AIと経済学でクーポン原資を最大70%削減、サイバーエージェントの価格最適化

値引きの効果を、施策全体ではなく利用者一人ひとりの行動変容として捉え直した設計が、この取り組みの起点にあります。クーポンがある世界とない世界での購買行動の差分を予測するという因果推論の応用は、「配った人がその後買ったか」ではなく「配ったから買ったのか」を切り分けます。この切り分けができれば、値引きがなくても買っていた層を配布対象から外すという判断に、はじめて根拠が生まれます。インターネット広告オークションの入札金額の最適化で積み上げてきた経済学の知見を、小売の値引きという別種の意思決定へ移し替えた点が、この予測を支える土台になっていると考えられます。

分析ロジックそのものを製品として切り出し、パッケージにして顧客の環境へ届けるという配り方も、実運用を可能にした要因でしょう。Snowflake上でアプリケーションをまとめて配布できるNative App Frameworkを使い、コードやクエリ、Streamlitで作った画面までを一つの汎用アプリとして格納する。この形にしたことで、クライアントごとに環境を用意する個別実装から離れられます。顧客のPOSデータやユーザーマスタと、提供側の分析ロジックを別々のアカウント上に置く構成は、機密データを預からずに済ませるという運用上の割り切りでもあります。

Snowflakeのアカウントを持たない企業にも閲覧専用のReaderアカウントを発行し、その中で自社データを分析できるようにした選択は、利用の敷居を下げる工夫として見逃せません。パッケージにはStreamlit in Snowflakeで開発したダッシュボードまで含まれ、顧客側がターゲット層やクーポン額、予算といった条件を自ら動かしてシミュレーションできます。分析結果を報告物として渡すのではなく、条件を試せる場ごと渡す設計が、提供側と顧客が同じ画面を見ながら施策を詰める議論を成り立たせたのではないでしょうか。