有効な比較に必要なこと
正面・側面・詳細・着用画像を分け、属性と販売期間をそろえます。類似度スコアだけでなく、商品そのものも確認します。
AI需要予測・商品分析
一つひとつの商品を理解し、
次のシーズンの需要を予測する。
ONDO AI FORECAST は、類似商品分析と販売予測を通じて次のシーズンの企画を支えます。商品画像・属性・過去の販売実績を、企画や発注数量を決めるための根拠としてまとめます。
正面画像の選別・属性タグ付け・類似商品検索・企画担当者による確認と調整
- 集める商品と画像を用意する元データとオーダーシートを連携する
- 選択正面画像を特定する候補と元画像を確認する
- タグ付け属性を提案する企画担当者が丈・フィット感・生地を調整
- 照合類似商品を探す画像ベクトルと属性ごとの重み
- 予測販売数量を予測する過去の販売実績とトレンドの兆候
- 承認する発注数量の調整目標販売率と変更履歴
問題
新しい商品の需要を予測するには、
どの商品を参考にすればよいでしょうか？
商品画像や販売実績が散在していると、比較に適した商品を探すのは困難です。ONDO AI FORECAST は画像と属性から類似商品を見つけ、過去の販売結果と合わせて予測の参考にします。
マッチングデザイン
比較の基準を先に定め、
類似性と販売履歴を合わせて検討する。
同じ商品でも撮影角度や比較基準によってスコアは変わります。比較する前に正面画像を選び、カテゴリーごとに属性を整理します。
正面画像から始める · ONDO AI FORECAST
画像の類似度を調べるために正面画像を選びます。属性比較と過去の販売実績を数量予測に使い、企画担当者が結果を一件ずつ確認します。
- 正面画像の選別
- 重み付けされた属性の類似性
- 販売パターン分析
- 目標販売率の計算
- 信頼度スコア
- 最終判断は人が行う
1 つの質問、2 つのエンジン
画像と属性の両面から比較する
画像の類似度から見た目の近い商品を探し、属性の類似度から丈・生地・フィット感の共通点を調べます。企画担当者は販売履歴と合わせて確認します。
画像による照合
画像の類似度
正面画像をベクトル化して見た目の近い商品を探します。シルエットや色を見比べ、比較に役立つ候補を選びます。
- 信頼度に基づく正面画像の選別
- ベクトル距離画像検索API
属性による照合
属性の類似度
AI がタグ付けした丈・生地・フィット感にカテゴリー別の重みを付けて比較対象を探し、販売履歴と結び付けます。
- カテゴリーごとの重みを反映した照合スコア
- 商品の販売傾向を踏まえた販売予測
共通の設計原則
AI の提案を確認し、判断を記録する
AI の提案と企画担当者が承認した値を分けて保存し、変更履歴を残します。承認済みの値をロックし、修正には承認の取り消し手順を設けます。
機能
商品分析から販売予測まで
正面画像の選別、属性タグ付け、類似商品検索を自動化し、販売パターンやトレンドを分析します。予測を使う前に企画担当者が確認・調整します。
画像の類似度
正面画像を選ぶ
自社と競合の画像から、信頼度スコアを基に正面画像の候補を自動選別します。
画像ベクトル化 API
画像ファイルを送信し、類似性検索用のベクトル表現を受け取ります。
類似画像検索API
画像ファイルを送信すると、類似性スコア付きの類似商品を受け取ります。
販売予測
カテゴリ別の AI 属性のタグ付け
画像と商品情報から丈・素材・フィット感などの商品属性を提案します。
属性に重みを付けた商品照合
タグ付けした属性にカテゴリーごとの重みを付け、過去のシーズンの類似商品を順位付けします。
販売パターンのレポート
売れ筋商品と販売が伸びない商品の共通点を自然言語でまとめ、販売傾向を説明します。
トレンドへの適合度分析
シルエット・素材・色などの属性を基に、シーズンのトレンド調査と照らして各商品を評価します。
目標販売率に基づく発注数量
予測販売数量と目標販売率から推奨発注数量を算出し、企画担当者が確認・調整します。
承認段階の管理と変更履歴
アップロード、タグ付け、数量の承認を追跡します。承認された値をロックして、誤って変更されるのを防ぎます。
TOOLS役割別のAIツール
商品データを取り込み、需要予測を始める
AI が商品情報と画像から属性を自動でタグ付けし、需要を予測する流れをご覧ください。表示する商品と数値は例です。
01
データ取込チーム
AI による販売数量予測
商品画像をアップロードすると、AI がその属性をタグ付けし、類似商品の販売履歴から季節ごとの販売数量を予測します。チームは数量を確認するときに結果を使用できます。
1データをアップロードするオーダーシート・商品画像
2自動属性タグ付けAI属性抽出
3需要予測販売数量・推移
ソースデータをアップロードするExcel の発注書と商品画像の ZIP ファイルをアップロードすると、自動で照合して取り込みます。
📊
オーダーシート（XLSX）
クリックまたはドラッグ · XLSX 最大 50 MB
XLSXBLANC_27E_order.xlsx6行
🗂️
商品画像（ZIP）
クリックまたはドラッグ · ZIP/JPG 最大 500 MB
ZIPBLANC_27E_images.zip画像12枚
📋 組み合わせ商品リスト オーダーシート ↔ 商品画像自動照合・6SKU
画像V-STYLE・カラーカテゴリー・アイテムサイズ素材構成WHLS($)RETAIL($)状態
V136584815001 BLKニット・クルーネックプルオーバーXS–XLWOOL 70 / NYLON 30128295照合済み
V136684798137 OWTニット・ラウンドネックS–XLWOOL 100135310照合済み
V136684799944 TURニット・ケーブルプルオーバーXS–LCASHMERE 30 / WOOL 70142330照合済み
V132713134242 COSコート・ラップコートS–LWOOL 80 / NYLON 20268620照合済み
V137084800466 AMAニット・ワッフルテクスチャーXS–XLCOTTON 60 / WOOL 40119275照合済み
V137084801946 SIEニットウェア・フェアアイル柄S–LWOOL 100156360照合済み
ファイル名の規則 V-STYLE_COLOR 各画像をオーダーシートの行と自動的に照合します。
自動属性タグ付けAIが商品画像から属性を自動的に抽出してタグ付けします。
商品画像
画像から、 AI がこれらの属性を抽出しました
アイテムコート96%
長さミディ92%
襟の形ノッチドラペル89%
前開きラップ・ベルト87%
袖セットインスリーブ90%
フィットゆったりしたフィット感84%
色キャメル95%
素材ウールブレンド88%
需要予測タグ付けされた属性から販売数量、販売期間、傾向を予測します。
サイズ別の予測 SKUの割り当て
XS8%
S24%
M38%
L22%
XL8%
週間売上推移 ピーク: 3 月の第 2 週
2027SS・3月第2週が売上ピーク
⚠同様のキャメルミディコートと比較すると、 最初の四週間で販売数量が急増し、早期の欠品が懸念されます。 ――発注数量を 12%増やして1,400点とし 、M・L サイズへの配分も増やすことを検討してください。
自動化されたワークフローのデモ
ANALYTICSデータ分析 · ダッシュボード
データを判断につなげる
顧客の購買行動・レビュー・競合商品を一つのダッシュボードで確認できます。これは画面例であり、数値は実際の運用データではありません。
全社 参照: 2026 年 6 月 · 当月
TOTALオフラインオンラインクロスチャネル
購入者数
8.1万人
▼ 32.5% · −39K
リピーター数
5.3万人
▼ 26.2% · −19K
新規購入者数
8,110人
▼ 27.4% · -3,060
離反した顧客
44.4万人
▲ 13.4%
会員売上高
292.9億ウォン
▼ 24.9% · −₩9.7B
購入識別率
58.1%
▼ 0.4%
性別と年齢の分布 男性 23,133 (28.5%)・女性 58,060 (71.5%)
~29
30–34
35–39
40–44
45–49
50–54
55–59
60–64
男性女性
カスタマージャーニー 初回購入→再購入→離反
初めてのお客様
1.1万人 → 53,000 人のリピーター顧客
再購入した顧客
1.7万人
購入単価
23.2万ウォン
上位店舗 購入者数順
保存顧客・売上
1NORDÉ オンラインストア39,793₩18.2B
2NORDÉ 江南5,894₩3.1B
3NORDÉ 現代板橋1,634₩900M
4アトリエM明洞1,210₩600M
5ブランロッテ蚕室982₩500M
売上上位の商品 売上高別
品番・商品売上高・顧客数
1NDPK5A201IV・コットンピケポロ₩88M586
2NDSW5B118NV・シグネチャーニット₩79M468
3ATJU5B062BK・テーラードジャケット₩70M124
4BLPA5A235BG・ワイドスラックス₩68M326
5NDDR5B405WT・プリーツワンピース₩65M274
顧客分析・ブランド概要、併買、購買傾向、優良顧客など九つのレポート
NORDÉ レビュー 4,325 件 · STCL 290 · SS24 以降
お客様ごとスタイルコード別
スコア・総合評価
4.7
★★★★★
レビュー・週間トレンド
W-5 → W · 過去 4 週間で上昇
感情分析
4,325REVIEWS
ポジティブ 2,812 · 65%
ネガティブ 575 · 13.3%
中立 938 · 21.7%
[NORDÉ] シグネチャー コットンピケ ポロシャツ
NDPK5A201IV・ONDO AI レビューまとめ
購入の決め手生地の手触り・フィット感・色――「一年を通して使いやすい生地の厚み」
顧客から好評だった点ソフトな肌触りで普段使いしやすく、洗濯後の変化も少ない
顧客から不評だった点標準サイズより小さめのため、ワンサイズ上もご検討ください
AI による予測スコア88.4 / 100 ・リピート購入の可能性が高い
ONDO AI が4,325件のレビューを要約・分類。評価の高いレビューの表示と再実行にも対応
競合他社・URBN弊社ブランド・NORDÉカテゴリー・シャツ素材・全て⬇ EXCEL DOWN
URBN-10%
URBN-15%
URBN-20%
URBN-10%
競合店の商品情報を自動収集し、カテゴリー・定価と販売価格・フィット感・素材・原産国ごとに整理します。
仕組み
商品データから需要の判断へ
商品情報と画像を整理し、AI で属性をタグ付けします。見た目と属性から商品を比較し、過去の販売実績とトレンドから需要を予測。企画担当者が結果を確認・調整します。
集める
当該企業とその親組織から商品情報と画像を自動収集します。
選択してタグ付けする
正面画像の候補を順位付けし、カテゴリーごとの属性をタグ付けします。企画担当者が元画像と提案内容を確認します。
ベクトル化して一致させる
正面画像をベクトルに変換し、タグ付けした属性には重みを付けて、それぞれの類似度を計算します。
パターンを見つける
AI が売れ筋商品と販売が伸びない商品の共通点を自然言語でまとめます。
予測数量
類似商品とトレンドへの適合度から販売数量とその予測範囲を見積もり、販売履歴を使って実際の予測誤差を確認します。
検討して決定する
企画担当者が、予測販売数量と目標販売率から算出された推奨発注数量を確認・調整します。
修正
企画担当者は承認前に自動選別の結果や予測を修正できます。承認後の変更には取り消し手順を設け、履歴を残します。
正面画像の選別と属性のタグ付けは、類似度の計算より前に行います。企画担当者が元画像と AI の提案を確認し、比較の基準を定めます。
導入時の確認事項
自社商品を使って
検索と予測を確かめる
検索結果が商品比較に役立つか、予測と実際の販売数量にどれほど差があるかを確認します。導入範囲を定める際には、企画担当者による確認と修正の手順も含めます。
商品情報
商品データの準備
商品ID、カテゴリ、画像、属性、販売履歴を結び付けます。データの欠落または重複に対するアクセス権とルールを確認します。
画像の選択
正面画像の選別結果を確認する
選ばれた画像が実際に正面画像で、目的に合っているかを確認します。候補のスコアと、測定した分類精度は分けて評価します。
検索結果の適合性
類似商品検索を評価する
検索結果の上位商品と企画担当者が選んだ商品を比べ、画像と属性の重みで順位がどう変わるか確認します。
運用
処理量と更新頻度を定める
商品と画像の件数や更新周期に合わせて一括処理と検索を設計します。実データで処理時間・エラー・再試行を測定します。
予測の検証
予測誤差の測定
季節性・欠品・値引き・販売期間・比較可能な商品の数を考慮し、予測日時以降の販売実績と予測を比べます。
データの管理範囲
内部データ接続を定義する
画像、属性、販売履歴を社内で管理することを計画します。外部 API またはデータの送信範囲とアクセス権を確認します。
判断
企画担当者が最終確認する
推奨発注数量を調整する前に、類似商品の照合結果・販売予測・目標販売率を合わせて確認します。承認と取り消しは別々に記録します。
導入範囲と検証
需要予測に必要な
データと条件を定める
商品画像・属性・販売履歴を用意し、企画担当者による確認と承認のルールを決めます。実データで予測誤差と適用範囲を検証します。
| 入力 | 商品詳細とID、画像、カテゴリ属性、期間別販売履歴 |
|---|---|
| 運用範囲 | 商品と画像の件数や更新頻度に合わせて、収集・選別・タグ付けの一括処理を設定 |
| 候補画像のスコア | 正面画像の候補と照合スコアを確認。小数点以下の桁数は精度を示しません |
| タグ付けされた属性 | AI がカテゴリーごとに丈・フィット感・素材・柄を提案し、企画担当者が修正できます |
| 発注数量の計算 | 推奨発注数量 ＝ 予測販売数量 ÷ 目標販売率（0 より大きく 1 以下）。発注単位と端数処理は別途適用します。 |
| ワークフローの状態 | アップロード→タグ付け→数量承認を追跡し、承認済みの値は閲覧専用にします |
| 変更履歴 | AI の提案と企画担当者が承認した値を商品 ID で結び付けます |
| 導入範囲 | 導入時にブランド、カテゴリ、販売チャネル、利用可能なデータを確認 |
- 元データに合わせて AI による正面画像の選別と URL パターンの解析 を設定し、見落としや誤選択を確認します。
- 比較の基準をそろえるため、重複画像と代表画像の扱いについて合意します。
- 予測は、比較可能な商品の数、販売期間、欠品、値引き履歴に左右されます。統計的に検証された信頼区間を示すには、別途評価が必要です。
- 承認済みの発注数量は誤って上書きされないようロックし、修正には明示的な承認取り消しを必要とします。
- 企画担当者が承認前に自動選別の結果と予測を確認・調整します。承認後の変更は取り消しと履歴のルールに従います。
類似度スコアが高くても販売を保証するものではありません。販売予測と推奨発注数量は判断材料であり、最終判断は企画担当者が行います。
関連事例 — 顧客分析ダッシュボード
顧客分析で培った経験を、分析を日々の業務に取り入れる方法に生かしています。
ロードマップ
画像と属性を結び、
予測の根拠を広げる
現在、画像類似検索と属性に基づく販売予測は別々のワークスペースで動いています。次は両者を組み合わせた照合と社内システムとの連携を進めます。
- ステージ 0 · 完了
画像と属性の処理を設計
正面画像の選別、カテゴリー別のタグ付け、保存方法を設計しました。当該企業とその親組織の商品情報と画像も登録しました。
- ステージ 1 · 完了
タグ付けと予測画面の導入
チームは現在、データのアップロード、属性のタグ付け、販売期間の設定、数量の確認に画面を使用しています。
- ステージ2・現在
画像と属性のマッチングを実行する
画像類似検索と属性に基づく予測は、それぞれ毎週自動で実行されます。企画担当者が結果を確認・調整します。
- ステージ3・次へ
2つのエンジンを統合
画像と属性を組み合わせた照合、重複データの処理改善、社内の検索・予測・発注フローとの連携拡大を計画しています。