機械学習

機械学習とは人工知能の一分野で、ソフトウェアが人の書いたルールではなくデータからパターンを学習し、予測や判断を行うものです。Eコマースや価格設定では、需要の予測、価格に対する買い手の反応の推定、二つの出品が同じ商品かどうかの判別に使われます。

ルールではなく事例から学ぶ

従来の価格ルールは、たとえば「競合が自社より安くなったら合わせる。ただし原価プラス15%を下回らない」といったものです。すべての条件は人が書きます。一方、機械学習モデルには、価格、日付、在庫水準、その後の売上など、過去の事例が大量に与えられ、モデルは予測がそれらの事例にうまく合うまで内部のパラメータを調整します。

その結果、まったく同じ状況を見たことがなくても、新しい状況について予測できるモデルができます。その質は、新しい状況が学習したデータに似ているかどうかに左右されます。

学習の後には通常、モデルが見ていないデータでテストを行います。よくある方法は、直近の数か月分を取り分けておき、それ以前のすべてのデータで学習させ、取り分けた期間をどれだけうまく予測できるかを確認するものです。見ていないデータで精度が大きく下がるなら、モデルは過去に合わせすぎており、汎化できません。

学習の主な種類

  • 教師あり学習は、過去の価格と販売数の組み合わせのようなラベル付きの事例から学習し、新しいケースのラベルを予測します。
  • 教師なし学習は、似た行動をとる顧客や商品をグループ化するなど、ラベルのないデータから構造を見つけます。
  • 強化学習は、行動を試して報酬を観察し、成果の出る行動を徐々に選ぶようになる手法で、連続的な価格判断への応用が研究されています。

小売の実務で使われるもののほとんどは教師あり学習です。モデルの種類は、単純な線形回帰から決定木のアンサンブル、ニューラルネットワークまでさまざまです。誰も説明できない複雑なモデルより、チームが理解できる単純なモデルのほうが役立つことがよくあります。

価格設定とEコマースでの主な用途

  • 在庫やプロモーションを計画するための需要予測
  • 十分な販売履歴がある商品の価格弾力性の推定
  • タイトルが異なる二つの出品が同じ商品かを判断する商品マッチング
  • ストアページでのレコメンドと検索順位付け
  • 決済時の不正検知
  • 季節商品の値下げ計画

商品マッチングは、この手法が競合データとどう結び付くかを示す好例です。タイトル、ブランド、型番、画像、属性を比較し、二つの出品が同じ商品である可能性をモデルがスコア化します。誤ったマッチングは誤った価格比較につながるため、信頼度の低いマッチングは通常、人が確認します。

多くの場合、予測は最も始めやすい分野です。商品ごとの来月の販売数を予測するモデルは、それ自体では価格を何も変えませんが、バイヤーの在庫発注やプロモーションの計画を助け、売上が予想から外れつつある商品の発見に役立ちます。予測は毎週実績と照らし合わせて確認できるため、信頼を一歩ずつ築けます。

例:価格への反応を予測する

例として、あるペット用品店が、ドッグフード一袋について二年分の日次データを持っているとします。自社の価格、追跡している競合の最安値、曜日、季節、販売数です。このデータで学習したモデルは、自社が52ドルで競合が50ドルなら一日に約30袋、49ドルなら約38袋売れると推定するかもしれません。単位原価と組み合わせれば、こうした推定値から各価格での予想利益を比較できます。

この推定が成り立つのは、モデルが見たことのある範囲の中だけです。ショップが55ドルを超える価格を付けたことがなければ、65ドルでの予測は数字の形をした当て推量にすぎません。新しい価格水準は慎重にテストし、その結果をデータにフィードバックするのが良い方法です。

まずはデータ

モデルの良し悪しは入力データ次第です。欠けている日、誤った通貨で記録された価格、需要の低さのように見える品切れ、フラグの付いていないプロモーションは、どれもモデルに誤った教訓を与えます。データのクリーニングとラベル付けには、通常、モデルの学習そのものより多くの労力がかかります。

競合価格もよく使われる入力データであり、同じ注意が必要です。競合の価格と在庫状況を長期間一貫して記録したもの、たとえば 価格履歴が保持している記録は、スプレッドシートでもモデルでも、あらゆる分析により信頼できる基盤を与えます。

リスクと限界

  • 過学習:モデルが過去のノイズまで記憶してしまい、新しいデータでの予測精度が低くなる
  • フィードバックループ:複数の自動システムが互いに反応し合い、価格が漂流していく
  • スタッフが顧客や規制当局に説明できない不透明な判断
  • バイアス:データや特徴量が、特定の顧客グループに不公平な結果をもたらす場合
  • コンセプトドリフト:市場の行動が変わったのに、古いモデルが時代遅れのパターンで動き続ける

自動化された判断、個人データ、価格設定に関するルールは国によって異なります。個人データを使って個別の価格を設定すると、法的・倫理的な問題が生じる可能性があるため、実施する前に専門家の法的助言を求める価値があります。

機械学習を責任を持って使う

境界の管理は人が担いましょう。価格の下限、上限、一日の最大変動幅は企業が設定し、モデルが何を提案しようと必ず適用すべきです。価格を直接変えるモデルではなく、判断を支える予測から始め、実際の結果と照らして精度を監視し、誤差が大きくなったらモデルを再学習させるか廃止しましょう。

どのモデルも、前年同週の売上や移動平均などの単純な基準と比較すると役立ちます。高度なモデルがその基準を明確に上回れないなら、複雑さを加えた価値はありません。各モデルが何をし、どのデータを使い、誰が責任者なのかを文書化しておけば、スタッフが交代しても判断の経緯をたどれます。

要点

  • 機械学習は、人が書いたルールに従うのではなく、データからパターンを学習します。
  • Eコマースでは、需要予測、価格への反応の推定、商品マッチングに役立ちます。
  • 予測が信頼できるのは、モデルが見たことのある状況の範囲内だけです。
  • モデルの複雑さより、競合価格を含むクリーンで一貫したデータのほうが重要です。
  • 自動化された判断は、企業が設定した下限と上限、そして人による確認の範囲内に収めるべきです。

よくある質問

機械学習は人工知能と同じものですか?

機械学習は人工知能の一分野です。AIはソフトウェアに知的に見えるタスクを実行させる幅広い分野であり、機械学習はそうした能力をデータから学習させるアプローチです。

うまく価格を設定するには機械学習が必要ですか?

いいえ。コスト、目標利益率、競合価格に基づく明確なルールは、多くのショップでうまく機能します。機械学習が最も役立つのは、商品数が多く、履歴が十分にあり、パターンが単純なルールでは扱えないほど複雑な場合です。

価格モデルにはどれくらいのデータが必要ですか?

決まった数はありません。モデルが需要の反応を把握するには、実際に価格が変動した十分な履歴が必要です。価格が一度も変わったことのない商品からは、価格への反応について何も学べません。

関連用語

BlackAhaでは、 Smart Price は、競合価格と市場価格に基づいて、すべての商品の推奨販売価格を得るのに役立ちます。

価格用語辞典に戻る