Einav Itamar, AI Strategy Lead at Cymbio

ファッションにおける不正確な商品データがもたらす高額な損失と、AIが果たす役割

ファッションにおいて、ビジュアルはすべてを占める。しかし、商品説明ページの背後にはデータが存在する。ヘムのカットからドロップダウンの色名まで、商品データは商品の発見、表示、購入、返品方法を決定する。データが正確であれば、システム全体を静かに支えている。データが不正確であれば、ロジスティクスから顧客の信頼まで、すべてに影響を及ぼす。2024年のForrester Consultingの調査によると、83%のECリーダーは、商品データが不完全、不一致、不正確、構造化されていない、または古いと認識している。さらに、影響はバックエンドに限定されていない。商品データの不正確さは商品の発売を遅らせ、可視性を制限し、顧客を苛立たせ、返品を増やす。ファッションにおいて、精度が売上と利益率を決定する業界では、これは深刻な問題となる。ブランドがより多くの小売チャネルに拡大するにつれて、問題は増大する。複数のフォーマット要件、画像標準、分類体系を同時に管理することは複雑さを増す。しかし、マルチモーダルAI（画像とテキストの両方を処理できるモデル）は、これらの課題に対処するための実用的な解決策として注目されている。商品データが売上を妨げる時デジタル小売りのすべての商品ページは顧客との接点であり、ファッションにおいては、その接点は正確性を必要とする。色を誤ってラベル付けしたり、材料を省略したり、画像と説明を間違えることは、プロフェッショナルな見た目だけではなく、購入体験をも混乱させる。これは消費者にも関係する。業界調査によると: 42%の消費者は、商品情報が不完全な場合、カートを放棄する。 70%の消費者は、商品説明が役に立たないまたは曖昧な場合、商品ページを完全に退出する。 87%の消費者は、オンラインリストと異なる商品を受け取った場合、再購入する可能性は低いと回答する。 不正確な商品説明に基づいて購入された商品は、返品による損失をもたらす。2024年だけで、42%の返品は、商品情報の不完全性や不正確さによるものであった。すでに返品費用と廃棄物で苦しんでいる業界にとって、この影響は無視できない。さらに、エラーが多数あるデータは、商品の可視性を低下させ、商品が変換される前にすら、商品を隠してしまうことがある。これにより、全体的な売上も低下する。ファッションのデータ問題が解決しない理由この問題が広範囲に及んでいる場合、業界はなぜ解決策を見出せないのか。ファッション商品のデータは複雑で、不一致で、構造化されていないことが原因である。さらに、新しいマーケットプレイスが登場するにつれて、期待も変化している。各ブランドはカタログを異なる方法で管理している。手動でスプレッドシートを使用するブランドもあれば、厳格な社内システムに苦労するブランドもあり、複雑なPIMやERPにからんでいるブランドもある。一方、リテーラーは独自のルールを課している。あるリテーラーは胴体のクロップショットを要求するが、別のリテーラーは白い背景を要求する。色名が「オレンジ」ではなく「ニンジン」であるというようなミスでも、リストの拒否につながる。これらの不一致は膨大な量の手作業を必要とする。1つのSKUに対して、パートナー要件を満たすために複数のフォーマットパスが必要となる。数千の商品と数十の小売チャネルにこれを掛け合わせると、チームがデータの問題を修正するのに半分の時間を費やすことになることは驚くことではない。チームがこれを行っている間、季節の発売や成長戦略などの優先事項が後回しになる。重要な属性が欠けている商品リストが公開され、または完全にブロックされる。顧客はスクロールして過ぎ去り、または間違った期待で購入する。成長を支えるはずのプロセスが、繰り返し発生する問題源となる。マルチモーダルAIの場合これは、まさにマルチモーダルAIが解決しようとしている問題である。従来の自動化ツールとは異なり、画像とテキストの両方を処理できるマルチモーダルシステムは、人間のマーチャンダイザーと同様に、画像とテキストを分析し、理解できる。写真と商品タイトルをスキャンし、デザインの特徴を認識し、リテーラーが要求する正しいカテゴリとタグを割り当てることができる。ラベルの不一致を標準化し、「ネイビー」、「ミッドナイト」、「インディゴ」を同じコア値にマッピングし、材料やフィットなどの欠けている属性を埋めることができる。技術的には、これはビジョン言語モデル（VLMs）によって実現される。プラットフォームの要件、実世界のリスト性能、歴史的なカタログデータに基づいて、商品画像とテキスト（タイトル、説明）を共同分析して各アイテムを総合的に理解することができる。これらのトランスフォーマーベースのモデルは、フィードバックと結果に基づいて予測を微調整することで、リテーラーの分類体系を学習し、賢くなる。週単位でかかっていたタスクが、数時間で完了するようになる。正確性を犠牲にすることなく。クリーンデータがすべてをスピードアップする理由商品データが完全で一貫性があり、整理されている場合、すべての他のプロセスがスムーズに進行する。商品は正しい検索結果に表示され、遅れずに発売され、顧客が実際に使用するフィルタに表示される。オンラインで見た商品が、実際に届けられる商品である。そのような明確性は、全体の小売業態に実質的な結果をもたらす。リテーラーはSKUを時間のかかるやり取りなしにオンボードできる。マーケットプレイスは基準を満たしたリストを優先し、可視性と配置を改善する。情報が明確で一貫性がある場合、顧客はより購入しやすくなり、返品する可能性は低くなる。サポートチームも、解決する苦情が減り、混乱が少なくなるため、メリットがある。バーンアウトせずにスケールするブランドはもはや自社サイトでのみ販売を行っていない。アマゾン、ノードストローム、ファーフェッチ、ブルーミングデールズなどのマーケットプレイスに進出しており、それぞれ独自の要件がある。手動でこれをすべて管理することは、疲弊し、長期的には非現実的である。マルチモーダルAIは、ブランドが適応性のあるインフラストラクチャを構築するのを支援することで、これを変える。システムは属性をタグ付けするだけでなく、時間の経過とともに学習する。マーケットプレイス独自のルールが導入されたり、商品写真が進化したりすると、リストは迅速に更新および書き換えられ、最初からやり直す必要はない。一部のツールはさらに進んで、コンプライアンスのある画像セットを自動生成し、属性のギャップを特定し、特定の地域市場向けの説明をカスタマイズする。目標は、人間のチームを置き換えることではなく、繰り返し、ルールベースのタスクをAIに任せることで、ブランドが独自の強みに集中できるようにすることである。ブランドが創造性を発揮し、AIが残りを処理するファッションは、手動データ入力ではなく、独創性に支えられる。商品データが混乱している場合、強いブランドでも、可視性、変換、リテンションなど、すべてが失われてしまう。マルチモーダルAIは、現実的でスケーラブルな解決策を提供する。ブランドがコントロールを失うことなく迅速に進化し、長年にわたり混沌としてきたビジネスの一部に秩序をもたらす。ファッションは速い。成功するブランドは、追いつくためのシステムを構築することになる。