本記事は、Criteo でプロダクト・パフォーマンスを統括するシニア・バイス・プレジデント、 Wilfried Schobeiri が AdExchanger に寄稿した記事を基に再構成したものです。英文の原文は 「 AI Without Context Won’t Drive Commerce Outcomes」でご覧いただけます。
パフォーマンス・マーケターはコストの上昇、データの損失、消費者のショッピング・ジャーニーの複雑化に対応するため、 AI 活用を加速させています。クリエイティブのパーソナライゼーションやターゲティング精度の向上、リアルタイムの最適化まで、その効果は既に様々な場面で実証されています。AI はパターンの特定や結果の予測、主要指標における成果の向上において、非常に高い効果を発揮してきました。しかし、多くのマーケターは「 AI で効率は上がっているのに、なぜビジネス成果は同じように伸びないのか」という疑問を持っています。
その背景にあるのが、データや意思決定の分断です。AI ツールは、パフォーマンスというパズルの一部分（入札、測定、ターゲティングなど）を最適化するように設計されていますが、各パーツがどのように組み合わさっているのかを把握していません。個別の指標は改善しても、それが必ずしも事業成果につながるとは限らないのです。今求められているのは、「この場面では何をすべきか」を示すAIではなく、「なぜそれが有効なのか」を理解し、似た状況でも再現できるAIです。
そのギャップを埋めるには、パフォーマンスの仕組みそのものを理解する AI モデルが必要です。これには2つの要素が求められます。1つ目は、ショッピング・ジャーニー全体にわたってデータ、ツール、意思決定をつなぐインテグレーションです。2つ目は商品の動きや消費者の行動、購入意欲から購入に至る道のりなど、コマースの仕組みを理解するコマース領域の専門知識です。この2つが揃って初めてAI モデルは、タスクを最適化するツールからパフォーマンスを牽引する存在へと進化します。
ツールの断片化が AI の効果を制限する
パフォーマンス・マーケティングに携わる人なら、ツールが断片化されていることによる非効率を一度は感じたことがあるはずです。入札プラットフォーム、クリエイティブ最適化ツール、測定システムは、それぞれ一部の情報しか持っていないため、共通の「文脈」がなければ、チームは成果を伸ばすことよりも、ダッシュボードの整合を取ることに時間を使ってしまいます。分断されたシステムは、最適化のスピードを落とし、パフォーマンスを左右する要因を見えにくくし、優れた AI モデルであったとしても、成果を十分に引き出すことが難しくなります。
一方で、データ、意思決定、アクティベーションが一体で学習される環境では、 AI はようやく全体像を捉えられるようになります。例えば、価格変更がカート追加率にどう影響するか、あるいは、クリエイティブの成果がチャネルやオーディエンスごとにどう変わるかを横断的に学習することができます。こうしたクローズドループ型のフィードバックによって、最適化は後追いではなく、先回り型へと変わっていきます。
しかし、こうした環境が整ったとしても、一般的な AI では、限界があります。
コマースの仕組みを理解した AI が必要な理由
複数のデータやインサイトが連携されていても、多くの AI システムは依然として、実際のコマースにおける経験が足りていません。こういった AI は、ブランドのキャンペーン履歴や CRM などの限られたデータソース上でトレーニングされており、商品や消費者、メディアが大規模に相互作用する構造までは捉えきれていません。つまり、AI は学習能力が優れていても、コマースの実務的な文脈の理解が不足しているのです。価格感応度、カテゴリートレンド、クロスチャネルでの購買行動といった要素は、刻一刻と変化します。次に何が重要になるかを予測するには、そうした市場のダイナミクスを理解した AI が欠かせません。
コマースに特化していない AI とコマースの仕組みを理解した AI の違いは、実際の購買シーンに明確に表れます。例えば、一般的な AI モデルも消費者が青いシャツを閲覧したことまでは把握しますが、経験豊富なモデルはさらにその上を行き、そのシャツが沿岸地域の市場でトレンドになっているコットンリネン素材でできていること、価格変動への反応がシビアになっていること、さらにその SKU では週末に静止画より動画広告の方が高い成果を出しやすいことまで理解します。
こうしたレベルの理解には、商品ごとの細かな属性とリアルタイムの購買行動、さらには広告メディアの動きまでを結びつける深い知識が鍵となります。 AI が単にエンゲージメントを最適化する段階から、「なぜ人は買うのか」を本質的に理解する段階へ進化する分岐点は、まさにここにあります。
データの厚みが、AI の理解を深める
最も効果的な AI システムは、実際の購入取引やリテーラー間で一元化された商品カタログ、オープンウェブ全体にわたる SKU レベルの属性とマルチモーダル・シグナルといった、コマースに特化したインテリジェンスを土台に構築されています。この基盤は、何十億ものインタラクションにまたがるパターンの認識を可能にする機械学習と、データの補完や正規化を担うLLMによってさらに強化されます。一貫した商品タグの生成や顧客によるレビューから得たインサイトの統合、リテーラー間での SKU バリエーションの紐づけが良い例です。
これほど深いデータを構築したり、維持したりするのは簡単ではありません。シグナルの鮮度と精度を維持するには、構造化データや非構造化データを取り込んで、正規化するエンジニアリング基盤に加え、広告主やパブリッシャーとの信頼できる連携、さらに機械学習と LLM を含めた AI の使用が必要になります。それでも、この投資には十分な価値があります。なぜなら、こうした積み重ねこそが AI を単なる最適化ツールからコマース領域に精通したシステムへと進化させるからです。
その結果、AI は「誰に」「いつ」「どこで」「何を見せるべきか」を、より速く、より正確に、そしてより高い費用対効果で判断できるようになります。
AI がコマースの専門知識を身につける仕組み
人が経験を積み重ねながら専門性を高めていくように、AI もまた段階的な学習を通じてコマースへの理解を深めていきます。
1. 市場全体を学ぶ：
優れた AI モデルは、顧客ブランドの最適化をする前に、まずは広範なコマースデータを学習します。商品カタログや価格、在庫、レビュー、クリエイティブの成果、そして実際の購買行動など、さまざまなデータを横断的に理解することで、「市場がどう動くのか」という基礎理解を築きます。
2. 顧客について学ぶ：
その基盤ができたうえで、 AI は各ブランドの目標や KPI に合わせて最適化されていきます。 ファッション、旅行、小売など、領域ごとに何がコンバージョンを左右するのかを一から学び直す必要がないため、学習は速く、予測は鋭く、より高い成果につながります。
このアプローチによって AI の学習スピードは加速し、成果も継続的に積み上がっていきます。最初からコマースを熟知したモデルであれば、導入初日からとっさの判断や入札額の調整、クリエイティブのパーソナライゼーション、広告予算の再配分などを最適化できます。その結果、エンゲージメントやコンバージョン、 ROAS の改善をもたらすことができます。
次なる AI 革命──コマースを“理解する” AI へ
AI はすでに、驚くほど速いスピードで学習できることを証明しています。次なる AI の進化は、データの背後にある文脈を理解することにあります。パフォーマンス・マーケティングにこれから求められるのは、断片的なツールを組み合わせることではなく、コマースを深く理解した、統合型のAI です。必要なのは、単にパターンを見つける AI ではありません。売上を伸ばす要素や購入意図が切り替わるタイミング、需要がどう動くかなど、コマースの仕組みを理解しているものを指します。
次世代のパフォーマンス・マーケターは、 AI に「最適化」だけを求めるのではなく、「理解する力」を求めるようになります。そして、その転換をいち早く進めた企業が、持続的な優位性を手にするはずです。
Criteo の AI とコマースデータを活用したソリューションについて詳しく知りたい方はこちらからお問い合わせください。
Wilfried Schobeiri 氏に関する他の記事を読むには、こちらをクリックしてください。
