ECの商品マスタ『表記ゆれ・重複』をAIで名寄せする方法

「同じ商品なのに、システムが別物として扱ってしまう」——複数チャネル運営の落とし穴

自社EC・モール出店（楽天・Amazon等）・卸/BtoB受発注システム・店舗POS——販売チャネルを増やすほど、商品データを管理するシステムも増えていきます。ここで見落とされがちなのが、同じ商品なのに、システムごとに商品コードや名称の表記が微妙に異なるという状態です。「白Tシャツ Mサイズ」が自社ECでは商品コード「WT-M」、モールでは「ホワイトTシャツ（M）」、POSでは「白T/Mサイズ」と登録されている——人間が見れば同じ商品だと分かっても、システムは文字列が一致しない限り同じ商品として扱えません。

この「表記ゆれ」に加えて、チャネル追加のたびに商品を登録し直した結果、同一商品が複数のコードで重複登録されている「重複」も積み重なっていきます。単独のシステム内では気づきにくくても、複数システムのデータを突き合わせたり、横断でレポートを出したりする段階になって初めて、この不整合が業務のボトルネックとして表面化します。

この記事では、複数チャネル・複数システムに分散した商品マスタの表記ゆれ・重複を、AI（LLM＝大規模言語モデル。文章の意味を人のように理解して処理できる生成AIの中核技術）でどう名寄せ（複数のデータの中から同一の対象を指すものを特定し、1つにまとめること）・統合できるのか、進め方と費用の目安を整理します。

なぜ商品マスタは「同じ商品なのに別物」になってしまうのか

原因は1つではなく、複数の要因が積み重なって発生します。

• チャネル導入の時期が異なる：自社ECを立ち上げた後にモール出店を追加し、その後に卸向けの受発注システムを導入——といった具合に、システムごとに異なるタイミング・異なる担当者が商品を登録していくため、命名ルールが統一されないまま蓄積していきます。
• 各チャネルの入力フォーマットに合わせ込む必要がある：モール側の必須項目・文字数制限・カテゴリ体系に合わせて商品名を調整すると、自社ECの表記とは異なる名称になりがちです。
• 担当者ごとの入力ルールのばらつき：全角/半角、スペースの有無、型番の桁数、旧型番の継続使用など、担当者が違えば入力の癖も変わります。ルールを文書化していても、日々の運用の中で少しずつずれていくのが実情です。

こうした要因が積み重なった結果、システムをまたいで商品を照合しようとするたびに、担当者が目視で「これとこれは同じ商品のはず」と判断し、手作業で対応表を作る——という状態が続いてしまいます。

表記ゆれ・重複を放置すると何が起きるか

この状態を放置すると、次のような形で業務に影響が及びます。

• 在庫の二重管理：同じ商品が複数コードで登録されていると、在庫数がコードごとに分散して管理され、実際の在庫と表示上の在庫数が合わなくなるリスクが生まれます。
• EC内検索での取りこぼし：商品名の表記が統一されていないと、サイト内検索や商品リコメンドの精度にも影響し、「探しているのに見つからない」という機会損失につながります（検索精度そのものの改善についてはECサイトの商品検索をAIで改善するで扱っています）。
• 注文・在庫連携時の突合ミス：受発注システムとECサイトを連携する際、商品コードが一致しないと自動連携が組めず、手作業での照合が発生します。
• 経営会議の売上集計が商品単位で正しく出ない：同一商品が複数コードに分かれたまま集計すると、「どの商品がどれだけ売れているか」という基本的な数字すら正確に出せなくなります。

いずれも、表記ゆれ・重複という一見小さな不整合が、在庫管理・接客・経営判断という複数のレイヤーに波及していく構造です。

AIによる名寄せ・統合の進め方（4つのフェーズ）

商品マスタの名寄せ・統合も、いきなり全チャネルを一括で突合するのではなく、段階を踏んで進めるのが実務的です。

①診断では、対象となるシステム（自社EC・モール・卸/受発注・POS等）と、それぞれの商品データの件数・項目構成を洗い出し、どの範囲を名寄せの対象にするかを決めます。ここで「表記ゆれが特に起きやすいカテゴリはどこか」を見極めることが、後工程の精度を左右します。

②PoC（概念実証。小規模に試して効果を確認する工程）では、いきなり全商品を対象にせず、まず一部のカテゴリだけでAIによる名寄せを試します。LLMは、商品名の文字列が完全一致しなくても、「白Tシャツ Mサイズ」と「ホワイトTシャツ（M）」が意味的に同じ商品を指している可能性が高いことを、文脈から判断できます。ここで実際のデータを使い、どの程度の精度で同一商品を特定できるか、逆に誤って別商品を同一と判定してしまうケース（誤名寄せ）がどの程度出るかを確認します。

③実装では、PoCで見えた精度・誤判定の傾向を踏まえ、対象範囲を全商品に広げます。名寄せ結果は最終的に「どの表記をマスタとして採用するか」という統合ルールとともに、Excel・DB・各システムへ反映できる形で出力します。

④運用は、新商品の追加やチャネル拡張のたびに表記ゆれが再発するという前提に立った工程です。新規登録データを継続的にチェックし、必要に応じて名寄せルールを更新していく保守体制を維持します。

陥りやすい失敗パターン3つ

商品マスタの名寄せ・統合を検討する際、よくつまずくポイントを3つ挙げます。

①ルールベースの表記統一だけで済まそうとする——「全角・半角を統一する」「特定の記号を除去する」といった単純なルール（辞書登録）だけでは、「白Tシャツ」と「ホワイトティーシャツ」のような表記の違いまでは吸収しきれません。文字列の一致ではなく意味の近さで判断できるAIを組み合わせることで、こうした揺れにも対応しやすくなります。

②名寄せの正解基準を決めずに始める——「色違い・サイズ違いは同一商品とみなすのか、別商品とみなすのか」という判断基準を事前に決めずに進めると、名寄せ結果の解釈が現場ごとにばらつき、統合作業がやり直しになります。診断段階でこの基準を業務側とすり合わせておくことが欠かせません。

③統合後の運用ルールを作らずに終わる——初回の名寄せだけで満足してしまい、新商品登録のたびにまた表記ゆれが積み重なっていくケースがあります。継続的に整合性を保つには、更新のたびにチェックできる運用体制まで見据えて設計する必要があります（紙・PDFカタログを起点にデータそのものを作る進め方は紙・PDFカタログを商品データ化するにはで整理しています）。

費用の目安

費用は対象システムの数・商品件数・表記ゆれの発生度合いによって変わりますが、市場の一般的な目安として、awaiがご案内している水準は次のとおりです（相場感の参考としてご覧ください）。

• 初期診断・設計：20〜30万円（対象システムの現状把握・名寄せ範囲の設計・ROI試算）
• 実装：50〜200万円（対象データ件数・システム連携範囲による）
• 保守・運用：5〜15万円／月（新規登録データの継続チェック・名寄せルールの更新）

awaiでは、この初期診断そのものを入口としてご提供しています。有償の診断で「どのシステムの、どの範囲を、いくらで名寄せ・統合できるか」を先に見える化し、その後に実装をご発注いただいた場合は診断費を全額実装費に充当します。「診断だけで終わってもレポートは残り、進めれば診断費は実質無料になる」形なので、いきなり大きな開発費をかける前に、費用対効果を確かめてから判断していただけます。手作業でのデータ突合にかかっていた時間（一般的な目安として月30〜100時間程度）が削減できれば、年間45〜150万円相当の人件費削減に相当し、検索・在庫精度の向上によるEC売上の3〜8%改善も見込める余地があります（数値はいずれも一般的な目安であり、実際の効果は貴社のデータ状況により異なります）。

まとめ——マスタが整えば、その先の施策が動き出す

商品マスタの表記ゆれ・重複は、複数チャネルを運営する会社ほど陥りやすい構造的な問題です。しかも一度整えて終わりではなく、チャネルが増えるたび・商品が追加されるたびに、同じ苦労が繰り返されがちです。

awaiは、AI（LLM）を使った商品マスタの名寄せ・統合の診断から実装、運用保守まで一気通貫で対応します。ECサイト（Shopify）の構築・改修や、紙・PDFカタログの商品データ化と同じ体制で行っているため、「マスタを整えて終わり」ではなく、その先の検索精度改善・在庫連携・経営レポートの正確化まで見据えた設計が可能です。「うちの商品マスタ、システムをまたぐと同じ商品として扱えていない気がする」と感じたら、まずは現状をお聞かせください。

※本記事の費用・ROIは市場の一般的な目安であり、対象システムの数・商品件数・表記ゆれの発生度合いによって変動します。正確なお見積りは診断にて算出します。

商品マスタ整備の費用目安や進め方はよくあるご質問でも回答しています。