ECコンサルの仕事は「分析して、提案して、実行を支援する」の繰り返しだ。この3つのうち、「分析」と「提案の叩き台作成」はAIが得意な領域だった。店舗診断、KPIモニタリング、商品ページ改善、価格戦略、セール対策——ECコンサルの実務を27個のスキルに分解して仕組み化した。
人間がやるべきなのは「クライアントと話して、何が本当の課題かを見極めること」と「提案を最終判断すること」。データ収集と分析の下地作りはAIに任せる。
診断・分析系
/diagnose — EC店舗のフル診断を一気通貫で
使う場面: 新規クライアントの初回診断。または既存クライアントの四半期レビュー。
Before → After:
- Before: RMSからデータをダウンロードし、Excelで分析し、課題を洗い出し、改善戦略を考え、タスクに落とす。1日がかりの作業。
- After:
/diagnoseでデータを読み込ませると、分析→原因特定→改善戦略→個別施策→タスク化まで一気通貫。30分で初稿が出る。
仕組み: Agent Team（複数のAIエージェント）が並列で動く。1つはアクセス分析、1つは転換率分析、1つは商品分析、1つは広告分析。それぞれの結果を統合エージェントがまとめ、改善戦略とタスクリストを生成する。
実際の効果: 初回診断の所要時間が1日から30分に短縮。ただし、AIの出力をそのまま使うことはない。必ず人間の目で確認し、クライアントの事情（予算、リソース、経営方針）を踏まえて調整する。AIは「80点の叩き台」を出す役割だ。
/lv1-diagnose — URLだけで11種の分析を並列実行
使う場面: 営業の初期段階。クライアント候補の店舗をURLだけで素早く分析したいとき。データをもらう前の「当たりをつける」フェーズ。
Before → After:
- Before: 店舗URLを見て、経験則で課題を推測。具体的な数字がないので説得力に欠ける。
- After: URLを渡すだけで、商品構成・価格帯・レビュー状況・SEO・ページ品質など11種の分析が並列で走る。公開情報だけでここまでわかる、という診断レポートが出る。
仕組み: 店舗URLからアクセス可能な公開情報（商品一覧、価格、レビュー、ページ構成、メタ情報など）を収集し、11の観点で並列分析する。売上推定は複数手法でクロスチェックし、レンジで表示する。
実際の効果: 営業ツールとして使えるようになった。「御社の店舗を拝見したところ、こういう課題がありそうです」と具体的なデータ付きで提案できる。商談の成約率が上がった実感がある。
/weekly-analyze — 週次分析を15分で
使う場面: 毎週月曜。先週のパフォーマンスを振り返り、今週のアクションを決めるとき。
Before → After:
- Before: RMS/QSMからデータをダウンロードし、先週比を計算し、施策の効果を評価し、来週のアクションを考える。クライアント1社あたり2時間。
- After:
/weekly-analyzeでデータを読み込ませると、先週比・トレンド・施策進捗・来週アクション提案が15分で出る。
仕組み: RMSやQSMのデータを読み込み、売上・アクセス・転換率・客単価の先週比を計算。施策の進捗状況と照合して効果を評価し、来週のアクション提案を生成する。
実際の効果: クライアント3社の週次分析が6時間から45分に。浮いた時間は各社との対話に充てている。数字を作る時間が減って、数字を考える時間が増えた。
/monthly-report — クライアント向け月次レポート自動生成
使う場面: 月初。前月の実績レポートと今月の提案をクライアントに提出するとき。
Before → After:
- Before: 月次データの集計、前月比の計算、グラフ作成、振り返りの記述、来月提案。クライアント1社あたり4時間。
- After:
/monthly-reportで30分。実績・前月比・振り返り・来月提案が構造化されたレポートとして出力される。
仕組み: 当月のKPIデータを集計し、前月比・前年比を計算。施策の実施状況と効果を振り返り、来月の優先施策を提案する。QCエージェントが数値の整合性を自動チェックする。
実際の効果: レポート作成時間が4時間から30分に。ただし最も大きな効果は「品質の安定」だ。手動で作ると計算ミスやコピペミスが混入しがちだったが、QC自動チェックでそれがなくなった。
/kpi-monitor — クライアントより先に異常に気づく
使う場面: 自動実行。VPSのcronで毎朝走る。
Before → After:
- Before: 週次MTGで初めて数字の悪化を知る。「先週から売上が落ちていました」と報告を受けて、1週間分の対応が遅れる。
- After: 毎朝自動でKPIを取得し、異常値があればアラート。売上の急落やアクセスの異常減少を翌朝には検知。
仕組み: Googleスプレッドシートから各クライアントのKPIデータを毎朝取得。前日比・前週比を計算し、設定した閾値を超えた場合にDiscordにアラートを投稿する。
実際の効果: 「先手を打てるコンサルタント」になれた。クライアントから「数字が落ちてるんですが」と連絡が来る前に、こちらから「昨日アクセスが20%減少しています。原因を調査中です」と報告できる。信頼度が段違い。
施策系
/product-page — 商品ページの改善提案
使う場面: 転換率が低い商品の改善。新商品のページ作成時の方針決め。
Before → After:
- Before: 商品ページを目視で確認し、経験則で改善点を洗い出す。「キャッチコピーが弱い」「情報量が足りない」程度の粒度。
- After: ページ構成、キャッチコピー、商品説明文、画像構成、情報の網羅性を定量的に分析。具体的な改善案（代替コピー案、追加すべき情報、構成変更案）まで出力。
仕組み: 商品ページのURLまたはスクリーンショットを読み込み、キャッチコピー・説明文・構成・情報量を分析。競合の優良事例と比較し、具体的な改善提案を生成する。
実際の効果: 「何を変えればいいか」が明確になった。以前は「もっと魅力的にしてください」という曖昧な指示になりがちだったが、今は「ファーストビューに使用シーンの画像を追加」「キャッチコピーをベネフィット訴求に変更」と具体的に伝えられる。
/product-name — SEO最適化した商品名を提案
使う場面: 新商品の出品時。または検索順位が低い既存商品のリネーム。
Before → After:
- Before: 楽天の検索窓でキーワードを1つずつ調べ、競合の商品名を見て、自分で組み立てる。1商品30分。
- After: 商品情報を入力すると、検索キーワード調査→競合分析→SEO最適化された商品名候補を複数提案。5分。
仕組み: 商品カテゴリと特徴から関連キーワードを調査。検索ボリュームと競合度を考慮し、楽天SEOのルール（文字数制限、キーワード配置）に準拠した商品名を複数パターン生成する。
実際の効果: 商品名の変更だけで検索順位が改善した事例が複数ある。特に「ユーザーが実際に検索する言葉」と「店舗が使いたい言葉」のギャップをAIが埋めてくれる。
/page-check — 商品ページ充実度の定量スコアリング
使う場面: 大量の商品ページを一括チェックしたいとき。どのページから優先的に改善すべきか判断したいとき。
Before → After:
- Before: 商品ページを1つずつ目視確認。どこから手をつけるべきかの優先順位が曖昧。
- After: 各ページの充実度をスコア化（画像枚数、説明文の充実度、レビュー対応、SEO要素など）。低スコアのページから優先的に改善する明確な基準ができる。
仕組み: 商品ページの構成要素をチェックリスト化し、各項目の充足度をスコアリング。合計スコアで全商品をランキングし、改善優先度を可視化する。
実際の効果: 「全部やらなきゃ」から「まずこの3ページから」に変わった。限られたリソースで最大の効果を出すための判断材料になっている。
/pricing — 競合価格調査から最適な価格戦略を提案
使う場面: 価格設定の見直し。セール前の値引き幅決定。新商品の価格設定。
Before → After:
- Before: 競合商品の価格を1つずつ調べ、Excelに並べて比較。値引き率、ポイント付与率、クーポンを総合的に考慮するのは頭の中だけ。
- After: 競合の実売価格（値引き・ポイント・クーポン込み）を自動調査し、最適な価格ポジションと施策の組み合わせを提案。
仕組み: 競合商品の販売価格、値引き額、ポイント付与率、クーポン情報を収集。実質価格で比較し、自社商品の最適な価格帯と施策の組み合わせ（値引き・ポイント・クーポンの配分）を提案する。
実際の効果: 「なんとなく10%OFF」ではなく「ポイント5倍+500円クーポンの方が粗利を守りながら実質価格で勝てる」という根拠ある提案ができるようになった。
/price-check — 競合の価格変動をモニタリング
使う場面: 定期的な競合モニタリング。セール前後の価格動向チェック。
Before → After:
- Before: 競合の価格変動を追うには定期的に手動チェックが必要。やる時間がなくて放置しがち。
- After: 指定した競合商品の価格を定期チェックし、変動があれば検知。自社の価格ポジションの変化を可視化。
仕組み: 監視対象の競合商品リストに対してWeb調査を実行し、前回との価格差分を検出。自社商品との価格差推移を記録する。
実際の効果: 競合のセール開始を即座にキャッチできるようになった。「気づいたら競合が値下げしていて、1週間売上が落ちていた」がなくなった。
/rank-check — 楽天検索順位の定点観測
使う場面: SEO施策の効果測定。商品名変更やキーワード追加後の順位変動チェック。
Before → After:
- Before: 楽天の検索窓でキーワードを入力し、自社商品が何ページ目に出るか手動で数える。10キーワードで30分。
- After: 指定キーワードの検索順位を自動計測。先週比の変動を一覧で確認できる。
仕組み: 指定したキーワードで楽天検索を実行し、自社商品の表示順位を記録。前回の計測結果と比較して、順位の変動をレポートする。
実際の効果: SEO施策のPDCAが回るようになった。「商品名を変えたら2週間後に5位上がった」「説明文を充実させたが順位変動なし」というフィードバックが定量的に得られる。
/review-strategy — レビュー獲得戦略の策定
使う場面: レビュー数が少ない店舗の改善。レビュー施策の立案時。
Before → After:
- Before: 「レビューを増やしたい」という漠然とした課題に対して、経験則でいくつかの施策を提案。効果予測は感覚頼り。
- After: 現状のレビュー数・記入率を分析し、規約遵守の範囲で実行可能な施策を優先度付きで提案。期待効果も試算。
仕組み: 店舗の現状レビューデータ（件数、記入率、評価分布）を分析し、業界平均と比較。レビュー獲得に効果的な施策（同梱物、フォローメール、特典設計など）をプラットフォーム規約に準拠した形で提案する。
実際の効果: 規約違反のリスクなく、レビュー数を増やす施策を体系的に提案できるようになった。特に「何をやってはいけないか」を明確にしてくれるのが安心感につながっている。
/review-reply — レビュー返信文の生成
使う場面: レビューへの返信が溜まっているとき。クレームレビューへの丁寧な対応が必要なとき。
Before → After:
- Before: レビュー1件ずつ読んで返信文を考える。特にクレーム対応は言葉選びに時間がかかる。10件で1時間。
- After: レビュー内容を入力すると、お礼・感想への共感・改善対応の返信文が生成される。クレームには謝罪と対応策を含む丁寧な文面。10件15分。
仕組み: レビューの内容と評価を読み取り、ポジティブレビューにはお礼と共感を、ネガティブレビューには謝罪と具体的な改善対応を含む返信文を生成する。店舗のトーンに合わせて文体を調整。
実際の効果: 返信率が上がった。以前は「時間がないから後で」と溜めてしまっていたが、生成された文面をベースに微調整するだけなので気軽に対応できる。
/mailmag — メルマガ原稿の生成
使う場面: セール告知、新商品案内、季節の挨拶メルマガ。定期配信の原稿作成。
Before → After:
- Before: メルマガの構成を考え、本文を書き、件名を考え、配信設定をする。1通2時間。
- After: 目的（セール告知・新商品案内など）と商品情報を入力すると、件名候補・本文・CTA（行動喚起）が生成される。30分で完成。
仕組み: メルマガの目的、対象商品、ターゲット層を入力すると、開封率を意識した件名候補と、構成化された本文を生成。過去の配信データがあれば、効果的だったフォーマットを優先する。
実際の効果: メルマガの配信頻度が月2回から月4回に倍増。原稿作成のハードルが下がったことで「出さないより出した方がいい」と思えるようになった。
/sale-prep — セール対策プランの一式生成
使う場面: 楽天スーパーセール、お買い物マラソンなどの大型セール前。
Before → After:
- Before: セール準備のチェックリストを過去資料から引っ張り出し、今回の施策を考え、スケジュールを組み、クライアントに提案。半日仕事。
- After: セール種別を指定すると、スケジュール・施策一覧・チェックリスト・クーポン設計が一式で出力される。1時間。
仕組み: セールの種別と店舗情報から、準備スケジュール（2週間前・1週間前・前日・当日・後日）を生成。各フェーズで必要な施策とチェックリストを具体的に提示する。
実際の効果: セール準備の「抜け漏れ」がなくなった。以前は「クーポン設定を忘れていた」「メルマガの配信予約がされていなかった」というヒヤリハットがあったが、チェックリストで防止できている。
/coupon-plan — クーポン戦略の設計
使う場面: セール時のクーポン設計。日常のリピーター獲得施策。
Before → After:
- Before: クーポンの種類（値引き・割引率・送料無料）、金額、対象商品、期間を毎回ゼロから考える。
- After: 店舗の客単価・粗利率・目的に応じて、最適なクーポン設計を提案。「この客単価なら500円OFFより10%OFFの方が効く」といった根拠付き。
仕組み: 店舗の売上データ、客単価、粗利率を考慮し、クーポンの種類・金額・対象・期間の最適な組み合わせを提案。粗利への影響もシミュレーションする。
実際の効果: 「とりあえず10%OFF」から「目的に応じた使い分け」に変わった。新規獲得には送料無料クーポン、リピーターにはまとめ買い割引、というように戦略的に設計できるようになった。
/compliance-check — 法規・規約チェック
使う場面: 商品ページの公開前。広告出稿前。メルマガ配信前。
Before → After:
- Before: 薬機法・景表法・プラットフォーム規約に抵触していないか、自分の知識で確認。見落としのリスクが常にあった。
- After: テキストを入力すると、薬機法・景表法・楽天/Qoo10規約に照らしてチェック。問題箇所を指摘し、代替表現を提案。
仕組み: 入力テキストを法規・規約のルールベースと照合し、抵触の可能性がある表現を検出。各表現について「なぜNGか」の理由と「こう書き換えればOK」の代替案を提示する。
実際の効果: 安心感が違う。特にサプリメントや化粧品を扱うクライアントでは、表現ひとつで行政指導のリスクがある。AIチェックは100%ではないが、明らかなNG表現を事前に潰せるのは大きい。
/ad-review — 広告パフォーマンス分析
使う場面: 広告運用の振り返り。予算配分の見直し。入札戦略の調整。
Before → After:
- Before: 広告管理画面からデータをダウンロードし、キャンペーンごとのROAS・CPC・CVRを計算。どこに予算を寄せるべきか判断。2時間。
- After: データを読み込ませると、キャンペーン別パフォーマンス分析・予算配分改善案・入札調整提案が出力される。30分。
仕組み: 広告データ（インプレッション、クリック、コスト、CV、売上）を読み込み、ROAS・CPC・CVRをキャンペーン別に計算。効率の良い/悪いキャンペーンを特定し、予算再配分と入札調整を提案する。
実際の効果: 広告のROASが改善傾向にある。特に「効率の悪いキャンペーンを早めに止める」判断がデータに基づいてできるようになったのが大きい。
/banner-brief — バナー企画書の自動生成
使う場面: デザイナーへのバナー発注時。セールやキャンペーンのビジュアル制作前。
Before → After:
- Before: バナーのサイズ、訴求内容、コピー案、構成ラフを口頭やチャットで伝える。意図が伝わらずやり直しが発生。
- After: 目的と商品情報を入力すると、サイズ別のバナー企画書（訴求ポイント、コピー案、構成ラフ、参考イメージの方向性）が出力される。
仕組み: バナーの目的（セール告知・商品訴求・ブランディング等）と商品情報から、サイズ別の企画書を生成。訴求の優先順位、キャッチコピー案、視線誘導の構成を具体的に指示する形式で出力。
実際の効果: デザイナーへの発注品質が上がった。「こういう感じで」が「この訴求をファーストビューに、価格はここに、CTAはこの位置に」に変わり、初稿の精度が上がった。結果としてやり直し回数が減少。
/category-strategy — カテゴリ市場調査と戦略策定
使う場面: 新カテゴリへの参入検討。既存カテゴリの強化方針決め。
Before → After:
- Before: カテゴリの市場規模、上位店舗、トレンドを手動調査。まとめるのに半日。
- After: カテゴリ名を指定すると、市場調査→競合マッピング→参入/強化戦略が出力される。1時間。
仕組み: 指定カテゴリのランキング上位店舗を調査し、価格帯、レビュー数、商品特徴を分析。市場のギャップ（競合が手薄な領域）を特定し、自社が取るべきポジションを提案する。
実際の効果: 「儲かりそう」ではなく「この価格帯のこのニーズが空いている」という具体的な参入戦略を提案できるようになった。
/aov-up — 客単価アップ施策の提案
使う場面: 客単価が伸び悩んでいるとき。アクセスは取れているが売上が伸びないとき。
Before → After:
- Before: 「セット販売を増やしましょう」程度の一般的な提案。
- After: 店舗のデータ（購買履歴、商品構成、価格帯）から、具体的な客単価アップ施策を提案。まとめ買い、セット販売、松竹梅の価格設計、ついで買い誘導。
仕組み: 店舗の商品構成と売上データを分析し、セット販売の組み合わせ候補、まとめ買い割引の閾値設定、松竹梅の価格設計を提案。期待効果（客単価上昇幅）もシミュレーションする。
実際の効果: 「なぜこの組み合わせか」をデータで説明できるようになった。「一緒に買われている商品」の分析に基づくセット提案は、勘よりも精度が高い。
/seasonal — 季節商戦の企画提案
使う場面: 母の日、父の日、クリスマス、バレンタインなどの季節イベント企画。
Before → After:
- Before: 「去年は何やったっけ」から始まり、企画をゼロベースで考える。
- After: 時期と商材を入力すると、過去のEC市場トレンド、消費者行動の傾向、推奨施策のパッケージが出力される。
仕組み: 季節イベントとカテゴリの組み合わせで、EC市場のトレンド情報を収集。消費者の購買行動パターンを踏まえた企画提案（訴求軸、価格設定、タイミング、プロモーション手法）を生成。
実際の効果: 季節企画の「型」ができた。毎回ゼロから考えるのではなく、AIの提案をベースにカスタマイズする方式に変えて、企画の速度と質が両立するようになった。
/client-check — クライアント店舗の現況Web調査
使う場面: クライアントMTGの前。「最近の店舗の様子をさっと把握したい」とき。
Before → After:
- Before: 店舗ページ、レビュー、ランキング、SNSを手動でチェック。30分。
- After: クライアント名を指定すると、店舗の現況（新商品、レビュー動向、ランキング変動、競合の動き）をWeb調査してサマリー化。数分。
仕組み: クライアント店舗に関する公開情報をWeb検索で収集し、最新の動向をカテゴリ別にまとめる。前回の調査結果との変化点を強調して報告する。
実際の効果: MTG前の準備が楽になった。「最近どうですか？」ではなく「先週レビューが5件入っていて、評価が上がっていますね」と具体的な話から入れる。
/onboard — クライアント引き継ぎ資料の自動生成
使う場面: 担当者が変わるとき。新メンバーにクライアント情報を共有するとき。
Before → After:
- Before: 散在する情報（戦略資料、議事録、KPI推移、施策履歴）を手動で集めて引き継ぎ資料を作成。半日。
- After: クライアント名を指定すると、管理ファイルから全情報を収集し、構造化された引き継ぎ資料が出力される。30分。
仕組み: クライアントに関連する全ファイル（戦略、KPI、施策履歴、議事録）を横断検索し、「経緯」「現状」「進行中の施策」「注意事項」の形式で引き継ぎ資料を生成。
実際の効果: 引き継ぎの質が安定した。属人的な「口頭での引き継ぎ」ではなく、データに基づく構造化された資料になったことで、引き継ぎ後の立ち上がりが早くなった。
/quick-input — 商談メモの構造化と自動追記
使う場面: 商談やMTG直後。走り書きメモを構造化してクライアント管理ファイルに反映したいとき。
Before → After:
- Before: 商談メモをそのまま保存。後で管理ファイルに転記しようとして忘れる。情報が散逸。
- After: 走り書きメモを入力すると、構造化して管理ファイルの適切なセクションに自動追記。
仕組み: メモの内容を解析し、「決定事項」「TODO」「クライアントの要望」「次回議題」に分類。クライアント管理ファイルの該当セクションに自動追記する。
実際の効果: 「メモはあるけど管理ファイルに反映されていない」問題が解消。情報の鮮度と正確性が上がった。
/propose — 提案書の叩き台自動生成
使う場面: 新規営業の提案書作成。既存クライアントへの追加提案。
Before → After:
- Before: 提案書のフレームワークから構成を考え、クライアントの課題に合わせてカスタマイズ。1本3時間。
- After: クライアント名とサービスメニューを指定すると、課題仮説・提案内容・期待効果・料金の叩き台が生成される。30分で初稿。
仕組み: クライアントの公開情報（店舗URL、レビュー、ランキング等）から課題を推定し、サービスメニューに応じた提案内容を構成。期待効果の試算と料金プランを含む提案書の叩き台を生成する。
実際の効果: 提案書作成のハードルが下がった。「時間がかかるから」と見送っていた小規模な提案も、30分で叩き台が作れるなら出す価値がある。営業の打席数が増えた。