詳しい経緯を読む当時の成果、進め方と判断基準、AIでの再現
実績（当時の成果）
大手外食チェーンでは、来店回数に応じて特典がもらえるアプリのポイント施策を、全店に入れる前に一部の店舗で試しました。開始前の売上の動きが似ていて比べやすい店舗を選び、ほかの販促が重なる店舗は対象から外しました。実施しない店舗と比べた結果、客数は約+1.6%、トライアル店舗のアプリ利用者の平均来店頻度は約+5%になりました。効果は主に休日に出ていて、平日には別の手が必要なことも分かりました。マイページの登録や特典の利用が少ないなど、全国に広げる前に直すべき点も、試験の段階で洗い出しました。メールでも、顧客層ごとに訴求を変え、送った顧客と送らない顧客を比べるテストを重ねました。
大手商業施設では、会員アプリの企画から普及までを主導し、約50万ダウンロードに達しました（競合のアプリは多くても約30万）。この企業では、顧客の分類と組み合わせた主要顧客の離反防止が、年間10億円超の利益創出につながりました。
型（進め方・判断基準）
- 方式を比べ、元が取れる条件を先に出す（何人が、何回多く来れば、特典の費用を取り戻せるか）
- 試す店舗と比べる店舗を選ぶ（開始前の動きが似ている店を選び、ほかの販促が重なる店は外す）
- 実施しない店舗・顧客との差で、効果を測る
- 反応する顧客層・場面と、反応しない顧客層・場面を分け、打ち手を変える
- 見つかった改善点を直してから、全体に広げる
判断基準：施策の効果は、実施しない側と比べた差でしか判断しない。会員になる人はもともとよく来る人が多いため、会員の数字だけを見ると効果が大きく見える。顧客層によって反応する手段は違う（大手外食チェーンでは、よく来る顧客はメールで来店が増えたが、たまにしか来ない顧客は情報を送るだけでは戻らなかった）。アプリは、ダウンロード数が伸びたら、次は使い続ける人の数で測る。
AI再現（今ならこう再現し、社内に残す）
当時は、店舗の売上データを手で補正し、実施した店舗としない店舗の差を、週ごとに集計していました。今は、売上・来店・会員のデータをAIに読ませれば、比べる店舗の選定から、差の集計、反応する顧客層の切り分けまでを短い時間で回せます。試験中は、AIが毎週自動で差を集計し、想定から外れた店舗や顧客層を知らせます。試した特典やメッセージとその結果は記録として残り、次に試す案を、AIが過去の結果から出します。