エージェンティック・ジャーニー・オーケストレーションとは?

Cole Stuart6月 1, 20251

マーケティングの未来を切り拓く:エージェンティック・ジャーニー・オーケストレーション

マーケティングスタックにおける新たなレイヤーが、組織の業務運営および顧客との関係構築の在り方を大きく変革しつつあります。それが「エージェンティック・ジャーニー・オーケストレーション(Agentic Journey Orchestration)」です。これは「AIディシジョニング(AI Decisioning)」とも呼ばれ、本稿ではその概要を紹介し、このアプローチが従来の決定論的なカスタマージャーニー設計とどのように異なるかを明らかにするとともに、いくつかの代表的なユースケースにも触れます。

エージェンティック・ジャーニー・オーケストレーションとは何か?

エージェンティック・ジャーニー・オーケストレーションとは、マーケティングチームやプロダクトチームが、従来の機械学習手法(ML)および近年急速に発展した大規模言語モデル(LLM)を活用し、個々の顧客に対して高度にパーソナライズされたリアルタイムな対応を実現するための意思決定を行う仕組みです。

現在主流の多くのテクノロジーソリューションでは、チームがあらかじめ定義されたルールやセグメントに従って、手動でメッセージの配信スケジュールを作成し、複数チャネルにわたって配信する設計がなされています。それに対して、エージェンティック・ジャーニー・オーケストレーションは、リアルタイムデータ、行動シグナル、過去の履歴などを継続的に分析することにより、特定の顧客に対してその瞬間に最適なタッチポイントを導き出し、企業が目指すコンバージョンやリテンションなどの成果に直結する行動を促進します。

従来のソリューションが「次に取るべき最善のアクション(Next Best Action)」の実現を目指していたのに対し、AIベースのシステムでは「次に取るべき最善のアクション」に加え、「最適なコンテンツ」「提供すべきプロダクト」「タイミング」「頻度」「インセンティブ」など、複数の要素を組み合わせた最適解を予測し、実行することが可能です。


AI vs. 従来のルールベースアプローチ

それでは、マーケティングおよびプロダクトチームがこれまで製品体験やキャンペーンのオーケストレーションを行ってきた方法と、どのように異なるのでしょうか?

AI導入以前

従来のルールベースの意思決定は、あらかじめ定義されたルールや条件分岐ロジックに依存しており、多くの場合、人の手による調整が必要でした。たとえば、マーケティングチームがウェルカムメールキャンペーンを企画する際、このようなシステムではロジックの修正やパフォーマンス向上のために、手動での更新が求められます。その結果、急速に変化する環境への柔軟な対応が困難となっていました。

顧客ジャーニーを構築する企業が直面していた主な課題は以下のとおりです:

  • 活用されていないデータ: 顧客データの大半(68%以上)はパーソナライズに活用されておらず、その主な要因は、必要なデータサイエンスやエンジニアリングの専門リソースを確保できないことにあります。

  • 手作業で非効率なプロセス: 従来型のルールベースのジャーニー設計は、非常に手間がかかり、煩雑で時間を要するため、機動力や柔軟性が制限されます。

  • 人間の意思決定のスケーラビリティ: 企業規模が拡大するにつれて、人間の意思決定には限界が生じ、チーム間の連携や多様な仮説の検証を通じた本質的なパーソナライゼーションの実現が困難となります。


AI導入以後

エージェンティック・ジャーニー・オーケストレーションは、主にクラシカルな機械学習(ML)および大規模言語モデル(LLM)といった先進的な人工知能技術を活用し、企業の上位目標に沿った自律的または半自律的な意思決定を実現します。

その最終目標は、各顧客に対して1対1で高度にパーソナライズされた体験を提供することです。

仕組みの概要:

エージェンティック・システムは、企業が保有するファーストパーティデータを最大限に活用し、各顧客にとって最も効果的な判断を下します。これらのシステムは、製品やマーケティング体験においてMLモデルを本番環境で活用するために必要な複雑なデータ変換作業を自動化する堅牢なインフラを備えています。通常、このようなインフラの構築には、十分な体制を整えたデータサイエンスおよびエンジニアリングチームによって数ヶ月を要します。

チームは、目標、制約条件、および顧客との接点となるウェブやモバイル製品体験、あるいはメールやSMSなどのライフサイクルチャネルを定義するだけで済みます。AIベースのシステムの利点は、従来のA/Bテストでは4~5パターン程度しか用意できなかったコンテンツを、数百パターン生成してモデルに選ばせることが可能である点にあります。

AIは、各顧客に対して最適なタッチポイントとその順序を決定し、自動化された実験ループの中で常に体験を最適化していきます。膨大かつ多様なデータセットをリアルタイムで分析し、意思決定に反映させます。

AIによる最大の違いは、個々のデータと過去のインタラクションに基づいて体験を極限までカスタマイズできるだけでなく、そのプロセスが非常に動的かつ適応的である点です。AIは継続的に学習を行い、新たなデータやフィードバックをもとに戦略を改善し、顧客行動の変化に迅速に対応できるようになります。また、構造化されていない複雑なデータにも対応可能であり、従来のルールベースのシステムでは見逃されがちな傾向や行動を予測する能力に優れています。

将来の自動化意思決定は、従来のマーケティングおよびプロダクトチームが仮説、目標、制約、整合性、ガバナンスを担い、AIディシジョニングが動的な適応性、パーソナライゼーション、スケーラビリティを提供するという協調的なモデルへと移行していくと考えられます。


ユースケースの一例

AIディシジョニングとエージェンティック・ジャーニー・オーケストレーションの組み合わせは、さまざまな業界において定量的な成果をもたらしています:

  • リテール - 初回購入から2回目購入へ:購買履歴、閲覧行動、ユーザーの好みを分析し、商品カテゴリ、コンテンツ、表現形式をパーソナライズ。

  • コンシューマーSaaS - アクティベーションとリテンション向上:リテンションに因果的に寄与する機能の利用を促すナッジを提供。

  • Eコマース - リカバリーキャンペーン:過去の行動、好み、関心をもとに、最適なメッセージ、タイミング、チャネル、インセンティブをパーソナライズ。

  • フィンテック / 銀行 - アクティベーション、アップセル/クロスセル、紹介促進:ユーザーのオンボーディング完了を促進し、適切な商品と紹介インセンティブを提示。

  • ホスピタリティ - ロイヤルティおよびエンゲージメント:過去の予約履歴、嗜好、支出傾向に基づき、ロイヤルティ特典と体験を個別化。