黒狼🐺SNS攻略の裏技師

@ecautokei です。 今回は「Claude APIとスプシで仕入れ判定を9割自動化した運用設計」について、X と note の両方で公開しました。 note の方が見出し・コードブロック・保存ができて圧倒的に読みやすいので、そちらをお勧めします。 📖 note.com/tnioj_resale/n… ※note で読んでる方はこの投稿は読み飛ばしてください。 X でも無料部分は全公開します。読んで価値があったと感じたら、続きは note で。 それでは早速本編へ。 ──以下、note 無料部分── ※この記事はメンバーシップ限定公開です。一次情報レベルの判断軸を含むため、外部での無断転載・要約配信はご遠慮ください。 ## なぜ仕入れ判定をAI化する必要があったのか 物販を4年やってきて、一番の時間泥棒は「仕入れるか否かの判断」でした。 リサーチ自体はPlaywrightで自動化済みでも、最後の「Go/NoGo」だけは人間がスプシを眺めて目視で決めていた。これが月にして数十時間。しかも判断にブレが出る。疲れている日は弱気になり、寝起きは強気になる。 相対数字で言うと: ・1SKUあたりの判定時間: 約90秒 → 約3秒（30倍速） ・判定の再現性（同じ商品を翌日見て同じ結論になる率）: 約70% → 約98% ・月間で人間が見るSKU数: 数千件 → 上位2割の精査だけに集中 ・結果として粗利率: 体感で約1.3倍 「AIに任せたら判断が雑になるのでは」と最初は思っていましたが、結論は逆でした。むしろ自分の中で言語化できていなかった判断軸が、AIに渡すプロンプトを書く過程で明確になり、トータルの判定品質が上がった。 これが、仕入れ判定AIを作る本当の価値です。 ## 全体構成: 3レイヤーで考える 仕入れ判定AIは、以下の3レイヤーに分けて設計します。 ①データ取得レイヤー（Playwright + 各種API） → 価格、ランキング、レビュー数、出品者数などを取得しスプシに書き込む ②判定レイヤー（Claude API + スプシ） → 取得データを構造化してClaudeに渡し、Go/NoGo + 理由 + 信頼度スコアを返す ③意思決定レイヤー（人間 + アラート） → 信頼度が高いものは自動でショートリスト入り、低いものだけ人間が見る ポイントは③です。AIに100%任せるのではなく、「AIが自信を持っているものだけ任せる」設計にする。これだけで事故が激減します。 ## ステップ①: スプシをデータベースにする まず、リサーチ結果を貯めるシートを以下の構造で作ります。 ・列A: SKU（ユニークID） ・列B-G: 取得した生データ（価格、ランキング、レビュー数、出品者数、商品名、カテゴリ） ・列H: AI判定結果（Go / NoGo / Hold） ・列I: AI判定理由（150文字以内） ・列J: 信頼度スコア（0-100） ・列K: 推奨仕入れ価格レンジ ・列L: 人間最終確認フラグ 重要なのは、生データと判定結果を同じシートで管理することです。後でプロンプトをチューニングする際に、過去判定を学習データとして見直せます。 ## ステップ②: 判定プロンプトの骨格 Claude APIに渡すプロンプトは、構造化された4ブロックで組みます。プロンプト全文は割愛しますが、構造は以下です。 ``` # 役割定義ブロック あなたは物販4年のバイヤーです。以下の判断軸で 仕入れ判定を行ってください。 # 判断軸ブロック（重要） 軸1: 粗利率 (◯%以上ならGo候補) 軸2: 月間販売数の推定 (ランキングから逆算) 軸3: 出品者数 (◯人以上は価格競争リスク) 軸4: レビューの質 (★3未満が多いと返品リスク) 軸5: 商品カテゴリの自分の経験値 # 商品データブロック （スプシから動的注入） # 出力フォーマットブロック JSON形式で {decision, reason, confidence, recommended_price_range} を返す ``` 判断軸ブロックが運用の肝です。ここに自分の経験を書き出すと、AIではなく自分の判断ロジックが言語化されて整理されます。 ## ステップ③: GASでスプシとClaudeを繋ぐ Google Apps Scriptで、スプシの未判定行を1行ずつClaude APIに送り、結果を書き戻す仕組みを作ります。汎用化したサンプルコードは以下です。 ```javascript function judgeUnprocessedRows() { const API_KEY = PropertiesService .getScriptProperties() .getProperty('CLAUDE_API_KEY'); // YOUR_API_KEY const sheet = SpreadsheetApp.getActiveSheet(); const data = sheet.getDataRange().getValues(); for (let i = 1; i < data.length; i++) { const row = data[i]; if (row[7]) continue; // 既に判定済みはスキップ const productData = { price: row[1], ranking: row[2], reviewCount: row[3], sellerCount: row[4], category: row[5] }; const result = callClaude(productData, API_KEY); sheet.getRange(i + 1, 8).setValue(result.decision); sheet.getRange(i + 1, 9).setValue(result.reason); sheet.getRange(i + 1, 10).setValue(result.confidence); sheet.getRange(i + 1, 11).setValue(result.priceRange); Utilities.sleep(1000); // レート制限対策 } } function callClaude(productData, apiKey) { const prompt = buildPrompt(productData); // 判断軸を含む const response = UrlFetchApp.fetch( 'api.anthropic.com/v1/messages', { method: 'post', headers: { 'x-api-key': apiKey, 'anthropic-version': '2023-06-01', 'content-type': 'application/json' }, payload: JSON.stringify({ model: 'claude-sonnet-4-6', max_tokens: 500, messages: [{ role: 'user', content: prompt }] }) } ); const json = JSON.parse(response.getContentText()); return JSON.parse(json.content[0].text); } ``` これを毎朝6時にトリガー実行すれば、夜中にPlaywrightが集めたデータが朝には全部判定済みになっています。 ## 実運用で得た判断軸・失敗談 ここからが本題。サンプルコードをそのまま動かしても、最初は判定精度が出ません。運用しながら学んだ判断軸を共有します。 **失敗①: 信頼度スコアを甘く見ると事故る** 最初、Claudeが「confidence: 60」と返した案件も全部仕入れていました。結果、3割が不良在庫化。今は「85以上のみ自動Go、70-84は人間確認、70未満は自動NoGo」という閾値で運用しています。AIの自信のなさは、ちゃんと聞くと教えてくれる。 **失敗②: 季節商品でプロンプトが固定だと外す** 夏物の判定を冬の判断軸でやると、ランキング解釈が狂います。プロンプトの判断軸ブロックに「現在月: ◯月」を動的注入し、季節要因をAI側で考慮させる。これで季節商品の精度が大きく改善しました。 **失敗③: カテゴリごとに判断軸が違うのを軽視した** 家電と日用品では「出品者数◯人以上は危険」のラインが全然違います。最初は一律で組んでいて精度が伸びませんでした。今はカテゴリ別に判断軸プリセットを5パターン持ち、商品カテゴリで自動切替する設計に変更しています。 **判断軸: 「AIが迷う案件」こそ宝** 信頼度70-84のHold案件を週末にまとめて人間レビューすると、自分の判断軸の穴が見えます。「あ、この軸が抜けてた」と気づいたらプロンプトの判断軸ブロックに追記する。これでAIが少しずつ自分の分身に育っていく。これが一番の資産です。 ## コスト感 Claude APIの料金は、1件あたり数円レベル。月数千SKUを回しても、月のAPI費用は数千円〜1万円台に収まります。これで人件費換算で月数十時間が浮く。投資対効果は完全に壊れています。 ## 次のステップ・応用アイデア ・判定履歴をベクトルDB化して、過去の類似商品判定を文脈として渡す（精度がさらに上がる） ・判定結果をSlackに通知し、信頼度高Go案件は即発注APIに流す ・売れ残った在庫データを逆流させて、プロンプトに「これは外した」事例として注入する自己学習ループを作る ・カテゴリ別プリセットをスプシの別シートで管理し、非エンジニアでも判断軸を更新できるようにする 仕入れ判定AIは、作って終わりではなく「自分の判断ロジックを継続的に外部化していく装置」として育てると、本当の資産になります。 月数十時間を取り戻して、その時間で新規プラットフォーム開拓や商品開発に振る。これが物販の次のフェーズです。 ──ここから先は メンバーシップ限定 ── リサーチは自動化できても、最後の「Go/NoGo」だけは人力で月数十時間溶かしていた。その判断ロジックをAIに移植する設計を全公開しました。 メンバーシップ「AI×EC自動化ラボ」では、こうした実務知見を毎週共有しています。役に立ったら加入も検討してもらえると嬉しいです。 📖 note.com/tnioj_resale/n… #EC自動化 #物販自動化 #ClaudeCode