英国に本社を置き、EC事業者向けに受注・在庫・注文管理を一元化するオペレーションプラットフォームを提供するLinnworksのCMO（最高マーケティング責任者）であるHilary Smith氏が、AI主導の商品発見が普及することによって、ECブランドの商品データの在り方がどのように変化しているかについて語る。
中小規模のeコマースブランドは、AI主導の商品発見、ソーシャルコマース、対話型検索の普及によって消費者の商品の探し方が大きく変化するにつれ、ますます大きな課題に直面している。
従来の検索は、AIによるおすすめ、SNSを起点とした商品探索、さらに画像や自然な対話を通じて商品を見つける新しいスタイルへと移行しつつある。AIとソーシャルコマースはeコマースのルールを書き換え、可視性、ランキング、そして最終的には収益にも影響を及ぼしている。
Adobe Analytics（Adobe社のWebサイトやアプリのユーザー行動を詳細に分析できるツール）によると、2026年第1四半期において、AI経由の米国小売サイトへのトラフィックは前年同期比で393%増加した。さらに3月には、AI経由の訪問者のコンバージョン率が従来のデジタルチャネルからの訪問者よりも42%高くなり、AIを活用した商品発見の影響力が高まっていることが明らかになった。
AI主導の回答エンジン最適化（AEO）が商品検索のあり方を変えるなか、中小企業のブランドは、AIモデルが自社の商品を正確に推奨できるよう、製品情報管理（PIM）とメタデータを見直さなければならない。キーワードを重視する従来のSEOとは異なり、AEOはAIが理解できるように構造化された詳細な製品データが重要になる。
「AIによる商品発見ツールは、検索語に関してページを巡回して情報収集するのではなく、商品データから構造化された意味を読み取り、それを回答として買い物客に提供している」と語るのは、コネクテッドコマース運用プラットフォームであるLinnworksのCMO、Hilary Smith氏だ。
「商品の素材組成、用途、互換性、サイズなどの情報が、誰も意味を読み取れないような仕様表の奥に埋もれてしまっていては、AIモデルはそれらを認識できず、おすすめとしてユーザーに提示することはできない」と同氏は付け加えた。
AIが商品発見をどう変えつつあるか
現在の対話型AIモデルや対話型検索エンジンは、商品データを集約してユーザーのクエリに直接回答する。たとえば、消費者が「150ドル以下で、幅広の足に合う環境に配慮したハイキングブーツのおすすめは？」と質問した場合、AIは多くの場合、明確なおすすめ商品を提示する。AIが生成する回答が購買ジャーニーの最初のきっかけとなるにつれ、マーケターは自社サイトへの直接訪問を失うリスクに直面している。そのため、最適化された商品データの重要性がこれまで以上に高まっている。
発見、検討、購入という一連のプロセスは、SNSのフィード内では1つの瞬間に集約されつつある。消費者はもはやSNSで商品を見つけてからGoogleやECサイトへ移動して購入するのではなく、アプリ内で決済を完了するようになった。
こうした変化の激しいチャネル全体でリアルタイムの在庫状況や価格の一貫性を維持できないマーケターは、急速に商品の可視性を失っていく。
Smith氏によれば、そのために必要なのが、豊富な属性情報を備えた充実した商品データだ。適切なカテゴリ分け、一貫性のある商品名、そして文章で分かりやすく記述された商品説明は、単に商品の特徴を説明するだけでなく、買い物客の意図をAIが理解する助けになる。
「これまでPIMをコンテンツ戦略ではなく、単なるデータ管理業務として扱ってきたブランドほど、今まさに最も大きなリスクにさらされている」と同氏は指摘する。「自社サイトだけを修正するのでは不十分だ」。
現在、中規模小売業者は平均して4つ以上の販売チャネルで商品を販売している、と同氏は説明する。ブランドが商品データを一元管理して拡充させても、その情報を各チャネルへ一貫して配信できなければ、その取り組みはほとんど成果につながらない。
「AIモデルがAmazonやWalmart Marketplace（米国に本部を置く世界最大のスーパーマーケットチェーンによるマーケットプレイス）の商品フィードから情報を取得すると、そのフィードに掲載されている商品はすべて、たとえ掲載情報が少ない商品であってもなんでも表示してしまう」とSmith氏は述べた。
AIによる発見が従来の顧客ジャーニーを壊す
今や、AI搭載の検索エンジンは、買い物客の商品に関する質問に直接回答している。また、ユーザーを販売者のサイトへ戻すことなく、アプリ内で購入まで完結できるようになった。
これは、多くの小売業者が事業運営の基盤としてきたフィードバックループを断ち切るものだ、とSmith氏は指摘する。顧客がAIのおすすめをきっかけに商品を購入した場合、小売業者はユーザーのセッションデータ、行動経路（クリックパス）、さらにどの接点が購入につながったかを示すアトリビューションデータを取得することができなくなってしまう。
さらに懸念されるのは、米国の中堅小売業者のうち、自社のチャネル間や倉庫間の在庫可視性を「優れている」と評価しているのはわずか37%に過ぎないとSmith氏は指摘した。在庫可視性はAIの普及前から既に弱点となっていたのだ。
「では、1つのAIによるおすすめがきっかけとなって、3つの販売チャネルで同時に需要が急増しているのに、在庫状況を十分に把握できないまま、補充の判断を迫られる場面を想像してみてほしい」と同氏は付け加えた。
Smith氏は、この変化にうまく対応できている小売企業は、AIによる発見の到来を予見していた企業ではないと示唆する。彼らは、もともとマルチチャネル運営の複雑さに対応する必要があったため、すでに一元化されたリアルタイム在庫管理システムを構築していた企業なのだ。
小売企業はパフォーマンスを測定するための新しい方法が必要
Smith氏は、Cookieの廃止、ダークソーシャル（LINEやメール、DMなど、アクセス解析ツールで流入元を判別できない経路でコンテンツが共有されること）の普及、オープンウェブを一切経由せずアプリ内で完結する購買行動の増加などにより、売上貢献を測るアトリビューションは何年も前から低下し続けていると述べる。
「AIが介入する発見機能は、その流れをさらに加速させているに過ぎない。変わりつつあるのは、運用面で成熟した小売企業が次に何を指標として見るかだ」と彼女は述べた。「彼らはラストクリックアトリビューション（コンバージョン直前の最後の広告クリックに 100%の貢献度を割り当てるアトリビューションモデル）から、業務オペレーションに関する指標へと移行しつつある」。
新しい指標には、チャネル別販売率、在庫回転率、フルフィルメントの精度、顧客維持率、SKU別の純利益率などが含まれる。これらは地味ではあるが、より正直な指標と言える。
「これらの指標によって、商品認知がどこで起きたかにかかわらず、需要が実際に売上に結び付いたか、そして自社のオペレーションがその需要に対応できたのかを把握できる」とSmith氏は語った。
SNSでバズると、数時間で商品が売り切れる場合も
小売企業は、「季節要因」ではなく「商品発見」が需要を生み出す時代に合わせて、業務オペレーションを見直す必要がある。SNSで商品が急激に拡散されること（バイラル現象）による需要は、マルチチャネル小売企業が既に直面している問題の、最も顕著な例と言える。予想外の販売チャネルから予想を上回る注文が入ることは珍しくないのだ。
たとえば、TikTokは商品の発見から購入までの時間がほぼゼロにまで圧縮される。そのため、従来の季節変動モデルでは予測できないほど急激に注文が増えることがある。Smith氏は、小売業者はこうした需要の急増が起きる前に、必要なインフラを整備しておかなければならない、と助言する。
リアルタイムの在庫情報はすべての販売チャネルで同期する必要があり、どれかのチャネルで販売されれば、他のすべてのチャネルの在庫数が即座に更新される仕組みが不可欠だ。また、担当者が5分以内に状況を確認して手動で対応することを前提とするのではなく、商品掲載の制限や補充発注を自動化するルールも必要になる。
Smith氏によると、英国の64.8％、米国の60％の小売企業が、すでに自社の業務を「おおむね」または「高度に」自動化されていると回答している。自動化はもはや競争優位性ではなく、基本要件となっている。
しかし、そうした自動化の多くは定型業務に限られている。SNSで商品が急速に拡散されたケースのように、特殊で複雑な状況へ対応する場合、多くのブランドが今なお手作業で行っている。
「SNSで商品がバズって注文が急増しても、欠品や過剰販売を防げる企業は、例外的な対応まで自動化システムに組み込んで、人間の判断に頼らない体制を構築している企業だ」と彼女は分析した。
バックエンドの自動化が注文処理を支える
商品発見から購入手続きまで同じソーシャルメディアのフィード内で行われるようになったため、販売チャネル間で在庫同期が遅れるリスクが高まり、注文処理が複雑化している。
Smith氏によると、解決策は、注文管理を一元化することだという。各チャネルのチェックアウトからの注文をAPI経由で取り込み、ルーティング、フルフィルメント、在庫更新など、他のチャネルからの注文と全く同じように例外なく処理するのだ。華やかさはないが、この仕組みの構築こそ、チャネルを成長の原動力にできるか、それとも負債にしてしまうかを左右する重要な違いになる。
Linnworksは最近、バックエンド業務自動化における課題を明らかにするための「Spotlight AI」の提供を開始した。Spotlight AIは、フルフィルメント速度、注文不良率、キャンセル率、返品率、出荷遅延率といったバックエンドの運用指標を用いて、マーケットプレイスの健全性スコアを分析する。
「Amazon、eBay（米国に本社を置く世界最大級のマーケットプレイス）、Walmartはいずれも、同様の仕組みによって、アルゴリズムによる商品の表示順位や表示抑制を決定している」とSmith氏は述べた。
Spotlight AIは、エラーや遅延、データの不整合の原因となる手作業による引き継ぎを特定することで、アルゴリズム上の評価が低下している自動化の不備を見つけ出す。これらの問題を修正すれば、マーケットプレイスのアルゴリズムが重視する指標は正しい方向へ向かう。
これらの機能には、売れ筋のSKUに応じた配送業者の自動選択、プラットフォームの配送期限に合わせた配送ルート設定、そして過剰販売によるキャンセルを防ぐリアルタイム在庫同期が含まれる。キャンセルは、健全性スコアにとって最も有害な評価項目の1つだ。
Smith氏は、この分野で実際に改善が見られる小売企業は、これをマーケティングの課題として捉えているわけではないことを明らかにした。むしろ、彼らはフルフィルメントの正確性、出荷遅延率、キャンセル率を重要業績評価指標（KPI）として追跡し、自動化によって改善しているのだ。
「健全性スコアの改善は副産物であって、目的ではない」とSmith氏は締めくくった。
※当記事は米国メディア「E-Commerce Times」の7/20公開の記事を翻訳・補足したものです。
