あなたが眠っている間に、AIが会社のすべてのデータを分析する時代 — Laplace MCPをリリース

「今月の広告費はどこを削るべき？」「欠品する前に、何から発注すべき？」「この商品、売り続けるべきか、やめるべきか？」 こうした問いの答えは、実はあなたのデータの中にすでにあります。問題は、その答えが注文のExcel、広告管理画面、在庫システム、CSツール、レビューページにバラバラに散らばっていることでした。今日からは、そのピースをつなぎ合わせる作業をAIが担います。Laplace MCPがリリースされました。

---

1. コマースデータ分析が難しかった本当の理由

セラーなら誰もがデータを「見て」います。SmartStoreの売上、Coupangの精算、広告のROAS、在庫数。しかし本当に重要な問いは、いつもデータとデータの間にあります。

• この広告クリエイティブは、どの商品の、どのオプションの売上につながったのか？

• このSKUの売上から原価・手数料・広告費・配送料をすべて差し引くと、実際にいくら残るのか？

• 返品やCSの問い合わせが多い商品が、利益まで蝕んでいないか？

• Olive Youngのランキングが上がったカテゴリーで、自社商品の需要も連動して伸びているか？

こうした問いに答えるには、最低でも3〜4種類のデータを商品単位で正確につなぎ合わせる必要があります。人がExcelでやれば丸一日かかり、翌週にはもう古い分析になってしまいます。多くのセラーが「勘」で意思決定しているのは怠けているからではなく、データをつなぐコストがあまりにも大きかったからです。

---

2. Laplaceがあらかじめ敷いておいたもの — オントロジー、データの「関係図」

Laplace Analyticsは、最初からこの課題を解決するために作られました。核となるのはオントロジー（Ontology）です。散らばったデータを集めるだけでなく、データ同士の関係を定義し、一つのナレッジグラフにする技術です。

Laplaceには、次のようなデータアセット（Asset）が標準で構築されています。

ここで決定的なポイントが二つあります。

① 広告クリエイティブ ↔ 商品データの連携。媒体レポートの「クリエイティブAのクリック1,000回」で終わらず、「クリエイティブAが生んだ商品XのオプションYの売上と貢献利益」まで掘り下げます。広告費は商品単位で自動的に配分されます。

② 基礎商品 ↔ 販売商品オプションの紐付け。チャネルごとにバラバラな商品名・オプション名（「ブラック/L」「黒 ラージ」「BK-L」）が、一つの基礎商品にまとめられます。そのため原価を一度登録するだけで、すべてのチャネルの販売データに原価が自動で反映されます。

各Assetは元データ → データ処理（COGS／売上配分）→ カスタムカラム → 最終出力というパイプラインで整えられ、目標売上のlookupのようなカスタムカラムも自由に追加できます。

Laplaceの導入企業は、すでにこの基盤の上で次のようなダッシュボードを運用しています。

• 経営ダッシュボード：決済金額 → 商品販売 → 配送料 → 返金 → 原価 → 販売チャネル手数料 → 広告費 → 貢献利益・貢献利益率を日／週／月単位で、チャネル別に。Googleスプレッドシートの目標値と組み合わせて、目標達成率、コンバージョンROAS、予想売上まで。

• 在庫ダッシュボード：入出庫の推移、期首／期末／平均在庫、在庫回転率、在庫日数（DOS）、平均滞留日数、在庫余裕日数、在庫金額。

• 商品ダッシュボード：SKU別の売上ランキング、取引額、クーポン／割引／配送料、決済件数・ユーザー数、AOV、ARPPU、原価、利益、さらにモール負担の割引・手数料まで。

---

3. 「うちのデータは連携できないのでは？」 — RPAがすべて取り込みます

Laplaceのデータ収集は、公式連携リストだけでは終わりません。

標準連携だけでもすでに幅広く対応しています。SmartStore、Cafe24、imweb、Godomall 5、MakeShop、Coupang（Wing）、Kakao Shopping（トークストア・ギフト）、Toss Shopping、Qoo10、Amazon／EZAdmin・Sabangnetなどの一元管理ソリューション／Google Ads・Naver検索広告・GFA・Facebook・TikTok・Kakao Moment・Kakaoキーワード広告・Criteo／GA4／MySQL・PostgreSQL・MongoDB・Oracle・MSSQL／スプレッドシート／レビュー（vreview・CREMA）／CS（Channel Talk）。

さらにRPA（ロボットによる自動収集）が、画面に表示されるほぼすべてのデータをLaplaceに取り込みます。

• EZAdmin、Sabangnetなどフルフィルメントの在庫データ — 倉庫別・SKU別の在庫を自動収集

• Musinsa、29CM、Gmarket、11st、Olive Youngなど、APIが閉じている、または制限されている販売チャネルのデータ

• インフルエンサーマーケティング費用 — 媒体レポートには載らないタイアップ・共同購入の費用までデータ化

• Olive Youngのリアルタイムランキング、検索ワード順位、流入データといった市場・トレンドのシグナル

• そのほか、管理画面で人が目視で確認していた事実上すべてのデータ

つまり、「自社のデータの流れのうちLaplaceに取り込めないもの」は事実上ありません。そして取り込まれた瞬間、オントロジーが既存の注文・商品・広告データと商品単位でつなぎ合わせます。

---

4. そして今日、MCP — これらすべてをAIが「直接」扱います

MCP（Model Context Protocol）は、AIが外部データに安全にアクセスするための標準プロトコルです。Laplace MCPキーを発行してClaudeなどのAIに登録すると、AIは次のことができるようになります。

1. Laplaceに蓄積されたすべての連携データを直接照会し、

2. オントロジーが定義した関係をたどってデータを結合し、

3. その上で算術・統計の計算をその場で実行して、

4. 根拠とともに答えと提案を提示します。

Laplaceのチャート構成やテーブル構造、メジャー名を一つも知らなくて構いません。「質問」がそのまま分析の設計書になり、残りはすべてAIが行います。

これがなぜ「すごい」ことなのか、ここからは実践的なシナリオでお見せします。

---

5. オントロジー + AIが実際にこなす分析 — 12のシナリオ

シナリオ1. 在庫が「いつ破綻するか」をAIが事前に把握

結合データ：在庫履歴（EZAdmin／Sabangnet RPA）× 注文 × 基礎商品

人は在庫の「数量」を見ます。AIは在庫の確率を計算します。

• SKUごとの日次出荷量の平均と標準偏差（σ）を求め、

• 安全在庫 = Z × σ（出荷の標準偏差）× √リードタイムで、需要の変動まで織り込んだ安全ラインを引き、

• 発注点（ROP）= 平均日次出荷量 × リードタイム + 安全在庫をSKUごとに自動算出します。

「サービスレベル95%を基準に、今週中に発注しないと欠品するSKUをすべて洗い出して。推奨発注数量と根拠も。」

SKUが数百もあれば、人の手では無理です。AIは全SKUを一度に計算し、出荷の変動が大きい商品（σが大きい商品）は安全在庫を厚めに持つよう知らせてくれます。逆に在庫日数（DOS）が異常に長い商品については、「ここにいくらの現金が眠っているか」に翻訳して伝えてくれます。

シナリオ2. 「売上1位の商品が実は赤字」という不都合な真実

結合データ：基礎商品注文（原価）× 広告 × 販売チャネル手数料

Laplaceは、決済金額から返金、原価、チャネル別手数料、配分された広告費、販売者負担の配送料まで差し引いたSKU別の貢献利益をすでに算出しています。AIはここからさらに一歩踏み込みます。

「売上上位20商品のうち、貢献利益がマイナスまたは5%未満のものを見つけて、原因が広告費なのか手数料なのか原価なのか分解して。」

実際にこうした構造では、「取引額3位なのに、広告費配分後の貢献利益は-480%」といった商品が見つかります。売上ランキングだけを見ていては絶対にわからない事実です。AIは原因まで分解します。「この商品は原価率は正常だが、特定チャネルの手数料と過剰な広告配分が問題。広告を止めれば、自然販売だけで貢献利益を12%まで回復できる。」

シナリオ3. 数千のSKUをABCで分類し、廃番リストまで

結合データ：基礎商品（カテゴリー）× 注文 × 在庫 × CS

SKUが多すぎる場合は、各商品に機種・モデル・カラー・サイズといったカテゴリーを登録してください。すると：

• ABC分析：貢献利益への寄与度の累積でA（中核の20%）／B／Cのランクを自動分類

• 廃番候補の自動検出：Cランク + 在庫回転率が下位 + 返品・CS発生率が上位の共通部分

• スター商品の検出：販売成長率 + 貢献利益率 + リピート購入率がそろって上位の商品

「カラー別に見ると何がよく売れてる？サイズの在庫配分が販売比率と合っていないSKUを教えて。」

「ブラックばかり欠品して、ベージュは6か月も倉庫に眠っている」といった問題を、カラー・サイズのカテゴリー軸で全商品を横断して一度に発見します。次シーズンの発注比率まで計算したうえで。

シナリオ4. CS寄与率 — 顧客からの問い合わせが教えてくれる「隠れたコスト」

結合データ：Channel Talk CS × 注文 × 基礎商品 × レビュー

CSの問い合わせを商品単位で紐付けると、新しい指標が生まれます。CS寄与率（その商品が全問い合わせの何%を発生させているか）です。

「販売数に対してCSの問い合わせが異常に多い商品を見つけて、問い合わせの種類（配送／品質／サイズ）別に分けて。CS対応の人件費を1件あたり3,000ウォンとした場合、実質利益がどれだけ削られるかも。」

売上の5%を生む商品がCSの30%を生んでいるなら、その商品の「本当の利益」は帳簿上とは違います。サイズの問い合わせが集中する商品は商品ページのサイズ表の改善へ、品質の問い合わせが集中する商品は検品強化や廃番へ。問い合わせの種類が、そのままアクションになります。

シナリオ5. レビューが売上を蝕み始める瞬間を捉える

結合データ：レビュー（CREMA／vreview）× 注文 × 返品 × 再購入

「直近30日の平均評価が、その前の90日と比べて0.3点以上下がった商品を見つけて、それらの商品の返品率・リピート購入率の変化もあわせて見せて。」

低評価レビューの増加 → 返品率の上昇 → リピート購入率の低下は、数週間のタイムラグを経て売上の減少につながります。オントロジーでレビュー・注文・返品が結び付いていれば、AIはこの連鎖を売上が落ち込む前に捉えます。レビュー本文から繰り返し出てくるキーワード（「毛玉」「サイズが小さい」）まで抽出し、改善ポイントを教えてくれます。

シナリオ6. インフルエンサーマーケティングを、「感覚」ではなく貢献利益で

結合データ：インフルエンサー費用（RPA）× 注文 × 基礎商品注文（原価）

タイアップや共同購入の費用は広告媒体のレポートに載らないため、いつも「で、結局もうかったの？」で終わっていました。RPAでインフルエンサー費用がデータとして入ってくると：

「前四半期のインフルエンサーキャンペーンごとに、キャンペーン期間中の該当商品の売上増分から原価・手数料・タイアップ費を差し引いて、本当にいくら残ったか計算して。フォロワー数ではなく、貢献利益でインフルエンサーをランキングして。」

ベースライン（平常時の販売）に対する増分売上を計算し、原価まで差し引くので、「再生数は伸びたが実は赤字」のキャンペーンと、「静かに稼いでくれた」インフルエンサーがはっきり分かれます。

シナリオ7. Olive Youngのランキング・検索ワード順位 = 需要の先行指標

結合データ：Olive Youngのリアルタイムランキング・検索ワード順位（RPA）× 自社販売 × 在庫

市場のシグナルが自社の販売データと同じグラフに並んだ瞬間、それは需要予測になります。

「Olive Youngで自社カテゴリーの検索ワード順位が上がった週に、自社の販売も一緒に伸びたか相関を見せて。いま急上昇中のキーワードに関連する商品の現在庫が、予想される需要に耐えられるかも。」

競合がランキングに入ったとき自社の流入がどう変わったか、特定の検索ワードが急上昇してから何日後に自社の売上が反応するか（タイムラグ分析）。人が毎日ランキングページをキャプチャしていては、絶対にできない分析です。

シナリオ8. 流入はあるのに、なぜ売れないのか — ファネル診断

結合データ：GA4／流入データ × 広告 × 注文

「チャネル別に流入に対する購入転換率を計算して、流入は上位なのに転換は下位のチャネル×商品の組み合わせを見つけて。その広告費を転換の良いところに移したら、貢献利益がどれだけ増えるかも推定して。」

流入（トラフィック）データと注文が商品単位で紐付いているので、「広告が連れてこられなかった」のか、「連れてきたのに商品ページで取りこぼした」のかを区別できます。前者はクリエイティブの問題、後者はページの問題。処方箋が変わります。

シナリオ9. 一緒に売れる商品、リピートを呼ぶ商品

結合データ：注文（顧客単位）× 基礎商品

「初回購入商品別に、90日以内のリピート購入率を比較して。リピートを最も呼び込む『入口商品』はどれ？一緒にカートに入る組み合わせの上位10個でバンドルを作ったら、AOVはどれくらい上がる？」

顧客・注文・商品がつながっているので、コホート別のリピート購入率や、カートの同時購入（クロスセル）分析も質問一つで済みます。「入口商品」には広告をもっと投下する価値があり、同時購入の組み合わせはそのまま特集企画のアイデアになります。

シナリオ10. クーポン・割引は薬か毒か — 価格弾力性

結合データ：注文（クーポン／割引／モール負担）× 基礎商品注文（原価）

Laplaceは、クーポン、割引、モール負担の割引・クーポン、手数料を区別して集計します。そのため：

「割引を実施した週としなかった週の販売数・貢献利益を比較して。割引しても総貢献利益がかえって減った商品（弾力性の低い商品）の一覧を出して。」

「割引すればたくさん売れる」という思い込みをデータで検証します。モールが負担した割引と自社が負担した割引を区別するので、同じセールでもチャネルによって残る利益が違うことまで明らかになります。

シナリオ11. 目標と現実のギャップ — そしてWhat-if

結合データ：Googleスプレッドシートの目標値 × 注文 × 広告

「今月の目標達成率をチャネル別に見せて、残りの営業日を基準に月末の着地見込みを計算して。広告費を20%削ったら、予想売上と貢献利益はどう変わる？」

目標売上（スプレッドシート）が実績と紐付いているので、達成率やペーシングは当然のこと、過去の広告費と売上の関係を根拠にシミュレーションまで行います。「売上は4%落ちるが、貢献利益は9%増える」といった、経営判断にすぐ使える答えが出てきます。

シナリオ12. 人には見えないもの — 全方位の異常検知

結合データ：すべて

最も過小評価されている能力です。人は自分が見ると決めたチャートしか見ません。AIはすべてのデータのあらゆる組み合わせを走査できます。

「先週のデータ全体から、いつものパターンと違うものをすべて見つけて。」

• 特定チャネルの手数料率が静かに上がり、利益が漏れ出していること

• よく売れていたオプション一つだけ、流入が途絶えたこと（競合のランキング入りと重なるタイミング）

• 広告費の配分が特定のクリエイティブに偏っているのに、そのクリエイティブの転換率は低下していること

• 返品が特定の物流タイミング以降にだけ集中していること

こうしたことは、そもそも「見ようとすら思わなかった」ものです。オントロジーがデータをすべてつないでいるからこそ、人が設計していない問いまでAIが自ら投げかけられるのです。

---

6. なぜ人 + Excelではできず、オントロジー + AIならできるのか

核心はこれです。これまでデータ分析のボトルネックは「分析スキル」ではなく、「データをつなぐ労働」でした。Laplaceはオントロジーでその労働をなくし、MCPはその上に疲れを知らないアナリストを据えたのです。

---

7. 接続はわずか3分

1. Laplaceプロジェクトの設定 → API連携 → MCPキー発行

2. 有効期限ポリシーを選択（30日／90日／1年／無期限 — 90日ごとの更新を推奨）

3. 発行したキーをAIクライアントに登録 — Claude（Web・デスクトップ）、Cursor、VS Codeに対応

キーベースの認証なので、アクセス範囲と有効期限を自分で管理でき、必要であれば即座に無効化できます。あなたのデータは、あなたの管理下でのみAIに開かれます。

---

8. おわりに — 問いの大きさが、そのまま分析の大きさになる

これまでは「分析できる範囲」でしかデータを活用できませんでした。これからは「知りたいと思う範囲」で活用できます。

• 在庫は数量ではなく、欠品確率と眠っている現金で。

• 売上は順位ではなく、貢献利益で。

• マーケティングは再生数ではなく、増分利益で。

• 市場は勘ではなく、ランキング・検索ワードのシグナルと自社販売の相関で。

Laplaceにデータを連携し、MCPキーを発行して、AIに最初の質問を投げかけてみてください。

「うちの会社でいま真っ先に直すべきことを、一つだけ見つけて。」

その答えはきっと、この記事よりも説得力があるはずです。