AIを導入したのに、なぜ成果が出ないのか：データから見えたEコマース成長の条件

AIを導入したのに、なぜ成果が出ないのか：データから見えたEコマース成長の条件

8月6日、ソウル・駅三のSnowflake韓国オフィスで、「AIとデータでつくるEコマースの成功事例」をテーマにLunch & Learnを開催しました。

HITEJINRO Beverage、ネスレコリア、農心ケロッグ、アディダスコリア、APR、Kenvue Koreaなど、食品・飲料、ビューティー、ファッション、生活消費財をはじめとするさまざまな業界の実務担当者が参加し、AIとデータを実際の業務成果につなげるための条件を一緒に考えました。

AIが信頼できる答えを出すには

最初のセッションでは、Snowflakeの営業担当、オム・サンリョル（Eom Sang-ryeol）氏が、AIが実運用の段階でつまずく3つのポイントとして、コンテキスト、ガバナンス、コストを挙げました。

汎用のLLMにテーブルやファイルをつなぐだけでは、部門ごとの指標の定義や例外ルール、データの権限を一貫して反映できません。一方、共通の指標とビジネスルールをデータに結びつければ、AIは同じ質問に対して、より正確で再現性のある答えを返せるようになります。

イベントで紹介されたAnthropicの社内分析の事例も、これを裏付けています。公式なデータ定義がない状態では21%にとどまっていた回答精度が、共通の基準を適用すると95%以上に向上しました。続くSnowflake CoWorkのデモでは、企業データ、セマンティクス、セキュリティポリシーがひとつの環境で連携することで、AIが分析にとどまらず次のアクションまでつなげていく様子を確認しました。

散らばったEコマースデータを売上の成果につなげる

MarqVisionのシニア営業担当、パク・ジュニョン（Park Jun-young）は、ブランド・商品・価格・出品者のデータが複数のチャネルに散らばっていると起きる、並行輸入品の流通、価格崩れ、模倣品といった問題を紹介しました。

Marq AIは、こうしたデータをひとつのブランドオントロジーに結びつけ、価格モニタリングとSeller Intelによって、リスクの高い出品者とその関連ネットワークを特定します。これにより、ブランドは単なる検知件数ではなく、回復した価格や売上、対応時間といったビジネス成果を軸に優先順位を決められます。

延世乳業の事例では、Marq AIの導入後1年間でCoupangへの納品価格を引き上げたうえ、PPMを3〜5%改善し、従来の対応と比べて業務時間を70%削減しました。並行輸入の管理が、オンライン流通の秩序を整え、収益を取り戻す出発点になりうることを示す事例です。

より優れたAIより、より優れたデータ構造が鍵

今回のイベントで確認できた要点は明確でした。

AIの成果を決めるのは、より高価なモデルではなく、企業のデータと基準をAIが理解できる形で結びつける構造です。セッションの後は、昼食をとりながら、各社が現場で直面しているデータ活用やEコマース運営の課題を共有するネットワーキングの時間となりました。

ご参加いただいたすべての皆さまに感謝いたします。Marq AIが散らばったEコマースのデータを結びつけ、ブランドの信頼と収益を守る方法が気になる方は、MarqVisionのさまざまな成功事例をご覧ください。