メインコンテンツへスキップ
見出し画像

なぜ多店舗のAIO対策は「個店」が主役になるのか?LLMの仕組みから考えてみた

    こんにちは!ソウルドアウト株式会社 ローカルマーケティングソリューション本部の光山です。私たちは、Googleマップや店舗AIOを中心とした店舗集客支援に加え、お客様の声を店舗やスタッフの価値につなげる独自プロダクト「スタッフバリュー」を運営しています。

    先日、中島聡さんのnote
    「LLMは『次の単語を当てる』だけなのに、なぜ思考しているように見えるのか?」
    を読みました。

    中島聡さんは、Microsoft在籍時にWindows 95のShell、つまりデスクトップやExplorer、スタートメニューなどのユーザーインターフェース開発に携わったソフトウェアエンジニアです。

    現在は起業家、サイエンスライターとして、AIやソフトウェア、テクノロジーについて幅広く発信されています。

    そんな中島さんが、LLMの仕組みをどう捉えているのか。

    興味を持って読み始めました。

    記事は、Xに投稿された
    「LLMs do one thing: predict the next word. Here's how that creates something that feels like thinking」
    という記事をもとに、LLMの仕組みをわかりやすく解説したものです。

    テーマは、

    「LLMは次の単語を予測しているだけなのに、なぜ人間のように考えているように見えるのか?」

    というもの。

    「次に来る言葉の予測」から始まり、Attention、事前学習、人間からのフィードバック、そして「丸暗記ではなく構造を学ぶ」というところまで、とてもわかりやすく整理されています。

    AIの専門家ではない私にとっても、とても面白い内容でした。

    ただ、店舗マーケティングを仕事にしている自分は、途中から別のことを考えていました。

    「これ、多店舗企業のマーケティングにもかなり似ているのではないか?」

    そして、もう一つ。

    「この考え方、多店舗企業のAIO対策を考えるうえでも重要なのではないか?」

    ということです。

    以前、スタッフバリュー編集部では、
    「店舗AIOとは?MEOとの違いと、AI検索で『選ばれる店舗』のつくり方」
    という記事を書きました。

    そこで私たちは、

    MEOは「見つかる」をつくる。
    店舗AIOは「選ばれる理由」をAIに理解してもらう。

    と整理しています。

    そして、多店舗企業ではブランド全体の情報だけでなく、

    個店ごとの「誰に、なぜ選ばれている店舗なのか」をデジタル上に持つこと

    が重要だと考えています。

    では、なぜAIOではそこまで「個店」が重要なのでしょうか。

    その理由を考えるうえで、LLMの仕組みに出てくるある考え方が、とてもわかりやすい補助線になりました。

    それが、

    「文脈(コンテクスト)」

    です。


    LLMは「次の言葉」を予測している

    ChatGPTのようなLLMがやっていることを、かなり単純化して言えば、

    「それまでの文脈をもとに、次に来る可能性の高い言葉を予測する」

    ことです。

    例えば、

    「今日のランチはラーメンを……」

    とあれば、

    「食べた」

    「食べに行った」

    「注文した」

    といった言葉が続きそうだ、と予測する。

    それを、とてつもない規模で繰り返しています。

    ただし、単純に直前の一語だけを見ているわけではありません。

    重要なのは、

    その言葉が、周囲の言葉とどんな関係にあるのか

    です。


    同じ「bank」でも、文脈によって意味が変わる

    中島さんの記事で紹介されていた例が、英語の「bank」です。

    「money」や「account」という言葉の近くにあれば、「銀行」。

    一方で、「river」の近くにあれば、「川岸」。

    同じbankでも、周囲にある情報によって意味が変わります。

    現在のLLMを支える重要な仕組みの一つに「Attention」があります。

    難しい説明を抜きにすると、

    「今、この言葉を理解するために、周囲のどの情報を見るべきか」

    を扱う仕組み、と考えるとわかりやすいと思います。

    ここを読んだとき、

    「店舗もまったく同じではないか」

    と思いました。

    もちろん、実際のAI検索がAttentionだけで店舗を選んでいるわけではありません。検索結果やWeb上の情報、クチコミなど、さまざまな情報を参照しながら回答はつくられます。

    ただ、「単独の情報ではなく、周囲の文脈によって意味が変わる」という考え方は、店舗AIOを考えるうえでも、とてもわかりやすい補助線になると思いました。

    店舗にもまた、「文脈」があるのではないか。


    同じブランドでも、店舗が違えば「意味」が違う

    例えば、全国に100店舗ある自動車販売チェーンがあったとします。

    ブランドとしては同じです。

    同じ商品を扱い、同じロゴを掲げ、同じサービス方針を持っています。

    でも、実際の店舗を見れば、

    A店は、初めて車を購入する人からの相談が多い。

    B店は、ファミリー層から支持されている。

    C店には、SUVにとても詳しいスタッフがいる。

    D店は、購入後のサポートを高く評価されている。

    という違いがあるかもしれません。

    「○○自動車 横浜店」

    という店名だけを見ても、その店舗がどんな人に向いているのかまではわかりません。

    これは、先ほどの「bank」という単語だけが置かれている状態に少し似ています。

    その周囲に、

    「初めての車購入」

    「説明が丁寧」

    「初心者でも安心できた」

    「ローンの相談にも乗ってもらえた」

    といった情報が蓄積されることで、

    「この店舗は、初めて車を買う人に向いていそうだ」

    という店舗の輪郭が見えてきます。

    つまり、

    店舗にも「文脈」がある。

    ということです。


    AI時代の店舗探しは「キーワード」だけではなくなる

    これまで店舗を探すときは、

    「横浜 中古車」

    「渋谷 パーソナルジム」

    「新宿 美容室」

    といったキーワード検索が中心でした。

    もちろん、こうした検索はこれからもなくなりません。

    ただ、生成AIではもっと具体的に相談できます。

    例えば、

    「横浜で初めて車を買いたい。車に詳しくないので、強く営業してくる感じではなく、丁寧に相談に乗ってくれるお店を教えて」

    と聞くことができます。

    ここでユーザーがAIに伝えているのは、

    「横浜」

    「中古車」

    という条件だけではありません。

    「初めて買う」

    「車に詳しくない」

    「強い営業は苦手」

    「相談しながら決めたい」

    という、自分自身の状況です。

    つまり、AI検索では、

    ユーザー自身の「文脈」が検索条件になっていく。

    ここが、従来の検索対策と店舗AIOを考えるうえで、大きなポイントだと思っています。

    「渋谷 パーソナルジム」のようなキーワードとの関連性だけではなく、

    「運動初心者で、人目を気にせず相談したい人」

    「仕事帰りに短時間で通いたい人」

    といった具体的な相談文脈と、店舗との関連性が問われるようになる。

    だから店舗側にも、そうした相談にAIが答えるための情報が必要になります。


    店舗情報も「What / Where」だけでは足りなくなる

    従来の店舗情報は、

    住所。

    営業時間。

    電話番号。

    商品・サービス。

    アクセス。

    駐車場。

    といった情報が中心でした。

    もちろん、これらは今後も重要です。

    以前の記事では、こうした情報を、

    What:何を提供しているか
    Where:どこにあるか

    という属性情報として整理しました。

    ただ、

    「初心者でも相談しやすい店舗を教えて」

    という問いに、住所と営業時間だけでは答えられません。

    必要なのは、

    Who:誰に向いているのか
    When:どんなときに選ばれるのか
    Why:なぜ選ばれているのか
    How:どんな体験を提供しているのか

    といった情報です。

    つまり、店舗情報を

    What / Whereから5W1Hへ広げていく。

    これが店舗AIOを考えるうえで、とても重要だと思っています。


    だから、多店舗AIOの本質は「個店対策」になる

    ここまで考えると、多店舗企業のAIO対策について一つのことが見えてきます。

    本部で、

    「私たちは地域に密着し、丁寧なサービスを提供しています」

    という文章を作り、100店舗すべてに掲載する。

    ブランドとして伝える情報としては意味があります。

    しかしAIからすると、

    「では、この人には100店舗のうちどの店舗を薦めればいいのか?」

    を判断する材料にはなりにくい。

    なぜなら、ユーザーが知りたいのは、

    「このブランドは良い会社ですか?」

    だけではなく、

    「今の自分には、どの店舗が合っていますか?」

    だからです。

    店舗探しでは、その人が実際に行ける商圏の中で店舗が比較されます。

    さらに、その中から相談内容に合った店舗が選ばれます。

    私たちは店舗AIOを見る際に、

    商圏 × 相談文脈 × 推奨店舗 × 推薦理由 × 参照情報

    という単位で考えることが重要だと思っています。

    だから、

    多店舗企業のAIO対策=ブランドの情報を増やすこと

    だけでは足りません。

    一店舗一店舗について、

    「誰に向いているのか」

    「どんな相談に強いのか」

    「何を評価されているのか」

    「どんなスタッフがいるのか」

    「その地域でどんな価値を提供しているのか」

    という固有の情報を持たせる必要があります。

    ブランド全体の情報が不要になるわけではありません。

    ブランドは、

    「この企業・ブランドを信頼できるか」

    を支える情報になります。

    一方、実際の店舗選びでは、

    「今の自分には、どの店舗が合っているのか」

    を判断できる情報が必要になります。

    つまり、

    ブランドで信頼をつくり、個店で「自分に合う理由」をつくる。

    その意味で、店舗推薦における多店舗AIOの実装単位は、最終的には「個店」になっていくと考えています。


    では、「なぜ選ばれたのか」を誰が知っているのか?

    ここで、一つ問題があります。

    100店舗を持つ企業の本部担当者が、すべての店舗について、

    「最近どんなお客様が来ているのか」

    「何を不安に感じて来店したのか」

    「何が決め手になったのか」

    「競合ではなく、なぜ自店を選んだのか」

    まで把握するのは、簡単ではありません。

    本部には、

    売上。

    来店数。

    広告データ。

    POS。

    アクセス解析。

    検索データ。

    といった、多くの情報があります。

    でも、

    「なぜ、このお客様はこの店舗を選んだのか」

    という理由までは、数字だけではわからないことがあります。

    では、その答えを知っているのは誰でしょうか。

    お客様自身です。

    なぜ、この店を選んだのか。

    何に不安を感じていたのか。

    何が決め手になったのか。

    実際に利用して、何がよかったのか。

    こうした「選ばれた理由」は、まずお客様の中にあります。


    お客様の声が、「個店の文脈」を教えてくれる

    例えば、お客様から、

    「初めてだったので不安でしたが、丁寧に説明してくれて安心できました」

    という声があったとします。

    これは単なる「良い口コミ」ではありません。

    その中には、

    Who:初めて利用する人
    When:不安を感じながら検討しているとき
    Why:丁寧な説明で安心できたから
    How:スタッフがわかりやすく説明してくれた

    という情報が含まれています。

    あるいは、

    「子どもと一緒でも気兼ねなく利用できました」

    という声からは、

    「子ども連れ」という利用文脈で、この店舗が選ばれる可能性が見えてきます。

    「○○さんに相談できてよかった」

    という声からは、スタッフ個人の専門性や接客価値が見えてくるかもしれません。

    つまり、お客様の声には、

    その店舗が「誰に」「どんな場面で」「なぜ選ばれているのか」

    という、個店の文脈が含まれています。

    そして重要なのは、この情報が、AIがユーザーの相談に答えるときに必要な情報とも重なることです。

    ユーザーが、

    「初めてでも安心できる店舗は?」

    と相談したとき、

    店舗側に「初心者歓迎」と書いてあるだけではなく、

    実際のお客様が「初めてだったが、丁寧に説明してもらえて安心した」と語っている。

    こうした具体的な体験情報があることで、その店舗がどんな相談文脈に合うのかが、より明確になります。

    店舗AIOで重要なのは、

    AIに評価されそうな魅力を新しく「作る」ことよりも、

    店舗の中にすでに存在している「選ばれる理由」を、お客様の声から発見すること。

    だと思っています。


    そして、その声を回収する重要な接点が「スタッフ」

    ただ、お客様が持っている「選ばれた理由」は、聞かなければデータにはなりません。

    ここで重要になるのが、日々お客様と向き合っている店舗スタッフです。

    店舗では毎日、

    接客。

    商談。

    相談。

    施術。

    サービス提供。

    商品説明。

    など、さまざまな顧客接点が生まれています。

    そのタイミングだからこそ、

    「何がよかったですか?」

    「今日、誰の対応が印象に残りましたか?」

    「来店前にどんなことで悩んでいましたか?」

    といった声を、自然に回収できる機会があります。

    つまり、

    答えを持っているのはお客様。
    その答えを回収する重要な接点がスタッフ。

    ということです。

    スタッフが「店舗の魅力はこれです」と主観的に決めるのではありません。

    スタッフを介して生まれた顧客体験を、お客様自身の言葉から捉える。

    その声を積み重ねることで、

    「この店舗はどんな人に、なぜ選ばれているのか」

    という個店の輪郭が、少しずつ見えてきます。


    本部の役割は「正解を配る」ことから変わっていく

    この構造を、もう一度LLMに重ねてみます。

    LLMは、まず大量のデータから幅広い知識を学びます。

    いわゆる「事前学習」です。

    そこから、人間からのフィードバックなどを通じて、より役に立つ振る舞いへ調整されていきます。

    これを、あえて店舗経営に置き換えるなら、

    本部のブランド方針。

    接客マニュアル。

    商品知識。

    成功事例。

    これらは、店舗が持つ共通の「土台」です。

    そして、その土台に、

    実際のお客様の声。

    口コミ。

    その地域特有のニーズ。

    現場で生まれた顧客体験。

    が加わることで、それぞれの店舗の輪郭がより鮮明になっていく。

    もちろん、LLMの学習方法と店舗経営の仕組みが同じだと言いたいわけではありません。

    ただ、

    「共通の強い土台を持ちながら、現場から得られる情報によって個別最適していく」

    という考え方には、多店舗経営への大きなヒントがあります。


    「同じ店舗」を100店つくるのではなく、「学習する店舗」を100店つくる

    多店舗企業に標準化は必要です。

    ブランドとして変えてはいけないものもあります。

    ただ、

    「標準化」と「全部同じにすること」は違います。

    商圏が違う。

    お客様が違う。

    競合が違う。

    働いているスタッフも違う。

    当然、選ばれる理由も違います。

    だとすると、本部がやるべきことは、

    100店舗に同じキャッチコピーを配ることだけではありません。

    100店舗それぞれが、お客様から「選ばれる理由」を学び、それを蓄積し、発信できる仕組みをつくること。

    多店舗マーケティングは、

    「本部が正解を配るモデル」から「個店が顧客から学習し、本部がその学習を支えるモデル」へ。

    変わっていくのではないかと思います。


    スタッフバリューで「個店の文脈」を情報資産にする

    私たちが「スタッフバリュー」で取り組みたいことも、ここにあります。

    スタッフバリューでは、お客様からスタッフへの感謝や、具体的な顧客体験を可視化しています。

    店舗AIOという観点から見ると、そこに集まっているのは単なるスタッフ評価ではありません。

    「どんなお客様が」

    「どんな悩みや期待を持って来店し」

    「どんなスタッフとの体験によって」

    「なぜ満足したのか」

    という、

    個店固有のコンテクスト

    が含まれています。

    その情報を、

    店舗ページ。

    Googleビジネスプロフィール。

    FAQ。

    スタッフ紹介。

    口コミ。

    SNS。

    記事コンテンツ。

    などへつなげていく。

    つまり、

    リアルな店舗の中にしか存在しなかった顧客体験を、ユーザーにもAIにも理解できる情報資産へ変えていく。

    以前の記事では、店舗AIOを、

    「診断 → 発見 → 配置 → 検証」

    というサイクルで整理しました。

    AIから今どう見えているのかを「診断」する。

    お客様の声から「選ばれる理由」を「発見」する。

    それを適切な情報面へ「配置」する。

    そして、AIからどう見えるようになったのかを「検証」する。

    スタッフバリューは、その中でも特に、

    「発見」のための一次データをつくる仕組み

    になり得ると考えています。


    AI時代、多店舗マーケティングは「個店学習型」へ

    LLMについての記事を読んで考えたことは、意外にも店舗経営の話でした。

    LLMが、単語だけではなく周囲の文脈から意味を捉えるように、

    店舗もまた、

    「何を売っている店舗なのか」

    だけではなく、

    その街、その店舗、そのスタッフ、そのお客様という文脈

    の中で初めて、その店舗らしさが見えてきます。

    そして、AI検索がユーザー一人ひとりの具体的な相談に答えるようになるほど、その情報は重要になっていく。

    だから、

    多店舗のAIO対策、その最小単位は「個店」である。

    私はそう考えています。

    ブランドをAIに知ってもらうだけではなく、

    「この相談なら、この店舗」

    と結びつけてもらえる状態をつくる。

    そのためには、本部だけでは見つけにくい「個店の文脈」を、もっとデータとして残していく必要があります。

    その答えを持っているのは、お客様です。

    そして、その声を回収する重要な接点が、毎日お客様と向き合っている店舗スタッフです。

    お客様が感じた価値を、その場限りで終わらせない。

    声として回収し、「選ばれる理由」を発見し、店舗の情報資産へ変えていく。

    本部がつくる共通のブランドと、個店が顧客から学んだ固有の文脈。

    その両方をデジタル上に持つことが、これからの多店舗AIOでは重要になると考えています。

    AIにブランド名を知ってもらうだけではなく、

    「こんな人には、この店舗」

    「こんな悩みなら、この店舗」

    と結びつけてもらえる状態をつくる。

    そのための情報は、本部の会議室だけではつくれません。

    個店で起きている顧客体験を、顧客の声から学び、情報資産として残していく。

    多店舗AIOとは、100店舗に同じAI対策をすることではなく、

    100店舗それぞれの「選ばれる理由」を学習できる仕組みをつくること。

    それが、AI時代の多店舗マーケティングに必要なのではないでしょうか。



    参考・着想元

    本記事は、中島聡さんの
    「LLMは『次の単語を当てる』だけなのに、なぜ思考しているように見えるのか?」
    および、同記事で紹介されている
    「LLMs do one thing: predict the next word. Here's how that creates something that feels like thinking」
    から着想を得ています。

    LLMについて紹介されている「次の言葉の予測」「Attention」「事前学習とフィードバック」「丸暗記ではなく構造を学ぶ」といった考え方を、多店舗経営・店舗AIOという別の領域に置き換えて考察しました。

    執筆者:光山誠一
    ソウルドアウト株式会社 ローカルマーケティングソリューション本部 本部長/「スタッフバリュー」事業責任者。Web広告、CRM、新規事業開発を経て、2021年からGoogleマップを中心とした店舗集客支援に従事。Googleマップ活用セミナーに累計200回以上登壇。現在は、多店舗企業におけるクチコミ・顧客体験の資産化と、AIに選ばれる店舗づくりをテーマに「店舗AIO」の研究・実践に取り組む。


     
     
    AI時代の店舗集客を、クチコミと接客体験から考えるメディア。 Googleマップ・AIO・CX・EXの最新動向、独自調査、店舗事例を発信します。多店舗企業のマーケティング・店舗運営担当者へ。編集長・主筆:ソウルドアウト光山誠一

    あなたへのおすすめ