EC×生成AIのテーマ〜ハピタスの生成AIの導入事例〜

by 株式会社オズビジョン

Slide 1

Slide 1 text

Slide 2

Slide 2 text

Slide 3

Slide 3 text

Slide 4

Slide 4 text

Slide 5

Slide 5 text

© Copyright OZVISION inc. 5 事業∕プロダクトポイントモール ECユーザーと EC事業者をマッチングどこで買ってもWでポイントが貯まる買取サービスモノを捨てずに手放したい人とリユース事業者をマッチング簡単・気軽にモノを手放せるネット広告代理店メディアやインフルエンサーと EC事業者をマッチング成功報酬型でコスパ良く集客事業概要広告 B 広告 C 広告 D 広告 E 広告 F 広告A 広告B〜E 広告A 事業 1 事業 2 事業 3

Slide 6

Slide 6 text

© Copyright OZVISION inc. 6 事業∕プロダクト ECプラットフォーム   （マッチング）   500万人超 EC利用者モノを捨てない人メディア/ インフルエンサー EC事業者リユース事業者 EC事業者サービス利用   サービス利用   サービス利用   流通取引総額（GMV）   1,800 億円超  送客手数料/広告費 (TakeRate)   約4%  購買  中古買取   広告  3,500件超ビジネスモデル〜EC利⽤者とEC事業者のマッチングプラットフォーム〜

Slide 7

Slide 7 text

Slide 8

Slide 8 text

© Copyright OZVISION inc. 8 事業∕プロダクト競争が激しい（成長市場×参入障壁低） EC利用者（500万超/5,000万） EC事業者（3,500/400万）サイト経由  ポイントバック  送客  成功報酬  一時は競合他社が100社以上…  競合A社   競合B社   競合C社   ハピタスの事業環境(リボンモデル) 広告 B 広告A 広告 C 広告 D 広告 E 広告 F

Slide 9

Slide 9 text

Slide 10

Slide 10 text

Slide 11

Slide 11 text

Slide 12

Slide 12 text

© Copyright OZVISION inc. AWSの「⽣成AI活⽤開始プログラム」との出会い 12 転機が訪れた 2024年 04⽉ AWSの⽣成AI活⽤開始プログラムの案内をいただく⽀援付きで⽣成AI導⼊に取り組める「渡りに船」の状況導⼊費⽤や企画⽀援が受けられる点が経営層に刺さり短期間で社内稟議決裁 ※費⽤が膨れ上がるリスクに対して、アーキテクチャ検討や費⽤シミュレーションを⼊念に⾏うよう、経営層から強いオーダー全社全⼒で取り組む機運が⽣まれており各部署のキーマンを集めて、プログラムに参戦

Slide 13

Slide 13 text

© Copyright OZVISION inc. 13 全体スケジュール 4⽉ 5⽉ 6⽉ワークショップガントチャート 4⽉から着⼿して7/1に無事にローンチ🎉 プロトタイピング検証 ‧プロトタイプ検証 ‧精度チューニング本実装 +動作確認 ‧ハピタス側検索改修 ‧データ登録処理⽤意ローンチ ‧⼿順作成 ‧体制決め ‧ローンチ ★4/10 プログラムキックオフ社内稟議 ★4/16 PoC作成ワークショップ ★4/11 ユースケース確定ワークショップ

Slide 14

Slide 14 text

Slide 15

Slide 15 text

© Copyright OZVISION inc. 15 「ANA」と検索した際に「Banana」を含む広告が上位表⽰されてしまうなど、ユーザーが必要としていない検索結果が表⽰されてしまう →ユーザーが求めてない情報＝ノイズが⼊ることでCVRが低下プログラムでの検討 1/2 ビジネス課題指名検索での利⽤がほとんど 01 02 ANA系広告 ANA系広告 ANA 系広告 ANA系広告 ANA系広告 ANA系広告 ANA 系広告 ANA 系広告 ANA 系広告非 ANA系非 ANA系非 ANA系

Slide 16

Slide 16 text

© Copyright OZVISION inc. 16 ⽂字列の単純な部分⼀致検索によるノイズの除去例）【再掲】「ANA」と検索した際に「Banana」を含む広告が上位表⽰されないようにプログラムでの検討 2/2 ビジネス課題解決の打ち⼿指名検索だけでなく、フリーワード‧短⽂でも適切な検索を実現例）はじめての発⾏におすすめなクレジットカード広告に紐づくアイコン情報や説明⽂など、案件名以外にも紐づいた検索結果の出⼒キャンペーン対象‧無料などの情報も元に、ユーザーの求める広告を表⽰ 01 02 03

Slide 17

Slide 17 text

© Copyright OZVISION inc. 17 明確な意志を持たずに広告を探しているユーザーに対しフリー⼊⼒時の検索結果をより関連度が⾼いと考えられるものに改善 →検索利⽤者のCVRを向上プログラムでの検討まとめ⽬的全検索における CVR を数ポイント改善できると仮定効果シミュレーション（CVRの改善による売上伸⻑） Amazon Bedrock, AWS Fargate, Aurora Serverless 等の利⽤分 ※当初トークンを多く⾒積もりすぎていたが、AWSの⽀援を受けながら検討を重ね、適切な⾒積もりへ補正費⽤シミュレーション（運⽤時のAWS費⽤）

Slide 18

Slide 18 text

Slide 19

Slide 19 text

© Copyright OZVISION inc. 19 全体スケジュール【再掲】 4⽉ 5⽉ 6⽉ワークショップガントチャート 4⽉から着⼿して7/1に無事にローンチ🎉 プロトタイピング検証 ‧プロトタイプ検証 ‧精度チューニング本実装 +動作確認 ‧ハピタス側検索改修 ‧データ登録処理⽤意ローンチ ‧⼿順作成 ‧体制決め ‧ローンチ ★4/10 プログラムキックオフ社内稟議生成AIの知見・経験ゼロの状況から、わずか 3ヶ月でローンチその要因を考えてみた ★4/16 PoC作成ワークショップ ★4/11 ユースケース確定ワークショップ

Slide 20

Slide 20 text

© Copyright OZVISION inc. 20 短納期ローンチの成功要因① 4⽉ 5⽉ 6⽉ワークショップガントチャート ★4/16 PoC作成ワークショップ上流から下流に⾄るまでの「AWSの⼿厚いサポート」が⼼強すぎたプロトタイピング検証 ‧プロトタイプ検証 ‧精度チューニング本実装 +動作確認 ‧ハピタス側検索改修 ‧データ登録処理⽤意ローンチ ‧⼿順作成 ‧体制決め ‧ローンチ ★4/11 ユースケース確定ワークショップ ★4/10 プログラムキックオフ社内稟議立ち上げから、コスト試算、実装に至るまですべてのプロセスにおいて「 AWSの手厚いサポート」があったからやり遂げられた AWSの⼿厚いサポート相談 Q&A 相談 Q&A 相談 Q&A 相談 Q&A

Slide 21

Slide 21 text

Slide 22

Slide 22 text

© Copyright OZVISION inc. 22 意思決定の壁【体制】 └事業、データ、開発のキーマンを揃え、少数精鋭で素早い意思決定短納期ローンチの成功要因③ 短納期を阻む「壁」を乗り越える⼯夫開発⼯数と期間の壁【スコープ】 └壮⼤にせず、地に⾜のついた内容で、スコープも絞り込む └プロダクトの要となる画⾯‧機能をターゲットにする（→検索） └UIは変えない、作り込まない稟議の壁【コストと効果】 └事業責任者を体制に組み込み、試算から稟議‧承認まで素早く進⾏させた └⽀出：⽣成AIの導⼊‧運⽤により発⽣するコスト（開発ボール） └収⼊：効果⾒⽴て（事業サイドボール）事業責任者の後ろ盾もあり、各部署のキーマンを揃えて挑んだことで「壁」を乗り越えやすくなったのは間違いない 01 02 03

Slide 23

Slide 23 text

Slide 24

Slide 24 text

Slide 25

Slide 25 text

Slide 26

Slide 26 text

Slide 27

Slide 27 text

© Copyright OZVISION inc. 27 初回ローンチの結果効果測定の結果（7/1〜11）表示順ソート項目検索回数比率 1 人気順　※デフォルト 97% 2 おすすめ (ベータ)　※ベクトル検索 0% 3 新着順 0% 4 高ポイント順 2% 5 高還元率順 0% デフォルトのソートが「人気順」のままで、ベクトル検索を仕込んだ「おすすめ (ベータ)」の利用は1%に満たない状況 ▼ 「認知すらされず使われていない、圧倒的に母数が足りない」というファインディング

Slide 28

Slide 28 text

Slide 29

Slide 29 text

Slide 30

Slide 30 text

Slide 31

Slide 31 text

Slide 32

Slide 32 text

Slide 33

Slide 33 text

Slide 34

Slide 34 text

Slide 35

Slide 35 text

© Copyright OZVISION inc. 35 違う側⾯からの気づきランキングと⽐較すると... ランキングクレカ圏外クレカ 67位クレカ圏外クレカ 17位クレカ 46位クレカ圏外おすすめ（ベータ） ※⽣成AI クレカ 29位クレカ圏外クレカ 42位クレカ 61位クレカ圏外クレカ 69位クレカ 37位クレカ 27位クレカ 72位クレカ圏外クレカ圏外クレカ圏外目隠し目隠し⼈気の観点が⽋けてた！

Slide 36

Slide 36 text

Slide 37

Slide 37 text

Slide 38

Slide 38 text

Slide 39

Slide 39 text

Slide 40

Slide 40 text

Slide 41

Slide 41 text

© Copyright OZVISION inc. 41 プログラムでの実装検討実装案広告データのベクトル化 ‧現状のデータ ‧追加/更新データこれらを Amazon Aurora Serverless v2 に格納検索クエリのベクトル化 ‧エンドユーザの⼊⼒内容をベクトル化し Amazon Aurora Serverless v2 へ問い合わせ →広告 ID を取得することで適切な検索結果を返すことを検討初版の実装範囲は⾚枠の部分を想定

Slide 42

Slide 42 text

Slide 43

Slide 43 text

Slide 44

Slide 44 text

Slide 45

Slide 45 text

Slide 46

Slide 46 text

© Copyright OZVISION inc. 46 処理の流れ② 検索 1. 検索ワードを Bedrock (Amazon Titan Text Embeddings モデル v2) を⽤いてベクトルデータに変換 (Lambda 経由) 2. PostgreSQL から、ベクトル値の類似度の⾼い順に広告IDの⼀覧を返却 3. Webサーバ側で、MySQL の最新情報を元に情報のフィルタリング‧補完を⾏い、結果をユーザに返却 1 2 3

Slide 47

Slide 47 text

Slide 48

Slide 48 text

Slide 49

Slide 49 text

Slide 50

Slide 50 text

Slide 51

Slide 51 text

© Copyright OZVISION inc. 51 アーキテクチャの⼯夫ポイント 5/5 【Q】Titan Text Embedding v2 (2024/4/30 リリース) を採⽤した理由は？ ● 【A】コスパが良かったため ○ 当初想定は Cohere Embed Model v3 だが、本実装では Titan Text Embedding v2 でもほぼ同等の結果 ○ 価格は 1/5 本ユースケースでは期待結果に差異がなく価格が1/5