三菱UFJ銀行が運営する、スマートフォン向け資産形成プラットフォーム「Money Canvas（マネーキャンバス）」。本サービスでは「家計管理も資産形成もまるっとこれ1つ」をコンセプトに掲げています。

お客様により良い体験を届けるには、大量かつ高速の仮説検証が必要でしたが、従来の人手運用では、セグメント設計や検証に多大な工数がかかるという限界がありました。そこで、課題の本質的な解決に向け、人間が定義した方針・制約のもとでAIによる自律的な意思決定を実現するマーケティングプラットフォーム「Auxia（オクシア）」を導入。

‍

本動画では、リテール・デジタル企画部のお二人に、Auxia導入の経緯や具体的な成果、そしてAIと共に描く今後の展望についてお話いただきました。

‍

■ 本動画のポイント

• 課題：
  
  • 1つの施策検証に数週間。リソースが限られる中で、改善サイクルが長期化し、スピード感を持った最適化ができなかった
• 取り組み： 
  
  • アプリ内バナーやコラムコンテンツをAuxiaで最適化。「AIを使う」ではなく、人間が定義した方針・制約のもとで、仮説生成から検証・最適化までの意思決定プロセスの多くをAIに委任する自律型システムへ転換した
• 成果： 
  
  • 日々150万回以上のAIによる意思決定により、アカウント登録率約+10%、コラム内CTAクリック率 約+139%のアップリフトを達成。
  • 年間350種類以上のクリエイティブ検証を低コストで実施し、人が「質の高い戦略・仮説設計」に注力できる体制を構築した。
• 今後の展望：
  
  • 非金融領域含むオープンなプラットフォームへと進化させ、「人とAIの共創」による一人ひとりの体験最適化と金融サービスのDXを牽引する

■ ご担当者様プロフィール

• 田中 誉俊氏（株式会社三菱ＵＦＪ銀行 リテール・デジタル企画部 新事業Gr 次長）
• 髙田 遼 氏（株式会社三菱ＵＦＪ銀行 リテール・デジタル企画部 新事業Gr 調査役）

※2026年3月時点での役職です

【動画視聴はこちら】

‍

‍

数週間の検証を低コストかつ高速に。Aiエージェント活用により人力の限界突破と顧客体験の最大化を目指す。

■「Money Canvas」のミッションと、導入前の課題について

髙田様：Money Canvasが目指すのは、資産管理から商品提案までをワンストップで提供し、投資初心者でも安心して利用できるプラットフォームです。この「最高の体験」を実現するために欠かせないのが、データに基づいた高速な仮説検証でした。
しかし、導入前は大きな課題が立ちはだかっていました。アジャイル体制でありながらも、1つの施策検証に数週間を要し、クリエイティブのバリエーションも数種類に限定されていたのです。リソースが限られる中で、改善サイクルが長期化し、スピード感を持った最適化ができない状況にありました。

その唯一無二の手段として選ばれたのがAuxiaでした。このような課題がある中で、目的は「AIを使うこと」ではなく「AIで大量の試行錯誤を低コストかつ高速に回せる仕組みを作る」ことにあり、その方法を模索していました。

‍

■ Auxia導入の一番の決め手について

田中様：Auxia導入の最大の決め手は「人間が定義した方針・制約のもとで、仮説生成から検証・最適化までの意思決定プロセスの多くをAIに委任する」自律型システムへ転換したという点でした。
担当者のスキルや工数に依存していた従来の体制とは異なり、人間の統制下でシステムが継続的に改善を繰り返し、最適解を見つけ出し続ける仕組みを構築できました。
Auxiaは単なるマーケティング施策の配信ツールではなく「成果の向上」と「リソースの効率化」を高い次元で両立できるソリューションであり、人手の限界を突破した「ハイパーパーソナライゼーション」を実現できると確信し、導入を決めました。

‍

‍

日々150万回以上のAIによる配信最適化の意思決定で、主要指標を大幅改善。「戦略・仮説」に注力できる体制へ。

■具体的な施策成果について

髙田様：導入後、Money Canvas上では人間には到底不可能な規模とスピードで最適化が進んでいます。

• アカウント登録率： 未導入ユーザー比で約+10%のアップリフトを達成
• コラム内CTAクリック率（CTR）： 1年間で1.3%から3.1%へと大幅改善（約+139%のアップリフト）
• 検証の加速：年間350種類以上のクリエイティブ検証を、低コストで実現できる体制を構築

現在、Money Canvas上では日々150万回以上の「誰に・いつ・何を掲出するか」を最適化する意思決定がAIによってリアルタイムに行われています。

‍

‍

■導入後の変化について

田中様：この変化は、施策成果という数値だけでなく「業務の質」を根本から変えました。「誰に・いつ・何を出すか」という判断をAIで自動化することで、私たちはより上流のKPI設計や仮説プランニングに集中できるようになりました。
‍人がやるべき仕事の「質」そのものが進化したと感じています。

お客様の属性や行動データをインプットし、一人ひとりに最適なコンテンツを最適なタイミングで提示する。そのプロセスにおいて、Auxiaは非常に強力な武器になっています。

‍

「人とAIの共創」が描く、金融DXの新たな可能性

■今後の展望についてお聞かせください。

田中様：今後は、MUFGグループ内での最適化にとどまらず、非金融の協業先も含めた「オープンなプラットフォーム」として体験価値を広げていきたいと考えています。Money Canvasをより開かれたエコシステムとして発展させていく──。金融DXの新たな可能性を、今まさに模索している最中です。
‍

髙田様：そこで鍵となるのが「人とAIの共創」です。AIを良きパートナーとして育て、同時に人間側もAIを使いこなす力を高めていく。このサイクルを回すことで、AIエージェントを、各企業にとって最高のマーケティングパートナーへと進化させていきたいと考えています。
かつては理想論だった「大量の仮説検証」と「一人ひとりへの最適化」が、いま現実のものとなりつつあります。今後も挑戦を続け、金融サービスにおける顧客体験の未来を力強く牽引していきたいと思っています。

【編集後記】

三菱UFJ銀行様にて、AIを単なる「効率化ツール」ではなく、ビジネスの「意思決定パートナー」へと進化させる取り組みに、Auxiaとして伴走できていることを非常に光栄に感じております。

「膨大なバリエーションの検証を回したいが、工数が足りない」
「一人ひとりに最適なタイミングで届けたいが、ルール設定が複雑すぎる」

そんな人力運用の限界を感じているすべてのマーケターにとって、Money Canvasの挑戦は大きなヒントになるはずです。かつては理想論だった「大量の仮説検証」と「一人ひとりへの最適化」は、いま現実のものとなりつつあります。

‍

Auxiaで、1 to 1マーケティングの限界を塗り替えませんか。
‍

▼ぜひデモをご予約ください。
https://www.auxia.io/ja/demo

‍

‍

通信事業を軸に、金融・決済・エンタメと生活のあらゆるシーンを支える巨大エコシステムを展開するNTTドコモ。

1億人を超えるdポイントクラブ会員を抱える同社が直面していたのは「圧倒的なスケール」と「個別の最適化」をいかに両立するかという、極めて難易度の高い課題でした。この課題を解消すべく、「Auxia（オクシア）」の導入を決定。本動画では、NTTドコモ データプラットフォーム部のお二人に、Auxia導入の経緯や具体的な成果、そしてAIと共に描く今後の展望についてお話いただきました。

‍

■ 本動画のポイント

• 課題：
  
  • 膨大な会員基盤に対し月間百億回以上のレコメンドを運用する中で、施策ノウハウの属人化・工数増大による「精度と規模のトレードオフ」に直面していた
• 取り組み：
  
  • アプリ内キャンペーンバナー枠をAuxiaで最適化。AIが2,000種類のデータを瞬時に読み解き「今、この瞬間にどのお客様に何を出すべきか」を自律的に判断する仕組みを構築
• 成果：
  
  • 従来手法比でCTRが平均1.7倍に改善。
  • 施策のリードタイム短縮だけでなく、個人のノウハウを共通基盤へと昇華させ、全社的なマーケティング品質の標準化と高度な自動化を実現した。
• 今後の展望：
  
  • Auxiaの活用を全チャネルへ拡大し、究極の1to1マーケティングを追求。マーケティング業務そのものの変革と、プロダクト改善も含めた多角的なアプローチで、1億人の会員に想像を超える価値を提供する。

■ ご担当者様プロフィール

• 鈴木 敬 様（NTTドコモ　執行役員　データプラットフォーム部　部長）
• 山田 直治 様（NTTドコモ　データプラットフォーム部　担当部長）

‍

‍

‍

‍

1億人超の会員基盤に対する人力運用の限界。精度と規模のトレードオフや属人化の壁

■ NTTドコモが抱えていたマーケティング上の課題について

NTTドコモでは、通信サービスを基盤に、金融決済、ユーティリティ、エンタメなど多角的な事業を展開しており、1億人を超えるdポイントクラブ会員を保有しています。現在、月間約40億通のプッシュ通知・メール配信、そして120億回以上のアプリ内レコメンドを行っており、この圧倒的なスケールの中で「いかにお客様一人ひとりに最適な体験を届けるか」が常に最大のテーマでした。
現場では約2,000種類ものプロファイリングデータを活用していますが、これまでは施策の企画から実行、検証までのプロセスを「人手」で行っていました。毎月3,000件もの施策を運用する中で、工数と時間の膨大化が深刻な課題となっていました。

‍

■ 具体的に発生してたボトルネックについて

複数のサービスにまたがる施策では調整が複雑化し、ミスを防ぐためのチェック工程も増え、施策立案から実行までに1〜2ヶ月を要することもありました。また、担当者のスキルによって効果にバラつきが出る「属人化」も顕著で、PDCAサイクルを高速で回すことが物理的に困難な状況にありました。
‍
マーケティングの「解像度」を上げようとすれば工数が爆発し、逆に「規模」を優先すれば個別の最適化が疎かになる。この「精度と規模のトレードオフ」を突破することが、ドコモの挑戦でした。

‍

配信ツールの限界を超え、1億人規模の最適化を自動化する「AIエージェント」という解

■ Auxiaを選定した理由について

複数の社内外の選択肢を検討する中でAuxiaを選んだ最大の理由は、単なる配信ツールではなく、AIエージェントが自律的に判断し、お客様一人ひとりに合わせた最適化を自動で行ってくれる点にありました。
‍
Auxiaは、システム自らが「今、この瞬間にどのお客様へ何を出すべきか」を2,000種類のデータから瞬時に読み解きます。生成AI時代の高度なターゲティング技術を基盤としたAuxiaであれば、ドコモが持つ膨大なデータを真に活かし、顧客体験の最適化と業務効率化を高い次元で両立できると確信しました。まさに私たちが探し求めていた「人手からの脱却」を叶え、次世代の1to1マーケティングを実現できるソリューションであると感じたのです。

‍

‍

CTRは平均1.7倍に改善。AIが施策効果とインサイトを資産化し、サービス横断でのマーケティング施策品質の担保を実現。

■ 導入による施策成果について

d払いアプリ内でのA/Bテストの結果、Auxiaは元々自社で使用していた従来手法（Banditベース）を大きく上回る圧倒的な成果を叩き出しました。

• クリック率（CTR）： 従来手法と比較し、平均1.7倍の大幅な改善を達成。
• 運用の高速化： 2,000種類のデータを瞬時に解析。1億人規模でのハイパーパーソナライゼーションを現実に。
• 脱・属人化の実現： 個人の経験値に頼っていたノウハウをシステム化。全社で一定水準以上のマーケティング品質を実現。

現在、d払いアプリ上では、キャンペーン情報や店舗レコメンドがAIによってリアルタイムに最適化されています。これまでは固定表示や画一的なレコメンドが中心でしたが、Auxiaが2,000種類のデータを瞬時に読み解き、「今、この瞬間にどのお客様に何を出すべきか」を自律的に判断しています。1億人規模でのハイパーパーソナライゼーションが、まさに現実になりつつあります。 

■ 運用面での変化について

CTRなどの指標を連携するだけでAIが自動で試行錯誤を繰り返し、改善・最適化を行う。Auxiaを使うことで、これまで人の手では限界があった規模の業務を、圧倒的なスピードで自動化できるようになりました。

この変化により、現場の担当者が膨大なオペレーション業務から「解放」される可能性があることの意義は極めて大きいと感じています。
さらに、これまで特定個人のスキルや勘に依存していた「最適化のノウハウ」がAuxiaという基盤に集約されることで、今後展開するあらゆるサービスにおいて、属人化することなく、一定水準以上のマーケティング品質を維持できるようになります。

‍

サービスやチャネル・チームを跨いだ、究極のパーソナライズ体験を全社で実現。AIと共にマーケティング業務の変革を推進する。

■ 今後の展望について

NTTドコモでは今後、「d払い」アプリに留まらず、あらゆるサービスやマルチチャネルへとAuxiaの活用を広げていく予定です。全社規模で「最適なチャネル・タイミング・コンテンツ」をお届けする究極の1 to 1マーケティングを目指しています。
‍
私たちが目指すのは、「AIエージェント活用を前提とした、マーケティング業務そのものの変革」です。ルーティン化した最適化タスクはAIに任せ、社員が「お客様の潜在的な課題の発掘」や「新しいソリューション開発」といった、本質的な問いに向き合える時間を増やす。

また、現在はマーケティング領域が中心ですが、今後はプロダクトそのものの改善にもAIを組み込んでいくことで、1億人のdポイントクラブ会員の皆様に、期待や想像を超える価値を提供し続けていきたいと考えています。

‍

‍

【編集後記】

1億人という圧倒的な顧客基盤を持つNTTドコモ様が、Auxiaを通じて「人力運用の限界」を突破し、究極のパーソナライゼーションに挑む最前線をご一緒できることを、私たちは誇りに思っています。

「データは膨大にあるが、個別の最適化まで手が回らない」
「特定担当者のノウハウに頼り、施策の質が安定しない」

このような、規模・精度・属人化のジレンマに直面しているすべての組織にとって、NTTドコモ様の変革は一つの大きな指針となるはずです。

Auxiaで、1 to 1マーケティングの限界を塗り替えませんか。
‍

▼ぜひデモをご予約ください。
https://www.auxia.io/ja/demo

AIエージェントは業界全体のマーケティング部門を変えつつあります。単なる自動化ツールにとどまらず、キャンペーン戦略や実行における「知的パートナー」として機能し始めています。いまやマーケティングチームは、クリエイティブ制作からデータ分析まで、ほぼすべての工程にこれらの高度なシステムを組み込んでいます。

この変化は、マーケティングの運営そのものを根本から変えるものです。AIは人間の創造性や戦略的思考を置き換えるのではなく、それを拡張しつつ、実行・最適化・分析といった重労働を担います。その結果、人間だけでは不可能だった「迅速で、パーソナライズされ、データに基づいた」マーケティングが可能になります。

この記事では、AIエージェントの役割を5つの主要分野から解説します。

1) クリエイティブ制作：数週間から数時間へ

広告文、コピー、ビジュアルなどの制作は、生成AIエージェントによって劇的に加速しました。以前はコピーライターやデザイナーが数週間かけていた作業が、今では数時間で可能です。

コカ・コーラ「Create Real Magic」事例
2023年、コカ・コーラはGPT-4とDALL·Eを活用した「Create Real Magic」プラットフォームをローンチ。消費者が共創したコンテンツはわずか数か月で12万件を突破しました。社内でもAIはアイデア出しやデザインに活用され、限定ドリンク「Y3000」のコンセプト開発にも応用されました。

実務効率の向上
EC小売りのAdore Meは、商品説明文の作成をAIに任せ、月30〜40時間かかっていた作業を1時間に短縮（97％削減）。その分、人間は戦略的業務に集中できるようになりました。

2) 顧客リサーチ：膨大なデータから洞察を抽出

効果的なマーケティングの基盤は顧客理解です。AIエージェントは膨大なデータを分析し、迅速に有用な洞察を提供します。

• 消費財企業はコールセンター記録やレビューを分析し、課題や機会を発見
  
  
• B2Bマーケターは公開レポートやLinkedInデータをAIで収集
  
  
• 調査会社はAIチャットボットによる自動顧客インタビューを試験導入
  
  

これにより、戦略は直感や小規模調査に頼るのではなく、大規模で網羅的なデータ分析に基づけるようになっています。

3) キャンペーン実行：リアルタイム最適化

複雑なマルチチャネル展開をAIエージェントが自動調整し、成果をリアルタイムで最適化します。

Google Performance Max
GoogleのPerformance Maxは、検索・YouTube・Gmail・Mapsなどを横断して自律的に予算配分・配置最適化を行うAIエージェントです。マーケターは目標とクリエイティブ素材を渡すだけで、後はAIが最適化を続けます。

企業での活用例

• アクセンチュアは自律エージェントを用いて大規模キャンペーンを最小限の人手で運用
  
  
• カルフールは各SNSに合わせた自動クリエイティブ最適化を導入
  
  

AIは常時稼働し、広告の停止、予算配分変更、メール送信時間の最適化まで瞬時に判断。人間は戦略を定義し、AIが戦術を担います。

4) ライフサイクルマーケティング：1人ひとりに最適化

顧客のライフサイクルに応じたメッセージ配信をAIが個別最適化します。

スターバックス「Deep Brew」
AIエンジンDeep Brewはリワード会員の購買データを分析し、個人ごとにおすすめを提示。天気や時間帯も考慮し、再来店や購入額増に大きな効果を上げました。

高度なセグメンテーション
Auxiaの「Decision Agent」は行動や属性に基づく自動セグメント化を行い、最適なタイミングでパーソナライズされた通知やメールを配信。人間の手作業では不可能な精度とスピードを実現しています。

5) データ分析：24時間体制のマーケティングインテリジェンス

膨大なマーケティングデータをAIが常時監視し、異常やチャンスを即座に検出します。

• KPI低下や広告効果の急上昇を自動で通知
  
  
• 複数システムのデータを統合し、経営陣向けのレポートを自動生成
  
  

従来は月次で行っていた分析がリアルタイムで可能になり、マーケティング判断が大幅に高速化しました。

ワークフローの変革：AI導入前後の比較

従来のメールキャンペーン
人間がリストを抽出し、コピーを作り、A/Bテストを設定、送信後は数日かけて分析しレポート化。

AI導入後

• AIが高度なセグメントを自動作成
  
  
• コピーAIが各セグメント向け文面を生成
  
  
• オーケストレーターAIがA/Bテストを実施し、勝ちパターンを展開
  
  
• 分析AIがリアルタイムで結果を監視し、改善を即時提案
  
  

人間は承認と戦略的判断に集中し、作業は数週間から数日に短縮されます。

実装上の課題

• 信頼と監督：AIに権限を与えるにはブランド保護の仕組みと人間の最終承認が不可欠
  
  
• データ統合と品質：サイロ化したデータや精度不足が大きな障害
  
  
• スキルと文化変革：AI活用には新しいスキルと意識改革が必要
  
  
• 戦略的導入：小さな成功事例から広げることがスケールへの近道
  
  

人間とAIの協働による未来

AIはマーケティングを「人力中心の作業」から「人間＋機械の協働」へ変えつつあります。戦略やブランドの声は人間が担い、実行や最適化はAIが支援するハイブリッド型チームが主流になるでしょう。

既に基盤技術は整っており、今後1〜3年でプロアクティブなAI支援がさらに普及していきます。先行企業は、パーソナライズ効果65％向上や業務時間の大幅削減といった成果を示しています。

結論：拡張されたマーケティングの未来

AI導入の本質は「人間を置き換える」ことではなく、「人間の創造力を拡張する」ことです。AIを大胆に受け入れた組織は、競合に先んじてよりパーソナライズされ、効果的なキャンペーンを展開できます。

AIエージェントが支えるマーケティングの時代はすでに始まっています。成功の鍵は「どれだけ早く適応できるか」です。

Auxiaについてもっと知りたい方は、ぜひデモをご予約ください。

マーケティングの大転換

マーケティングの世界は、根本的な変化を迎えています。かつての自動化といえば、条件付きメール配信、予約済みのSNS投稿、簡単なセグメンテーションなど、ルールベースのものでした。ところが今のAIエージェントは、単に決められた手順をこなすのではなく、観察し、学習し、従来は人間のマーケターだけが担っていた意思決定を行えるようになっています。

この変化は単なる技術革新にとどまらず、マーケティングチームのあり方そのものを再定義するものです。たとえば：

• 人間が時間をかけて分析していたキャンペーン成果を、AIはリアルタイムで継続的に最適化
  
  
• クリエイティブチームが手作業で繰り返していたA/Bテストを、AIが数百のバリエーションを同時生成・検証
  
  
• マネージャーが複雑に調整していたマルチチャネル展開を、自律エージェントがシームレスに実行
  
  

しかしこの進化は、「創造性や戦略的思考、人間的なブランド構築はどうなるのか」という根本的な問いを突きつけています。AIエージェントが「アシスタント」から「完全自律のキャンペーンマネージャー」へと進化するなかで、課題は技術にとどまらず、組織的・創造的・哲学的なものへと広がっています。

この記事では、AIエージェントが「高度なアシスタント」から「自律型キャンペーンオーケストレーター」へ進化するまでの道筋を探ります。

マルチエージェント型マーケティングチームの登場

マーケティングチームは、複数のAIエージェントを抱える「マルチエージェントシステム」へと進化しつつあります。人間を置き換えるのではなく、AIは企画、クリエイティブ生成、実行、分析といったプロセス全体で「アシスタント」として組み込まれます。

ここで重要なのは「人間が中心にいて、専門AIを指揮する」という新しい組織モデルです。単に人間の職種をAIツールに当てはめるのではなく、知識の流れや人間の介入ポイントを設計する必要があります。

このモデルでは、人間のマーケターは「指揮者」や「品質管理者」として役割を担い、AIエージェント同士がモジュール的にタスクを受け渡していきます。人間とAIがバランスよく協働することで、信頼性や文脈理解を維持しながら、エージェントをより深く組み込むことができます。

マーケティングにおけるエージェント成熟の5段階

AIエージェントの活用レベルは大きく差があり、次の5段階に分類できます（Scott Belskyの一般モデルを応用）。

ステージ1：高度化したFAQ的サポート
AIはスマートなFAQやアシスタントのように働き、質問に応じてパーソナライズした回答や推奨を返す。反応的で一段階の対応にとどまる。初期のFAQチャットボットや基本的なパーソナライゼーションはここに含まれる。

ステージ2：リアクティブな提案
指示を与えると有用な成果物を生成。例：パラメータを入力すると、メール文案やSNSカレンダーを作成。多くの現行のマーケティングAIツールがこの段階。

ステージ3：プロアクティブな提案
指示されなくても状況を見て提案する。例：「過去のキャンペーンから、このオーディエンスに通知を追加すべき」といった提案。2025年現在ではまだ少ないが、早期の事例が出始めている。

ステージ4：プロアクティブな行動
提案に加えて、自ら行動を実行。例：成果の悪い広告を自動で停止、テストを開始して報告する。プログラマティック広告などで初期的な導入が進んでいる。

ステージ5：完全自律型ワークフロー
人間が高レベルの目標を与えるだけで、AIが企画、予算配分、コンテンツ制作、配信、最適化まで全てを担う。GoogleのPerformance MaxやMetaのAdvantage+が近い例だが、まだ実験段階。

現状と今後の展望

2025年現在、多くの組織はステージ1〜2からステージ3に移行しつつあり、先進的な事例ではステージ4を模索しています。ステージ5は依然として将来のビジョンにとどまりますが、プログラマティック広告のような特定分野では萌芽が見え始めています。

人間とAIの協働による未来

未来のマーケティングには、最新のAIツールを導入するだけでは不十分です。必要なのは、組織の構造や役割分担そのものを再設計し、競争力を維持することです。

AIネイティブなチームの構築

成功する組織は、既存のプロセスにAIを付け足すのではなく、最初から人間とAIの協働を前提に設計します。人間は戦略、ブランド、感情的共鳴に集中し、AIは実行、テスト、リアルタイム最適化を担当します。

信頼とコントロールの課題

AIの自律度が高まるほど、リーダーは効率性とブランドの一貫性の両立を迫られます。明確なガバナンスとフィードバックループが不可欠です。

新しい競争環境

AIが普及すれば、優位性は「ツールを持つこと」から「統合の仕方」へと移ります。人間の創造性を拡張するためにAIを使いこなすことが差別化の鍵となります。

まとめ

企業はまずステージ2と3を確実にマスターし、インフラと文化を整備することが重要です。

マーケティングの未来は「AIが人間をどれだけ置き換えたか」ではなく、「AIが人間の可能性をどれだけ解き放ったか」で決まります。AIを共同パートナーとして受け入れた組織こそが、記憶に残るブランドを築いていくでしょう。

Auxiaについてもっと知りたい方は、ぜひデモをご予約ください。

“There are only two ways I know of to make money: bundling and unbundling.”
（翻訳：「お金を稼ぐ方法は2つしかない。バンドル（統合）かアンバンドル（分離）かだ」）

ーーJim Barksdale（Netscape元CEO）

30年前に語られたこの言葉は、今のマーケティングテクノロジー業界にもそのまま当てはまります。長らくマーケティングの現場では、複数の目的別ツール（ポイントソリューション）が乱立し、企業ごとに10種類以上のツールを抱えることも珍しくありませんでした。

しかし今、業界は転換点に差し掛かっています。マーケティングスタックの統合が始まり、それを可能にする鍵はAIです。

これまでエンタープライズソフトウェアは「分離と統合」のサイクルを繰り返してきましたが、今回のサイクルは過去と比べて意味合いがまったく異なります。顧客の期待は高まり続け、マーケターにはROIの厳密な説明責任が課されています。しかも、顧客の注意は一瞬で移り、競争も激化の一途をたどっています。

この状況で、マーケティング全体を通じてデータ・インサイト・アクションを即座に統合できない企業は、市場競争で取り残されていくでしょう。

分断されたツール群の限界

ここ1年で数十社のマーケティング部門と話す中で、CMO、CTO、CIOたちが口を揃えて語るのは、「もうツールが多すぎる」という疲弊です。

中規模の企業でさえ、マーケティングに複数の専用ツールを使用しています。たとえば、メール自動化、カスタマーデータ管理、A/Bテストなどです。しかし、それぞれが独立して動いており、データの共有もなければ、顧客を一貫して理解する視点もありません。

こうした分断のコストは、単にツールのライセンス料だけでは済みません。統合のために外部の専門家、データエンジニア、代理店に多額の費用を投じている企業も多く、ツールそのものより運用コストが高いケースさえあります。

さらに致命的なのは「パーソナライズのパラドックス」です。これほど多くのマーケティング技術を使っていながら、本当にパーソナライズされた体験はほとんど実現できていないのです。ルールベースの設定やバッチ処理では、実際の顧客行動から乖離した画一的な体験しか生み出せません。

統合を後押しする技術的転換点

マーケティングスタックの統合を現実的にした技術は、主に2つあります。

1つ目はクラウドネイティブなデータウェアハウスの進化
Snowflakeの登場以降、企業は何十億円も投じて、あらゆる顧客データ（構造化データ・非構造化データの両方）を一元的に管理できるようになりました。

2つ目はトランスフォーマーモデル（LLM）の進化
この技術革新によって、AIが膨大かつ多様なデータをリアルタイムで処理し、顧客ごとの最適な判断を瞬時に行えるようになりました。

さらにAPIの整備が進んだことで、「システム間のデータ連携」ではなく「AIによる意思決定」がマーケティングの主役となりつつあります。

新しいスタックの姿：インテリジェンスレイヤー

従来のように「データ収集→分析→活用」といった分離されたプロセスではなく、データウェアハウスと顧客接点の間に“インテリジェンスレイヤー（AIエージェント）”が挟まれる、これが今後の主流です。

このインテリジェンスレイヤーは、リアルタイムかつ文脈に応じた意思決定を自動で行います。

• 意思決定エージェント：顧客ごとに最適な行動を選択
• 分析エージェント：パフォーマンスを評価し、改善提案を自動化
• コンテンツエージェント：最適なメッセージ・クリエイティブを生成
  

結果として、従来のようにキャンペーン単位でのA/Bテストを何週間もかける必要はなく、システムが常に最適化を自動で行うようになります。

セグメンテーション、テスト、パーソナライズ、分析など、これまで分離されていたツールはすべてこのレイヤーに集約され、より高精度・高スピードで運用されます。

実際の成果：Auxia事例

Auxiaが支援した企業では、以下のような成果が出ています。

• グローバルマーケットプレイス企業：ユーザー単位のAIによる意思決定に切り替えた結果、LTV（顧客生涯価値）が84%向上
• 世界的金融機関（資産5,000億ドル以上）：オンボーディング完了率が50%改善、同時に22倍のテスト実行を実現

いずれも、ルールベースではなく、購入履歴・行動履歴・属性情報などをもとにAIがミリ秒単位で最適判断する仕組みに移行したことがブレイクスルーとなりました。

マーケターが今、問われている選択

これまでのマーケティングソフトウェア再編との違いは、「単なる統合」ではなく新たな可能性の開花にあります。

たとえば「リアルタイムパーソナライズ」を例にとると、多くのシステムが“なんちゃってリアルタイム”に過ぎません。本当のリアルタイムとは：

• ユーザーがあるカテゴリの商品を検索した瞬間
• その直前の購入履歴・閲覧傾向・属性などを総合的に分析
• そして、最適な別カテゴリ（例：スポーツ用品）を提示し、クロスセルを狙う

これを数秒ではなくミリ秒レベルで実行するのが、本物のパーソナライゼーションです。従来のツール群では、これは到底実現できません。

現在成果を出している企業は、「新しいツールを導入した」だけではなく、「マーケティングの運営そのものを再設計している」のです。分析や意思決定をAIが担う世界において、従来の体制は最適とは言えません。

マーケターはこの変革を能動的に進めるか、競争に押し流されて後手に回るかの選択を迫られています。

詳しくは、ぜひAuxiaの公式サイトよりお問い合わせください。

Auxiaは、エージェント ベースのカスタマー ジャーニー オーケストレーション・プラットフォームであり、エンタープライズ顧客に対してパーソナライズされたマーケティング施策を提供します。顧客企業は、アプリ内、メール、その他のデジタル体験において、APIを通じて「Decision（施策）」と呼ばれるレコメンデーションを取得することで、Auxiaと統合します。

エンタープライズ向けにサービスを提供する場合、インフラは必然的に大規模なスケーリングの課題に直面します。現在Auxiaでは、秒間6,000件を超えるリクエストを処理しており、予測レイテンシの99パーセンタイルを100ms以下に抑えることを目指しています。各リクエストでは、およそ1,000通りのユーザー向け施策から最適なものを選定する必要があります。

本記事では、こうした要件を満たすために構築した高性能な推論基盤について詳しくご紹介します。

リアルタイムパーソナライゼーションをスケーリングする

私たちAuxiaでの、アーキテクチャの意思決定では、3つの重要要件があります：

• 高スループット、低レイテンシ処理：数千の同時リクエストに対して100ms未満で応答
• リアルタイムの文脈データ統合：新鮮なユーザー文脈や行動データを推論に取り込む
• マルチテナントモデル対応：顧客と目標の組み合わせごとに異なるモデルでの同時推論を実現

これらの要件の組み合わせにより、ロードバランスされたサービスインスタンス間で動的にモデルを読み込める、高性能なリアルタイム推論システムが求められました。

アーキテクチャ：Kotlin + TensorFlow Serving Sidecar

私たちは、Kubernetesポッド内にKotlinサーバ（制御プレーン）とTensorFlow Servingバイナリ（推論エンジン）を同居させる構成を採用しました。この設計により、懸念事項の明確な分離を保ちつつ、高性能と柔軟性の両立を実現しています：

• Kotlinサーバー：動的なモデル読み込み、モデルメタデータの管理、入出力テンソル変換、ライフサイクル・オーケストレーション
• TensorFlow Serving：gRPCベースのAPIにより、学習済み TensorFlow モデルに対する高速な推論処理を提供

モデルロジックはTensorFlow側に隔離され、オーケストレーションやビジネスロジックはKotlinサーバーに集中する設計となっています。

Kotlin + gRPCの技術基盤を持つ私たちにとって、この設計はKotlinの強み（特に非同期プログラミングにおけるコルーチン）を活かしつつ、機械学習インフラの複雑さを抽象化します。Kotlin層では以下を担当しています：

• インフラ抽象化：さまざまなモデル形式（ONNX、TorchServe、ホステッドサービス）にも対応できる構造
• 動的モデル管理：Artifact Registryからモデルを読み込み、TensorFlow ServingのModelServiceを管理
• 形式変換：ユーザーや施策の特徴をモデル入力用のテンソルへ変換し、出力されたテンソルを施策スコアへ戻す

TensorFlow Servingを選んだ理由

TorchServeのような代替案ではなく、TensorFlow Servingを選定した理由は以下のとおりです：

• gRPC APIの利点：強い型付けとプログラマティックに定義されたインターフェースで、バイナリ シリアライズにより通信サイズと CPU負荷を削減。大量の特徴量を扱うAuxiaにおいて特に重要
• 高パフォーマンス：即時的な意思決定モデルを可能にする、ネィティブでマルチスレッド処理に最適化された C++ 実装
• 本番環境向けの機能：動的モデル読み込みの対応や自動バッチ推論への組み込み対応
  

一方で、以下のような課題もあり、Kotlin 側で補完しています：

• 動的読み込みの制約：技術的には動的読み込みには対応しているが、当初のバイナリは静的なモデルに最適化されている
• 実運用での検証不足：コンテナ内でのCPU誤認識など現場ならではの問題が発生
• 最適化要件：すべてのTensorFlow演算が高速とは限らないため、モデル形式の設計が重要

推論抽象化レイヤー

AuxiaのPrediction (推論) Service は、推論の複雑さを抽象化し、施策を軸に開発されたシンプルなAPIを提供しています。この抽象化により、様々なモデルアーキテクチャーをサポートできています。例えば、バンディット  (Bandit) アルゴリズムやツリーベース のアップリフトモデル、そして深層学習を使った推薦モデルなどをサポートしています。

主な特徴：

• 統一API：一貫性のある一つのインターフェースを提供し、基盤となるモデル実装に依存しない。ユーザー特徴量はkey-value形式または構造化オブジェクトで、施策特徴量はkey-valueで受け取り、出力形式も明確に定義（単一スコアまたは施策ごとのスコアリスト）
• 動的モデル管理：サーバー再起動不要でモデルの入れ替えが可能、継続的な実験や改善を促進
• システムに組み込まれたモニタリング：すべてのモデルから排出される予測におけるレイテンシやエラー率を自動収集し、システムの信頼性を担保
• 開発者向けツール：モデルを検証する機能や検証用の環境でも安全にテストできる APIを用意
  

推論最適化のための入力形式設計

TensorFlow Servingは、フラットな名前空間のテンソルを入力として要求します（テンソル名とデータをマッピングした辞書）。Python版TensorFlowが対応するような入れ子構造（辞書、RaggedTensorsなど）とは異なり、より厳密な制約があります。これにより、スケール時における構造化特徴量の表現が課題となります。

最適化までの試行錯誤：

• 初期方式：特徴ごとに個別テンソルを作成し、特徴名を鍵にする。これは実装は簡単ですが、膨大なテンソル数のシリアライズ・名前解決のコストにより効率が悪い
• tf.Example形式：TensorFlow標準のシリアル形式にエンコード する。こちらはProtoパースが重く、遅延が改善されなかった
• 最終方式（最適化済）：同じ特徴を1つの均一型のテンソルにまとめ、インデックスで識別 をする。この手法ではテンソル数を最小化しながらも、TensorFlowの内部にある特徴レゾリューションと同調

実装詳細

• ユーザー特徴量：例えば [None, 4] 型の数値テンソルで表現、インデックスは特定の特徴に準ずる（signup age、LTVなど）
• 施策特徴量： [None, None, N] 形式のテンソルでユーザーあたり複数の施策に対応し、treatment_countsテンソルでユーザーごとの区切りを示す
• GPU最適化：TensorFlow Servingの自動バッチ機能を活用。treatment_countsテンソルでパディング除去や区切り再構築を処理
  メタデータ管理：トレーニングと推論時の整合性を保つため、テンソルindexと特徴名の対応をメタデータファイルで管理
  

この最適化された設計により、p99レイテンシを100ms未満に抑えながらリクエストごとに最大1,000施策をスコアリングを、6,000QPS で提供することができました。

サービングモデル検証フレームワーク

すべての学習済みモデルは、Prediction Service APIと互換性を持つ必要があります。そのため、次の3段階からなる包括的なローカルテストフレームワークを構築しました：

環境構築

• Kotlin Prediction ServiceとTensorFlow Servingを含む完全な本番相当スタックをローカルに起動
• モックではなく実際のバイナリで検証可能

テストオーケストレーション

• pytestと補助クラスで管理
• モデル配置や高レベルのクライアント操作を抽象化
• テスト記述者はpandas DataFrameで操作し、裏側でテンソル変換、gRPCリクエスト、レスポンス解析が行われる

テスト実行

• ファイルベースの検証エンドポイントでモデルと特徴ファイルを読み込み、スコアを出力ファイルに保存して整合性を検証
• 運用環境配備前に、モデルが正常に読み込まれ推論可能かを確認

動的モデル読み込み

Auxiaの動的モデル読み込みシステムでは、クライアントからのリクエストごとにモデル名とダイジェスト（内容のハッシュ）を指定できます。それに応じて、対応するモデルを透過的に取得・検証・サービングするため、推論サーバの再起動は不要です。

モデル配布

モデルは、Google Cloud Artifact Registry に OCI イメージとして公開されます。各イメージには、以下のような内容が含まれます：

• TensorFlow SavedModel（/data/tensorflow_serving_model/model）
• 入出力形式を記述した metadata.json ファイル

これにより、機械学習エンジニアやデータサイエンティストが頻繁にモデルを更新し、latest や canary などのフローティングタグで本番環境に素早く反映できるようになります。

実行時アーキテクチャ

受信した gRPC Predict リクエストは、ModelRegistry を経由して適切な ModelLoader にルーティングされます。TensorFlowモデル用のコンテナに関しては、次のようなフローです：

• DockerModelLoader：完全修飾画像名を解決し、live や canary タグを処理、イメージマニフェストを取得し、対象の Digest に基づいた軽量な spec を生成
• TensorflowModelLoader：モデルをローカルに配置し、2つの状態マシンを協調して管理。Auxia側の内部状態とTensorFlow Serving側の構成が常に同期するよう調整
  

ステートマシン管理

ModelStateMachine 各モデルのライフサイクルを管理:

• NEW → DOWNLOADED：ローカルにファイルをステージング
• DOWNLOADED → LOADED：TensorFlow Servingに構成リロードを送信
• LOADED → AVAILABLE：GetModelStatus APIでServingの準備完了を確認
• 一定時間に使用されなかったモデルは自動的にアンロード＆削除。時間は調整が可能
• 一時的な障害処理のためのバックオフタイマー付き読み書きミューテックスガード

TFServingStateMachine 全モデルの統合状態を管理:

• すべてのロード済みモデルを1つの ModelServerConfig に集約
• ReloadConfigRequest API を通じて一括更新を行うことで、操作競合や TensorFlow Serving の既知バグ（unknown-status エラーなど）にも対応

両ステートマシンは、Kotlin のコルーチン上で専用ディスパッチャーを使って非同期に動作するため、サーバーの I/O スレッドをブロックすることはありません。

Auxiaでは、Canary デプロイを正式にサポートしています。機能はアーキテクチャに組み込んであり、_canary タグ付きモデルを検出すると、Docker loader が ModelCanaryConfig　protobuf をイメージ ラベルから読み取り、トラフィックの振り分け比率やモニタリングパラメータを設定しています。

本システムは、リクエストの一部を新バージョンに確率的にルーティングしながら、ライブバージョンへのトラフィックを維持しています。カナリアモデルは事前にウォームアップされるため、レイテンシのスパイクの発生を最小化しています。レイテンシ、エラー率、出力分布のモニタリングにより、プロモーションまたはロールバックが自動的に判断されます。

この仕組みにより、ゼロダウンタイムでのモデルライフサイクル管理が可能になり、安全かつ迅速な実験と本番展開が実現します。

レイテンシとパフォーマンスの改善

• Auxia の最適化により、推論パイプライン全体で大幅なレイテンシ改善を達成しました
• 注：レイテンシのグラフは対数スケールで示されています。数値は高負荷状態下での負荷テスト結果に基づいており、本番環境ではさらに10倍速いこともあります。Python Pandas をベースとした旧システムでは 99 パーセンタイルのデータは存在しません。
• 入力形式の最適化、効率的なバッチ処理、動的モデル管理の組み合わせにより、Auxiaは高い性能目標を満たしながらも、機械学習の迅速な実験と展開に必要な柔軟性を維持しています。

詳しくは、ぜひ Auxiaの公式サイトよりお問い合わせください。

‍