ひとりの顧客を、すべてのチャネルで
同じ顧客が、店舗・ウェブサイト・コンタクトセンターでは三人の別々の人物のように見え、在庫は各システムでは正確でも、合算すると合いません。AppXcessは、すでにお持ちの顧客・売上・在庫データにAIと分析を適用し、事業全体が一つの現状をもとに販売判断を下せるようにします。
適用領域
店舗とオンライン小売が実際に粗利を失う場所
小売企業との対話では、ほぼ必ず次の六つの状況が挙がります。いずれの場合もデータは社内のあちこちに既にありますが、それを間に合うタイミングでつなぐものがありません。
ひとりの顧客、三つの記録
店舗で購入し、オンラインで見て回り、コンタクトセンターに電話する顧客が、互いに無関係な三人として記録されます。そのため、どんな提案をしても、その顧客が実際に購入した履歴が反映されません。
各所では正確でも、全体では合わない在庫
各システムは自らの在庫については正確です。しかし会社全体で何を保有しているのかは誰にも分からず、一方で販売機会を逃す間に、もう一方には同じ商品が眠っています。
平均に合わせた仕入れ計画
需要をチェーン全体の水準で予測して各店舗に一律に落とし込むため、売れ方が異なる店舗が値下げ（マークダウン）を抱え、本当に必要だった店舗は在庫を切らします。
売上とともに増える問い合わせ
注文はどこまで来ているか、近くの店舗に在庫はあるか、返品できるか——同じいくつかの質問が、年々より多くのチャネルから寄せられ、いずれも担当者を待つ列に並びます。
盗難ではない損失
返品の悪用、プロモーションの重複適用、ロイヤルティポイントの操作は、棚卸差異と同じく粗利を削りますが、レジでの不正を捕らえるために作った規則はすべてすり抜けます。
チャネルで止まるレポーティング
店舗は店舗の実績を、オンラインはオンラインの実績を報告します。そのため、あるカテゴリが本当に会社全体に貢献しているのか、それとも売上がチャネル間を移動しているだけなのか、誰も判断できません。
誰のために構築しどこから始めるか
六つのタイプの小売組織とチームが、事業のそれぞれ異なる領域から同じ問いを投げかけています。
小売事業者
販売判断は、手作業でまとめた週次レポートをもとに下されますが、そのレポートが示す一週間はすでに過ぎ去っています。
すでに使っているシステムをもとに、顧客・在庫・売上を一つの最新の現状として示します。
大手小売グループ
複数のブランド、地域、業態がそれぞれ独自のシステムを運用しているため、突き合わせ作業なしにはどの数値も合算されません。
その下に共通のデータレイヤーを置き、指標の定義を一度合意しておくことで、グループ全体の数値が意味を持つようにします。
オムニチャネル小売事業者
店舗とオンラインを別々に測定するため、一方で始まり他方で終わった購入は、どちらにも属しません。
顧客データと在庫データをチャネル間でつなぎ、顧客の行動を最初から最後まで見えるようにします。
小売オペレーションチーム
配分、補充発注、値下げの判断を、すでに一日前の在庫状況をもとに下しています。
全店舗網の在庫を可視化し、店舗間移動や補充発注は手作業で計算する代わりにシステムが提案します。
カスタマーエクスペリエンス（CX）チーム
問い合わせ量は売上とともに増え、その大半は年々より多くのチャネルから寄せられる、同じ定型的な質問です。
定型的な問い合わせはサービス自動化で処理し、特異なものは履歴を把握済みの担当者につなぎます。
小売分析チーム
質問が生じるたびにデータ抽出が必要になり、同じ質問に二つのチームが答えると、それぞれ根拠のある異なる数値が二つ出てきます。
顧客・売上・在庫データの上に一つの分析レイヤーを置き、バスケット・粗利・カテゴリの指標をどこでも同じ基準で読めるようにします。
小売の活用例とそれがもたらす変化
小売ビジネス全体でAI・データ・自動化が実質的な役割を果たす六つの領域です。領域ごとに、課題、AppXcessが構築するもの、事業として変わる点を整理しました。
パーソナライズドレコメンド
提案が個々の顧客ではなくセグメントを基準に作られ、その基準となる顧客像は、直近のキャンペーンがたまたま定義したものにすぎません。
今アクセスしているセッションではなく、店舗・オンライン・電話などあらゆる場所でこの顧客が購入した履歴をもとに提案するAIレコメンドです。
顧客に見せる提案に、オンライン以外で起きた半分まで含めた実際の取引履歴が反映されます。
顧客サービスの自動化
注文状況、返品、近くの店舗の在庫、ロイヤルティに関する質問が問い合わせ量の大半を占め、年々より多くのチャネルから寄せられます。
あらゆるチャネルで自社の注文・在庫・ロイヤルティデータをもとにこうした質問に答え、特異なものは履歴を整理して担当者に引き継ぐアシスタントです。
売上の拡大がそのまま応対人員の増員につながらなくなり、定型的な質問には時間を問わず答えられます。
需要予測AI
需要をチェーン全体の水準で予測して各店舗に落とし込むため、売れ方が異なる店舗が値下げを抱え込みます。
実際に仕入れて配分する単位である店舗・カテゴリ・週ごとに予測する需要予測AIです。自社の販売履歴、季節性、地域ごとのパターンをもとにし、予測の不確実性もあわせて示します。
チェーン全体の単一の数値ではなく、店舗ごとの予測レンジを基準に仕入れと配分を決定します。
在庫最適化AI
どのシステムも自らの在庫については正確ですが互いに一致しないため、一方で販売機会を逃す間に、もう一方には同じ商品が残っています。
店舗・倉庫・オンラインを横断する一つの在庫現状を作り、それを基準に店舗間移動、補充発注、値下げのタイミングを手作業の計算ではなくシステムが提案します。
在庫がどこにあっても、実際に保有している商品を把握して販売できます。
不正検知
返品の悪用、プロモーションの重複適用、ロイヤルティポイントの操作は、盗難と同じように粗利を削りますが、レジでの不正を捕らえるために作った固定ルールはすべてすり抜けます。
取引・返品・ロイヤルティ利用の行動を時間の流れに沿ってまとめて分析してスコア化し、単一のルールで拒否する代わりに、本当に疑わしいものだけを確認対象として保留します。
ルールが見逃すパターンを捉え、決済時に善良な顧客を断ってしまうことも減ります。
顧客分析
店舗は店舗の実績を、オンラインはオンラインの実績を報告するため、あるカテゴリが会社全体に貢献しているのか、それともチャネル間を売上が移動しているだけなのか、誰にも分かりません。
顧客・取引・在庫データの上に一つの分析レイヤーを置き、バスケット、粗利、リピート率、カテゴリ実績を一度定義して、どこでも同じ基準で読めるようにします。
販売に関する問いに一つの数値体系で答え、その答えはまだ対応できる一週間が残っているうちに出ます。
レジの明細から販売の意思決定まで
小売にデータが足りないわけではありません。たいてい欠けているのは、一件の取引が翌週の販売のやり方の変化につながる経路であり、その経路は五つのステップからなります。
顧客・売上・在庫データ
あらゆるチャネルの取引、ロイヤルティ、在庫状況、返品、問い合わせのデータを、新しい場所に複製せず、あるべき場所でつなぎます。
AI・分析
一般的な小売ベンチマークではなく、自社の販売履歴で学習した需要モデル、顧客モデル、異常検知モデルです。
ビジネスインサイト
どの店舗がまもなく在庫を切らすか、どの顧客に提案する価値があるか、どの返品パターンが実際の顧客によるものではないかを、判断の根拠とともに示します。
自動アクション
補充発注と店舗間移動を提案し、顧客への提案を送り、問い合わせに答え、疑わしい取引は確認対象として保留します。
小売の成果
逃す販売は減り、値下げで手放す粗利も減り、その週にまだ対応できるうちに販売の意思決定を下せます。
稼働後に変わること
小売ビジネスが期待できる成果を、ありのままに整理しました。
売上と転換率の向上
商品が違う場所にあったために逃す販売が減り、セグメントの一般的な購入ではなく、顧客が実際に購入した履歴を反映した提案ができます。
在庫効率の向上
店舗ごとの需要に合わせて在庫を計画し移動させるため、いずれ値下げされる場所に積み上がる在庫が減ります。
運用コストの削減
補充発注、店舗間移動、定型的な問い合わせ対応が、本来は販売に充てられる人材の時間を奪わなくなります。
顧客維持率の改善
チャネルが変わっても同じ顧客として認識するため、顧客が買い方を変えるたびに体験が最初からやり直しになりません。
顧客体験の向上
時間を問わず質問に答え、エスカレーションを引き受けた担当者は、すでに顧客の履歴を確認したうえで応対します。
より速い意思決定
販売の現状を、報告のたびに抽出データから作り直すのではなく、一度構成して最新の状態に保ちます。
不正リスクの低減
返品の悪用、プロモーションの重複適用、ロイヤルティポイントの操作が、個別の取引として見過ごされる代わりに、時間をかけた行動パターンとして見えるようになります。
運用効率の向上
配分、値下げ、顧客サービスの判断を、四つの現状を突き合わせながらではなく、一つの在庫・顧客現状をもとに下します。
小売か、ECか？
このページは小売ビジネス全体を扱います。店舗とオンラインをあわせて捉え、すべてのチャネルにわたる顧客、全店舗網の在庫、そしてそれをもとにした販売の意思決定までを含みます。必要なものがオンラインストアそのもの——ストアフロント、商品カタログ、注文受付から出荷までのワークフロー、デジタルの顧客体験——であれば、ECのページをご参照ください。二つのページは、どちらか一方を置き換えるものではなく、あわせてお読みいただくよう構成しています。
上記の成果にパーセンテージを付けていないのは意図的な選択です。それぞれの成果の価値は、チャネル構成、店舗網、現在の出発点によって変わるため、他社の数値を書き写すよりも、御社の実際の販売データをもとに一緒に見積もる方がよいと考えています。
このページの土台となる技術的な能力は特定の業界に限られるものではなく、それぞれに専用のページがあります。モデルとエージェントはAIソリューションで、顧客・売上・在庫データが集まるプラットフォームはデータ・AIで、補充発注や問い合わせを自動で次の段階へ進めるワークフローはAI業務自動化で扱います。方針、仕入先との契約、製品仕様を会社全体から探す必要があればエンタープライズ検索AIがあります。これらすべては決済データと顧客データに触れるため、サイバーセキュリティも後回しにせず、同じ議論の中であわせて検討すべきです。
このページで主張しないこと
このページには、小売企業の実名、ブランドロゴ、顧客数、転換率や売上の数値、事例研究はありません。責任を持てないものは掲載しないためです。代わりにお示しできるのは、御社の顧客・売上・在庫データのためのリファレンスアーキテクチャと、前提条件を明示して範囲を定めた第一フェーズの計画です。次の段階に進む前に実名のリファレンスが必要であれば、最初のご相談でお申し付けください。共有できることとできないことを、はっきりとお伝えします。
ビジネス戦略とマーケティングの進化
統合と変革、そして拡張可能なデジタルマーケティングソリューションで、今日の小売ビジネスを支援します。
小売オペレーションを変革する準備はできていますか？
今、事業で最も損失が生じているのはどこか——違う場所にある在庫、平均に合わせた需要計画、売上とともに増える問い合わせ、返品で漏れ出る粗利——そして、関連するデータがどのシステムにあるかをお聞かせください。それに対して何を構築できるか、第一フェーズにどのような作業が含まれるかを一緒に整理します。