パーソナライズド動画レコメンドAI
全員に同じ動画から、一人ひとりの投資スタイルに刺さるレコメンドへ。
取引データとサイト内の行動ログから投資家のタイプを推定し、一人ひとりに最適な学習動画を自動で選び出して配信。A/Bテストで効果を測りながら配信ロジックを磨き続ける運用まで、一貫して伴走しています。
- 01BACKGROUND
背景
投資を始める人の裾野が広がるなか、証券会社にとって学習動画は、口座開設後のアクティブ化と継続利用を左右する重要な資産になっています。しかし従来は全ユーザーに同じ動画一覧を出しており、せっかくのコンテンツが「見られないまま」眠っていました。
- 02CHALLENGE
課題
投資家は知識レベルも関心も取引スタイルも一人ひとり異なり、「誰に、どの動画を、どのタイミングで薦めるか」がそのままエンゲージメントに直結します。人手でルールを組む運用では、レコメンドの精度にも、改善を回すスピードにも限界がありました。
- 03APPROACH
Adeviaの取り組み
取引データとサイト内行動ログを掛け合わせて投資家のタイプを推定し、一人ひとりに最適な学習動画を自動で選定・配信するレコメンドロジックを構築しました。作って終わりにせず、A/Bテストで効果を検証し、その結果を配信ルールに反映し続けるPDCAの運用体制までを設計。本番KPIで成果を問われ続ける仕組みとして根づかせています。
- 04OUTCOME
成果
A/Bテストで、既存ロジック比CTR+20%を確認。効果が実証されたことで、PoCをクリアし、現在は本番移行に向けた開発を継続支援しています。
FOR ENGINEERS ／ この案件で得られる経験
金融の大規模な実データを使った分析・レコメンド開発と、本番KPIで成果を問われる運用改善の両方に踏み込めます。データサイエンスとエンジニアリングを行き来しながら、施策の意思決定に近い距離で成果に向き合える案件です。
採用情報を見るAdeviaの主な技術スタック（全事例共通）
- 生成AIモデル
- Claude / GPT / Gemini のAPIを用途に応じて使い分けるマルチLLM設計。音声合成はElevenLabs等も活用
- 開発スタイル
- Claude Code を中核に据えたAI駆動開発
- バックエンド
- Python（LangChain / LangGraph）
- フロントエンド
- TypeScript / React
- クラウド
- Google Cloud / AWS
※ 技術スタックはクライアントとの紐付けを避けるため、事例横断の共通情報として掲載しています。
OTHER WORKS
