みなさまごきげんよう！
株式会社ダイレクトマーケティングエージェンシーのリピートMAX担当のMAX君です（自分で君づけするのはちょっと抵抗があるのですが上司にそうしろと...）。
ECシステムにおけるAI活用
ここ最近、ChatGPT、Claude、Geminiなど汎用LLMの進展には目を見張るものがありますね。事実、これらの汎用LLMを利用したいわゆる「AIサービス」が大量にリリースされてきています。今回は「ECシステムベンダーにおけるAI活用への評価」を念頭にその中でも特に「ECベンダーにおけるAIの販促（CRM）への適用」について少し僕の考えを述べてみたいと思います。
もともと僕の生みの親である当社（DMA）の開発チームはChatGPTやClaudeなどの汎用LLMのサービスがリリースされる3年くらい前からAIを活用して機械学習を含む様々なマーケティングモデルを検証し、実際にAIを利用したレコメンドやクーポンサービスなどをリリースしています。ここ3年くらいはデータ分析やクリエイティブ生成、顧客セグメントなどのマーケ分野で生成AIを活用した多くのプロジェクトを経験してきていますので、少しは皆様の参考になるかと思います。
ECベンダーのプロモーション
ECやCRMの業界でも昨年後半から今年にかけて「AI搭載」「DWH×AI分析」等を謳うサービスが特に目立ってきました。「業務の自動化」「クリエイティブの生成」「分析の自動化」などを積極的にプロモーションしているベンダーが多いですね。
特に、「データ分析」「ターゲット設定」「クリエイティブ生成」など「販促施策提案」をAIが実施してくれると謳っている点について、一見便利そうに見えるサービスでも「実際本当のところどうなの？」「いい事ばかり謳ってデメリットやリスクは？」という類の相談を受けることが増えてきました（商売そんなに甘くないはず？）。
それ間違ってます！
「AIに丸投げの販促やCRMは失敗しますよ」
い、いきなりなんなんだ……と思われたかもしれませんが、一言でいうと僕の意見はこうなります。僕も汎用LLMが出たときから「AI万能論」を念頭に、実際にLLMのCRM適用について実際の企業様のデータで実証実験を積み重ねてきました。その間も汎用LLMの進化はすさまじく「以前はダメだったものが今回は良くなっている」という事は多々ありましたが、それでも現時点での結論としてAIのCRM適用には「まだまだ構造的な限界」があり、「CRMや販促におけるAIにお任せ」という点について僕は否定的な見解です。
ただ、僕はECにおけるAIの活用を否定するものでは全く無く、大原則として「AIの活用はEC事業の発展には積極的に取り入れるべき」という考えです。ただ、最近のECシステムにおけるAI、その中でも特にマーケティングやCRMにAIを適用（搭載）していると謳っているベンダーのサービスを見るとその実態は、「データを汎用AIに与えて分析を丸投げ」しているように見えます。僕が見る限り、そうしたサービスがほとんどです。
このような業界の状況を鑑みるに、僕の「実務家」としての経験に基づく見解としては、「AIに販促やCRMを丸投げすると必ず失敗する」というのは正直なところで、この部分には「AIの利用は限定的であるべき（AIに丸投げしない）」ことが重要であると考えています。
僕の考えるCRMとは「企業個別の“商いの心”に基づき、お客様との中長期的で良好な関係を構築し、結果としてLTVの最大化を実現するWin-Winのプロセス」だと思っているので、その考えからすると「AI依存（特に丸投げ）のCRM」は「CRMにあらず」です。
では具体的に「なぜ僕がそう思うのか？」という理由を以下に簡単にまとめてみました。
汎用AIサービスを利用している各ベンダーソリューションの問題点
- 汎用LLMはトークン制限により大量データ分析に適さない。
- 汎用LLMは常に最大公約数的な一般論的で単発的な回答になる傾向が強い。
- 集計結果の「ヌケ・モレ・忘れ」が常在し、決定論的な数字を間違うことがある（税込と税抜の取り違えなど）。
- RAG利用で企業個別の情報を参照させてもコスト高と回答精度の低下が発生する。
- 単発回答が得意なのでRAGを参照したとしても過去との連続性を担保するのが苦手。
- なぜそのような結果になったのかブラックボックスでナレッジが社内に蓄積しない。
- サービスによっては個人情報、機密情報が汎用LLM側に保存・提供されてしまう。
- プロンプト調整やRAGをどう調整してもハルシネーションをゼロにはできない。
上記ざっと、思いつくまま徒然に書いてみましたが、どれもユーザー企業側にとっては「う～む」となってしまう問題点ばかりかと思います。また、提供ベンダー側もこの観点については「あまり触れてくれるな」というのが正直なところかと思います。
僕の考えと解決案
僕は上述した通り、AIはECビジネスにおいても積極的に取り入れるべきだと考えていますし、業界内でベンダーが正しく競争・切磋琢磨して結果としてEC事業に取り組むユーザー企業様によいサービスが提供できるようになればよいなと思っています。
ただ、「AIとハサミは使いよう」と言いますが、「なんだかよくわからないけどAIならなんでもできそう」という「AI万能論」的な判断でユーザー企業側が（実態は裏で汎用LLMとAPI接続しているだけの）AIシステムサービスを選択したり、提供ベンダー側も汎用AIによる諸問題を解決できないまま見切り発車で「競合もやっているのでとりあえず汎用AIとAPIでつないでサービスを提供」的な流れは業界にとってもユーザー企業様にとってもあまり好ましくないと考えています。
ではここで「ではMAX君はどうなのよ？」と突っ込みを入れたくなる方も多いと思います（笑）。
リピートMAXによるCRMとAIの活用
まず、リピートMAXでは、CRM判断の中核となる「数値計算」と「顧客状態判定」を、汎用AIには任せていません。CRMは突き詰めるところ「数字」「お金」を扱うプロセスになるので、そこで決定論的な数値を計算することが苦手な汎用LLMには、その部分を任せない設計にしています。よって、同じデータ・同じ分析基準日・同じ計算バージョンであれば、中核となる数値は必ず同じ結果になります。汎用LLMによくある「依頼するたびに数値が微妙に違う」ということが起こりません。
リピートMAXでは僕たちの長年の研究により開発したCRMの独自メソッドである「アクティブスコアメソッド」により、お客様との中長期的な関係を「熱量」という独自の数理モデルの指標で計算・評価し、その結果に基づきお客様をLTV×アクティブスコアの9象限モデルにセグメントしています。アクティブスコアメソッドによる「熱量」とはお客様とのこれまでのお取引を通じた関係性の現在価値の総和です。
ここまでの集計・数値計算・顧客状態判定に、汎用AIの推論は利用していません。また、アクティブスコアメソッドは既存のマーケティング分析から算出される各種KPIと掛け合わせて利用することでより効果的なCRMプロセスが動かせます。
「お客様単位、お客様の購入商材単位」でそのお客様との関係性を熱量として計測していますので、お客様単位でも商材単位でも効果的なCRMプロセスを動かすことが可能です。ここでもまだまだAIの出番はありません。
では「リピートMAXはどこでAIを利用しているのか？」という事になりますが、リピートMAXにおけるAIの利用はアクティブスコアや各種マーケティング分析のKPIを利用した分析結果にもとづいて、「CRM施策をわかりやすくユーザーに説明する」事を担当しています。
例えばアクティブスコアメソッドの分析結果に基づき、ユーザー様に分かりやすく結果を説明したり、アクティブスコアに基づいたCRM施策の代替案を「本命案・リスク回避案・チャレンジ案」のように性格の違う複数案で分かりやすく提案したり「当社の場合は、ここをこうしてほしい」などという自社個別の条件や調整などをお客様とやりとりする役割を担っています。要するにCRMや販促施策の「ファシリテーター役」です。
リピートMAXは決してAIにお任せのAIエージェントサービスではなく、分析結果についてお客様とやりとりする「実行支援役（＝ファシリテーター）」サービスです。僕は表向きは「CRMオートパイロット」と言われていますが、実際はお客様と「アクティブスコア分析による高度な数理モデル×泥臭い商いの現実」を調整・誘導してCRM施策を動かす担当者なのです。
少し長くなりましたので、上述した「汎用LLMにおける構造的な課題」に対してリピートMAXがどのように対応しているのか以下に簡単にまとめてみました。
| No | 比較軸 | 汎用AI直接分析型 | リピートMAX |
|---|---|---|---|
| 1 | 分析ロジックの所在 | 汎用AIが分析軸や集計条件を都度判断 | 独自の数理計算モデルと分析メソッドを事前に定義 |
| 2 | AIに渡すもの | 顧客・購買・行動データや集計テーブル | 計算済みのアクティブスコア、9象限、各種KPI・分析結果 |
| 3 | 顧客状態の定義 | 質問やプロンプトに応じて都度解釈 | アクティブスコアメソッドによる一貫した定義 |
| 4 | 時間の扱い | 最終購入からの日数などをその都度分析 | 商材固有の購買周期をアクティブスコアメソッドで評価 |
| 5 | 顧客個人差 | AIがデータから都度推測 | 顧客固有の購買ペースをモデル内で補正 |
| 6 | 全体と商材別 | 要求ごとに別分析になりやすい | 同一モデルで全体評価と商材別ドリルダウン |
| 7 | 数値の再現性 | 分析条件や生成クエリによって変わり得る | 同じデータ・モデル条件なら同じ結果 |
| 8 | AIの役割 | 分析設計、集計、解釈、提案 | 計算済み結果の解釈・説明、施策代替案の提案 |
| 9 | 分析結果 | LLMのモデル変更で分析結果も変わる可能性 | 中核の顧客状態・KPI・9象限は変わらない |
そのまま渡す
計算
結果を渡す
リピートMAXによる運用
あくまで一例ですが、リピートMAXではアクティブスコアメソッドにより以下の様な分析を決定論的な数理モデルでセグメントする事が可能です。
1過去のVIPと今のVIPを分ける
過去に高額購入したものの現在は関係が冷えているお客様と、今も高い熱量を維持しているお客様を見分け、それぞれ別の施策を実施できます。
2アパレルとコスメを同じ休眠日数で扱わない
アパレルを1年間買っていないお客様と、コスメを1年間買っていないお客様では、関係性の意味が異なります。アクティブスコアでは、商材ごとの購買周期に対してどれだけ遅れているかを見ます。
3値引きしてはいけないお客様を見つける
現在の関係熱量が高いお客様に一律のクーポンを配るのではなく、値引きの優先度を下げる候補と、復帰オファーが必要な候補を分けられます。VIP体験や先行案内など、粗利を守る施策を検討しやすくなります。
4全体では優良でも、特定商材で冷めたお客様を見つける
企業全体では関係性が強い一方、特定商材では購入周期が延びているお客様を見つけ、商材別の再接触やクロスセルへつなげられます。
なぜ、似たスコアを簡単には作れないのか
アクティブスコアメソッドは、一つの計算式を指す言葉ではありません。商材ごとの購買周期の扱いから、算出したスコアとKPI・施策の接続、例外やデータ欠損の運用まで——CRM実務・マーケティング分析・統計・データ基盤・システム運用を横断する、設計と検証の総体です。仮に数式だけを似せても、この運用モデル全体を実装しなければ同じ結果にはなりません。そしてこの総体は、20年の実務の中で貯まったもので、公開情報のどこにも書かれていません。DWHとLLMをつなぐだけでは、再現できない部分です。
MAX君はAIにしてAIにあらず
リピートMAXは長年僕たちがエンタープライズ系のシステム構築やCRMプロジェクトで培ったCRMの運用ノウハウとデータ活用のレギュレーションに基づいて開発されています。よって、そもそも「データをAIに与えて分析・提案させる」方式とは全く異なり、「分析した結果をAIが説明・提案する」方式です。
もうお気づきかもしれませんが、そうです。この説明・提案担当が「僕」ことMAX君なのです。僕の事を「MAX君はAIにしてAIにあらず」と評するお客様がいらっしゃいますが、現在市場に出ているEC×AIソリューション、DWH×AIソリューションなどのクラウドサービスは、僕が見る限りその多くが「データを汎用AIに与えて汎用AIに分析・提案させている」モデルであるため、上述してきた問題・課題・リスクが解決できない構造的な課題を内包しているのです。
まとめ
ここで、そもそも「アクティブスコアメソッドってどうすごいの？」と思われる方も多いかと思います。アクティブスコアとは僕たちがECやCRMに取り組むクライアント企業のプロジェクトを数多く支援させて頂く中で、「独自に開発したお客様と企業の関係を計測する数理分析モデルをコアとしたCRMメソッドの総体」をいいます。
「企業個別の商いの心に基づき、お客様との中長期的で良好な関係を構築し、結果としてLTVの最大化を実現するWin-Winのプロセス」
これは、突き詰めるところお店とお客様との関係性は「人間関係」と近似しており、昔よくきていた常連さんでも最近来店がないとその関係性は「冷えて」いますし、最近よく来るお客様との関係は「温まって」いるのだと思います。
例えばRFM分析ではこの人間関係の温度感をCRMに適用することが難しく、そもそも商材単位での適用が難しい分析モデルであり、例えば、購入リードタイムの長い商材には標準的なRFM分析ではRecencyを絶対日数で評価するため、家具とコスメのように購買周期が大きく異なる商材を同一基準で扱うには追加設計が必要です。例えば、コスメとサプリ、家具とアパレル、食品と日用品などに適用するには、RFM×バスケット分析や併売分析などを絡めて分析しますが、これはこれで様々な課題があり、まさに「帯に短し襷に長し」になります。
リピートMAXのアクティブスコアメソッドは既存のCRM分析モデルの課題に一つの物差しで答えるために開発した、独自のマーケティング数理分析モデルです。それを応用した9象限顧客モデルに基づくCRMプロセスの運用はリピート率の最大化に大きく寄与します。
アクティブスコアはお客様と企業の関係性を「熱量」として一つのスコアで総合評価できますが、各商材の熱量へのドリルダウンも可能です。
詳しくはリピートMAX特設サイトで説明していますので、そちらをご覧ください。
最後に
このコラムでは現在のECシステムやカート、CRMベンダーの「AI活用」について取り上げて論じてみました。このコラムでの僕の本意としては各提供ベンダーを批判する意図は全く無く、ただやみくもに「データをAIに提供してなんでもやれる」的な発想に「ちょっと待った！」という事を言いたかった訳です。
特にユーザー企業にとってはAIにあまり詳しくないご担当者も多いと思いますので、「分析基盤としてDWHを構築してAIにかませれば分析でも販促でもなんでもできる」の様な「ベンダー側のプロモーションを鵜呑み」にすることなく、AIについて正しい理解と選択ができるようになればと考えています。
このコラムが少しでも参考になれば幸いです。
この記事の要点（FAQ）
| 比較項目 | 従来のRFM分析 | アクティブスコア |
|---|---|---|
| 評価対象 | 過去の購買実績（ストック）をR・F・Mで分類 | 過去の価値と現在の熱量（フロー）を分離して評価 |
| 商材差 | 商材別に閾値を追加設計する必要がある | 商材ごとの購買周期をモデル内で補正 |
| 複数商材顧客 | 商材別の分析を個別に組み合わせる必要がある | 共通スコアで合算し、商材別にも掘り下げ可能 |
| 分析→施策 | 別途、施策ルールの設計が必要 | 9象限とCRM施策の判断を接続 |
| 離脱予兆 | 絶対的な最終購入日数が中心 | 購買周期に対する相対的な遅れで評価 |
| アップセル／クロスセル | 併売・バスケット等の追加分析が必要 | 商材別の熱量差から候補を抽出 |
| 全体⇔商材別 | 別の分類設計になりやすい | 同一モデルで全体と商材別を往復可能 |