人間の脳の処理能力の限界

カテゴリ：AI活用による業務改善｜シリーズ：小売・EC（No.13〜16）

小売・ECの現場には、売上表には出てこない「見えない損失」があります。検索しても見つからずに離脱したお客様。誰にでも同じ文面で届き、読まれずに消えた販促メール。全店から上がってきたのに、本部で誰も読み切れなかった日報。そして、毎月同じ理由で繰り返される返品。

これらに共通するのは、人間の脳の処理能力の限界が原因だという点です。本記事では、シリーズ「AI活用による業務改善」の小売・EC編の後半として、No.13〜16の4つのテーマを取り上げます。それぞれについて、なぜ問題が起きるのかを認知科学・行動経済学から説明し、Claude Codeを使った具体的な仕組みの作り方まで解説します。

【図1】本記事で扱う4テーマの全体像

No.13　画像からの商品タグ付け——「お客様の言葉」で探せるようにする

なぜ検索でヒットしないのか：語彙のミスマッチ

認知科学者ファーナスらの研究では、同じ対象を表すのに2人が同じ言葉を選ぶ確率は2割に満たないことが示されています。「語彙の問題（vocabulary problem）」と呼ばれる現象です。お店側が「ネイビー」と登録した商品を、お客様は「紺」「濃い青」「ダークブルー」で検索します。商品名や説明文に入っていない言葉では、どれだけ良い商品でも見つかりません。

人手でタグ付けすれば解決しますが、1商品に10個のタグを付けるのは現実的ではなく、担当者によって付け方がばらつきます。そこで、商品画像をAIに見せて、決められた項目の属性を統一ルールで付けさせるのが効果的です。

実践：属性JSONを吐き出すバッチの作り方

ポイントは、AIに自由にタグを考えさせないことです。先にタグの辞書（使ってよい値の一覧）を作り、その中から選ばせます。辞書の各値には、お客様が使いそうな言い換え（同義語）を登録しておき、検索エンジン側で展開します。

claude -p "images/new/ 内の商品画像をすべて読み、
tag_dictionary.yaml にある値だけを使って
色・素材・柄・シーン・季節の属性を付けて、
output/tags/ に商品コード.json で保存して。
判断できない項目は unknown とし、推測で埋めないこと。"

初回はこのように対話的に依頼し、うまくいったら「この処理をPythonスクリプトにして」と頼めば、毎日新商品フォルダを処理するバッチになります。「unknownを許す」指示が重要です。AIは空欄を嫌って推測で埋める傾向があり、誤ったタグは「見つからない」よりもお客様の不信を招きます。unknownが付いた商品だけを人が確認すれば、作業量は大幅に減ります。

No.14　販促メール・LINEのセグメント別作成——「自分ごと」にさせる

なぜ一斉配信は読まれないのか：自己関連付け効果

人は自分に関係があると感じた情報を優先的に処理し、よく記憶することが知られています（自己関連付け効果）。騒がしいパーティー会場でも自分の名前だけは耳に入る「カクテルパーティー効果」も同じ仕組みです。全員に同じ「秋の新作入荷！」を送っても、脳は自分と無関係な情報として素通りさせます。

一方で、セグメントを細かく切るほど文面作成の手間は増えます。5セグメントなら5通、10セグメントなら10通。ここがAIの出番です。

【図2】セグメント数と文面作成の工数（イメージ）

実践：セグメント定義YAMLを「資産」にする

文面を毎回ゼロから頼むのではなく、セグメントの定義をYAMLファイルとして書き出しておきます。誰に・何を・どんな口調で・何を書いてはいけないかを明文化するのです。

segments:
  - id: dormant_90
    name: 90日以上購入なしの既存客
    tone: 押し付けず、近況を伺う丁寧な口調
    hook: 前回購入カテゴリの新作
    ng: 「最後のチャンス」など焦らせる表現
  - id: new_30
    name: 初回購入から30日以内
    tone: 親しみやすく、使い方のコツを中心に
    hook: 購入商品のお手入れ方法

あとは「segments.yaml を読み、今回のキャンペーン内容 campaign.md をもとに、セグメントごとにメール件名・本文とLINE文（120字以内）を作って」と依頼するだけです。成果の良かった文面を定義に反映していくと、YAMLが自社の販促ノウハウの蓄積になります。

No.15　店舗日報の集約——本部の「注意」を守る

なぜ日報は読まれなくなるのか：注意の貧困

ノーベル経済学賞を受賞したハーバート・サイモンは「情報の豊かさは、注意の貧困を生む」と述べました。30店舗から毎日日報が届けば、本部のマネージャーが丁寧に読めるのは最初の数店舗だけです。結果として、重要な兆候が書かれていても見落とされ、店長は「どうせ読まれない」と書く意欲を失っていきます。

実践：要約＋「例外の原文残し」＋Hooks通知

各店の日報をMarkdownで共有フォルダに保存してもらい、毎晩Claude Codeが集約・要約します。ここで重要なのは、要約の作り方です。要約は平均値に寄りやすく、少数の重要な異変を消してしまうという弱点があります。そこで、要約とは別に「いつもと違うこと」を原文のまま抜き出すルールにします。

【図3】本部向けサマリの構成

① 全体の3行要約	売上・客数の傾向と、全店に共通する話題
② 要対応（原文引用）	事故・設備故障・クレーム・欠品など。店舗名と原文をそのまま記載
③ 小さな兆候	1店舗だけの「お客様から○○を聞かれた」等。他店に広がる前の芽
④ 良い取り組み	他店に横展開できる工夫。店長への承認にもなる

生成が終わったら自動で通知されるよう、Claude CodeのHooks機能を使います。Hooksは、作業の終了時などに決まったコマンドを自動実行する仕組みです。プロジェクトの .claude/settings.json に、処理終了（Stop）時に通知スクリプトを動かす設定を書きます。

{
  "hooks": {
    "Stop": [
      { "hooks": [
        { "type": "command",
          "command": "python scripts/notify_summary.py" }
      ] }
    ]
  }
}

※ claude -p に --bare オプションを付けて実行するとHooksは読み込まれません。日次ジョブでHooksを使う場合は付けずに実行するか、通知をスクリプト側で行ってください。

No.16　返品・クレームの原因分析——「声の大きさ」ではなく「件数×損失」で見る

なぜ対策がずれるのか：利用可能性ヒューリスティック

人は、思い出しやすい出来事ほど頻繁に起きていると判断しがちです（利用可能性ヒューリスティック）。激しいクレームを1件受けると、そのテーマが会議の中心になり、静かに積み上がっている「サイズが合わない」返品は後回しにされます。さらに、返品理由を「お客様都合」と分類して終わらせるのは、原因を相手の性質に求める基本的な帰属の誤りの典型です。

【図4】印象と実際のズレ（返品理由別・例）

Amazon創業者のジェフ・ベゾスは「データとお客様の声が食い違うとき、たいていはお客様の声の方が正しい」と述べ、数字だけでなく個別の声を重視してきました。大事なのは、どちらか一方ではなく件数（データ）で優先順位を決め、原文（声）で原因を掘ることです。

実践：返品分析Skillを作る

毎月同じ手順で分析できるよう、Claude CodeのSkill（手順書をAIに覚えさせる仕組み）として登録します。.claude/skills/return-analysis/SKILL.md に次のような手順を書いておきます。

特に手順5（対策の効果検証）が重要です。トヨタの「なぜなぜ分析」が力を発揮するのは、対策を打って終わりではなく、効果を確かめて次の改善につなげるからです。たとえば「サイズが合わない」が多いSKUには、商品ページに実寸の図や「普段Mサイズの方の着用感」を追加し、翌月の返品率で効果を判定します。

4つに共通する成功のルール

4つの事例を通して見えてくるのは、うまくいく会社はAIの自由度を意図的に狭めているということです。

まとめ　まず1つ始めるなら

【参考】G. W. Furnas et al. “The Vocabulary Problem in Human-System Communication”（1987）／H. A. Simon “Designing Organizations for an Information-Rich World”（1971）／Claude Code 公式ドキュメント（Hooks、Skills、ヘッドレス実行）
※図2・図4の数値は考え方を示すためのイメージで、実データではありません。Claude Codeの機能・オプションは更新されることがあるため、最新の公式ドキュメントをご確認ください。

タグ：AI活用, 業務改善, 小売, EC, Claude Code, 商品タグ付け, 販促メール, LINE配信, 店舗日報, 返品分析, 行動経済学, 認知科学