小売・ECのAI活用事例

注文の遅れについての問い合わせがECで一番多く、量もさばききれなかった。

理由や到着日を聞くだけの内容でも、担当者が追跡情報を渡したり支援チケットを作る必要があった。

1. WhatsAppの導線にGenesys CloudのAVAを作った。
2. 学習には成績の良い相談員の応対スクリプトを使った。
3. AVAは追跡リンクを渡しLevel2の支援チケットを自動で作る。
4. 急を要する場面も受け持ち自己解決の窓口へ案内する。
5. 判断が必要な例外だけ相談員が引き取る形にした。

AVAはやり取りの84%を自己解決のまま終えた。

従来のチャットボットは30%で、顧客満足は60%上がった。

問い合わせが増えて自動化を入れたものの、最初のAIは決められた答えを返すだけで判断ができなかった。

定期購入や返金のように事情で結論が変わるやり取りは人に戻り、指示文を書き足し続ける作業も負担になっていた。

1. AIエージェントに解約手続きそのものを任せた
2. 解約はLoopとつなぎメールアドレスと定期購入を確認させる
3. 実行の前には必ず客が最終確認する
4. 記録を見直して人へ渡す要らない条件を外した
5. 住所変更はRecheckで出荷前に注文を止めた

解約依頼のおよそ5件に1件をGraceが最後まで処理するようになった。

解約の代わりに一時停止やスキップを出せるので、解約依頼の約13%は契約が続く結果になった。

海外への販売を広げる中で、Shopifyの店舗を複数の言語で出す流れが整っていなかった。

商品やレビューの入れ替えが多く、従来の手作業の翻訳では更新に追いつかなかった。

1. Shopifyの管理画面からLILTのコネクタを開いた
2. テーマや商品やメニューなど訳す範囲を選んで送る
3. 品質を重く見る文章はVerified Translationに回した
4. 翻訳者の直しが自社専用エンジンにその場で反映される
5. 急ぎの分はInstant Translationで訳しSlackに通知が届く

約1年使い続け、ドイツ語のShopify店舗とレビューやプロモーションを手戻りの少ない流れで訳せるようになった。

多言語の商品パッケージも短い納期で仕上がり、各国の店頭に商品を並べられるようになった。

5つの部署の手順書や案件が散らばっており進み具合を人が一つずつ読んで確かめていた。

書いていない人を追いかける手間もかかっていた。

1. 会社全体の手順書と案件をClickUpのワークスペースに集約した。
2. ClickUp Brainが前日から動いた内容をまとめて出す。
3. Task/Project Agentが5部署を見て手当てが要るものを拾い出す。
4. 仕入れの打ち合わせの粗いメモを下書きの形に整えてから人が直す。

進み具合の確認が人の仕事ではなくなった。

朝に開いた時点で必要な情報がそろっている状態になり文章を一から書き起こす手間も減った。

チャットとメールの窓口が分かれていて、件名も注文番号もない問い合わせを人が読んで振り分けていた。

買う気の強い相談が営業へ届くまで待ちが生まれて、迷った客が離れることがあった。

1. Gorgiasに問い合わせとShopifyの注文情報をまとめる
2. 商品ページにAI FAQを先回りで出して質問に答える
3. Shopifyの在庫とつないで今買えるものだけすすめる
4. 担当者は過去の購入履歴を見ながら会話を続ける
5. 人は継続購入やレビューの取り組みに時間を使う

ライブチャットが88万5000ポンドを売る窓口になった。

AI FAQはShopping Assistantの会話のおよそ3分の1を占める。

音声モデル用のデータを5言語ぶん一気に増やしたかったが、一般のクラウドソーシングでは話者の質や方言がぶれた。

合成音声が学習データに紛れ込む心配もあった。

1. 5言語それぞれでバイリンガルの話者を選んだ
2. 声の質と演じ分けを確かめて話者を決める
3. 言語ごとに使う方言を1つに固定した
4. 自社の音声チェックツールでAIの声や複製された声を外す
5. 人による確認を20%に抑え残りはツールの判定に任せた

5言語で1,000時間を超える音声データがそろい99%が採用された。

合成音声は学習データに入る前に取り除かれ、EC企業はLILTの声のうち6つを製品向けに契約した。

約8,000点の商品を複数の販売先で売っているため、問い合わせの内容が入り組んでいた。

人を増やさずに応対の質を上げる必要があった。

1. Genesys CloudのAgentic Virtual Agentを入れた
2. 複数のデータベースから顧客と注文の情報を集める
3. 注文状況の確認や不具合の切り分けや保証申請まで進める
4. AIに踏み込ませない範囲をあらかじめ決めた
5. 人に代わるときはAIが集めた内容を担当者へ渡す

AIが問い合わせの42%を最後まで受け持ち、担当者は判断が要るやり取りに時間を回せるようになった。

保証申請の成功率は91%で、紹介コードの使用は111%増えた。

自社ECと楽天やAmazonなど複数モールから届く問い合わせが多く、対応に時間の大半を取られていた。

品質向上やVOCの取り組みが後回しになり、CSチームの成長が止まりかけていた。

1. 問い合わせデータの分類を生成AIに任せた
2. タグ付けの条件を後から変えられるようにした
3. 全テキスト対応をAIが評価する仕組みを作った
4. 良い点と直す点を翌日までにメンバーへ返した
5. 人は分析とフィードバックに回した

手作業のタグ付けがなくなりオペレーターの負担が軽くなった。

月に1〜2回、数件だけだった品質チェックは毎日全ての対応を翌日までに評価できるようになり、3ヶ月後や半年後を見据えた計画を立てる余裕が生まれた。

配送状況や輸入可否、通関ルールなど一件ごとに事情が違う問い合わせが多く、決まった回答しか返せない従来のボットと社内の商品データを別々に更新する手間がかかっていた。

マニュアルは複雑で目的の記述にたどり着きにくく、担当者が自作した手順書に頼る属人化も進んでいた。

1. 管理者と現場担当5名ほどで2か月のトライアルを行った
2. 仮のデータを入れて応答の出方を確かめた
3. マニュアルやルールをナレッジとして登録した
4. 過去のエスカレーション事例をQ&Aの形に直して入れた
5. テンプレートや文例を100件以上集め精査して一部を登録した

チーム約20名が利用し、分散していたマニュアルやルールが集約されて調べる場所が定まり、判断のスピードが上がった。

頻発していたエスカレーションの一部は担当者が自分で解決できるようになり、回答への不安も和らいだ。

顧客対応を自社で行うため商品好きな未経験者を採用したが、文章作成に手間取り応対の質が落ちることを心配していた。

複数のモールごとに返信の定型文を用意するのも手間だった。

1. ブラウザ拡張のオペレーター支援ツールを入れる
2. どの窓口でも同じ画面から定型文を呼び出せるようにする
3. 定型文をブロック単位で並び替えチャットとメール返信に使う
4. レビュー返信は指示文から生成AIに下書きを作らせ手直しして送る
5. 繁忙期前に研修へ時間をかけ新人に操作を覚えてもらう

メール対応の1日平均は25件から30件になり、誤字脱字による差し戻しは23%から0.36%に減った。

新人のOJT期間は40〜45日程度から15日になり、レビュー返信1件の作成時間は半分になった。

ネットで買った客が採寸や配送や取り付けのことで電話やメールに頼るしかなく、対応に人手と時間がかかっていた。

番号を押して進む従来の電話応答は古くさく、客にとって使いにくかった。

1. 国やブランドごとに性格と話し方を変えたAIを用意した。
2. 英国からチャット・メール・音声の順に広げる。
3. 1週間で対象を1割から全量まで引き上げた。
4. 各国の担当者が毎日品質を確かめ手順書を直す。
5. ZendeskやShopifyとつないで既存の仕組みのまま動かす。

AIと会話した客の平均注文額は会話しなかった客より85%高く、人に引き継がずAIだけで完結した会話から100万ドル超の売上が生まれた。

受信した問い合わせの平均40%をAIが処理し、満足度も高いままだった。

自社で作った自動応答は満足度が低く、AIだけで完結する割合も伸びなかった。

決まった言い方から外れるとIVRが違う窓口へつないでしまう問題もあった。

1. 繁忙期に45日間の試験導入を行った
2. もう1社と同じ条件で本番の問い合わせを分けて比べた
3. 応対とブランドとマーケの担当で口調や言葉づかいを決めた
4. 決めた内容を普通の文章の手順書として書いた
5. Watchtowerが応答を点検しおかしいものを知らせる

試験導入の終わりにはCSATが93%近くまで上がり、それまでの自動応答より2桁ポイント高くなった。

いまは1-800-Flowers.comとHarry & DavidとShari's Berriesの応対を担っている。

出店する場所を決めるには商圏人口や競合店、道路や駐車場の条件など見るべき要素が多く、担当者の経験や外部の調査に頼る部分が大きかった。

建築費や土地代が上がる中で、投資の判断を外すリスクも増していた。

1. 自社POSデータで既存店を分析する
2. 商圏データと競合店データを重ねる
3. 人口・世帯データを加えて売上予測モデルを作る
4. 地図上で候補地を指し売上見込みを出す
5. 条件を変えた影響を比べ現地確認と合わせて判断する

2024年秋からの試験運用を経て本格運用に入り、検証した対象では予測誤差率が中央値で7%台まで下がった。

出店判断の客観性と再現性が上がり、担当者と経営層が同じ前提で議論しやすくなった。

問い合わせ1件を処理するのに複数のツールを行き来する必要があり顧客情報や注文情報がばらばらだった。

電話とメールの履歴がつながらず同じ内容を聞き直す場面が起きていた。

1. 問い合わせの窓口をZendeskに集めた
2. 電話とメールのやり取りを同じ画面で追えるようにした
3. よく聞かれる質問をFAQとして整えた
4. AI機能とマクロで回答の下書きを出させる
5. 担当者が中身を確かめてから送る

FAQだけで解決する割合が約90%まで伸び人が応対する件数は77%抑えられた。

AI機能によって対応にかかる時間は40%短くなり返品・交換の担当チームでは最大46%まで縮んだ。

商品情報が部署ごとのExcelに散らばり、同じ説明文をSKUの数だけ貼り付けていた。

公開後に寸法などを直す事態が3回続いた。

1. 商品情報をAirtableのベースに1か所へ集めた。
2. SKUをグループIDでまとめ商品ページにひも付けた。
3. ブランドの言い回しをためた文例の表を用意する。
4. 1体目のエージェントに原稿の下書きを書かせた。
5. 2体目が採点し基準に届かない原稿を書き直させる。

試験運用した発売分は原稿のすべてをエージェントが下書きし人が直すだけになった。

2人の原稿チームのまま四半期600点超の新商品を出し続けている。

電話とサポートを自社で作り込んだ仕組みで回していたため、改修も他ツールとのつなぎ込みも難しかった。

通話の聞き直しやメモ書きの手作業が多く、通話の約50〜60%で何らかのエラーが起きていた。

1. Amazon Connectの環境をZendeskにつないだ
2. 着信時に顧客情報と対応履歴を画面に出す
3. 通話中は文字起こしを流し終了後に要約を残す
4. 着信を内容ごとに担当チームへ振り分けた
5. 上位対応は後から文字起こしと要約で進める

サービスレベルは15〜20%上がり、通話後の作業は67%減った。

品質チェックで該当する区分は5〜10%増えた。

海外へ売り場を広げるたびに現地の言葉のサイトと商品説明が必要になっていた。

外部の翻訳会社に頼むと1つの市場あたり約3万ユーロかかり最大2週間待たされた。

1. 翻訳会社への外注をやめてPhraseの機械翻訳に切り替えた。
2. 新しい商品説明やサイトの更新をPhraseに通して訳す。
3. 大事な部分だけ人が読んで直す形にした。
4. 複数の国のサイトを1つの画面でまとめて管理した。
5. 担当1人でも回せる体制にした。

市場に出すまでの時間が93%短くなり進出にかかる費用は85%減った。

2年で3か国から23か国へ広げた。

チャットでの問い合わせは全体の10%にも届かず利用者が自分で解決できる道筋が足りなかった。

担当者は似たような質問への返答に時間を取られていた。

1. Autopilotで作ったAIをチャットの窓口に置く。
2. 注文追跡や定期購入の変更はAIがその場で答える。
3. AIが自分で答えるか人に渡すかを見極める。
4. 難しい問い合わせは担当者へつなぐ。
5. 自動で作られた要約から案内文の直し方を見つける。

チャットが問い合わせ全体に占める割合は10%未満から20%超へ伸びた。

月のチャット件数も約1,000件から2,500件超に増え待たせることなく24時間いつでも受けられるようになった。

専任のエンジニアがいないまま各自がばらばらにClaude Codeを使い、仕様やコードが個人のチャット履歴やPCに埋もれていた。

確認不足のまま統合する危険や、不具合時に元へ戻す手順が無いことも不安だった。

1. 3日間の研修で開発の進め方を学んだ
2. 初日に画面とデータと処理のつながりを学んだ
3. AIの案をうのみにせず人が設計方針を決めた
4. 2日目にGitの変更履歴やブランチ運用を練習した
5. 3日目に現場の困りごとを要件にまとめアプリを作った

受講者の半数以上がプログラミング未経験だったが、最終日に8つの実務アプリをリリースした。

領収書PDFを一括で集める仕組みやAmazonのAPIと連携した在庫管理システムなどが生まれ、受講満足度は全日程・全項目で受講者全員が5点満点だった。

問い合わせ対応に同じ作業の繰り返しが多く、担当者が込み入った相談に時間を割きにくかった。

1. AIエージェントを有人と同じ問い合わせの列に並べた
2. 売上に直結するやり取りもAIに任せる形にする
3. 社内で決めたルールの手続きはAIが手順どおり進めた
4. 人の担当は複雑な相談や寄り添う対応へ回した

解決までが速くなり待ち時間も短くなった。

AIは有人の担当と同じくらいの水準で対応できていた。

電話での本人確認と注文がいつ届くのかを聞く問い合わせが多く、担当者の時間を取られていた。

1. 電話の受付にCognigyの音声AIエージェントを置いた。
2. かかってきた電話でまず本人確認を済ませる形にした。
3. 注文の配送状況の質問にはAIが答えを返した。
4. すべての通話を文字起こしと報告に残した。
5. 振り分けの間違いをすぐ見つけて直せるようにした。

本人確認の70%超と配送状況の問い合わせの50%超をAIが自分で処理した。

通話ごとに最大30秒短くなり対応が速くなった。

前に使っていた顧客対応の基盤は規模を広げにくく保守の手間も大きかった。

一人ひとりに合わせた対応ができず、思い描いた接客が作れなかった。

1. Kustomerに乗り換え注文管理システムをつないだ
2. 購入履歴と過去のやり取りを1画面で見られるようにした
3. ライブチャットとメールを同じ基盤に載せた
4. よくある質問はナレッジベースの記事にした
5. 簡単な問い合わせはAIがライブチャットで答える

セルフサービスにAIを足したことで、人の対応に回さず済んだ件数が4倍になった。

先回りして疑問に答える運用もできるようになった。

オンラインストアでは文字と商品画像だけの案内になり、実店舗のような着こなしの相談に応えにくかった。

雰囲気や体型、場面といった言葉にしづらい要望はサイト内検索で絞り込めなかった。

1. ECサイトにチャットボット「AIデジタルスタッフ」を置く
2. サイト内の情報をもとに回答を作らせる
3. visumoのスタッフ投稿をつなぎ合う投稿をカード形式で並べる
4. 靴やトップスなど複数アイテムを一度のやり取りで示す
5. フェミニンや結婚式などの抽象表現も文脈から読み取り案内する

チャット接客のCVRは11.4%を記録した。

提案のあとにさらに質問が続いた割合は41%で、通常のチャット接客と比べて対話数が約1.5倍に広がった。

15のERPを別々に使っていたころは大事なデータへの接続や怪しい取引の点検を人の手でやっていた。

会社が大きくなるほど同じ基準で見張るのが難しくなった。

1. 15のERPをOracle Fusion Cloudへまとめた
2. 60本のアルゴリズムで権限と設定と取引を見張る
3. 引っかかった案件を担当者へ自動で回した
4. AIの要約が背景と対処案を添え判断を早める
5. Oracle Access Governanceで申請段階も止めた

人の手に頼っていた点検が自動になり事業が広がっても同じ基準で見張れるようになった。

AIを使う新しい業務を足していくための土台ができた。

ヘアエクステは選び方が分かりにくく客の好みもばらばらだった。

同じ内容を一斉に送るだけでは一人ひとりに合う案内を届けられなかった。

1. サイトにOctane AIで作ったクイズを置く
2. 髪の色や長さや好みを答えてもらう
3. 結果を見るにはメールアドレスの入力を必須にする
4. 回答をKlaviyoへ渡し開封率やクリック率で分ける
5. 答えた内容に合うセール案内や手入れの基本を送る

メール登録者のうち23%が少なくとも1回クイズに答えた。

クイズと連動したメールが自動配信の売上の15%とメール経由売上の10%を占めるようになった。

Shopifyのアカウントページが他のツールとうまくつながらず顧客の使い勝手が良くなかった。

サポート担当は問い合わせ管理と顧客データと注文履歴とポイントの画面を行き来していた。

1. ShopifyのアカウントページをKlaviyoのCustomer Hubに替えた
2. サイドバーにAIのCustomer Agentを置き24時間自動で答える
3. 人が出る場面はやり取りごとHelpdeskの受信箱へ引き渡す
4. 担当者は顧客のプロフィールとサイト上の動きを並べて見る
5. マーケ担当がポイント残高や定期購入のブロックを自分で組む

Helpdeskを入れて30日で問い合わせの平均解決時間が前の期間より25%短くなった。

Customer Hubを使った客の平均注文額は全体の買い物客より12%高かった。

メールとSMSとレビューが3つのツールに分かれていて、購入前の最後の接点が分からず売上が二重に数えられていた。

SMSは毎月決まった額を使う契約で送信が少ない月は払った分が無駄になっていた。

1. メールとSMSとレビューをKlaviyoへ寄せた。
2. 香りの診断で集めた好みを顧客プロフィールへ入れた。
3. Flows AIでキット組み立てページ用の離脱フローを作った。
4. セグメントはAIに作らせて中身を見てから使う。
5. カゴ落ちと再購入のフローにレビュー引用ブロックを入れてA/Bテストした。

3つのチャネルの費用は合わせて10%以上下がり、レビューの引用ブロックを入れたフローはクリックと受け取った人あたりの売上が伸びた。

Klaviyo Reviewsを使い始めて100日で集まったレビューは前年より27%増えた。

メールとSMSを別々のサービスで動かしていて客がどの接点に触れたか分からなかった。

同じ人へ重複して送ってしまい売上の出どころも手で計算していた。

1. メールとSMSの配信先をKlaviyoへ移した
2. Shopifyと社内データを顧客ごとのプロフィールに集めた
3. K:AIに送る経路とメール文面の案を選ばせた
4. 担当者が送る時期と中身を整えた
5. ECサイトにCustomer Hubを置き残高とポイントを出した

Customer Hubを入れてからの4か月で44,900ドルの売上と41,000件を超える自己解決のやり取りが生まれた。

2025年はEC購入の78%が買い直しの客によるものになった。

Mailchimpでは条件の多い絞り込みが作れずA/Bテストにも手間がかかっていた。

SMSは別のサービスにあり組み合わせた配信を作るにはタブを行き来してGoogleスプレッドシートで状況を管理していた。

1. MailchimpからKlaviyoへ乗り換えた
2. メールとSMSを一つの場所にまとめた
3. Segments AIに買った商品の条件を渡し細かい集団を作らせた
4. 使い切る時期に合わせた買い直しの自動配信を組んだ
5. 同じ集団をMetaへ渡し類似の配信先づくりと除外に使った

メールとSMSの自動配信からの売上が140%伸びた。

新しい自動配信を25本以上立ち上げ今は49本が動いている。

前のメール配信ツールはセグメントを作るのに手間がかかり、魚の種類ごとの送り分けができなかった。

少量しか入らない部位を全員に案内すると、多くの人を売り切れのページに飛ばしてしまう。

1. Klaviyoへ乗り換え、購入日や回数や店舗からの距離で客を分ける。
2. その朝に入った魚に興味を示した客の一覧をSegments AIに作らせる。
3. 出てきた土台を担当者が手で詰め、同じ日のうちに配信する。
4. 件名はSubject Line AIに過去の成績から候補を出させて選ぶ。
5. 3か月以上買っていない客と生涯価値200ドル超の客に別の割引を当てる。

ECの売上のうち約70%をKlaviyo経由のメールが占めるようになった。

年初からのEC売上の82%は、AI機能を1つ以上使ったメールから生まれた。

SMSはYotpoでメールはKlaviyoと道具が分かれていたため、購読者の希望や成果を追いかけにくかった。

どちらの経由で買われたのかも正しく分けられなかった。

1. 支援役に手伝ってもらい、SMSもKlaviyoへ移して同じ場所で管理する。
2. 購読者の好きな連絡手段と買い物の動きから自動の配信の流れを組む。
3. 急ぎの値引きはSMSへ回し、それ以外はメールへ振り分ける。
4. セール期に買った客の一覧はSegments AIに指示して作らせる。
5. その一覧を30日と90日の掘り起こしに使う。

世界全体のSMSのクリック率が前年より338%伸びた。

3つの地域それぞれに合う内容を、同じ仕組みで送り分けられるようになった。

メールやアプリへの反応でしか顧客を分けられず、買った金額や頻度をもとにした絞り込みができなかった。

値段に敏感な人へ手の届かない商品の案内が届き、たまにしか買わない人には配信が多すぎた。

1. Klaviyoの購買データをAIに読ませ次に買う日を予測させる
2. 予測日が前後30日に入る顧客だけを配信先にする
3. 生涯価値500ドル超や平均注文額150ドル超の層へ高額の服を紹介する
4. 反応の良い既存の層と予測の層を組み合わせて送り先を決めた
5. 年末商戦は注文間隔の条件を30日未満から60日未満へ広げた

予測分析を使い始めた最初の半年でメール配信の売上が53.1%伸びた。

Klaviyo経由の売上は前年比44.6%増になり、年末商戦の売上は過去最高になった。

担当者は自分の荷物がケースに入るかという同じ質問への返信に追われていた。

メールと電話とSNSのDMを1件ずつ返すため簡単な回答でも客を数時間待たせていた。

1. 通販サイトの隅にチャットのアイコンを置く。
2. 押すとK:AI Customer Agentが開き質問に答える。
3. 入れたい機材の寸法を伝えると合う型番を返す。
4. ログイン済みの客にCustomer Hubで注文状況を出す。
5. 担当者も新しい製品や規定をエージェントへ聞く。

問い合わせの84%をエージェントが解決し担当者は常連との関係づくりのような手のかかる仕事に回れるようになった。

名前で呼びかける仕組みもあってチャットの件数は増えている。

前に使っていたAIエージェントは保証の範囲を広く読み取り、規定外の交換まで約束してしまった。

購入後の質問にしか答えられず商品の相談に答えさせるには別契約が必要だった。

1. 2つのブランドサイトにKlaviyoのチャットを入れる。
2. サイドバーで注文状況とチャットを開けるようにした。
3. 担当者が初期の回答を点検し断れるかを確かめる。
4. 決まりを外れる要求には応じない歯止めを入れた。
5. 人が判断すべきものだけサポート担当へ回す。

ブラックフライデーの連休中に2ブランドで受けた問い合わせの74%をAIだけで解決した。

以前のような大きなつまずきも起きなかった。

メールとSMSと口コミが3つの別々の道具に分かれ、送る間隔をそろえられず同じ日に何通も届いていた。

セグメントを作るたびに申請が必要で、結局SMSの全員に送ることが多かった。

1. SMSと自動配信と口コミをKlaviyoにまとめた。
2. Segments AIに欲しい条件を文章で伝えて配信先を作らせる。
3. できたセグメントは担当者が手で直してから配信する。
4. よく反応するチャネルをAIに見分けさせる。
5. カゴ落ちと再購入を狙った自動配信を9本立ち上げた。

KlaviyoのSMSを使った最初の四半期で自動配信からの売上が前の四半期より93%増えた。

セグメント作りにかかる時間も週に数時間減った。

登録者の数は多いのに、反応も売上も数に見合っていなかった。

誰にでも同じ内容のメールを何度も送っていて、受け手には多すぎる状態だった。

1. 送る本数を減らし相手に合わせる方針へ切り替えた
2. 平均の注文額で顧客の層を分けた
3. 100ドルを超えない層にその価格帯のバッグのセールを知らせる
4. 登録した場所ごとに違う割引コードを最初のメールで渡す
5. おすすめ商品はKlaviyo AIの動的フィードに任せた

直近3か月でメールの本数が前年より24%減り、クリック率は8%上がった。

自動で送るメールの流れを一本ずつ手で組んでいて、作るたびに時間を取られていた。

定期購入のRechargeと結んだ確認メールの流れも、同じように一から組む必要があった。

1. Klaviyoのフロー生成AIに作りたい内容を一文で入れる
2. AIがメールの流れの土台を組み上げた
3. 人が中身と分岐を足して仕上げる
4. 注文確認や配送の知らせもKlaviyoに寄せた
5. 残りの定期購入向けの流れも同じやり方で作る

流れを一本作るのにかかる時間が、担当者の見立てで少なくとも40分減った。

メールはKlaviyo、SMSはAttentiveと別々の道具で動かしていた。

連携がうまくかみ合わず顧客の反応をその場でつかめないうえ2つ分の費用もかかり担当者は1人で両方の数字を手で突き合わせていた。

1. SMSをKlaviyoへ寄せ顧客データを同じ基盤で持つ
2. サイトの登録ポップアップを2段にした
3. メールだけ登録した人へ自動配信でSMS登録を促した
4. 両方に登録した人はAIが反応しやすい方を判定する
5. 反応しにくい側の配信からは外す

メールとSMSにかかる費用は年6万ドル以上減った。

SMSを始めた最初の3か月でメール配信のクリック率は前の期間比18%上がり受信者あたりの売上は14%、自動配信からの売上は133%伸びた。

以前使っていたListrakには顧客データの土台が無く、セグメント作りや自動配信の設定に手作業が増えていた。

SMSのセグメントは保存できず使うたびに作り直していた。

1. 6ブランドのメールとSMSをKlaviyoへ移した
2. 専門チームと組み4週間で移行を終えた
3. 次の4週間でセグメントと自動配信を作り直した
4. Segments AIに普通の言葉で条件を書いた
5. channel affinityで反応しやすい方へ1通だけ送った

CRMの運用にかかる時間がおよそ20%減った。

フォームからメール・SMS・プッシュ通知まで多変量のテストを回せるようになり、数字の食い違いも起きなくなった。

安いメール配信ツールへ移ったところ自動配信が作りにくく用意できたのは登録直後とカート放棄の2本だけだった。

数字を出すたびにサポートへ電話が必要で迷惑メール扱いも増えていた。

1. 配信ツールへ戻し設計を外部と組み直す
2. 出す位置と出す時機の案をAIに作らせる
3. トップとカテゴリページで試し勝ち筋を選ぶ
4. 郵便番号ごとの配信先をAIへ文章で指示した
5. サイト離脱や在庫僅少の自動配信を増やした

AIが作った案のうち1つでフォームの送信率が14%伸びた。

配信先の絞り込みは1件あたり10分以上減り複雑なものでは30分短くなった。

移行から6か月で年末商戦に向けた土台が整い投資に対する回収は35倍になった。