詳しい経緯を読む当時の成果、進め方と判断基準、AIでの再現
実績（当時の成果）
大手商業施設では、会員カードの購買データを機械学習で分析し、「どんな種類の店で買っているか」で顧客を分類しました（当時はPythonとクラウドの分析環境を使用）。施設側は「服を買い、食事をし、雑貨と食料品も買って帰る」顧客を想定して買い回りを促していましたが、実際には顧客ごとに利用する店の傾向が大きく偏っていました。そこで、全員に同じ買い回りを促すのをやめ、利益を支える主要顧客を定義して、その顧客の離脱を防ぐ施策に集中しました。結果として、年間10億円超の利益創出につながりました。
型（進め方・判断基準）
- 顧客像の仮説を出す（現場の視察、スタッフへの聞き取り）
- 機械で分析する（複数の手法で分析し、一貫した結果を抽出する）
- 分析結果を現場とレビューする（違和感は？抜け漏れは？）
- 1〜3を数回繰り返し、現場で議論できる暫定版をつくる
- 運用しながら精度を上げる（施策の振り返り、施策の立案に使う）
判断基準：分析の切り口は人が決める。顧客を見ないで始めた分析は、成果につながらない。「どの商品が何個売れたか」だけの分析は、値下げのような事業的にマイナスな判断を招きやすい。
AI再現（今ならこう再現し、社内に残す）
当時は、統計手法の選定からプログラム作成、クラウドでの分析まで、専門の分析チームが数か月かけました。今は、購買データをAIに読ませれば、分類の試行錯誤を数日で回せます。空いた時間を、現場の聞き取りと顧客像の仮説づくりに回せます。セグメントごとの施策の反応や、主要顧客の離脱の兆しは、AIが毎週自動で集計し、手を打つべき顧客を知らせます。
