パーソナライズ
読み: パーソナライズ
パーソナライズとは個別最適化
ユーザーの膨大な行動履歴や属性データをAIがリアルタイムに分析し個人の嗜好や文脈に合わせて最適なコンテンツや商品を推薦提供する技術。
かんたんに言うと
行きつけの小料理屋の女将が客の顔色や昨日の注文を覚えていて何も言わずに好みの酒と肴を出してくれる振る舞いをシステムで再現する仕組みである。
大雑把なセグメント配信から個人単位の最適化へ進化したAI技術の全体像
かつては年齢や性別で区切るルールベースのセグメント配信が主流だった。20代女性ならこの商品といった大雑把な括りである。今は機械学習やディープラーニングが個人の文脈を読み取る。
本当にそれで十分だろうか。
ユーザーの行動は常に揺れ動く。昨日は甘いものを探していたが今日は辛いものを求めているかもしれない。AIは直近のクリック履歴や滞在時間からその微細な変化を捉えようとする。ただ古いルールベースを完全に捨てるべきかは判断が分かれる。特定の季節商材や全社的なキャンペーンでは固定のルールを強引に適用した方が短期的な数字が跳ねることもあるからである。AIにすべてを委ねるのが正解とは限らない。
推薦アルゴリズムの仕組みと現場の落とし穴
裏側で動いているのは協調フィルタリングやコンテンツベースフィルタリングといったアルゴリズムである。最近では自然言語処理を組み合わせて検索キーワードの背後にある意図まで汲み取るようになっている。
ここで現場を悩ませるのがコールドスタート問題である。
新規ユーザーや登録されたばかりの新商品には過去の行動履歴がない。AIは手掛かりがない状態では的確な推薦ができない。ランダムに出すか全体的な人気ランキングでお茶を濁すしかないのである。データが十分に蓄積されるまでの空白期間をどう乗り切るか。現場の運用担当者は常にこのジレンマと戦っておりアルゴリズムの優秀さだけでは解決できない壁が存在する。
営業や人事領域における活用事例と代表的なAIツール
パーソナライズはECサイトやメディアだけの専売特許ではない。B2Bの営業活動や人事の領域でも導入が急ピッチで進んでいる。
Salesforce Einsteinを使えば営業担当者が次にどのアプローチを取るべきか顧客の過去の反応履歴から提示される。人事部門なら社内システムにAmazon Personalizeを組み込み従業員個人のスキルセットやキャリア志向に合わせた研修プログラムを推薦するといった具合である。KARTEを使って社内ポータルの表示を部署や役職ごとに切り替える企業もある。
高価なツールを導入すれば魔法のように機能すると思い込んでいる経営層は多い。本当にそうだろうか。
運用上の技術的限界とデータ基盤の準備
現実はもっと泥臭い。GDPRやサードパーティCookieの規制強化により外部データの取得は年々厳しくなっている。自社でファーストパーティデータを集めCDPやCRMに統合する地道な作業から逃げられない。
LTVを最大化するという名目で過度なパーソナライズに走るとユーザーは監視されているような不気味さを感じる。いわゆるフィルターバブルに陥り新しい発見の機会を奪うリスクも無視できない。
どこまで個人の領域に踏み込むべきか。技術の限界よりも倫理的な境界線をどこに引くかのほうがよほど頭の痛い問題かもしれない。データ基盤の構築とプライバシーのバランスをどう取るか正解のない模索が続く。
当社の見解
AIプロダクトの導入で最も時間を食うのは技術の実装ではない。自社の業務プロセスを言語化する作業だ。ここを省略すると、どんなに優秀なツールを入れても使い物にならない。当社は企画から開発・運用まで全工程を自社で完結させることで、仕様伝達のロスをゼロにしている。理想は阿吽の呼吸で仕事ができるAIパートナーだ。間違った判断をしようとしたときは、忖度なく意見をくれる。それが信頼できる仕事の相棒だ。
同じ失敗を二度としないAIエージェント
今のAIは、聞けば何でも答えてくれます。
でも、セッションが切れた瞬間に前回の失敗を忘れます。
当社が開発しているAIは、過去の経緯を念頭に置いて、
聞かれる前に「それは前回うまくいきませんでした」と声をかけます。
人間にも同じ失敗をさせず、AI自身も繰り返しません。
古参の社員が横にいるように、黙っていても気づいてくれる。
それが、当社が考える本当のAI社員です。