過去の購買情報などから、将来的な購買商品やサービスを予測・分析し、効率的な経営を可能にする購買予測機能。ここでは、AIの開発事例の中でも需要機能に絞った成功事例を取り上げて紹介しています。
運営実績も豊富なアパレル系ECサイトにて、これまで蓄積されたユーザーのサイト閲覧や購入ログなどが膨大にあったのですが、データ分析に長けたデータサイエンティストが不在。そのため、データ分析によるマーケティング施策ができていない状態でした。そこで、データを有効に活用するためAI技術を導入。
ECサイトではお馴染みのレコメンドエンジンを、独自のレコメンドエンジンに開発・実装。長期の過去情報をプラスすることに長けたアルゴリズム「LSTM（長期短期記憶：Long Short Term Memory）」で、どの商品を・どの順番で・いつ見たのかなど、時間軸で情報を取り出せるようにしました。
その結果、想定以上の反響を得ることができ、顧客管理に基づいたデータ分析とマーケティング施策の実行が可能になりました。
| 業界 | 小売業界 |
|---|---|
| 開発企業 | 株式会社 Laboro.AI |
WEB・LINE・メール・アプリ・WEN広告などのデジタルチャンネルでのマーケティングでは、リアル店舗への来訪だけでなく来訪前後での施設内の位置情報の把握から、適切なコミュニケーションを構築する必要がありました。そこで、実店舗とWEBサイトでの来場者の位置情報（地磁気センシングデータ）を使った総合マーケティング基盤を導入。データドリブン型のマーケティングを実施しました。
来場者の位置情報を実店舗とWEBサイトで統合して管理し、機械学習モデルによるレコメンデーションを実行するシステム基盤を構築。コンシェルジュ機能を備えたモバイルアプリや、デジタルマーケティング施策での戦略策定から実行、成果を出すまでサポートしています。
| 業界 | 小売業界 |
|---|---|
| 開発企業 | 株式会社ブレインパッド |
ユーザーの購買行動と感情の状態を可視化しコミュニケーションを最適化するデータプラットフォーム「カスタマート（customart）」を、株式会社ALBERTと株式会社大広で共同開発。これまでLTVやファン度合いで判断していたロイヤル顧客指標を、カスタマートで視覚化しターゲット分析をおこなえるようにしました。
カスタマートでは、購買しているもののブランドに対してロイヤルティを持たない層や、購買はしていないがブランドに好意を持つ隠れファン層など、購買行動だけでは判断できないユーザーの把握も可能にしています。購買客とファン層の両方を捉え、的確なコミュニケーションでロイヤル顧客を増やします。
| 業界 | 情報通信業界 |
|---|---|
| 開発企業 | Accenture（旧Albert） |
電子機器の受託開発・製造サービスを提供している企業において、視線の領域だけでなく視聴者の属性も計測できるデジタルサイネージを提供。詳細で正確なマーケティング指標の把握を可能にしました。
従来の公共施設や商業施設の屋外に設置されているデジタルサイネージでは、視聴者や視聴行動データの取得は困難でした。ギリア株式会社では、デジタルサイネージに向けられた視聴者の視線データを、カメラ越しに解析できるAI視線推定エンジンを独自開発。性別や年齢層などの視聴者の属性や視聴時間を測定できるようにしました。さらに、視聴者の注目した箇所や目に映った領域のカウントも可能に。様々なデータを可視化しました。
| 業界 | 情報通信業界 |
|---|---|
| 開発企業 | ギリア株式会社 |
オンライン利用者が増加するに伴い、アクティブ会員が減少。この売上減をWEBサイトでカバーしようとしたのですが、商品ラインナップが不十分だったり、認知度の低さからも、思うような補填にはなりませんでした。
そこで、これまで担当者の経験を頼りに送付先セグメンテーション業務をおこなっていたシニア向け宿泊情報誌「ゆこゆこ」において、業務工数の削減や属人的運用の解消、投資利益率の改善からDM最適化AI「response insight」を導入。顧客の年齢や住んでいるエリアなどの顧客データから分析し、送付先の最適化を測ったところ予約数が増加し売り上げが向上。さらに、年間1億円以上の広告コストを削減することができました。
| 業界 | 情報通信業界 |
|---|---|
| 開発企業 | 株式会社JDSC |
AIによる購買予測では、会員情報や過去の購買履歴など、様々なデータから今後購入するであろう商品やサービスを予測します。顧客が購入しそうな商品やサービスをデータから抽出してくれるので、アプローチしやすく、コミュニケーションも取りやすくなります。
また、売れるかわからない商品やサービスを準備する必要がなくなるなど、効率的な運営が可能になります。
商品購買予測のための学習データには、会員情報はもちろん、一人一人の会員に関連した情報、過去の商品購買履歴の個人別・商品別でのデータなど、細部にまでわたるデータがあると、より精度の高い学習効果が得られます。
また、データとアルゴリズムの相性を高め、予測・分析精度を高めるのであれば、できるだけ多くの情報が必要となります。
購買予測は、ユーザーのこれまでの購買履歴をもとに、関連する情報から予測・分析していきます。将来的な購買量や購買商品が分かれば、無駄に在庫を増やすことなく、売れる商品やサービスだけに集中することができます。
購買予測機能のAI開発を成功させるには、導入前はもちろん、導入したあとも密にコミュニケーションを取れるベンダーに依頼するのがおすすめです。TOPページでは企業の課題解決に向き合う人材やサポート体制に力を入れているベンダーを紹介していますので、是非ご参照ください。
