ドラッグストアが、会員の購買履歴をもとに買い方の似ている顧客どうしをいくつかの まとまりに分け、まとまりごとに販促の内容を変えたいと考えている。 この目的に適したAIの使い方はどれか。
正解：ウ
ア過去の実績に正解を付けたデータから規則を学ばせ、来月の売上高を見積もる。
誤り。これは教師あり学習による予測です。同じ購買履歴を使いますが、 「いくら売れるか」という答えを当てにいく使い方で、顧客をまとまりに 分けることはしません。正解にあたるデータが必要な点も違います。
イ指示文を工夫して生成AIに与え、販促メールの文面を新しく作らせる。
誤り。これは生成AIの使い方で、新しい文章を作り出すものです。 分けたまとまりごとにメールを書く場面では役立ちますが、 どの顧客が同じまとまりに入るのかを見つける役割は担いません。
ウ正解を与えないデータから似ている度合いを見つけ出し、顧客を複数の集団に分ける。
正解。教師なし学習によるグルーピングで、顧客セグメンテーションと呼ばれます。 「この顧客はAグループ」という正解が最初から無くても、購買の傾向が 近いものどうしを機械が寄せ集めてくれます。
エ行動の結果に報酬を与えて試行を繰り返させ、配送車の巡回する順序を改善する。
誤り。これは強化学習による支援です。試行と報酬を繰り返して良い行動の 選び方を学ぶ仕組みで、配車ルートの最適化などに向きます。 手元のデータを分類する場面ではなく、行動を決める場面で使います。
正解を教えずに、似た者どうしを集める
学級名簿を見て「よく似た買い方をする人を5組に分けなさい」と言われたとき、 最初から正しい組分けが決まっているわけではありません。 買った商品、来店の頻度、単価などを見比べて、近いものを寄せ集めていくだけです。 これを機械にやらせるのが教師なし学習によるグルーピングで、 小売の現場では顧客セグメンテーションと呼ばれます。
正解を与えないので、出てきたまとまりに名前が付いているわけではありません。 「週末にまとめ買いする層」「特定の売場だけ使う層」といった解釈は、 分けた結果を見て人が付けます。ここは人の仕事として残ります。
何を目的にするかで学習の型が決まる
| 学習の型 | 何をするか | 活用の例 |
|---|---|---|
| 教師あり学習 | 正解付きのデータから規則を学び、答えを当てる | 売上予測、成約予測、離反予測 |
| 教師なし学習 | 正解なしのデータから似ている度合いを見つけ、分ける | 顧客セグメンテーション、店舗クラスタリング |
| 強化学習 | 試行と報酬を繰り返し、良い行動の選び方を学ぶ | 配車ルートの最適化 |
これらはいずれも既にあるデータを判別したり予測したりする使い方で、 新しい文章や画像を作り出す生成AIとは目的が違います。
問題文に「予測したい」とあれば教師あり学習、「分けたい」「まとめたい」とあれば 教師なし学習、「繰り返しながら良い手順を見つけたい」とあれば強化学習、 と読み替えると迷いません。