ECの“迷い”をほどくAIが来た
サイズは合うのか、似合うのか、他に合わせやすいのは何か。
オンラインで服を買う時、最後の一押しが欠けることは多いです。
ここをAIで埋めるために登場したのが、アパレルEC特化のAI接客「Clerky for Apparel」。
β版のWaitlistが公開され、先行導入企業の募集が始まりました。
実店舗の文脈ある接客をオンラインで再現し、個々の顧客に寄り添う提案をスケールさせる。
アパレルECのCVRとLTVを伸ばす新しい打ち手として、実務目線での期待が高まっています。
何が新しい？Clerky for Apparelの骨子
Clerkyは、顧客の会話・購買・閲覧データを横断的に記憶・分析し、文脈に沿った提案をリアルタイム生成します。
加えてAI試着画像生成によって「自分に合う」の不安を減らし、購入体験を後押しします。
クロスセル/アップセルも会話の流れに沿って自然に提示される点が特徴です。
“売れる接客”をすべてのECへ。公式Xアカウントも同時始動。
AI試着画像生成機能を搭載し、ユーザーが自身の写真に商品を合成して確認できる新しい購買体験を提供します。
ユーザー一人ひとりを“個客”として認識し、履歴や好みを横断的に分析して最適な提案を生成。
この3点が噛み合うことで、離脱ポイントの可視化→対話での解消→提案の最適化までを一気通貫で回せる設計になっています。
使い方：最初の90日で固める基礎体験
初期設定（データとトーン）
- データ接続：商品マスタ、在庫、サイズ表、コーデ記事、返品理由、レビューを連携。SKU属性はタグ精度を上げるため詳細化。
- 会話設計：ブランドの言語トーン、推奨スタイル方針、サイズ提案の優先度、返品ポリシーの説明ルールをプロンプトに反映。
- 安全設計：個人情報の取り扱いを権限・保存期間・目的で区分。会話ログの匿名化と再学習ポリシーも明文化。
運用（毎週の改善サイクル）
- 会話→購買のトレース：相談トピック別のCVR、サイズ不安の解消率、提案クリック率を可視化。
- ナレッジ強化：未回答の“詰まり”を収集し、コンテンツやプロンプトを週次で増補。
- 在庫連動：在庫偏りや返品率が高いSKUは提案抑制/補完提案に切替。
KPIの目安
- 会話経由CVR：未導入対比で+15〜30%を初期仮説に設定。
- 平均注文額：コーデ提案・バンドルで+8〜20%を狙う。
- 返品率：サイズ合致度向上で−10〜20%を目標。
重要なのは、“会話で何が解消されたか”を定量化し、提案の精度とタイミングをチューニングし続けること。
小さく測り、早く回すのが定石です。
解像度を上げる：提案・クロスセルの実装設計
接客の要は、その人の“今”の文脈です。
Clerkyに合わせたいのは、RAG（検索拡張）で商品・コーデ・レビューの断片を素早く引き出し、会話ログの意図と合成した生成です。
- サイズ提案：過去購入の適合/返品と現在の体型ヒント（身長/体重/好みのゆとり）をスコア化し、推奨サイズと代替案を提示。
- コーデ提案：目的（通勤/オケージョン/旅行）と素材制約（洗える/防シワ）を抽出し、上下一体で「買う判断」を短縮。
- クロスセル/アップセル：主役SKUの足りない要件（耐水/保温/ドレスコード）を補う“意味のある”同時提案に限定。
- 在庫・粗利連動：在庫回転と粗利率で提案優先度を動的に制御。過剰在庫は会話内限定クーポンでさりげなく消化。
やってはいけないのは、同ジャンルの乱暴な羅列です。
文脈外の提示は信頼を削り、長期LTVを損ないます。
「買ってよかった」を積み上げる提案密度にこだわりましょう。
AI試着画像の実務：品質・権利・安心
AI試着はCVRに効く反面、品質と倫理の管理が要です。
生成のリアリティ、サイズ感の誤差、画像利用の同意、透かし・ログの残し方まで設計が求められます。
- 画質と整合性：ポーズ・体型差に強い合成モデルを選定。シワ/光源/柄の歪みを自動検知し、閾値以下は表示抑制。
- サイズ表現：推奨サイズでの合成をデフォルトにし、サイズ違いの見え方も比較可能に。
- 権利と同意：ユーザー画像は目的限定・短期保存。明示同意と削除請求動線をUIで明快に。
- 真正性：生成画像には不可視の透かし/メタデータを埋め込み、後追い検証を可能に。
ここを丁寧に運用するほど、“自身の顔で確かめて買える”という信頼が積み上がります。
返品理由の「イメージ違い」が下がれば、LTVは自然に伸びます。
データから“売れる接客”へ：CVR/LTVへの効き方
Clerkyの価値は、会話データのタグ化→打ち手化→売上インパクトの循環です。
「迷いの理由」別に勝ち筋を定義し、KPIを線で追いましょう。
- 理由タグ×勝ち筋：サイズ不安→AI試着+返品可視化、コーデ不明→着回し3提案、価格迷い→価値訴求と比較表。
- A/B設計：提案の“数”ではなく順序と密度をテスト。例：単品→コーデ→限定特典 か、単品→特典→コーデ か。
- RFM×会話習熟度：初回/休眠/優良で会話モードを切替。優良客は新作先出し、休眠は負担ゼロの再開提案。
- 中間指標：相談完了率、提案クリック深度、試着生成完遂率、サイズ確信スコアなどを因果でモデル化。
目標は短期CVRだけでなく、返品率低下・AOV上昇・再来訪増の三位一体。
接客の体験価値を数値で捉え、運用を回すことが成否を分けます。
既存ツールとの比較と位置づけ
アパレルのAI活用は広がっています。
たとえば#CBK scnnrの類似提案/画像検索や、ハッシュタグ自動生成型のawoo AIなどは集客・発見に強みがあります。
一方でClerkyは“対話の文脈”中心に購買意思決定を前進させる位置づけです。
- 発見の強化：画像検索・タグ生成で入口流入を増やす（例：AI Marketの事例参照）。
- 意思決定の強化：Clerkyで会話・試着・提案を束ね、離脱要因をその場で解消。
- 在庫・粗利の整合：どの提案でも在庫/粗利の制約を一次関数に入れ、全体最適を担保。
組み合わせるほど、入口から出口までの摩擦が減ります。
自社の“今のボトルネック”に合わせて、導入順を決めるのが賢明です。
締め：小さく始め、会話で売り場を強くする
Clerky for Apparelのβ版Waitlistは公開済み。
公式発表では、“売れる接客”をECへという思想のもと、実店舗さながらの文脈接客とAI試着を核に展開されます。
まずはSKUの限られたカテゴリで試し、会話→購買の因果を掴みましょう。
勝ち筋が見えたら、カテゴリ横展開とナレッジ自動化でスケールする。
その循環が、CVRとLTVの両輪を押し上げます。
- 発表と機能の詳細：ZDNET Japan
- β版Waitlist紹介：VOIX
- 背景と思想：Commercepick
会話が売り場の体験を作る時代に、最初の一歩を。
コメント