> ## Documentation Index > Fetch the complete documentation index at: https://docs.kameleoon.com/llms.txt > Use this file to discover all available pages before exploring further. # コンテキスチュアルバンディット > コンテキスチュアルバンディットがリアルタイムのユーザーシグナルを使用して、訪問者ごとに最もパフォーマンスの高いバリエーションへ動的にトラフィックを割り当てる仕組みを学びます。 パーソナライズはもはや贅沢ではなく、当然の期待となっています。しかし、各訪問者に適切なタイミングで適切な体験を提供することは、特に大規模に運用する場合には困難な課題です。A/B テストや多変量テスト（MVT）といった従来の手法はユーザー体験を改善する構造化された方法を提供しますが、トレードオフがあります。学習曲線の遅さ、柔軟性の限界、静的な前提条件などです。 これらの制限に対処するのが **コンテキスチュアルバンディット**（CB）です。これは機械学習ベースのアプローチで、従来の実験に代わる動的でデータドリブンな選択肢を提供します。この記事では以下を解説します。 * コンテキスチュアルバンディットの仕組み * どのような種類のデータがその動力源となるか * このコンテキストにおける「行動」とは実際に何を意味するか * CB が真価を発揮する実世界のユースケース ## コンテキスチュアルバンディットとは コンテキスチュアルバンディットは、**探索**（新しい選択肢を試す）と **活用**（既知の最良の選択肢を使う）のバランスを取る機械学習アプローチです。重要なのは、アルゴリズムが Learning フェーズの状態を 1 時間ごとにチェックするようになっており（AI Predictive Targeting と同様）、より迅速かつインテリジェントに適応できる点です。 コンテキスチュアルバンディットは、[AI Predictive Targeting](../../../ai-predictive-targeting/overview) と同じ機械学習モデルを使用します。デフォルトでは、モデルはカスタムデータを入力として使用しません。コンテキスチュアルバンディットでカスタムデータを使用するには、AI Predictive Targeting アドオンの契約が必要です。 トラフィックを固定バリアントに均等に分割する静的な A/B テストや MVT テストとは異なり、CB は **動的** です。さまざまなタイプのユーザーに対して最も効果的に機能しているものに基づいて、バリアントの割り当てをリアルタイムで調整します。 CB を従来の多腕バンディット（MAB）と区別することも重要です。MAB は各選択肢の全体的なパフォーマンスのみを考慮しますが、CB はリアルタイムのユーザーコンテキスト（行動、デバイスタイプ、リファラルソースなど）を考慮し、訪問者ごとに賢い意思決定を行います。 ## コンテキスチュアルバンディットの仕組み CB の中心には、継続的に改善される意思決定のループがあります。仕組みは以下の通りです。 1. ユーザーがあなたのウェブサイトにアクセスします。 2. CB アルゴリズムがリアルタイムのコンテキストシグナル（例: デバイス、場所、過去の行動）を評価します。 3. ポジティブな結果につながる可能性が最も高いバリアントを選択します。 4. 結果（コンバージョン、クリック、エンゲージメント）を観察します。 5. それに応じて学習し、モデルを更新します。 このフィードバックループは絶えず行われ、ライブなユーザーデータによって駆動されます。Kameleoon は、複数層のユーザーコンテキストを意思決定に組み込む高度な形式の CB である、コンテキスチュアル多腕バンディット（CMAB）を使用しています。 ## コンテキスチュアルバンディットにおける行動の理解 Kameleoon では、行動には、ユーザーの意図や好みを予測するのに役立つあらゆるインタラクションやシグナルが含まれます。 * ページビュー * スクロール深度 * サイト滞在時間 * CTA のクリック * 閲覧した商品 * カートの中身 これらの行動は、CB アルゴリズムと Kameleoon Conversion Score（KCS）の両方に供給され、すべてのパーソナライズツール全体で標準化された行動基盤を形成します。 ## コンテキスチュアルバンディットを賢くするものは何か CB システムのインテリジェンスは、受け取るデータの品質に左右されます。高品質でリアルタイムの行動シグナルは、より良い予測とより速い最適化につながります。 Kameleoon のリアルタイムデータパイプラインは、以下によって CB が情報に基づいた意思決定を行えるようにします。 * クリーンで関連性の高いコンテキストシグナルを即座にキャプチャ * 遅延なくモデルに供給 * Learning フェーズのステータスを 1 時間ごとに更新 Kameleoon は、パーソナライズの取り組みを迅速かつ正確に改善することを保証します。 ## コンテキスチュアルバンディットのユースケース CB は非常に多用途です。以下に活用できるいくつかの方法を示します。 ### ホームページレイアウトの最適化 リアルタイムのユーザー行動に応じて、異なるホームページモジュール（バナー、注目商品、CTA など）を表示します。CB は継続的に適応し、さまざまなタイプのユーザーにとってどのレイアウトが最も効果的かを判断します。 ### パーソナライズされたプロモーションオファーの保存 プロモーション用にオーディエンスセグメントを手動で作成する代わりに、CB に任せましょう。カートの金額（[カスタムデータ](../../../assets/custom-data/create-custom-data)）、閲覧履歴、トラフィックソースなどのシグナルを分析し、最も効果的なオファーを自動的に表示します。 ### 新機能の動的なロールアウト リアルタイムでサイトとのやり取りに基づいて、ポジティブに反応する可能性が高いユーザーに対して、新機能や UI コンポーネントを段階的に導入します。 ## コンテキスチュアルバンディットを使うタイミング コンテキスチュアルバンディットは強力なツールですが、常に最適な選択肢とは限りません。簡単なガイドを以下に示します。 **最適な用途:** * 大規模なパーソナライズ * 継続的に学習が行われる環境 * ユーザーインタラクションの多いトラフィックの多いページ **適していない用途:** * 厳密な制御と解釈可能性が不可欠な実験 * 学習に時間がかかりすぎる低トラフィック環境 ## まとめ コンテキスチュアルバンディットは、実験へのよりスマートで適応性のあるアプローチです。高品質なリアルタイムデータから継続的に学習することで、CB は硬直したテストや手動セグメンテーションを必要とせず、より良い体験をより迅速に提供できます。 重要なことに、Kameleoon のコンテキスチュアルバンディットを動かす行動は、AI propensity score を支えるものと同じです。この共有された行動基盤により、実験と最適化全体でスマートで一貫したパーソナライズが実現します。 要するに、コンテキスチュアルバンディットは、知的に、効率的に、そして大規模に、ユーザーがいる場所で出会うのを支援します。 CB を Web 実験に統合する詳細については、[こちらの記事](../configure-and-launch/finalizing-an-experiment#コンテキスチュアルバンディット) を参照してください。機能実験における CB について詳しく学ぶには、[こちらの記事](../../feature-experimentation/using-the-rollout-planner/optimizations-and-scheduling/multi-armed-bandit-optimizations-for-feature-experiments#コンテクスチュアルバンディット) を参照してください。