AI利活用戦略、AIエージェント開発、ABテスト、分析基盤について話せます
■背景
与えられたミッションは、「動画視聴体験を向上させつつ、広告収益を維持する」という難題でした。戦略企画として、まずは社内外のデータを洗い出し、AS‑IS分析でユーザー行動のボトルネックを特定。特に視聴開始率の低迷が大きな課題だったため、ユーザーインタビューやペルソナ設計を重ね、「次に見たい動画を瞬時に提示する」To‑Be像を策定しました。
要件定義では、レコメンドのあるべき姿を描き出して、LangGraphを活用したマルチAIエージェントを設計。行動科学の専門知識を学ばせたAIエージェントに視聴データからペルソナを予測させて、最適なコンテンツをレコメンドするというラグジュアリーホテルのコンシェルジュチームのようなコンセプトを設計。
また、非機能要件として「秒間数千リクエストを捌く可用性」を掲げ、GCPとAWSのマルチクラウドのインフラ構成図を設計。
基本設計～詳細設計ではインフラ構成図を自ら描き、開発チームと協働しながらIaCによるコード化を推進しました。リリース直前には、実装したレコメンドAPIをABテスト環境へ展開し、3週間でCTRや平均セッション時間の大幅な向上を達成。
プロジェクトでは、技術・デザイン・マーケティング部門を横断する10名超のメンバーをまとめ、週次で進捗会議をファシリテート。初期は「効果が出るか不透明」と懐疑的だった経営層も、明確なKPI改善を示すことで理解を獲得し、全社展開への道筋を作ることができました。この経験を通じ、戦略立案から実装・検証までを自らリードする「一気通貫力」の重要性を強く実感しました。
■話せること
戦略企画部でレコメンド戦略策定を進める中、ユーザー行動データの単純な集計では打ち手が見えづらかったため、因果推論・因果探索フレームワーク（DoWhy）を導入し、反実仮想機械学習モデルで介入効果を推定しました。
まず、再生回数や視聴開始率、広告クリックなど候補変数を含む因果グラフを構築し、各変数が再生時間に与える影響を可視化。探索的因果分析で最もビジネス寄与率の高いKPIが「再生時間」であることを発見し、AIモデルの目的関数に「再生時間最大化」を設定しました。
その後、Python＋DoWhyで推定した因果効果を基に、レコメンド候補の重み付けアルゴリズムを設計し、TensorFlowとPyTorchで実装。マルチアームバンディットによるABテストを用いて、介入前後の因果効果を定量評価し、CTRや平均再生次kんの向上を達成しました。
また、BigQuery上に因果グラフ予測結果を定期集計し、Lookerで可視化ダッシュボードを構築。
経営層やマーケ担当者に「どの施策がいつ、どのユーザー層に効くか」を直感的に共有できるようにし、短期間での意思決定と施策改善サイクルを回しました。