買わせないAIは、アパレルを救えるか

問いの出発点

ある人が、黒いパンツの商品ページを見ている。

推薦エンジンは仕事をする。似た商品、よく売れている商品、合わせやすい商品を並べる。どれも間違ってはいない。

ただ、その人のクローゼットには、すでに黒いパンツが三本ある。うち二本は、ほとんど穿かれていない。

このとき、最も正確な推薦は「これは買わなくてよい」かもしれない。

Anti-Recommendation Engineは、この可能性を設計として扱う試みである。

先に、誤解を解いておきたい。

これは購入を止める仕組みではない。買わせないための仕組みでもない。

買わなくてよい場合に、そう言えるエンジンである。

決めるのは人であり、エンジンの仕事は判断材料を出すことに留まる。この区別は、最後まで手放さない。

なぜアパレルで問うのか

この問いは、どの商材でも同じ鋭さを持つわけではない。

アパレルには、三つの事情がある。

第一に、返品が多い。試着できず、身体は一人ずつ違い、同じ表示サイズでも着たときの意味が変わる。買われた服の一定量は、そのまま戻ってくる。

第二に、在庫が傷む。季節を過ぎた服は値引きされ、値引きしても残れば処分される。売れ残りは、静かにコストになる。

第三に、これが最も重要だが、服の価値は「すでに持っているもの」に依存する。

四本目の黒いパンツは、道徳的に悪いのではない。予測可能に効用が低い。

予測可能であるなら、それは計算できる。ここが出発点になる。

そしてもう一つ、見落とされがちな事実がある。

「買わせない」推薦は、すでに存在している。

サイズやフィットの推定がそれである。「このサイズはあなたには合わない」という助言は、購入を一つ減らす。にもかかわらず広く実装されているのは、返品が減り、結果として利益が増えるからである。

つまり、買わない判断をAIが下すこと自体は、すでに商業的に正当化されている。

だとすれば、問いは「買わせないAIは可能か」ではない。

その論理はどこまで延長でき、どこで採算が合わなくなるのか、である。

先例として、Patagoniaの広告がある。2011年11月25日、ブラックフライデーのニューヨーク・タイムズ紙に、R2というフリースジャケットの写真とともに「Don't Buy This Jacket」と掲げた。この一着の製造に135リットルの水が要ることを記し、必要のないものを買うな、買う前に二度考えろ、と書いた。

強度のあるメッセージだった。ただ、二つ注意しておきたい。

一つは、その反響である。この広告は大きな注目を集め、少なくとも一部の報道では、2012年の売上を押し上げたと論じられている。買うなと言うことが、結果として極めて効果的な広告になった。希望的にも、皮肉にも読める。少なくともこの事例は、売上と引き換えに何かを差し出す場面には至っていない。

もう一つは、これがキャンペーンであってエンジンではないことである。広告は、誰に対しても同じ一つのメッセージを出す。ここで考えたいのは、特定の顧客の、特定の一件について、買うべきか買わなくてよいかを判断し続ける仕組みのほうである。

前者は思想を掲げる。後者は毎日、値のつく判断を下す。前者が称賛されることと、後者が成立することは、別の問題である。

何を最適化するのか

まず、はっきりさせておきたい。

これは「短期のコンバージョンを追うな」という話ではない。コンバージョンは測るべきであり、測れることには価値がある。

「顧客生涯価値に置き換えよ」という話でもない。LTVの検証には数年かかり、多くの組織はそれを待てない。そのうえLTVは、長期にわたってより多く売ることも正当化する。目的関数を長くしただけでは、問いは動かない。

主張したいのは、もっと狭いことである。

一件の推薦が下流で生んだコストを、推薦した側に返す。

買われないほうがよかった一着は、具体的なコストを生む。

返品されれば、送料と検品と再梱包の費用がかかり、再販価値は下がる。

売れ残れば値引きされ、粗利が削られ、それでも残れば処分費がかかる。

買われたが着られなければ、次の購入は遠のく。返品より静かで、数字に出にくいコストである。

後悔が重なれば、メールは開かれなくなり、やがて客は戻らない。

これらは架空の損失ではない。多くの企業が、自社のデータの中にすでに持っている数字である。

問題は、その数字が推薦モデルに一度も返っていないことである。

返品はロジスティクスの指標として集計される。値引きはMDの指標になる。離反はCRMの指標になる。そして推薦の精度は、購入されたかどうかで評価される。

同じ一件の判断が生んだ結果が、四つの部署に分かれて記録され、どこにも合流しない。

これは誰かの怠慢ではない。組織と会計の構造が、そう分けている。

だから必要なのは、目的関数を「長く」することではない。閉じていないループを閉じることである。

しかもこのループは、数年を要しない。返品は数週間で分かる。値引き消化は一シーズンで分かる。再購入の間隔は数ヶ月で見える。

Anti-Recommendation Engineは、この下流のコストを、推薦の時点で見積もろうとする装置である。

そう置くと、「買わなくてよい」は価値判断ではなくなる。

期待される便益が、期待されるコストを下回る、という計算の結果になる。

何を、どう計算するのか

通常の推薦は、おおむねこう置かれている。

入力は、ユーザーの属性と行動履歴、そして商品の属性。出力は、その人がその商品を買う確率。学習に使う正解は、買ったかどうか。

Anti-Recommendation Engineは、二か所を変える。

一つは、入力に「すでに持っているもの」が入ることである。

同じ黒いパンツでも、一本目と四本目では意味が違う。前者は不足を埋め、後者は重複を増やす。商品とユーザー属性だけを見ている限り、この差は出てこない。

必要になるのは、生活の側の変数である。

所有している近い品目とその数。直近の着用頻度。前回同種を買ってからの間隔。過去の返品とサイズ交換の履歴。今季の気候。予算。仕舞う場所の余力。

このうち自社の購買履歴から取れるのは一部でしかない。この制約は後で扱う。

もう一つ変わるのは、出力である。

買う確率ではなく、期待される純便益を出す。おおまかには、次の引き算になる。

期待される便益、すなわち着用される回数、既存の不足を埋める度合い、代替の不在。

そこから引かれる期待コスト、すなわち返品される確率、着られず仕舞われる確率、値引き前に買った損、保管の圧迫。

四本目の黒いパンツは、こう判定される。

同種の所有が三本ある。うち二本は直近半年の着用記録がない。前回の同種購入から四か月しか経っていない。着用される見込みは低く、仕舞われる確率は高い。便益は薄く、コストは厚い。

一方、その人が一枚しか持っていないコートが擦り切れかけているなら、判定は逆になる。不足があり、代替がなく、着用は確実に発生する。

同じ人に対して、片方は止め、片方は薦める。これが「買わせない」ではなく「買わなくてよい場合にそう言う」ということの実際の意味である。

そして出力は、二値ではない。

買う。

買わない。

いまは保留する。数週間後に気温が下がれば必要になる、という場合がある。

修理する、あるいは手持ちで代替する。

条件が変われば買う。サイズ違い、値下がり後、次シーズン。

この区別が効く。保留と条件つきは、失われた売上ではない。繰り延べられた売上と、形を変えた売上である。

止めた一件がすべて機会損失になる、という前提が崩れると、経済的な反論の大部分は残らない。

機械学習には、判断を棄却するという古い考え方がある。確信が持てないときに「わからない」と答えることが、誤って断定するより価値を持つ場合がある。推薦における「いまは買わなくてよい」も、同じ位置にある。

どこで壊れるか

ここまでは、成立する側の話である。

同じだけの注意を、成立しない側にも向けておきたい。そうしなければ、これは理想論になる。

手元にデータがない。

クローゼットの中身を、ブランドは知らない。見えるのは自社での購買履歴だけで、他店で買った服も、頂き物も、十年前から着ている一着も見えない。

着用頻度に至っては、ほとんどの場合まったく見えない。前節で「直近半年の着用記録」と書いたが、それを持っている企業は多くない。

ユーザーに入力してもらえば分かるが、入力は摩擦であり、続かない。写真を撮ってもらえば分かるが、それは生活の内側を渡してもらうことである。

判断の質は、この不完全な視界に規定される。ここを飛ばした議論は、机上のものになる。

誰のエンジンなのかが決まっていない。

ブランドが持つのか、プラットフォームが持つのか、あるいはユーザー自身のエージェントが持つのか。

利害の構造がまるで違う。ユーザー側のエージェントであれば、利害は最初から一致している。ブランド側であれば、緊張は構造的に残り続ける。

現時点では、プラットフォーム側に置くのが現実的だろうと考えている。複数ブランドの購買が見えるぶん、ワードローブに最も近づけるからである。ただし、これは決着した論点ではない。この問いは、しばらく開いたまま持っておきたい。

事業モデルに依存する。

修理、リセール、サブスクリプションからの収入があるブランドと、新品の販売だけで成り立つブランドとでは、顧客の利益と自社の利益が重なる範囲が違う。

重なりの内側では、これは設計の問題である。重なりの外側に出た瞬間、事業モデルとガバナンスの問題に変わる。その境界がどこにあるかは、業態ごとに違う。

以下は、まだ形になっていない問いである。

近いループは数ヶ月で閉じるが、「買わせなかったことで積み上がった信頼」は、依然として長期でしか見えない。短い証拠で始めて、長い効果をどう引き受けるか。

一社だけが実施すると、実施しない競合に顧客を取られるのではないか。だとすればこれは、企業単位では解けない問題になる。

「あえて止めてみせる」ことが誠実さの演出として使われはじめたら、この仕組みは内側から壊れる。手法になった瞬間に、信頼は消える。

そして、知らせることと、決めてしまうことは違う。前者に留まる設計が、どこまで可能か。

次の小さな実験

大きな検証は、まだできない。実データもなければ、動くエンジンもない。

いまできるのは、判断の分岐を目に見えるようにすることである。

架空の顧客を一人つくる。都内在住、三十代半ば、週の三日は在宅で二日は出社、私服勤務。衣服の予算は月に二万円程度。クローゼットの幅は九十センチ。夏は湿度が高く、冬は氷点下にならない土地。

その人のワードローブを、実在しそうな粒度で書き出す。品目、購入時期、直近半年の着用回数まで書く。黒いパンツ三本、うち二本は着用ゼロ。コートは一枚、三年目で袖口が傷んでいる。白いシャツ五枚、通勤日にしか着ない。

そこに、候補となる商品を四つ置く。四本目の黒いパンツ。新しいコート。サイズが微妙な靴。三年着たニットの後継。

同じ入力に対して、二つの出力を並べる。

興味深いのは、判断が逆転する方向が片側だけではないことである。

通常の推薦が薦めるものを止め、通常の推薦が薦めないものを薦める。閲覧直後の商品は止まり、擦り切れたコートは薦められる。

このエンジンは、売る量を一律に減らす装置ではない。配分を組み替える装置である。

架空のデータで証明できることは、何もない。この実験が示せるのは、どの情報が判断を分けるか、という一点だけである。証明ではなく、論理を可視化するための作業だと考えている。

これが形になったら、次は理由の出力を試したい。

「これは買わなくてよい」だけでは、人は納得しない。「同じものを三本持っていて、うち二本はこの半年着ていないから」まで言えて、はじめて判断材料になる。

Perasporの問いにどう関係するか

生活を支える産業を長く続くものにするために、AIは「より多く売る」以外の目的関数を持ちうるか——この問いを、思想ではなく設計として扱うための、最初のノートである。