Cafe24・Coupang・スマートストアのデータをClaude・ChatGPTに聞いて立てるセール・在庫・リピート購入戦略(Laplace MCP)
ブラックフライデー初日の朝、メイン商品の広告を大きく出したのに、2日で在庫が尽きて広告を止めた。そんな経験のあるマーケターは少なくありません。セール後に精算を締めてみると、もっと驚くこともあります。A商品は1,000個も売れたのに、販売手数

ブラックフライデー初日の朝、メイン商品の広告を大きく出したのに、2日で在庫が尽きて広告を止めた。そんな経験のあるマーケターは少なくありません。セール後に精算を締めてみると、もっと驚くこともあります。A商品は1,000個も売れたのに、販売手数料、送料無料で販売者が負担した送料、原価、広告費を引いたら、むしろマイナスだったのです。
こうしたことが起きるのは、データがないからではありません。在庫は在庫ファイルに、原価は原価表に、手数料は各チャネルの精算書に、広告費は広告管理画面にばらばらにあり、セール前にまとめて照らし合わせられなかっただけです。最近はClaudeやChatGPTに聞く方も増えましたが、データ同士がつながっていなければ、AIも「今月の貢献利益はいくらです」程度で止まってしまいます。この記事では、Laplaceにデータを集め、データ同士の関係(オントロジー)をつなぐとAIがどこまで答えられるのかを、セール在庫、赤字商品、初回購入とリピート購入という3つの場面で詳しくご紹介します。
この記事でわかること
PART 01 · データを集めるだけでは、AIは「貢献利益はいくら?」で止まります
Laplaceには、Cafe24、NAVERスマートストア、Coupangなどの販売チャネルの注文と、Meta、Google、NAVERなどの広告チャネルの広告費が毎日集まります。ここまでが第一段階です。データが1か所にあるので、「先週のチャネル別売上」や「今月の貢献利益」のような質問にはすぐ答えられます。
ところが戦略を立てるには、データ同士がつながっている必要があります。Coupangの「乳酸菌30包 1+1」と自社モールの「乳酸菌2箱セット」が同じ商品であること、その商品の原価が先月変わったこと、どのMeta広告クリエイティブがその商品を売ったのか、今日その商品の在庫があと何日分残っているのか。これらがつながっていて初めて、AIは「この商品はセールで売るほど損をします」と言えます。Laplaceでは、このようにデータ同士の関係を定義した構造をオントロジーと呼んでいます。
| つなぐ関係 | Laplaceでつなぐ場所 | 空いているとどうなるか |
|---|---|---|
| 販売オプション ↔ 基礎商品 | データ管理のオプション ↔ 基礎商品マッチング | 同じ商品がチャネルごとに別々に集計され、原価が抜けたまま計算されます |
| 基礎商品 ↔ 原価履歴 | 基礎商品 | マージンや貢献利益が実際より良く出ます |
| ブランド・販売チャネル ↔ 販売手数料 | データ管理の手数料 | 手数料が0%で計算され、貢献利益が膨らみます |
| 広告クリエイティブ ↔ 商品 | 広告クリエイティブ ↔ 商品マッチング | 商品別の貢献利益から広告費が抜けます |
| 注文 ↔ 顧客 | 販売チャネルの購入履歴を統合し、同じ顧客を1人として識別 | 初回購入とリピート購入、LTVがずれます |
| 基礎商品 ↔ 在庫履歴 | 在庫データ連携(担当マネージャーがお手伝いします) | 販売ペースから在庫が尽きる予想日を計算できません |
| 基礎商品 ↔ 自社の基準表(発注リードタイム、セール日程など) | オントロジールックアップでGoogleスプレッドシートを紐づける | Laplaceにない値は、AIが推測するしかありません |
関係が1つ抜けるたびに、数字は静かにずれていきます。画面上はもっともらしい数字に見えるので、なおさら危険です。PART 04では、同じ商品の貢献利益が、どのつながりが抜けるかによって赤字から黒字に変わる例をお見せします。逆に言えば、関係をつなぐことはそのままデータ品質を上げることであり、データ品質が上がってこそAIの分析も信頼できるものになります。
ですから、最初にデータをつないだら、分析より先に点検を任せてみてください。
「Laplaceのデータで、分析の前にまずデータ品質を点検して。基礎商品に紐づいていないオプション、手数料が設定されていない販売チャネル、商品に紐づいていない広告費がないか確認して、売上への影響が大きい順に教えて。」
AIは未マッチングのオプション、販売チャネル別の手数料履歴、カテゴリが付いておらず広告費が抜けている広告ルールを順に照会し、直すべきリストを作ってくれます。名前が似た基礎商品とマッチングしてほしいと頼めばマッチングまで保存し、すべての変更は変更履歴に残るので元に戻せます。
PART 02 · 単純な照会と複合的な質問はここが違います
関係がつながる前は、1つの質問に1つのデータが答えます。つながった後は、1つの質問に複数のデータが一緒に動きます。
| 今よくある質問 | 関係がつながった後にできる質問 | 組み合わされるデータ |
|---|---|---|
| 「先月の貢献利益はいくら?」 | 「ブラックフライデー期間に貢献利益がマイナスの商品をチャネル別・値引き率別に分けて、どこでお金が漏れているか見せて」 | 注文、原価、手数料、販売者負担の送料、商品別広告費、値引き・クーポン |
| 「B商品の在庫は何個残ってる?」 | 「前回のセールの販売ペースで見ると、B商品は何日で品切れになるか、リードタイムを考えていつ何個発注すべきか計算して」 | 在庫履歴、セールメモ、日別販売数、リードタイムシート |
| 「B商品のROASはいくら?」 | 「在庫が5日分も残っていない商品に出ている広告と、直近7日の広告費を出して」 | 在庫履歴、広告クリエイティブ ↔ 商品マッチング、広告費 |
| 「リピート購入率は何%?」 | 「初回購入商品ごとに90日リピート購入率、リピート購入サイクル、12か月の累積貢献利益を比べて、初回購入クーポンを付ける商品を選んで」 | 顧客識別、初回購入商品、コホート、貢献利益 |
| 「クーポンを使った売上はいくら?」 | 「クーポン別に初回購入の顧客数、その顧客が再び買った割合、クーポン注文の貢献利益をまとめて見せて」 | クーポン名、初回購入・リピート購入の区分、貢献利益 |
右側の質問は、人がやればファイルを4〜5個開いて半日がかりでVLOOKUPを組むような作業です。データがすでにつながっていれば、AIが同じ基準で数分のうちに計算します。ここからは実際の場面を3つ、順番に見ていきましょう。例は健康食品ブランドで考えます。
PART 03 · セール2日目で広告を止めないために(在庫 ↔ 販売ペース ↔ 広告)
どんな場面か
ブラックフライデーの7日間セールで、マルチビタミン(B商品)をメインに据えました。在庫は900個、普段は1日90個ずつ出るので、在庫は10日分あり余裕があるように見えました。ところがセールが始まると販売は普段の4倍に跳ね上がり、2.5日で品切れになりました。残りの4日半はメイン広告を止めたままで、商品ページには品切れ表示だけが残りました。
問題は「普段の基準での在庫日数」だけを見ていたことです。セール時の販売ペース、発注にかかる時間、その商品に付いている広告を一度に見られていませんでした。
何をつないでおくべきか
-
在庫履歴 基礎商品ごとの入庫、出庫、期末在庫、1日平均出庫数、出庫数の標準偏差、在庫日数が毎日蓄積されます。
-
販売オプション ↔ 基礎商品 1+1やセット商品が売れても、基礎商品が何個出たかに換算されてこそ販売ペースが正しくなります。
-
セールメモ 過去のセール期間をダッシュボードのメモとして残しておけば、AIがその期間を見つけて普段と比べます。
-
広告クリエイティブ ↔ 商品 どのキャンペーンやクリエイティブがB商品を売っているかがつながっていれば、絞るべき広告をすぐ選べます。
-
リードタイムシート 発注から入庫までにかかる日数はLaplaceにない値なので、Googleスプレッドシートに書いておき、オントロジールックアップで基礎商品に紐づけます。
AIにはこう聞いてみてください
-
「Laplaceのデータで、来週のブラックフライデーセールに出す商品10個の現在の在庫と在庫日数を見せて。前回のブラックフライデーのメモ期間に販売が普段の何倍だったかも計算して、そのペースなら何日で品切れになるか教えて。」
-
「リードタイムシートを基礎商品に紐づけて、セール7日間を乗り切るには商品ごとにいつまでに何個発注すべきか、安全在庫まで含めて計算して。」
-
「発注がセール前に間に合わない商品は1日に売ってよい数量を計算して、その商品に付いている広告と直近7日の広告費を出して。代わりに広告を寄せるのに向いた商品を、在庫日数と貢献利益率を基準におすすめして。」
-
「セール期間中に在庫日数が3日を下回る商品が出たら、毎朝Slackで知らせて。」
AIはデータをこう組み合わせます
AIはまずセールメモから過去のセール期間を見つけ、その期間と普段の基礎商品別販売数を比べて販売倍率を求めます。次に在庫履歴から現在の在庫、1日平均出庫数、出庫数の標準偏差を取ってきて在庫が尽きる予想日を計算し、ルックアップで紐づけたリードタイムで安全在庫と発注量を計算します。最後に広告クリエイティブ ↔ 商品のつながりをたどり、その商品に使われているキャンペーンと広告費を取り出します。
| 項目(計算例) | 値 | 計算 |
|---|---|---|
| 普段の1日平均出庫 / 出庫の標準偏差 | 90個 / 25個 | 在庫履歴 |
| 現在の在庫 | 900個 | 在庫履歴(普段の基準で10日分) |
| 前回セールの販売倍率 | 4倍 | セールメモ期間と普段の比較 |
| セール中の1日あたり予想販売数 | 360個 | 90個 × 4 |
| 現在の在庫でもつ日数 | 2.5日 | 900個 ÷ 360個 |
| 発注リードタイム | 5日 | リードタイムシートのルックアップ |
| 安全在庫 | 370個 | 1.65 × (25個 × 4) × √5日 ≈ 369個 |
| 7日間のセールに必要な在庫 | 2,520個 | 360個 × 7日 |
| 追加発注量 | 1,990個 | 2,520個 + 370個 − 900個 |

安全在庫の計算に使った1.65は、品切れせずにもつ確率をおよそ95%に置くときによく使われる値です。もっと保守的に見たい場合は、AIに「99%基準で計算し直して」と伝えれば大丈夫です。
ここから立てられる戦略
-
発注の締め切りをセール日程から逆算します。リードタイムが5日なら、セール開始の5日前が最終発注日です。商品別の発注締め切り表をセールの2週間前に受け取っておけば、MDとマーケターが同じ表を見て動けます。
-
発注が間に合わない商品は、広告を在庫に合わせます。上の例で追加入庫がなければ、安全在庫を除いて売れるのは530個、7日で割ると1日約76個です。普段の販売数より少ないので、B商品はメイン広告から外し、在庫日数に余裕があり貢献利益率の高い商品へ予算を移すのが正解です。
-
セール中はアラートで見守ります。在庫日数が基準を下回ったらSlackで受け取り、広告予算を早めに絞れば、「2日で広告停止」が「最終日まで調整しながら運用」に変わります。
-
セールが終わったらメモを残します。今回のセール期間と販売倍率をメモに残しておけば、次のセールではAIがより正確な倍率で計算します。
PART 04 · ブラックフライデーで1,000個売れたのに赤字の商品を見つける(商品 ↔ チャネル ↔ 値引き ↔ コスト)
どんな場面か
定価39,000ウォンの乳酸菌30日分(A商品)を、ブラックフライデーに40%引きの23,400ウォンで売りました。1,000個売れて売上は2,340万ウォン、販売ランキング1位でした。ところが販売手数料、送料無料で販売者が負担した送料、原価、セール広告費を引いてみると、67万4千ウォンの赤字でした。

| A商品1,000個(計算例) | 1個あたり | 合計 |
|---|---|---|
| 決済金額(定価39,000ウォンから40%引き) | 23,400ウォン | 23,400,000ウォン |
| 販売手数料(チャネル平均11%) | −2,574ウォン | −2,574,000ウォン |
| 販売者負担の送料 | −3,000ウォン | −3,000,000ウォン |
| 原価 | −9,500ウォン | −9,500,000ウォン |
| セール広告費 | −9,000ウォン | −9,000,000ウォン |
| 貢献利益 | −674ウォン | −674,000ウォン |
わかりやすくするため、消費税(付加価値税)は分けずに単純に計算しています。Laplaceの貢献利益は、決済金額から原価、広告費、手数料、販売者負担の送料を引き、付加価値税を除いて計算します。
この数字が正しくなるには、何がつながっている必要があるか
同じA商品でも、関係が1つ抜けるとAIが見る貢献利益はこれだけ変わります。
| 抜けたつながり(計算例) | AIが見るA商品の貢献利益 | 何が抜けたか |
|---|---|---|
| すべてつながっている | −67.4万ウォン | 実際の損益 |
| 販売チャネルの手数料が未設定 | +190万ウォン | 手数料257.4万ウォンが0ウォンで計算されます |
| 広告クリエイティブ ↔ 商品マッチングなし | +832.6万ウォン | 広告費900万ウォンが商品に紐づきません |
| オプション ↔ 基礎商品マッチングなし | +882.6万ウォン | 原価950万ウォンが抜けます |
つながりが1つ抜けただけで、赤字商品が「稼ぎ頭」に見えてしまいます。この状態でAIに「次のセールで推す商品を選んで」と聞けば、AIは間違った数字を根拠に、もっともらしい答えを返します。関係をつなぐことをデータ品質の作業と呼ぶのはこのためです。
AIにはこう聞いてみてください
-
「Laplaceのデータで、ブラックフライデー期間の販売数上位20商品の貢献利益を見せて。決済金額から手数料、販売者負担の送料、原価、広告費がそれぞれいくら引かれたかを分けて、赤字の商品だけ別に表示して。」
-
「赤字商品をチャネル別に分けて。同じ商品でもどのチャネルで損が出たのか見たい。」
-
「A商品の値引き・クーポン金額を商品取引額で割って日別の値引き率を計算し、値引き率の帯ごとに販売数と1個あたり貢献利益を比べて。」
-
「今の原価、手数料、送料、広告費を基準に、A商品が損をしない最低販売価格と最大値引き率を計算して。」
AIはデータをこう組み合わせます
AIは基礎商品を基準にチャネル別の注文を合算し、原価履歴からその期間の原価を、販売チャネル別の手数料履歴から料率を、広告クリエイティブ ↔ 商品マッチングから商品別の広告費を取ってきて、貢献利益を分解します。チャネル別に分けると、平均に埋もれていた差が見えてきます。
| チャネル(計算例) | 販売数 | 手数料率 | 広告費 | 貢献利益 |
|---|---|---|---|---|
| 自社モール(Cafe24) | 300個 | 4% | 450万ウォン | −1,510,800ウォン |
| オープンマーケット(Coupang・スマートストア) | 700個 | 14% | 450万ウォン | +836,800ウォン |
| 合計 | 1,000個 | 平均11% | 900万ウォン | −674,000ウォン |
手数料の低い自社モールのほうが、むしろ赤字です。自社モールに人を呼ぶために使った広告費が300個に集中し、1個あたり15,000ウォンになったからです。この自社モールの損失が本当に損なのかは、PART 05の問いにつながります。初回購入で入ってきた顧客が後でまた買うなら、初回購入の損失は新規顧客を獲得するコストと見ることもできるからです。
値引き率別に見ると、次のセールの基準が見えてきます。
| 値引き率(計算例) | 販売価格 | 販売数 | 広告費 | 貢献利益 | 1個あたり貢献利益 |
|---|---|---|---|---|---|
| 20% | 31,200ウォン | 550個 | 600万ウォン | +2,397,400ウォン | +4,359ウォン |
| 30% | 27,300ウォン | 750個 | 750万ウォン | +1,347,750ウォン | +1,797ウォン |
| 40% | 23,400ウォン | 1,000個 | 900万ウォン | −674,000ウォン | −674ウォン |
1,000個を売って広告費900万ウォンを使うとすると、損をしない最低販売価格は(送料3,000ウォン + 原価9,500ウォン + 1個あたり広告費9,000ウォン)÷(1 − 手数料11%)= 約24,157ウォンです。定価に対して約38%の値引きが限界という意味です。
ここから立てられる戦略
-
値引き上限を商品ごとにあらかじめ決めます。A商品は値引き38%が損益分岐点なので、手数料や広告費が少し増える分まで考えて35%を上限にします。同じ条件で35%引きなら、1個あたり約1,062ウォンが残ります。
-
販売数1位より貢献利益1位をメインに据えます。セールのメインバナーと広告予算は、「よく売れる商品」ではなく「売るほど利益が残る商品」に先に割り当てます。
-
送料無料の条件を見直してみます。1個あたり3,000ウォンの販売者負担送料は、値引き率より先に手を付けられるコストです。2個以上購入で送料無料に変えれば、1個あたりの送料が下がります。
-
セールが終わったら商品別損益表を保存します。「この表を『ブラックフライデー決算』ダッシュボードに入れて」と言えば、次のセールで同じ基準で比較できます。
PART 05 · 初回購入はどの商品で開き、リピート購入にどうつなげるか(顧客 ↔ 初回購入商品 ↔ リピート購入)
どんな場面か
新規顧客を増やそうと、初回購入クーポンを3つの商品に付けました。お試しパックは安いので初回購入はよく起きましたが、肝心のリピートする顧客は少なめでした。逆に、初回購入で損をした商品が、後からより多くの利益を残すこともあります。初回購入の売上だけを見ても、どちらなのかはわかりません。
何をつないでおくべきか
-
注文 ↔ 顧客 複数の販売チャネルの購入履歴を統合して同じ顧客を1人として識別してこそ、初回購入とリピート購入が正確になります。
-
初回購入商品 ↔ その後の購入 初回購入商品ごとに、その後どの商品であれ再び買った割合(リピート購入率)と、再び買うまでにかかった日数(リピート購入サイクル)を見ます。
-
クーポン名 ↔ 注文 注文に残ったクーポン名で、どのクーポンがどの顧客を連れてきたかを分けます。
-
顧客 ↔ 貢献利益 Laplaceのコホート LTVは累積貢献利益をコホートの顧客数で割った値なので、売上ではなく残したお金で顧客価値を見られます。
AIにはこう聞いてみてください
-
「Laplaceのデータで、直近12か月の初回購入顧客を初回購入商品別に分けて、90日リピート購入率、平均リピート購入サイクル、12か月の1人あたり累積貢献利益を比べて。」
-
「初回購入クーポン別に、初回購入の顧客数、初回購入注文の貢献利益、その顧客が90日以内に再び買った割合をまとめて見せて。」
-
「乳酸菌を最初に買った顧客が2回目に何を買ったか追いかけて、同じカートによく入っている商品の組み合わせも教えて。」
-
「乳酸菌を最初に買って、まだ再購入していない顧客をセグメントとして保存して。初回購入からの経過日数も一緒に見たい。」
AIはデータをこう組み合わせます
AIはコホート分析で初回購入商品別のリピート購入率と累積貢献利益を、リピート購入サイクル分析で再び買うまでの日数を、フロー分析とクロス購入分析で2回目の購入商品と一緒に買われた商品を取ってきます。クーポン名で分けた初回購入注文の貢献利益まで加えると、こんな表ができます。
| 初回購入商品(計算例) | 初回購入の1人あたり貢献利益 | 90日リピート購入率 | 平均リピート購入サイクル | 12か月の1人あたり累積貢献利益 |
|---|---|---|---|---|
| 乳酸菌30日分(半額お試しクーポン) | −6,000ウォン | 38% | 31日 | +29,000ウォン |
| オメガ3 90日分(20%クーポン) | +4,000ウォン | 19% | 76日 | +11,000ウォン |
| ビタミンC 7日分お試しパック(9,900ウォン) | −2,000ウォン | 12% | 47日 | −500ウォン |
初回購入だけを見るとオメガ3が一番良く見えますが、12か月で見ると、初回購入で6,000ウォンの損を出した乳酸菌が1人あたり29,000ウォンを残します。ビタミンCのお試しパックは初回購入でも損をし、1年経っても回収できていません。
初回購入の赤字許容額の計算例
ここから立てられる戦略
-
初回購入クーポンは乳酸菌に集中させます。初回購入の赤字許容額(1人あたり20,000ウォン)の範囲でクーポン金額と初回購入の広告費を決めれば、自社モールの広告費が膨らんだPART 04の損失も「回収できる投資」かどうか判断できます。
-
リピート購入クーポンは購入サイクルの1週間前に送ります。乳酸菌のリピート購入サイクルが31日なら、初回購入から24日目ごろにリピート購入クーポンが届くようセグメントを作っておきます。
-
2回目の購入を設計します。乳酸菌の初回購入顧客が2回目にビタミンDをよく買うなら、リピート購入クーポンを「乳酸菌 + ビタミンDセット」にして客単価も一緒に上げます。
-
回収できないお試しパックは初回購入の呼び水から外します。代わりに既存顧客のクロス購入向け商品に回します。
PART 06 · どのチャネルとAIで使えますか
聞ける範囲は、Laplaceにつないであるデータと同じです。
-
販売チャネル Cafe24、NAVERスマートストア、Coupang Wing、Coupangロケットグロース、imweb、Godomall5、カカオショッピング、Shopby、Tossショッピングなど
-
広告チャネル Meta、Google広告、NAVER検索広告、NAVER GFA、Kakao Moment、TikTok広告、Coupang Adsなど
-
そのほか GA4、在庫データ、原価やリードタイムなどの基準表(Googleスプレッドシート)
チャネル別の連携手順はLaplaceガイドにあり、連携が難しいチャネルは担当マネージャーがお手伝いします。
| AIツール | 連携方式 | 知っておきたいこと |
|---|---|---|
| Claude(Web・アプリ) | Laplaceアカウントでログイン | 設定がいちばん簡単なので、初めてならおすすめです |
| ChatGPT | Laplaceアカウントでログイン | 設定で開発者モードをオンにしてから登録します |
| Perplexity | Laplaceアカウントでログイン | Pro以上の有料プランで連携できます |
| Claude Code · Cursor · VS Code | APIキー | キー発行画面でコマンドをコピーして貼り付けると登録されます |
| Gemini | APIキー | 開発者向けのGemini CLIでのみ使え、一般のアプリ・Webはまだ対応していません |
利用条件もあわせてご確認ください。MCPはGrowth・Pro・Enterpriseプランで使え、Starterプランでは使えません。無料トライアル中は100回まで呼び出しを試せます。プランはプロジェクトのオーナー基準で確認するため、招待されたメンバーはオーナーのプランに従います。
PART 07 · ClaudeとChatGPTに連携する手順
どちらのサービスも、MCPサーバーのURLを1つ入れるだけです。
Claude(Web・アプリ)
-
設定のコネクタでカスタムコネクタを追加を押し、名前はLaplace、サーバーURLはhttps://gateway.laplacetec.com/mcp を入力します。
-
連携を押し、Laplaceのログイン画面でAllow Accessを押してから、普段Laplaceにログインしているアカウントで入ります。
-
新しいチャットの + ボタンから、コネクタの項目でLaplaceがオンになっているか確認します。
ChatGPT
-
設定のセキュリティとログインのメニューで、開発者モードをオンにします。
-
プラグインメニューのプラグインを探すで + ボタンを押し、名前はLaplace、サーバーURLはhttps://gateway.laplacetec.com/mcp、認証方式はOAuthで作成します。
-
Laplaceのログイン画面でAllow Accessを押し、Laplaceアカウントでログインします。
連携が終わったら「私のLaplaceプロジェクトを教えて」と送ってみてください。プロジェクト名が出れば正しく連携できています。質問の頭に「Laplaceのデータで」と付けるとAIが連携したデータを先に照会し、長い期間は90日以内に分けて聞くほうが速く答えが返ってきます。
LaplaceにGoogleログインで登録した場合は連携時もGoogleログインで、メールアドレスで登録した場合はメールアドレスでログインする必要があります。別の方法でログインすると、データが表示されなかったり、別のプロジェクトが表示されたりすることがあります。
PART 08 · セキュリティとトラブルシューティング
-
AIは連携した人のLaplace権限をそのまま使います。Laplaceで見られないデータはAIも照会できず、購入者の氏名・連絡先・住所といった個人情報は照会されません。
-
照会が基本で、マッチングやダッシュボードのようにデータを変更する作業は、依頼したときだけ行います。すべての変更は変更履歴に残るので元に戻せます。
-
AIが照会した結果は利用中のAIサービスの会話に渡され、そのサービスのデータポリシーに従います。社内のAI利用ポリシーに合ったアカウントで連携してください。
-
AIがLaplaceのデータを使わずに答える場合はコネクタでLaplaceがオンになっているか確認し、質問に「Laplaceのデータで」と付けてみてください。
-
「プランのアップグレードが必要」や「トライアル終了」と表示されたらGrowth以上のプランに変更すれば使えます。プロジェクトのオーナーでなければ、オーナーに依頼してください。
-
連携が切れたり認証エラーが出たりしたらコネクタを解除してから連携し直し、APIキーで連携した場合は新しいキーを発行して登録し直してください。
セールの前に、まずは質問を1つ任せてみてください
データを集めるだけでは、AIは「貢献利益はいくら?」までしか答えません。商品、原価、手数料、広告、顧客、在庫の関係をつないでおけば、同じAIが発注の締め切り、値引き上限、初回購入クーポンの対象商品まで、根拠とともに設計してくれます。次のセールの前に、「セールに出す商品の在庫日数と値引き上限を計算して」という一文から任せてみてください。
詳しい連携手順はLaplace MCPスタートガイドに、できることと質問例はMCP紹介ページにまとめています。
この記事の数字、質問、会話はわかりやすくするための計算例であり、実際の顧客企業のデータではありません。画面名やメニューの位置は、Laplaceや各AIサービスのアップデートにより多少異なる場合があります。