、まず推薦に使うイベントと商品マスタを整理するところから始めるのが現実的です。
商品推薦を業務実装へ
推薦モデルから販促運用まで接続
Recommendations AIで推薦精度を高めても、実運用では在庫・CRM・販促施策・承認フローまで含めた接続設計が必要です。AI Agent Hubの資料で、既存のGoogle Cloud活用を業務プロセスへつなげる全体像をご確認ください。
Recommendations AIの活用事例
Recommendations AIの事例を見ると、単純な「おすすめ枠の改善」だけではなく、顧客データ基盤、広告運用、EC体験の改善と組み合わせて使われていることが分かります。ここではGoogle Cloudが公開している事例を中心に紹介します。
Jardine Restaurant Group
Jardine Restaurant Groupは、KFCやPizza Hutなどを展開する外食グループです。Google CloudのJardine Restaurant Group事例では、BigQueryとRecommendations AIを含むCustomer Data Platformを構築し、広告・マーケティング施策の精度向上に活用したことが説明されています。
同事例では、3週間で関連広告費用対効果が200%以上向上したこと、Recommendations AIとOptimize 360を使ったパーソナライズ推薦により、アドオン率が12%向上し、平均注文額が30%以上増えたことが紹介されています。重要なのは、Recommendations AIだけで成果を出したというより、CDP、BigQuery、GA4、広告施策、EC体験を組み合わせて改善している点です。
IKEAとBazaarvoice
Google Cloud Japanの2021年AIブログまとめでは、IKEAがRecommendations AIを使ってクリック率を30%向上し、Bazaarvoiceがクリック率を60%向上した事例が紹介されています。古い事例ではありますが、商品推薦が購買前の探索体験に直接効くことを示す代表例として参考になります。
ただし、こうした数値は企業のデータ量、商品構成、表示面、A/Bテスト条件に依存します。自社で導入するときは、他社の改善率をそのまま目標に置くより、まず既存のおすすめ枠、カテゴリ回遊、カート追加率をベースラインとして測るべきです。
Recommendations AIと関連サービスの違い
Recommendations AIは名前だけ見ると、一般的なレコメンドAIやGoogle Cloud Recommenderと混同しやすいサービスです。導入判断で迷う場合は、何を推薦するのか、誰に出すのか、どのデータを使うのかで切り分けます。
| 比較対象 | 主な目的 | Recommendations AIとの違い |
|---|---|---|
| レコメンドAI一般 | 推薦アルゴリズム全般 | 概念や手法の総称。Recommendations AIはGoogle Cloudの小売・EC向け機能 |
| Vertex AI Search for commerce | 小売向け検索・閲覧・推薦 | Recommendations AIはその中の推薦領域として扱う |
| BigQuery ML | SQLで機械学習モデルを作る | 推薦専用のマネージド配信基盤ではなく、独自モデル構築向け |
| Google Cloud Recommender | クラウド資源の最適化提案 | 商品推薦ではなく、Google Cloud環境のコスト・性能・セキュリティ最適化向け |
| 汎用MLOps基盤 | 独自モデルの学習・運用 | 推薦以外も扱えるが、EC向けモデルや配信制御を自前で設計する必要がある |
Google Cloud Recommenderは、Google Cloudプロジェクトのコスト、セキュリティ、性能などを最適化するActive Assist系の仕組みです。名前は似ていますが、ECの商品推薦とは用途が違うため、検索時には注意が必要です。
独自の推薦ロジックや業界固有のスコアリングを作り込みたい場合は、機械学習やBigQuery ML、Vertex AIのカスタムモデルが選択肢になります。一方で、商品カタログとユーザーイベントをもとにECの推薦面を早く立ち上げたいなら、Recommendations AIのような小売向けマネージド機能を優先するほうが実装負荷を抑えやすくなります。
Recommendations AIを使う前の注意点
Recommendations AIを導入する前に、データ品質、モデルの学習期間、個人情報の扱い、推薦結果の業務運用を確認する必要があります。特にECの推薦は売上に直結するため、モデルの精度だけでなく、表示ロジックと運用体制まで含めて設計します。
データ品質が精度を左右する
Google Cloudのモデル作成ドキュメントでは、合成データでは良いモデルを構築できず、実際の商品カタログとユーザーイベントが重要であることが説明されています。推薦では、商品カタログとイベントの欠損が大きいと成果が出にくくなります。
Recommendations AIでは、過去イベントとリアルタイムイベントの両方が重要です。新商品や在庫変動が多い業態では、日次バッチだけでなく、リアルタイムイベント収集と在庫情報の更新設計も合わせて見ておくべきです。
合成データだけで本番判断しない
Google Cloudのモデル作成ドキュメントでは、テスト用に合成データをインポートできる一方で、合成データでは良いモデルを構築できないと説明されています。UIやAPI連携の疎通確認には使えても、売上改善を判断する材料にはなりません。
本番判断では、実際のユーザーイベント、商品カタログ、在庫、季節性、キャンペーン施策を含めたA/Bテストが必要です。短期間のクリック率だけで判断すると、長期的な購買単価やリピート率に悪影響が出る可能性があります。
データ利用とガバナンスを確認する
Vertex AI Search for commerceのデータガバナンスページでは、顧客データは基盤モデルの学習には使われず、顧客固有モデルは対象プロジェクトのコンテキスト内でのみ使われると説明されています。
一方で、個人情報や顧客行動データを扱う以上、自社側の同意取得、プライバシーポリシー、データ保持期間、アクセス権限設計は別途必要です。Google Cloud側のデータ利用条件を読むだけでなく、マーケティング部門、法務、情報システム部門で「どのイベントを収集してよいか」を決めてから実装するのが安全です。
Recommendations AIの料金
Recommendations AIの料金は、主に予測リクエスト数と、モデルの学習・チューニングに使うノード時間で決まります。2026年4月時点の公式料金ページでは、商品カタログやユーザーイベントのインポート・管理には課金されず、課金対象は学習、チューニング、predictメソッドによる予測リクエストと説明されています。
代表的な料金は以下のとおりです。Google Cloudの料金は改定される可能性があるため、実際の見積もりでは最新の公式ページと契約条件を確認してください。
| 項目 | 2026年4月時点の料金 |
|---|---|
| 月2,000万予測まで | 1,000予測あたり0.27ドル |
| 月2,000万超〜3億予測まで | 1,000予測あたり0.18ドル |
| 月3億予測超 | 1,000予測あたり0.10ドル |
| 学習・チューニング | ノード時間あたり2.50ドル |
料金を見るときは、予測リクエストだけでなく、モデル数と自動再学習の頻度も合わせて考える必要があります。公式料金ページの例では、大規模小売で月10億予測、3モデル、月500ノード時間の学習、月100ノード時間相当のチューニングを行うケースが示されており、予測リクエスト量が大きいほどコストの大半を占めます。
小規模に始めるなら、まずは推薦枠を1〜2か所に絞り、月間の表示回数と予測リクエスト数を見積もるのが現実的です。全ページ・全チャネルに一気に出すより、商品詳細ページ、カート、メールのようにKPIを測りやすい接点から始めると、費用対効果を検証しやすくなります。
Recommendations AIの推薦結果を業務アクションまでつなげるなら
Recommendations AIで推薦精度を上げても、実際の業務ではその結果をどこで使うかが重要です。おすすめ商品を表示するだけでなく、在庫、CRM、メール配信、キャンペーン承認、カスタマーサポートまでつなげると、推薦モデルの成果を売上や業務効率に結びつけやすくなります。
AI Agent Hubは、既存のAI基盤や業務システムを前提に、実行ログ、権限管理、業務フロー連携まで含めて設計するためのAIエージェント基盤です。Recommendations AIやBigQueryで得た顧客理解を、担当者への通知、販促施策の承認、基幹システムへの入力といった実務プロセスに接続するには、モデルの精度だけでなく運用基盤の設計が必要になります。
AI総合研究所では、Google Cloud上のAI活用を前提に、推薦・検索・データ基盤を業務フローへ接続する設計を支援しています。AI Agent Hubの資料で、AIモデルをPoCで終わらせず業務実装へ進めるための全体像をご確認ください。
商品推薦を業務実装へ
推薦モデルから販促運用まで接続
Recommendations AIで推薦精度を高めても、実運用では在庫・CRM・販促施策・承認フローまで含めた接続設計が必要です。AI Agent Hubの資料で、既存のGoogle Cloud活用を業務プロセスへつなげる全体像をご確認ください。
まとめ｜Recommendations AIはECの商品推薦を業務成果につなげる選択肢
Recommendations AIは、Google CloudのVertex AI Search for commerceで利用できる小売・EC向けの商品推薦機能です。現行の名称体系では、Search for commerceの中で検索・閲覧・推薦をまとめて扱う文脈で理解すると混乱しにくくなります。
導入時は、商品詳細、カート、ホーム、メールなどの表示面ごとに、Others You May Like、Frequently Bought Together、Recommended For You、Buy It Againなどのモデルを選びます。モデル選定より前に、商品カタログ、ユーザーイベント、在庫、A/Bテスト設計をそろえることが重要です。
料金は予測リクエスト数と学習・チューニングのノード時間で決まります。最初から全チャネルに展開するより、既存のおすすめ枠やカート追加施策を対象に小さく検証し、BigQueryやCRM、販促運用までつなげる形で段階的に広げるのが現実的です。
