お客さんを「似た人同士」に分けるAIとは？

正解を教えずに、似ているもの同士を集める

売上の予測や写真の判別のようなAIは、過去の記録と「正解」の組み合わせを学習させて作ります。クラスタリングはこれと違い、正解を付けていない記録をそのまま渡し、似ているもの同士をまとめてグループに分けます。機械学習の中では「教師なし学習」と呼ばれる種類です。

Google Cloudの解説（教師なし学習とは）は、クラスタリングを、ラベルのないデータを類似点や相違点に基づいてグループに分ける手法と説明し、使い道の例に顧客セグメンテーションを挙げています。

「常連」「新規」のように、分け方が先に決まっているなら、ふつうは条件を決めて仕分ければ済みます。クラスタリングが役に立つのは、どんな分け方があるかを記録から見つけたいときです。予測のAIと生成AIの関係は機械学習と生成AIは何が違う？で説明しています。

グループの数と名前は、人が決める

よく使われるK平均法（K-means）という方法は、前述のGoogle Cloudの解説によると、データを利用者が決めた数（K個）のグループに分けます。3つに分けるか5つに分けるかは、AIではなく使う人が指定します。

同じ解説は、アルゴリズム自体はグループの意味を理解しておらず、利用者がグループを調べて分類を試みる、という趣旨の説明をしています。AIが返すのは「グループ1」「グループ2」という区切りだけです。「月に何度も来るが1回の金額は少ない人たち」のような説明と名前は、中身を見た人が付けます。

当社では、グループの数をいくつか変えて分け、スタッフが中身を見て説明できる数を選ぶようにしています。きれいに分かれていても、店の人がどう扱えばよいか分からないグループは、使われずに終わるためです。

先に決めるのは「何で比べるか」

クラスタリングは、渡した項目が近いかどうかで分けます。来店回数と1回の金額を渡せば、その2つが近い人同士が集まります。時間帯や頼む品の種類を渡せば、別の分け方になります。どの項目を渡すかは、分けたあと何に使いたいかから逆に決めます。

こんな場面で使えます

次は当社が考えた使い方の例です。導入した実績の紹介ではありません。

AIの前に、表計算で3列並べてみる

最初の一歩に、AIの開発は要りません。会員ごとに「来店回数」「最後に来てからの日数」「合計の金額」の3列を表計算ソフトに並べ、列ごとに並べ替えて、店の感覚で区切りを決めて分けてみます。

項目が2〜3個で、分けた結果に店の人が納得できるなら、それで十分です。毎月同じ区切りで分け直せば、グループの人数の増減も追えます。

項目が増えて手で区切りを決められない、商品が数百品あって一つずつ見られない、という段階になったら、クラスタリングを試す時期です。そのときも、手で分けた結果と見比べると、AIが見つけた分け方に意味があるかを判断しやすくなります。購入の記録を使う別の仕組みとして、「おすすめ」を出すAIとは？も参考になります。

会員の記録を分析するなら、何に使うかを具体的に示す

レシート単位で品名を数えるだけなら誰が買ったかは出てきませんが、会員ごとの来店や購入の記録をグループに分けるのは、一人ひとりの行動を分析することにあたります。

個人情報保護委員会のガイドライン（通則編の「利用目的の特定」）は、本人から得た情報から行動・関心等を分析する場合、どのような取扱いが行われているかを本人が予測・想定できる程度に利用目的を特定しなければならないとしています。同じ箇所で「マーケティング活動に用いるため」という書き方は、具体的に特定していない事例として挙げられています。

会員の規約やプライバシーポリシーに、来店や購入の記録を分析してお知らせに使うことが書かれているかを確かめてから始めます。書き方に迷う場合は、専門家に確認してください。

グループの名前を、お客さんへの決めつけにしない

「離れそうなお客さん」「安いものしか買わない人」のような名前は、AIの判断ではなく、人が付けた解釈です。名前が先に立つと、そのグループの一人ひとりの事情を見なくなるおそれがあります。

記録が増えたり、渡す項目を変えたりすると、グループの分かれ方は変わります。一度分けた結果を固定せず、季節やメニューを変えたあとに分け直して、前回と比べながら使うことを当社はすすめています。