顧客 ID 統合 - AWS Entity Resolution で分散した顧客データを名寄せする
AWS Entity Resolution を使った顧客データの名寄せ (エンティティ解決) を解説。ML ベースのマッチング、ルールベースのマッチング、プライバシー保護、Clean Rooms との統合を紹介します。
顧客データの名寄せ課題
企業の顧客データは CRM、EC サイト、コールセンター、マーケティングツールなど複数のシステムに分散しています。同一の顧客が異なるシステムで異なる表記 (「田中太郎」と「タナカ タロウ」、「東京都港区」と「港区」) で登録されており、これらを同一人物として紐付ける名寄せ (エンティティ解決) は長年の課題です。従来は完全一致やファジーマッチングのロジックを自前で実装する必要がありましたが、表記揺れのパターンが多岐にわたるため精度と網羅性の両立が困難でした。AWS Entity Resolution は、ML ベースまたはルールベースのマッチングで顧客データの名寄せを実現するマネージドサービスです。
マッチング方式と設定
Entity Resolution は 2 つのマッチング方式を提供します。ML マッチングは AWS の ML モデルが名前、住所、電話番号、メールアドレスなどの属性を総合的に評価し、同一エンティティの確率を算出します。表記揺れ、略記、フォーマットの違いを自動的に処理するため、ルール定義の手間が不要です。ルールベースマッチングはビジネスルールを定義して精密に制御します。たとえば「メールアドレスが完全一致 AND 名前の類似度が 80% 以上」「電話番号が一致 AND 住所の都道府県が一致」といった条件を組み合わせます。入力データは Glue Data Catalog 経由で S3 上のデータソースを参照します。スキーママッピングで入力データの列と Entity Resolution の属性タイプ (名前、住所、電話番号、メールアドレスなど) を対応付けます。
ユースケースと Clean Rooms 統合
主なユースケースは、マーケティングの顧客統合 (複数チャネルの顧客データを統合して 360 度の顧客ビューを構築)、不正検知 (異なるアカウントが同一人物であることを検出)、データクレンジング (重複レコードの検出と統合) です。 Clean Rooms との統合により、組織間のデータを共有せずに名寄せを実行できます。たとえば広告主とパブリッシャーが、互いの顧客データを公開せずに共通の顧客を特定し、広告効果を測定するユースケースに活用できます。料金は ML マッチングが処理レコード 1,000 件あたり 0.25 USD 、ルールベースが 0.025 USD です。 100 万件の顧客レコードを ML マッチングで処理する場合、約 250 USD です。 データ分析の知見を広げたい場合はAmazon の専門書も活用できます。
Entity Resolution の料金
Entity Resolution の料金は処理したレコード数で課金されます。ML マッチングは 1,000 レコードあたり約 0.25 ドル、ルールベースマッチングは 1,000 レコードあたり約 0.25 ドルです。ID マッピングは 1,000 レコードあたり約 0.25 ドルです。初回の名寄せ処理は全レコードが対象になるためコストが高くなりますが、差分処理で新規・更新レコードのみを処理することで継続的なコストを抑えられます。Clean Rooms との統合で使用する場合、Clean Rooms のクエリ料金が別途発生します。
データ準備とスキーママッピング
顧客データの名寄せを行うには、まず入力データを整える必要があります。複数のシステムに散らばった顧客情報は、項目名や形式がばらばらなことが多いため、どの項目が氏名・メール・住所・電話番号に当たるかを対応づけるスキーママッピングを行います。表記の揺れを整える正規化も、マッチング精度を高めるうえで重要です。たとえば、住所の書き方や全角・半角の違いをそろえます。入力データの品質が、名寄せの結果を大きく左右します。マッチングの前段でデータを丁寧に準備することが、精度の高いエンティティ解決の前提になります。
マッチング方式と精度の調整
Entity Resolution には、複数のマッチング方式があります。氏名やメールが完全に一致するかを条件で判定するルールベースの方式は、結果が分かりやすく制御しやすいのが利点です。一方、表記の揺れや部分的な一致を考慮し、同一人物の可能性を推定する機械学習ベースの方式は、より柔軟なマッチングが可能です。これらは確信度のスコアを伴うため、しきい値を調整して、どこまでを同一とみなすかを制御します。誤って別人を統合するリスクと、同一人物を取りこぼすリスクのバランスを取りながら、用途に応じて方式としきい値を調整することが重要です。
プライバシーとガバナンス
顧客データの名寄せは、機微な個人情報を扱うため、プライバシーへの配慮が不可欠です。Entity Resolution は、データを自分の管理下に置いたまま処理できる仕組みを備え、データを外部へ移動させずに名寄せを行えます。これにより、データの所在を自社内に保ちつつ、安全に統合できます。扱う個人情報については、収集の目的や利用の同意の範囲を守り、適用される法令を遵守します。誰がどのデータにアクセスしたかを管理し、目的外の利用を防ぎます。利便性のためにデータを統合する一方で、顧客のプライバシーを守る統制を両立させることが求められます。
統合と活用
名寄せによって統合された顧客プロファイルは、さまざまな場面で活用できます。複数のチャネルに分散していた行動履歴を一人の顧客として束ねることで、その人の全体像を把握でき、一貫した対応が可能になります。マーケティングでは、重複を排除した正確なターゲティングや、チャネルをまたいだ施策につながります。分析基盤と連携させれば、顧客単位での正確な集計や、生涯価値の評価ができます。複数の企業がデータを安全に突き合わせる仕組みと組み合わせる用途もあります。統合された顧客像が、データ活用の質を一段引き上げます。
まとめ - Entity Resolution の活用指針
AWS Entity Resolution は、分散した顧客データの名寄せをマネージドサービスで実現します。ML マッチングによる自動的な表記揺れ処理、ルールベースによる精密な制御、Clean Rooms との統合によるプライバシー保護が主な強みです。複数システムに顧客データが分散しており、統一的な顧客ビューの構築が課題になっている組織に適しています。