Curio - EGH 2026

Presented by team "Nice to meet U"

Transcript

1. 「これ面白くない？」の偏愛を、検索行動から繋ぐ。 検索履歴から“好きになる前”を可視化するサービス Soma Soma Kota Kota Riochin Riochin Rafa Rafa Nazu Nazu
2. Background テーマ 「これ面白くない？」
3. Background テーマ解釈 既存のSNS 好きを強化 今回 まだ知らない 熱狂に出会う
4. Background 思想 偏愛 とは 単なる「好き」ではなく、 その人が体験してきた記憶や価値観の積み重ねによって 形成された、個人的な世界観である。 偏愛は、 趣味タグや自己紹介の一言では表現しきれない。 本当に重要なのは「何を好きか」ではなく、 なぜそこに引っかかったのかという、 その人だけの体験の連鎖にある。
5. Background 偏愛の可視化 「古い建物が好き」 古いエレベーター ↓ 昭和の雑居ビル ↓ 油圧モーター ↓ 生活の痕跡
6. Background Background 着眼点 「偏愛」は言語化できない
7. 検索行動から好奇心をステッカー化する
8. ステッカーは，ただの画像ではない その日の検索行動から生まれた好奇心の圧縮表現
9. Proposal デモ
10. Proposal 新規性 X : 考えたことを共有する Instagram : 見せたいものを共有する Pinterest : 好きなものを集める Curio : 好きになるまでの過程を共有する
11. Proposal ユーザー価値 自分の好奇心をコレクションできる 他人の検索ルートから未知の世界に出会える レアな好奇心を求めて探索したくなる
12. Proposal 技術構成 devbox
13. Proposal AI活用 企画・要件定義 ChatGPT/Claude/Gemini 複数AIでアイデアを発散 偏愛・好奇心の定義を壁打ち 要件定義ドキュメントをAIに投入し、抜け漏れ を整理 実装・レビュー自動化 Claude Code / CodeRabbit Claude Codeで機能実装・修正・リファクタリング CodeRabbitでPRレビューを自動化 レビュー指摘をClaude Codeで自動修正するWorkflowを導入 設計・開発フロー Claude Code + CC-SDD Steering → 要件定義 → 設計承認 → 実装の流れ を整備 EARS形式で要件を明文化 実装前にAIと仕様をすり合わせ 生成AIの活用判断 ChatGPT画像生成 / Flux U Iイメー ジ・ ステッカー 案を画像生成で 検討 ChatGPT画像生成 は高コストの ため不採用 代替とし て低コスト なFluxを 採用
14. Proposal ビジネスモデル
15. Proposal 将来性 自分の好奇心エージェント 購買支援 同じ偏愛を持つ人との交流
16. ご清聴ありがとうございました．
17. Appendix
18. ビジネス 顧客： ・オンライン上で販売・表示をしている店舗 課題 ・どういう動線で購買に結びついているかわからず、収益改善のための方法を作成できない ・どういう目的を持ってホームページを訪れているかわからず、アプローチ方法がわからない。 解決策 ・何に興味を持っているのかを可視化した検索履歴を提供する 価値 購買者の意図を踏まえて広告宣伝を最適化し、収益を改善することができる。 新しい顧客セグメントを発見できる 機能 ホームページに訪れた人がどういう意図を持っているのかを説明することができる 購買行動したい人がどういう背景で購入したのかを説明できる 競合比較 既存サービスはプラットフォーム内での行動データしか取ることがで機内 本サービスではプラットフォーム外での検索履歴を提供 顧客の意図を掴むデータを提供するtoBビジネス
19. 市場規模 月１０万円 × １０００社 = 年商１０億円 平均単価10万円* ×企業３００万社 　　　　　　→TAM 3000億円 ×大企業１万社 　　　　　　→SAM 100億円 ×1000社の顧客を獲得 　　　　　　→SOM 10億円 TAM 3000億 SAM 100億 SOM 10億 *参考の価格設定: 
 DS.INSIGHTの価格設定１０万円/月・AWS Data Exchange 10k$/1yr・Google 360 500k＄/1yr
20. 市場規模 目標１０００社 = 対象の業界5000社のうち20% *参考の価格設定: 
 DS.INSIGHTの価格設定１０万円/月・AWS Data Exchange 10k$/1yr・Google 360 500k＄/1yr
21. 独自性・優位性 Webサイトの間を繋ぐ唯一のデータベース 1)Modeling Browsing Behavior at Multiple Websites
 doi 10.1287/mksc.1040.0050 既存のDBは２種類 ・検索エンジンを通したクエリの情報 ・ウェブサイト内での行動 かけ合わせれば ユーザーの行動を高精度で 予測できる。 それが 1) (1 検索クエリ系 ×Webサイト系 chatGPT Youtube Amazon Yahoo Google
22. 検索履歴を学習するAI URLの系列をGRUで自己教師あり学習する 入力：{URL, そこでの滞在時間}のlist STEP1：URLの埋め込み URLをone hot encodingで初期化し、t番目からt+i番目へ遷移した確率を最大化する方向に更新 v: one hot vectorで初期化した埋め込み, U:URL 目的関数 STEP２：GRUの学習 ベクトルの系列をGRUで学習する Forward計算 工夫点：滞在時間をd_tとして入力 詳細はTeam 3レポジトリ / WebTrajectory-AIにて説明・実装。 Modeling Web Browsing Behavior across Tabs and Websites with Tracking and Prediction on the Client Side
 https://arxiv.org/pdf/2103.04694
23. プライバシー対策 個人情報保護の争点は「個人を識別できるか」 個人の特定を防ぐ３つの取り組み １. 統計量のみを公開する 　　　Google Analytics , Yahoo DS.INSIGHTを模倣 ２. データを学習した生成型モデルによって生成したデータを使用する 　　　統計量でも個人が特定できてしまう場合を解決 ３. 取得データを限定 　　　検索クエリ・URLのみをサーバーに送信 個人情報保護委員会、個人情報の保護に関する法律についてのガイドライン
 https://www.ppc.go.jp/personalinfo/legal/guidelines_tsusoku/ 統計量でも、その組み合わせが個人を特定しうる場合は、 個人関連情報に該当してしまう