ユニファイドコマース向け AI活用ガイド

2024年7月16日

AI CRM CX CXM D2C DNVB DTC EC EC物流 ERP eコマース Eメール MA ML・機械学習 OMO PDP オムニチャネルオムニチャネルコマースオムニチャネルフルフィルメントカスタマーエクスペリエンスカスタマーサポートカスタマーサービスカスタマージャーニーコマースシステムサブスクリプションチャットボットフルフィルメントマーケティングユニファイドコマースロイヤリティプログラム

AI は、ある規模の組織内で少なくとも完全に機能していると言われています。しかし、小売業の経営幹部は、進化するAIの状況についていくのは難しいと感じています。
近年、ユニファイドコマースやD2C チャレンジャーブランドコマースチームは、新しい顧客の好みに適応して、優れたデジタルショッピング体験を生み出す必要性を加速させています。
AIの導入はもはや選択の余地ではなく、小売業者が大規模でも小規模でも成長を促進し、市場の差別化を維持するために必要な基盤となります。
e コマース企業は現在、AIを使用して、新しい形の顧客エンゲージメントを生み出し、オンラインチェックアウトソリューションを強化し、デジタルコマースの費用対効果の高いプロセスを担っています。

このコラムでは、コマース企業におけるAIの主なアプリケーションの概要を説明し、小売業における経験から得られたベストプラクティスを共有していきます。ご一緒に考えてみましょう。

コマースのために、AIがなぜ重要なのか

AIがコマースに有益な理由と活用方法はいくつかあります。

顧客体験の向上:

コマース向けのAIソリューションは、企業が商品のレコメンデーションをパーソナライズし、検索結果を改善し、顧客の感情をよりよく理解するのに役立ちます。
正確なパーソナライゼーションとレコメンデーションの機械学習モデルにより、企業は購入までの時間を短縮し、商品詳細ページで商品を正確に描写して、顧客の行動をよりよく理解することができます。
正確なMLモデルに投資することで、チームはショッピングのコンバージョン率を高め、顧客満足度を高めるという目標を達成できます。
コマース企業は、UG C ：ユーザー生成コンテンツからマーチャント固有の小売データと DTC データまで、プラットフォームガイドラインに違反するコンテンツを削除することで、信頼性と安全性を高めることができます。

収益性の最大化:

MLモデルは、ショッピングや閲覧履歴に基づいて正確でターゲットを絞った商品レコメンデーションを提供します、正確な広告のために顧客プロファイリングをセグメント化するのにも役立ちます。
チームは、コンテンツのメタデータをAIで強化することで、コンテンツと商品のランドスケープをよりよく理解できることになります。
コマース企業は商品とコンテンツの成長の取り組みに集中し、トレンドを早期に絞り込むことができます。

運用プロセスの高速化:

ショッピングやコンテンツのトレンドは、手作業による運用プロセスでは遅すぎるところに素早く対応、応対します。
オンボーディング、需要予測、コンテンツの最適化などの運用プロセスを改善・加速してくれます。
ヒューマン・イン・ザ・ループなどの手法により、機械学習モデルを拡張して、人間レベルの精度と品質を得るようにします。

AIのない既存のプロセスでは、消費者のニーズの変化に合わせて簡単に迅速に拡張することができません。

コマースマーケットプレイスが直面する主な課題は3つあります。

コストと投資は指数関数的です。
社内の運用チームだけでコマースデータを管理し、新商品をアクティブ化すると、成長が阻害されることがよくあります。
データの取得、クリーニング、および情報付加のための手動操作には時間がかかるということです。
商品説明や商品写真などの新しい商品アセットの生成にはコストがかかります。
属性データの不足:
パーソナライゼーションシステムは、まばらな属性データによって制限されてしまいます。
商品データには、誤った情報、重複、属性の欠落が含まれていることがあるため、検索やレコメンデーション・推奨商品の品質が低下します。
ユーザーの行動に関するコンテンツメタデータが不十分な場合、コンテンツレコメンデーションシステムが不十分になります。
手動プロセスが遅すぎる:
消費者の行動やコンテンツのトレンドは目まぐるしく変化します。
現在のシステムでは、トレンドコンテンツを発見して表面化させるのに時間とプロセスが多すぎるため、プラットフォームは顧客エンゲージメントとコンバージョンの維持に遅れをとっています。

これらの課題を解決するための主なユースケースを説明し、AIでビジネスを成長させるためのロードマップを提供してみます。

AI:主なユースケース

eコマースにおけるAIには、さまざまなアプリケーションがあります。このガイドでは、eコマースにおけるデータ中心のアプリケーションの6つの主要なカテゴリに焦点を当ててみます。

検索、メディア広告、ディスカバリー
需要予測と在庫管理
チャットボットとカスタマーサービス
コンテンツの理解
エンリッチメントされた商品データ
AIが生成した商品画像・ビジュアル

1. 検索、広告、ディスカバリー

顧客体験は、高度にパーソナライズされたレコメンデーション、ターゲットを絞った商品オファー、検索の関連性から始まります。
AIによるパーソナライズされたレコメンデーションには、主に3つのユースケースがあります。

検索の関連性とアイテムの発見:
オンライン購入者の約半分2人に１人が、最初のページをスクロールして欲しいものを探しています。
検索とアイテムの発見は、顧客のショッピング体験を向上させ、顧客が適切な商品を見つけられるようにするための重要な要素です。
AIを活用した検索エンジンは、自然言語処理(NLP)を使用してクエリを処理し、理解します。
次に、検索エンジンはその意味を使用して、最高ランキングの検索結果を表示します。
AIを活用した検索の関連性により、eコマースチームは検索語の背後にある真の意図をよりよく理解し、顧客にとって最も関連性の高い結果を表示することができます。
広告とオファーのレコメンデーション:
検索、閲覧、カートへの追加、購入履歴に基づいて、小売業者はターゲットを絞った広告とオファーを提供できます。
小売業者は、機械学習を使用して顧客データを取得し、インサイトを統合し、パーソナライズされたショッピング体験を提供できます。
機械学習レコメンダーシステムは、閲覧履歴や購入履歴など、ユーザーに関する情報を取得し、ユーザーが特定の商品に割り当てる評価を予測するレコメンダー機能を使用します。
優れたデータ強化は、顧客に広告やオファーを配信しようとしているブランドに役立ちます。ターゲットを絞った広告は、新規顧客の獲得に役立ち、カートを放棄した可能性のある顧客への再エンゲージに役立ちます。
商品レコメンデーション:
商品の売上を伸ばしたいコマースチームにとって、商品レコメンデーションはROIを向上させるための鍵となります。
MLモデルは、購入履歴を分析し、類似した顧客オーディエンスを構築して、パーソナライズされた商品レコメンデーションを提供します。
たとえば、MLモデルでは、類似商品、頻繁に一緒に購入される商品、類似オーディエンスから購入した商品のレコメンデーションを提供できます。商品レコメンデーションは、リピート購入を促し、平均注文額（AOV）を増やすことで、小売業者に付加価値をもたらします。

2.需要予測と在庫管理

サプライチェーン管理とロジスティクスのためのAIアプリケーションは、グローバルサプライチェーンのプロセスを劇的に加速させることができます。
AIによるサプライチェーン管理には、主に3つのユースケースがあります。

需要予測:
サプライチェーン管理における最大の課題の1つは、需要の変動です。
AIを活用した需要予測は、機械学習アルゴリズムを使用して、消費者の需要の変化を予測および認識します。ML アルゴリズムは、価格やプロモーションなどの履歴時系列データと、製品の機能やカテゴリなどの関連データの両方を使用して、大規模なデータセット内の関係を判断します。
eコマースチームは需要パターンを認識し、将来の需要変動を予測して在庫損失を減らすことができます。
在庫管理:
AIを活用した正確な需要予測は、在庫管理の下流に大きな影響を与えます。
予測を改善すると、在庫切れによる売上の損失を削減できます。
AIは、正確な在庫を作成するだけでなく、モノのインターネット(IoT)デバイスを使用して倉庫管理の側面を合理化するのに役立ちます。IoTにより、小売業者はリアルタイムの在庫管理により、倉庫業務と出荷プロセスを最適化できます。
ダイナミックプライシング:
需要予測と在庫管理の改善により、小売業者は動的価格を設定して利益を増やすこともできます。
ダイナミックプライシングにより、チームは従来の手動の静的な価格設定から、リアルタイムで変更される価格設定に移行できます。
AI アルゴリズムは、過去の売上と価格のデータ、市場の需要、外部イベント、競合他社の価格設定を組み合わせて使用し、入力パラメーターに基づいてモデルを生成します。ダイナミックプライシングには、市場セグメンテーションの改善、コストの削減、ROIの最大化など、多くのメリットがあります。

3.チャットボットとカスタマーサービス

カスタマーサービスは、顧客エンゲージメントを維持し、顧客センチメントを改善するためにますます重要な要素になっています。
しかし、複数のチャネルで大量の顧客要求に対応することは困難になります。
ライブエージェントはコストがかかり、応答時間が長くなる可能性があります。
AI搭載のチャットボットは、オムニチャネルカスタマーサポート＆サービスのこれらの課題を解決するために不可欠な要素です。AI駆動型チャットボットは、自然言語処理と会話型AIを使用して顧客からの問い合わせに対応する仮想アシスタントです。
チャットボットがカスタマーサービスをサポートする主な方法は3つあります。

顧客からの問い合わせに対応して対応:
チャットボットは、商品関連の質問に対するガイダンスを提供し、サイズ、商品バリエーション、またはキャンペーンや、割引に関するよくある質問に回答できます。
販売プロセスの強化:
チャットボットは、顧客がカートに残した商品を思い出させることで、商品のレコメンデーションを提供し、カートの放棄を減らすのに役立ちます。
販売後のサポートを提供する:
チャットボットは、注文の追跡、返品および交換の処理を提供し、顧客からのフィードバックを収集できます。

4.コンテンツの理解

コンテンツ形式・フォーマットは、メディアコンシューマテクノロジーの進歩に伴い、常に進化し、成長しています。（身近な例では、動画から、縦型動画です）
コマースサイトには、マーチャントやセラーのデータからカスタマーレビューまで、膨大な量のユーザー生成コンテンツが含まれています。
コンテンツの増加に対応し、最高品質のレコメンデーションを提供し、プラットフォームへのユーザーのエンゲージメントを維持するために、eコマースチームは堅牢なコンテンツ理解システムを必要としています。eコマースサイトで強力なコンテンツ理解システムを構築するには、次の3つの主要なユースケースがあります。

データエンリッチメント:
コンテンツの分類と識別によってコンテンツのメタデータを充実させることは、強力なレコメンデーションシステムを構築するための中核です。
コンテンツのメタデータを充実させることで、チームはきめ細かな情報を使用して、コンテンツのランク付け、未分類のコンテンツの識別、ターゲットを絞ったパーソナライゼーションを行うことができます。
ユーザー生成コンテンツの多くは構造化されていないため、データエンリッチメントは、コンテンツチームがより豊富なパーソナライゼーションおよびレコメンデーションシステムを構築するのに役立ちます。
コンテンツインテリジェンス:
新たなトレンドとコンテンツ配信を深く理解することは、需要予測と顧客行動の理解に不可欠です。コンテンツインテリジェンスの主な用途の1つは、トレンド検出です。チームは機械学習を使用してビデオを処理し、ラベル付けして、日常的に発生するマイクロトレンドをすばやく発見できます。
次に、ヒューマン・イン・ザ・ループ手法を使用して、マルチモーダル入力を使用してトレンド信号を検出します。これにより、eコマースチームはトレンドをより適切に統合して行動し、ビジネスの成長機会を発見することができます。
信頼と安全:
有害なコンテンツや悪意のある行為者は、プラットフォームやコミュニティ全体でますます蔓延しています。
スケーラブルな検出は、顧客とブランドを保護するために必要です。堅牢なAIモデルにより、有害または悪意のあるユーザー生成コンテンツの検出を自動化します。コマースチームは、コンテンツの規模に応じて改善される人間レベルの精度を持つAIモデルを活用することで、手動のモデレーションを減らすことができます。

5. 充実した商品データ

コマースデータの中核となるのは、高品質の商品カタログデータです。
正確な商品カタログデータには、商品説明、色、素材、サイズ、ブランド、商品分類など、商品詳細ページ(PDP)に表示される詳細な属性が含まれます。コマース企業がカタログデータに投資できる主なユースケースは3つあります。

カタログ作成:
カタログの作成は、ソーシャルメディアなどのプラットフォームで新しいショッピング体験を構築するコマースチームにとって素晴らしい出発点です。
作成により、チームは販売者フィードとパブリックインターネットから商品データを集計、強化、更新できます。
機械学習インフラストラクチャは、ブランド、販売者、またはサイトを取り込み、利用可能なすべての製品と関連する属性を提供できます。
アプリケーションの例としては、ショッピングがソーシャルメディアプラットフォームにネイティブに組み込まれているソーシャルコマース（Facebook ショップ、Instagram ショッピングなど）があります。
既存のデジタル Web アプリケーション上で顧客に新しいショッピングの機会を提供します。
属性のエンリッチメント:
既存の商品に属性データを追加して、商品の分類を強化し、関連性で商品をランク付けし、詳細な検索結果を生成します。
属性は、固有表現認識と画像分類の手法に依存する機械学習モデルを使用して、画像とテキストから抽出されます。
データが正しくないと、検索結果が悪くなったり、製品カテゴリの分類が不正確になったり、商品レコメンデーションが不正確になったりする可能性があるため、基になる商品カタログデータの改善は重要です。
検索システムとレコメンデーションシステムは正確な商品属性に基づいて構築されているため、検索と関連性の向上を目指す商品チームにとって、属性のエンリッチメントは重要です。
説明、属性、バリエーション、インタラクティブメディアなどの詳細な商品データは、eコマース企業が生み出す収益に複合的な影響を与えます。
商品の照合と重複排除:
AIで高速化された人間によるアノテーションは、商品の重複の削除、商品バリエーションの統合、商品詳細ページの不整合の修正、エラーの修正による商品オーソリの有効化に役立ちます。
一致させるエンドポイントは、2 つの異なる商品に関する情報を取得し、それらが一致しているかどうか、および対応するモデルの信頼度スコアを識別します。
一致する商品を見つけると、カタログから商品の重複を削除して、顧客により正確な結果を得ることができます。

6. AIが生成した商品画像

拡散モデルが想像できるあらゆる画像を生成する力を持っていました。これは、マーケターやブランドマネージャーが広告クリエイティブ、キャンペーン、ソーシャルメディア用の新しい商品画像を生成するための多数のアプリケーションがあるということです。
調査によると、コンバージョン率は商品の画像数によって2倍になります。

現在、小売業者や広告主は、顧客に魅力的なショッピング体験を提供するために、商品写真の量と品質に制限があります。写真撮影に必要な投資、商品カタログの規模、視聴者の多様な好みが、この負担に拍車をかけています。

この課題を解決するために、チームはジェネレーティブAIを使用して、小売商品のブランドを維持しながら、さまざまなシーンで忠実度の高い多数の商品画像を作成します。

eコマースチームは、正確で豊富な商品データを使用して、商品Webサイトでのエンゲージメント、発見可能性、コンバージョンを向上させることができます。

コマースにAIを導入する方法

商品目標の整合性:
最初にビジネス上の問題を特定し、目標を商品のパフォーマンス指標に結び付けることは、コマースにAIを実装するために不可欠です。
商品チームと緊密に連携することで、eコマースに携わるチームは、社内の指標と直接的な相関関係を築くことができます。
ユースケースを絞り込む:
ビジネス上の問題を解決し、収益創出を可能にする特定のユースケースに焦点を当てます。
労働力の選択:
コマースの本格的なソリューションを実装するには、専門知識が必要です。
専門家を招いて、ビジネス上の問題を解決するためのロードマップの作成を支援してもらいます。
実験して開始します。
すぐにROIが得られるだけのソリューションで実験を制限しないでください。どの実験で指数関数的なリターンが得られるかわからないです、複数のテストを並行して行い、データを確認して影響を理解します。