はぴねすくらぶ、AIでカタログ送付を刷新——「送らない勇気」が利益を生む

総合通販のはぴねすくらぶが、AIを用いて購買意欲の高い顧客に絞ってカタログを送る取り組みを本格始動しました。2025年8月27日に公表された今回の発表は、同社の紙媒体戦略がデータドリブンに生まれ変わる転換点です。導入するのはマーケティングAI SaaS「AIMSTAR」。同社はデータ統合からモデル構築、送付リストの自動抽出まで一気通貫で運用する体制を築き、協業するBIPROGYは基幹システムやコールセンターなど周辺システムとの連携を担います。狙いは明快です。無差別な大量送付を改め、「送らなくてよい相手」へは送らないという意思決定によって、印刷・配送費の逓減と、1通あたり利益の最大化を同時に実現すること。紙のDMは高コストだからこそ、AIによる精密射撃が効く——これは、オフラインの復権を告げるニュースです。

ニュースの要点：何が発表されたのか

第一に、はぴねすくらぶは、購買履歴やWeb行動などのファクトデータを「AIMSTAR」に取り込み、購買確度スコアに基づく送付対象の最適化を開始しました。第二に、BIPROGYが基幹システムやBI、コールセンター、ECサイトとの連携を進め、紙のカタログ送付最適化に加えて、将来的には高精度な架電リストの作成にも踏み込みます。第三に、同取り組みは単なるコストカットではなく、顧客体験の質を損なわずに収益性を引き上げる「バランス設計」である点が強調されています。選んで届ける。だからこそ、届いた1冊の価値が上がるのです。

“面”から“点”へ：カタログが変わる3つのパラダイムシフト

これまでのカタログ送付は、一定の周期で広く「面」に撒くモデルが主流でした。AI導入後の世界では、関心が高い「点」に集中投下する戦略に転じます。第一の転換は、セグメントの粗さからの脱却です。過去購入者／非購入者、年齢層、地域といった粗い切り口ではなく、直近の行動、カテゴリ親和性、価格感度、ライフイベントなどを特徴量化し、スコアリングで優先順位をつけます。第二の転換は、タイミングの精緻化です。送付月を一律にするのではなく、カテゴリごとの再購入周期や閾値反応（例：ある商品ページ閲覧回数）に応じて送付ウィンドウを可変化します。第三の転換は、紙×他チャネルのオーケストレーションです。紙で関心を喚起し、メールやWeb、コールで背中を押す。カタログは「入口」であり「決め手」にもなり得ます。

AIMSTAR×BIPROGYの舞台裏：なぜ“送らない”が利益を生むのか

AIの価値は、足し算ではなく引き算にあります。送らない判断を的確に下せるほど、送る一通の価値が上がるからです。AIMSTARはCDP・MA・分析・AIを統合したプラットフォームとして、ノーコードでのデータ統合、機械学習による予測、シナリオ自動化までをカバーします。ここにBIPROGYのエンタープライズ連携と業務設計が重なることで、属人的なリスト作成から脱却し、日々の受注・返品・問い合わせなど運用データをスコア更新に反映させる「閉ループ運用」が回り始めます。さらに、将来的に高精度な架電リストが生成されれば、DM後の電話フォローにおいて本人接続率とCVRの同時改善が見込めます。紙と音声の“二段構え”で、コンバージョンの谷を埋めるわけです。

数字で解くインパクト：DM最適化はどこで利益を押し上げるか

仮に、DM単価（印刷＋郵送）が1通あたり120円、従来100万通を送付していたとします。反応率0.8%、CVR（受注率）60%、平均粗利は1件あたり3,000円。従来の粗利は0.008×0.6×1,000,000×3,000円＝14,400万円、コストは1億2,000万円で、差し引き2,400万円の利益です。AI最適化で送付量を20%削減し80万通に、反応率を1.0%に、CVRを62%に改善できたと仮定すると、粗利は0.01×0.62×800,000×3,000円＝14,880万円、コストは9,600万円、利益は5,280万円へ。利益率は約2.2倍となります。ポイントは「送付量を削り、反応率とCVRを微増させる」だけで、利益が大きく伸びること。紙媒体の費用弾力性の高さが、AI最適化のレバレッジを増幅します。

先行事例が示す“勝ち筋”：20%改善の壁を越える方法

国内の先行事例からも、方向性は明確です。基礎化粧品で知られる企業では、購買サイクルに合わせたAIレコメンドとDMの最適化で、メールの購買率が約20%改善し、DMでもCVRが改善したと報告されています。AIが「なくなる頃」を言い当てるから、届いた情報が“ちょうど良い”のです。また、旅行雑誌の会員向け発送を行う企業では、経験に依存した発送基準をAIに置き換え、年齢やエリアなどの特徴量を踏まえたスコアリングで予約数が増加。さらに、テレビ通販で著名な企業では、AIスコアで抽出したDMターゲティングの検証により、従来モデル比で利益が154%に跳ね上がったとの発表もあります。いずれのケースも共通するのは、「対象」「タイミング」「チャネル」の3点同時最適化です。単一の改善ではなく、掛け算で効かせています。

90日で成果を出す実装ロードマップ

0〜30日：データ統合と定義の整備。顧客IDの名寄せ、重複排除、RFMやカテゴリ嗜好、周期指標、休眠フラグなどの共通指標を設計し、AIMSTARに接続します。併せて、過去12〜24カ月の送付・反応・受注を紐づけ、学習データのロスを最小化します。

30〜60日：ベースモデルの構築とA/B計画。購買確度（UPLIFT含む）と解約・返品リスク、LTV短期予測を併用した多目的最適化を設定し、閾値を複数水準で試験します。テストは必ず「送る／送らない」を含め、無送付群の自然発生売上を観測します。

60〜90日：配信オーケストレーションと拡張。DM送付に連動したメール・LINE・Web接客・架電の連携シナリオを構築。反応イベント（QR来訪、電話応答、コール結果）を即時にフィードバックし、日次でスコア更新。高LTV見込みセグメントには紙のページ構成も最適化し、商品構成や価格帯を変えます。

経営が握るべきKPI：5つのレンズで見える化する

1）送付密度：送付総数／アクティブ会員。2）反応効率：QR・電話・クーポン等の反応率。3）収益効率：受注単価と粗利率、返品率、CPO。4）増分効果：無送付対比のインクリメンタル売上。5）資本効率：DM原価回転日数と在庫回転。これらを週次でダッシュボード化し、モデル変動と同時に見ることで、過学習や季節性の影響を早期検知できます。KPIはバラバラに見るのではなく、連鎖で捉えるのが肝要です。

現場が陥りやすい落とし穴と対策

最大のリスクはデータ品質です。住所表記ゆれ、転居未反映、同一人物の多重IDなどは、モデル以前の問題として反応率を毀損します。名寄せ辞書とNCOA相当の転居補正、宛名クリーニングの運用を先に固めるべきです。次に、リーク変数の混入です。配布対象や配布タイミングに直結するシステム上のフラグが学習に入ると、テスト時に過大評価を招きます。特徴量の生成段階で業務フラグを遮断し、学習期間・評価期間を厳密に分けます。さらに、クリエイティブの固定化も禁物です。AIは「誰に」「いつ」を最適化しますが、「何を」「どう見せるか」は別物。紙面の構成、オファー、価格帯のバリエーションを並行して検証し、モデル改善とクリエイティブ改善の二軸でPDCAを回します。

紙×AIの到達点：なぜ今、オフラインが再評価されるのか

デジタル広告の飽和とプライバシー規制の高まりにより、獲得の難易度が上がりました。そんな状況で、確実に手元に届き、保存・回覧されやすいカタログやDMの価値が再評価されています。ただし、その価値は「誰に届くか」で大きく変わる。AIで“面”の無駄を削いだ企業から、紙の投資を攻めに変える時代です。はぴねすくらぶの決断は、単なる業務効率化ではなく、収益構造の転換に踏み出したサインといえます。送るべき1通を見極める力が、ブランドの体験価値と財務の両輪を押し上げるのです。

実務メモ：すぐに着手できるチェックリスト

・購入確度スコア、解約リスク、短期LTVの3スコアを並行運用する

・「送る／送らない」の境界上に探索枠（10〜15%）を確保し、新規仮説を検証する

・無送付対照群を常設し、増分効果を測る

・QRコードの遷移先をセグメント別に出し分け、紙→デジタルのトラッキング損失を縮める

・返品率・チャーン率を粗利に内生化し、利益ベースで最適化する

・電話フォローは「つながる確率×購入確率」の連立で評価し、コールの優先度を再配分する

まとめ：送らないことで、もっと売れる

AI導入の成否は、派手な自動化機能ではなく、日々の「やめる判断」を支える運用に宿ります。はぴねすくらぶの取り組みは、紙を捨てるのではなく磨き直す選択です。DMは高い。だからこそ、当たる場所にだけ撃つ。AIMSTARとBIPROGYの布陣は、その鉄則を大規模に、しかも継続的に実践できる設計です。送付量を減らし、反応率とCVRをわずかに上げる——その地味な積み重ねが、最終的に利益を倍加させます。紙×AIの再発明は始まったばかり。今この瞬間、「送らない勇気」を持ったチームが、次の四半期の収益をつくります。

ケーススタディ詳解：具体的にどこで差がついたのか

購買サイクルが明確なリピート商材では、AIが「そろそろ使い切る頃合い」を高精度に推定できます。たとえば、60日周期で購入される化粧品は、実際の利用ペースに個人差があるため、一定周期の一斉送付ではミスマッチが起きがちです。AIは前回の購入点のみならず、まとめ買いの有無、同カテゴリの代替購入、問い合わせ履歴、閲覧動線などを総合して、次回購入の最尤週を弾き出します。ここに紙のカタログという「保存される媒体」を当てると、思い出しのトリガーとして効く確率が高まります。逆にワンショット色の強い単発商材では、反応確率の低い層を大胆にカットして送付を抑制し、コンテンツやクリエイティブの実験に予算を振る方が費用対効果は高まりやすい。商材特性ごとにAIの役割を使い分けるのが肝要です。

FAQ：経営から寄せられる6つの問い

Q1. 送付数を減らして売上が落ちないのか。A. 重要なのは「増分売上」で評価することです。無送付群を必ず設け、自然発生売上を控除して増分効果で意思決定します。AIは「やめる箇所」を見抜くためにこそ役立ちます。

Q2. 既存のMAやCRMと何が違うのか。A. 既存ツールがシナリオ実行に強いのに対し、AIMSTARはデータ統合と機械学習が原点にあり、購買確度スコアやUPLIFTのような「予測値」を中核にした運用を作り込めます。

Q3. 紙のカタログは若年層に効かないのでは。A. 効く・効かないは年齢ではなく「状況依存」です。高関心フェーズや比較検討の最終局面では、保存性の高い紙媒体が意思決定を強く後押しする傾向があります。AIはその局面を見極める役目です。

Q4. クリエイティブはAIが作ってくれるのか。A. 生成AIの活用は有効ですが、最後はブランドごとの表現哲学が問われます。A/Bテストのループを設計し、成功パターンをフレームとして蓄積してください。

Q5. モデルの説明責任はどう果たすのか。A. 変数重要度やSHAP値の可視化、セグメント別のLift曲線、しきい値ごとのカットオフ曲線を定例で提示し、意思決定の透明性を担保します。

Q6. 外部委託と内製の最適比率は。A. 初期はプロフェッショナルを伴走させ、施策が安定してから段階的に内製化するのが現実的です。現場の担当者が「モデルの癖」を肌で理解するまで、伴走期間を惜しまないことが成功確率を高めます。

用語集：運用で使うキーターム

UPLIFTモデリング：施策によって行動が変化する「増分効果」を直接予測する手法。送る／送らないの境界付近で特に威力を発揮します。

インクリメンタリティ：施策が存在しなかった場合に比べてどれだけ上積みできたかを示す概念。DMの価値を正しく測るための土台です。

カットオフ最適化：スコアのしきい値を動かし、利益関数を最大化するプロセス。CPOや限界粗利を組み込み、財務指標に直結させるのがポイントです。

閉ループ運用：配布→反応→受注→返品→LTVの結果を翌日の学習に戻し、モデルを継続的に更新する仕組み。AIは学習が止まると劣化します。

データ×クリエイティブ：紙面の設計を数値で語る

AIが「誰に」送るかを決めた後、紙面の「何を・どう見せるか」で結果が変わります。カテゴリ別の関心スコアに応じて、表紙の導線を切り替える、価格帯を上下に振る、レビュー密度を変える、QRを縦長／横長で出し分けるといった基本施策だけでも、反応率は着実に伸びます。特に表紙のヒーロー商品の選定は、見込み客の関心分布と在庫・粗利の制約条件を同時に解く「小さなポートフォリオ最適化」です。AIMSTARのシナリオと連動させ、DMのQRから遷移した先であえて紙面と異なる順序を提示する「相補レコメンド」を設計すれば、紙とWebの相乗が生まれます。

数式で見る最適化：意思決定の骨格

利益＝∑i{p(反応|i)×p(購入|i)×粗利(i)}−∑i{送付コスト(i)}。AI導入の本質は、この期待値最大化問題を顧客単位で解くことにあります。カットオフを上げるほど送付コストは減りますが、増分粗利も減ります。局所最適に陥らないためには、目先のCVRではなく、増分での粗利カーブとコストカーブの交点を求める必要があります。シンプルな式ですが、意思決定をぶらさない羅針盤になります。

組織とガバナンス：小さく始めて、規模で勝つ

AIプロジェクトは、小さく始めて早く回すのが鉄則です。意思決定の反復速度が速いほど、学習サイクルが加速し、早期に優位性が立ち上がります。推奨は、ビジネス（販促）、データ（アナリティクス）、IT（連携・セキュリティ）、クリエイティブ（紙面設計）、オペレーション（印刷・物流・コール）の5者連携による「週次スプリント」。モデル更新、紙面差分、在庫・入稿との整合を週次で握れば、90日で“効く形”が固まります。加えて、個人情報の取り扱い、同意管理、社内ガイドラインを並走整備し、監査可能性を担保してください。

サステナビリティの視点：無駄を減らすことは顧客への敬意

不要なカタログを減らすことは、コスト削減であると同時に、顧客時間の節約でもあります。自分に関係のない情報を受け取らないという体験は、ブランド好意を静かに底上げします。さらに、紙の使用量と輸送に伴うCO2排出の削減は、ESGの文脈でも説明力が高い取り組みです。経営の言葉と顧客の体験、環境負荷の3点が揃う施策は強い。AIがその接点を作ります。

拡張の地平：チャネル横断の“最適化OS”へ

DM最適化はゴールではありません。メール、LINE、アプリ、Web接客、広告、コールセンター、店頭——全チャネルの反応を共通スコアに束ね、AIMSTARを「最適化OS」として据えることで、あらゆる接点を利益最大化に向けて同期させることができます。紙で気づかせ、デジタルで決め、音声で背中を押す。チャネル間の役割分担を明文化し、施策ごとに「勝ち筋の再現可能性」を記述してナレッジを標準化してください。勝ちは設計できます。

当社では、AI超特化型・自立進化広告運用マシン「NovaSphere」を提供しています。もしこの記事を読んで
・理屈はわかったけど自社でやるとなると不安
・自社のアカウントや商品でオーダーメイドでやっておいてほしい
・記事に書いてない問題点が発生している
・記事を読んでもよくわからなかった
など思った方は、ぜひ下記のページをご覧ください。手っ取り早く解消しましょう

▼AI超特化型・自立進化広告運用マシンNovaSphere▼