ECサイトの商品検索をAIで改善する｜「探しているのに見つからない」の解決策

ECサイトを運営していると、アクセス数はあるのに購入につながらない、という悩みにぶつかります。その原因のひとつが、見落とされがちなサイト内検索（サイトの中に置かれた、商品を探すための検索窓）です。

来訪者が検索窓に言葉を打ち込むのは、「買う気がある」もっとも購入に近いお客様です。ところが、その検索が「一致する商品がありません」（ゼロ件ヒット＝検索結果が0件になること）を返したり、見当違いの商品ばかりを並べたりすると、お客様は「この店には無いのだろう」と判断して離脱します。実際には在庫があるのに、です。

つまり、サイト内検索の精度は、そのまま売上の取りこぼしに直結します。この記事では、なぜ従来の検索では"探しているのに見つからない"が起きるのか、AIを使うと何がどう変わるのか、そして自社で取り組むときにどこでつまずきやすいのかを、専門用語をかみくだきながら整理します。

なぜ、従来のサイト内検索では見つからないのか

多くのECサイトの検索は、キーワード一致（入力された文字列と、商品名や説明文の文字が一致するかどうかで探す方式）で動いています。これはシンプルで速い反面、お客様の"言葉のゆらぎ"に弱いという弱点があります。具体的には、次のようなすれ違いが日常的に起きています。

• 表記ゆれ — 「Tシャツ」「ティーシャツ」「tシャツ」、「ワンピース」「one piece」——同じ商品を指す言葉でも、登録された表記と一致しないと出てこない
• 言い換え・シノニム（同義語） — 「パーカー」で探しても、商品名が「フーディー」だとヒットしない
• 用途・目的での検索 — 「結婚式 二次会 服」「雨の日 通勤 靴」のように、お客様は"シーン"で探すのに、商品側にその言葉が書かれていないと返せない
• 条件のかけ合わせ — 「白 送料無料 5000円以下」のような複数条件を、うまく汲み取れない

お客様の頭の中にあるのは「こういう場面で使えるもの」という意図であって、店側がつけた正式な商品名ではありません。キーワード一致検索は、この意図とのすき間を埋められないのです。そして厄介なことに、この取りこぼしは管理画面の売上には"起きなかった購入"として現れないため、問題に気づきにくいという性質があります。

AI検索は「文字の一致」ではなく「意味の近さ」で探す

ここ数年で実用的になったのが、意味検索（セマンティック検索とも呼ばれる、言葉の"意味の近さ"で商品を探す方式）です。生成AIの土台となっている技術を応用し、「入力された言葉」と「商品の情報」を、文字ではなく"意味"のレベルで照らし合わせます。これにより、先ほどのすれ違いの多くが解消に向かいます。

• 「パーカー」と入力しても、意味の近い「フーディー」の商品を返せる
• 「結婚式 二次会 で着られる服」のような話し言葉に近い検索でも、用途に合う商品を拾える
• 表記ゆれや言い換えを、いちいち辞書に手登録しなくても、ある程度吸収できる

さらに、キーワード一致の速さと意味検索の柔軟さを組み合わせたり、AIが「もしかして探しているのはこれですか」と候補を補ったりと、"見つかりやすさ"を底上げする打ち手はいくつも重ねられます。うまく設計できれば、ゼロ件ヒットを減らし、検索したお客様が購入まで進む割合（コンバージョン率＝訪れた人のうち購入に至った割合。CVRとも）を引き上げる余地が生まれます。

検索改善の"土台"は、実は商品データの整い方にある

ここで見落とせないのが、AI検索の精度は、検索の仕組みそのもの以上に、その手前の"商品データがどれだけ整っているか"で決まるという点です。

意味検索は、商品側に「素材・用途・シーン・対象・特徴」といった情報が整理されているほど、お客様の意図に正確に応えられます。逆に、商品名と価格しか登録されていない、説明文が商品ごとにバラバラ、紙のカタログにしか載っていない情報がある——といった状態では、どれだけ高機能な検索エンジンを載せても実力を発揮できません。「AIを入れたのに検索が賢くならない」の多くは、ここが原因です。

そのため、検索改善は「検索機能の導入」だけを切り出すのではなく、商品データを"AIが扱える形"に整えるところとセットで考えるのが定石です。社内に散らばった商品情報を整える工程は非構造化データの構造化をAIで行う方法で、紙・PDFカタログの情報をデータ化する工程はカタログPDFをAIで商品データ化する方法で、同じ商品なのに表記ゆれで別物として登録されてしまっている場合の名寄せ・統合はECの商品マスタ『表記ゆれ・重複』をAIで名寄せする方法で、それぞれ詳しく整理しています。検索の話とあわせて読むと、全体像がつかめます。

なお、ここまでの意味検索はテキスト（商品名・説明文）を起点にした話です。これとは別に、商品画像そのものに何が写っているか（色・柄・形状・カテゴリなど）のタグや属性が整理されておらず、画像を起点にした「似ている商品」の検索・提案がうまくいかないケースもあります。この画像起点の課題はEC商品画像をAIで認識・タグ付けする方法｜「似ている商品が探せない」を画像から解決するで扱っています。

「自社の片手間」で最も詰まりやすいところ

検索改善は、機能を1つ入れれば終わり、という単純な話ではありません。実務では、次のような判断と調整が続きます。

• どの商品情報を、どんな軸で整えれば、お客様の検索意図に応えられるのか
• 表記ゆれや言い換えを、どこまで仕組みで吸収し、どこは人手で補うのか
• 検索結果の並び順（人気・在庫・利益率など、何を優先するか）をどう設計するか
• 導入後、実際の検索ログ（お客様が何と検索したか）を見て、どう改善を続けるか

生成AIやサイト内検索のツール自体は手に入りやすくなりましたが、「自社の商品と、自社のお客様の探し方に合わせて、検索の精度を上げ、それを維持し続ける」のは別のスキルです。ここを本業のかたわらで担おうとすると、確認と手直しに追われ、肝心の売り場づくりに手が回らなくなりがちです。だからこそ、最初の設計と土台づくりだけでも経験のある外部に任せると、遠回りを避けられます。

外注する場合の費用感（目安）と、小さく始める進め方

商品検索のAI改善を外注する費用は、商品数・データの整い具合・目指すゴール（検索だけか、商品データの整備まで含むか）によって変わるため、一概には言えません。市場の目安としては、まず現状把握と設計を行う現状把握・設計から実装まで、規模は対象範囲によって変わります。加えて、導入後に精度を保つための月額保守が発生します。

awaiのデータ構造化・AI活用支援は、awai Core の月額制モジュールとしてご利用いただけます。入口は初期費用0円・2週間の無料トライアルで、本格的な実装・構築は対象商品数・データの複雑さに応じて個別にお見積りします。

小さく始めたい場合は、まず初期費用0円・2週間の無料トライアルで効果を数字で確かめ、その結果を見てから本格的な実装を判断する進め方が安全です。awaiでは、まず無料トライアルで効果を数字で見極めてから、本格的な実装に進むかを判断できる進め方にしています。いきなり大きな投資を約束するのではなく、まず自社の検索が今どんな状態で、何を整えればどれくらい改善しそうかを見立ててから進められます。

まずは「相談」から——自社の検索の"取りこぼし"を見立てる

検索改善が効くかどうかは、扱う商品の性質（点数の多さ、用途やシーンで選ばれる商材か、表記ゆれが起きやすいか）によって変わります。まずは自社の検索が今どんな取りこぼしをしているのかを把握するところが出発点です。

awaiは、ShopifyをはじめとするECと、LLM（大規模言語モデル。文章を理解・生成できるAI）によるデータ構造化を軸に、商品データの整備からサイト内検索の改善、社内AI検索（RAG＝手元のデータをAIに参照させて回答させる仕組み）まで一気通貫でご支援し、"入れて終わり"にしない運用まで見据えて設計します。

※本記事の内容は一般的な設計原則の解説であり、特定企業への導入実績や効果を保証するものではありません。提供条件・費用は貴社の状況により個別にご案内します。