Media > AI活用ユースケース > 営業 > 中古家電の買取店が、型番のハイフンや末尾の色の記号の違いをそろえて過去の買取と再販の記録を OpenSearch で引き、査定の目安の幅を並べる

中古家電の買取店が、型番のハイフンや末尾の色の記号の違いをそろえて過去の買取と再販の記録を OpenSearch で引き、査定の目安の幅を並べる

実装ステータス:構成例 技術的に実現可能な構成として設計したもの。自社未検証

中古家電の買取の相談に書かれた型番を、表記の違いをそろえたうえで過去の買取と再販の記録から引きます。同じ型番・色違い・同じシリーズの別の容量の3段で記録を並べ、買取額と再販の価格の幅を査定の目安として示します。

サマリー
生成AI
Azure OpenAI Service/ChatGPT/Claude
AIサービス
Azure AI/Google Vertex AI/OpenSearch
対象業界
EC/小売
対象部門
営業/購買
対象業務
情報検索/比較検討
主な課題
判断に時間がかかる/属人化している/情報が見つからない
AIで行う処理
検索(RAG)
主な効果
品質標準化/属人化解消/検索時間短縮
導入難易度
★★★☆☆
実装レベル
本格構成
費用感
RAG・個別開発(大)
人間の確認
条件付き
現在工数
100h/月
AI導入後
40h/月
想定削減
60%
年間削減
720h
モデル条件による試算値です。実在企業の実績ではありません。

01導入前 / 導入後の業務フロー

導入前(Before)
  1. 相談を受け、品目・メーカー・型番・製造年・状態・付属品を聞き取るか、フォームから写す
  2. 販売の管理の仕組みで型番を入れて過去の記録を探す
  3. 出てこなければ、ハイフンを抜く、全角にする、色の記号を外すなど、書き方を変えて何度も引き直す
  4. 同じ型番が無ければ、色違いや同じシリーズの別の容量の記録を記憶を頼りに探す
  5. 見つかった記録の買取額・再販の価格・売れるまでの日数を見比べ、製造年と状態の違いを考える
  6. 買取額を決め、相談の記録に残す
導入後(After)
  1. 自動毎晩、販売の管理の仕組みから買取と再販の記録を書き出し、Lambda が型番をそろえて OpenSearch の索引に入れる
  2. 人査定の担当が、相談の文(フォームの内容・出張のメモ)を画面に入れる
  3. 自動生成AIが、相談の文からメーカー・型番・製造年・状態・付属品の言葉を書かれたまま取り出す
  4. 自動Lambda が型番をそろえ、メーカーの決まりの表で色の記号とシリーズの部分を切り分ける
  5. 自動OpenSearch が、同じ型番・色違い・同じシリーズの3段で記録を引き、どの段で当たったかを返す
  6. 自動OpenSearch の集計で、同じ型番と色違いの最近の記録の買取額と再販の価格の幅を出す
  7. 自動生成AIが、候補・当たり方・幅・相談の品と違う点を、記録のまま並べた表にする
  8. 人担当が表を見て、品の状態を確かめたうえで買取額を決める
各工程の詳しい説明を読む
  1. 相談を受け、品目・メーカー・型番・製造年・状態・付属品を聞き取るか、フォームから写す
  2. 販売の管理の仕組みで型番を入れて過去の記録を探す
  3. 出てこなければ、ハイフンを抜く、全角にする、色の記号を外すなど、書き方を変えて何度も引き直す
  4. 同じ型番が無ければ、色違いや同じシリーズの別の容量の記録を記憶を頼りに探す
  5. 見つかった記録の買取額・再販の価格・売れるまでの日数を見比べ、製造年と状態の違いを考える
  6. 買取額を決め、相談の記録に残す

(a)書き方が違うと出てこない。 2番目で引いて0件だと、記録が無いのか、書き方が違うだけなのかが分かりません。 3番目の引き直しを何回するかは担当しだいです。

(b)色違いとシリーズは記憶頼み。 「この冷蔵庫の白は無いが、同じ型番の茶色なら先月買った」と思い出せるのは、長く勤めた担当だけです。シリーズの別の容量の記録を探す方法は、型番の先頭の数文字で引いて、出てきた一覧を目で読むことしかありません。

(c)色の記号のつもりで仕様違いを混ぜる。 末尾の文字を色の記号だと思って外したら、実は仕様の違う型番だった、ということが起きます。メーカーごとの決まりを、全員が覚えているわけではありません。

(d)担当で額がばらつく。 何件の記録を見たか、いつの記録を見たかが担当ごとに違い、同じ品でも店によって買取額が違うとお客様に言われることがあります。

  1. 【自動】 毎晩、販売の管理の仕組みから買取と再販の記録を書き出し、Lambda が型番をそろえて OpenSearch の索引に入れる
  2. 【人】 査定の担当が、相談の文(フォームの内容・出張のメモ)を画面に入れる
  3. 【自動】 生成AIが、相談の文からメーカー・型番・製造年・状態・付属品の言葉を書かれたまま取り出す
  4. 【自動】 Lambda が型番をそろえ、メーカーの決まりの表で色の記号とシリーズの部分を切り分ける
  5. 【自動】 OpenSearch が、同じ型番・色違い・同じシリーズの3段で記録を引き、どの段で当たったかを返す
  6. 【自動】 OpenSearch の集計で、同じ型番と色違いの最近の記録の買取額と再販の価格の幅を出す
  7. 【自動】 生成AIが、候補・当たり方・幅・相談の品と違う点を、記録のまま並べた表にする
  8. 【人】 担当が表を見て、品の状態を確かめたうえで買取額を決める

4番目の切り分けは、AIにさせません。 色の記号の決まりはメーカーごとに担当が表にし、Lambda がその表どおりに切り分けます。表に無いメーカーは切り分けず、そろえた型番の一致だけで引きます。

8番目の買取額は、担当が決めます。 画面には幅と違う点が出るだけで、「この額で買い取れます」とは出しません。

02今回想定するシステム構成

構成図
販売の管理の仕組み(買取と再販の記録の CSV)──【トリガー】毎晩の書き出し
   ▼
AWS Lambda ── 型番をそろえ、色の記号とシリーズを切り分けて記録を起こす
   ▼
Amazon OpenSearch Service
   │   買取の記録の索引:記録の番号・品目・メーカー・型番(そろえた形/色を外した形/シリーズ)
   │                     製造年・状態の等級・付属品・買取額・再販の価格・売れるまでの日数・所見
   ▼【人】担当が相談の文を入れる
AWS Lambda
   ├──▶ Claude(Amazon Bedrock)── 相談の文からメーカー・型番・年式・状態の言葉を取り出す
   ├──▶ メーカーの決まりの表で型番を切り分ける
   ├──▶ OpenSearch ── 3段の名前付きの問い合わせで引き、価格の幅を集計する
   ├──▶ Claude(Amazon Bedrock)── 候補と幅と違う点を記録のまま並べた表
   ▼
担当の画面 ──【人】品を確かめ、買取額を決める
役割想定する製品代替候補
検索基盤Amazon OpenSearch Service(ノーマライザー、名前付きの問い合わせ、percentiles の集計)Azure AI Search、Vertex AI Search(Agent Search)
生成AIClaude(Amazon Bedrock の Converse API、構造化出力)Azure OpenAI(Microsoft Foundry)、OpenAI API
連携AWS Lambda(記録の取り込み、型番の切り分け、検索の呼び出し、照合)AWS Step Functions
保管Amazon S3(記録の写し、メーカーの決まりの表、相談と候補と決めた額)社内のファイルサーバー

販売の管理の仕組みと古物の帳簿には、この構成から書き込みません。 買取が決まった後の記録と帳簿への記載は、いつもの手順で行います。

価格の幅を出すのは OpenSearch の集計で、生成AIではありません。 生成AIは、相談の文からの取り出しと、Lambda と OpenSearch が出した値を表に並べることだけを行います。

03どうやって実装するのか

Step1

処理の起点を決める

起点は2つあります。毎晩の記録の取り込みと、担当の検索のボタンです。

記録の取り込みは、毎晩、販売の管理の仕組みから前日までの買取と再販の記録を CSV で書き出し、S3 に置いたときに Lambda が動きます。再販の価格と売れた日は、売れた日の夜に同じ記録の番号で上書きします。 売れていない品は、再販の価格と売れるまでの日数を空のまま持ちます。

検索のボタンは、担当が相談の文を画面に入れた後に押します。Web の事前査定のフォームも出張のメモも、同じ「相談の文」として扱います。

Step2

入力データを集める

データ中身取得元
相談の文品目・メーカー・型番・製造年・状態・付属品の記載(お客様や担当が書いたまま)担当が入れる/Web のフォーム
買取と再販の記録記録の番号、品目、メーカー、型番、製造年、状態の等級、付属品、買取額、買い取った日、再販の価格、売れた日、所見販売の管理の仕組みの書き出し
メーカーの決まりの表メーカーごとの、色の記号の付き方(末尾の何文字か、括弧の有無)、色の記号の一覧、シリーズの部分の取り方査定の担当が作る表
品目の表品目ごとの、価格の幅を出す期間(例:直近12か月)と、製造からの年数の扱い店で決める表

質を決めるのは、メーカーの決まりの表です。 色の記号の文字数やハイフンの有無はメーカーで違うので、過去の記録で色違いが並ぶ型番を担当が見比べ、確かめたメーカーから順に足します。 売り手の名前と住所は取り込みません。

Step3

データの取得方法を決める

取るものどこからどう取るか
同じ型番の記録買取の記録の索引model_norm への term(_name: same_model)
色違いの記録同じ索引model_base への term(_name: color_variant)
同じシリーズの記録同じ索引series への term(_name: same_series)
価格の幅同じ索引同じ型番と色違いに絞った percentiles の集計

型番の表記のゆれは、キーワードの項目のノーマライザーで吸収します。 公式のドキュメントでは、ノーマライザーは1つのトークンだけを出し、文字の単位の処理だけができ、同義語への置き換えはできないとされ、公式の例では索引の値が naive のとき term で Naïve と引いても一致するとされています。

PUT /buyback_records
{
  "settings": { "analysis": {
    "char_filter": {
      "strip_marks": { "type": "pattern_replace",
                       "pattern": "[\\s\\-‐-ー()()/・]+", "replacement": "" } },
    "normalizer": {
      "model_norm": { "type": "custom",
                      "char_filter": ["icu_normalizer", "strip_marks"] } } } },
  "mappings": { "properties": {
    "record_no":  { "type": "keyword" },
    "category":   { "type": "keyword" },
    "maker":      { "type": "keyword" },
    "model_norm": { "type": "keyword", "normalizer": "model_norm" },
    "model_base": { "type": "keyword", "normalizer": "model_norm" },
    "series":     { "type": "keyword", "normalizer": "model_norm" },
    "mfg_year":   { "type": "integer" },
    "grade":      { "type": "keyword" },
    "buy_price":  { "type": "integer" },
    "buy_date":   { "type": "date" },
    "resale_price": { "type": "integer" } } }
}

1つ目の処理の icu_normalizer は、既定の nfkc_cf で NFKC の正規化に大文字と小文字の折りたたみを加えると公式のドキュメントにあり、全角の英数字と大文字・小文字の違いがそろいます。AWS の公式ページでは、ICU と kuromoji の解析がすべてのドメインに含まれるとされています。

2つ目の pattern_replace で消すのは、空白・各種のハイフン・長音の記号・括弧・スラッシュだけです。 末尾の色の記号は消しません。公式のページは、書き方の悪い正規表現は解析を遅くし StackOverflowError を起こしうると警告し、Analyze API で試すよう勧めています。

model_base(色の記号を外したもの)と series(シリーズの部分)は、Lambda がメーカーの決まりの表で切り分けてから入れます。

GET /buyback_records/_search
{
  "size": 20,
  "query": { "bool": {
    "filter": [ { "term": { "maker": "MAKER-A" } },
                { "term": { "category": "refrigerator" } },
                { "range": { "buy_date": { "gte": "now-24M/d" } } } ],
    "should": [
      { "term": { "model_norm": { "value": "AB-R17KX-W", "boost": 3, "_name": "same_model" } } },
      { "term": { "model_base": { "value": "AB-R17KX",   "boost": 2, "_name": "color_variant" } } },
      { "term": { "series":     { "value": "AB-R",       "boost": 1, "_name": "same_series" } } } ],
    "minimum_should_match": 1 } },
  "sort": [ "_score", { "buy_date": "desc" } ]
}

どの段で当たったかは、名前付きの問い合わせで返します。 公式のドキュメントでは、問い合わせの句に _name を付けると、一致した文書の応答に一致した句の名前の配列 matched_queries が付くとされています。same_model を含む記録は同じ型番、color_variant だけなら色違い、same_series だけなら同じシリーズの別の型番です。 画面には、この3つを分けて並べます。

GET /buyback_records/_search
{
  "size": 0,
  "query": { "bool": { "filter": [
    { "term": { "model_base": "AB-R17KX" } },
    { "range": { "buy_date": { "gte": "now-12M/d" } } } ] } },
  "aggs": {
    "buy":    { "percentiles": { "field": "buy_price",    "percents": [25, 50, 75] } },
    "resale": { "percentiles": { "field": "resale_price", "percents": [25, 50, 75] } } }
}

価格の幅は percentiles の集計で出します。 公式のドキュメントでは、percents で百分位を指定でき(既定は 1・5・25・50・75・95・99)、近似の値であるとされています。同じ条件の件数も数え、5件未満のときは幅を出さず、記録を1件ずつ並べます。

Step4

AIへ渡す前に整形する

  1. 型番の欄を分ける … 型番の欄に「(白)」のような色の名前が書き足されていれば、color_name の列に移します
  2. メーカーの名前をそろえる … 「メーカーA」「A社」のような書き方を、メーカーの一覧の符号にそろえます
  3. 色の記号とシリーズを切り分ける … 決まりの表に沿って model_base と series を作ります。表に無いメーカーは空にします
  4. 製造からの年数を出す … 記録ごとに、買い取った年から製造年を引いた age_at_buy を持ちます
  5. 相談の品の年数を出す … 今日の時点の年数を出し、画面で記録の年数と並べます

4番目と5番目の年数を並べるのは、家電の価格が製造からの年数で下がるからです。 2年前に製造から1年で買い取った記録と、今日の製造から3年の品とでは前提が違います。年数の差は Lambda が出し、価格の補正はしません。

Step5

AIに処理させる

AIの仕事は2つです。 相談の文からメーカー・型番・製造年・状態・付属品を書かれたまま取り出すことと、候補・当たり方・幅・違う点を記録のまま並べることです。

させることさせないこと
相談の文から、型番を書かれたまま取り出す型番の文字を直す・補う・それらしい型番に近づけること
状態の言葉(傷・へこみ・におい・動作)を書かれたまま取り出す状態の等級(A〜D)を決めること
候補ごとに、当たり方・年数・等級・価格を記録の値のまま並べる買取額を書くこと、価格を計算し直すこと
相談の品と候補の違う点(色・容量・年数・付属品)を記録から並べる色の記号やシリーズの切り分けをすること

「型番の文字を直さない」が、この構成でいちばん大事な線です。 AIは「AB-R17KXW」を「AB-R17KX-W の誤記」と直したくなりますが、直した型番で引くと別の品の記録が当たります。 そろえるのはノーマライザーと決まりの表だけにします。

Step6

指示内容を固定する

1回目(相談の取り出し)の指示です。

あなたは中古家電の買取店で、買取の相談を整理する立場です。
【相談】から、過去の記録を探すための手がかりを取り出してください。

【取り出すもの】
- category_raw: 品目(冷蔵庫・洗濯機など)。書かれたまま
- maker_raw: メーカーの名前。書かれたまま。無ければ空
- model_raw: 型番。書かれた文字のまま。無ければ空
- mfg_year_raw: 製造年。書かれたまま。無ければ空
- condition_words: 状態について書かれた言葉。書かれたまま
- accessories_words: 付属品について書かれた言葉。書かれたまま
- missing: 書かれていないが査定に要る項目(メーカー・型番・製造年・状態)

【厳守事項】
- 型番の文字を直したり、補ったり、ハイフンを足したりしないでください。
- 色の記号やシリーズを判断しないでください。
- 状態の等級(A〜D)を付けないでください。
- 書かれていないメーカーや製造年を推し量らないでください。
- お客様の名前・住所・電話番号は写さないでください。

【相談】{inquiry_text}

2回目(候補の表)の指示です。

あなたは中古家電の買取店で、査定の担当に過去の記録を示す立場です。
【候補】は OpenSearch が返した買取と再販の記録です。
【当たり方】【価格の幅】【年数】はシステムが出したものです。

【書き方】
- 候補を「同じ型番」「色違い」「同じシリーズ」に分けて並べてください。
- 候補ごとに、記録の番号・型番・製造年・買い取ったときの年数・状態の等級・
  付属品・買取額・再販の価格・売れるまでの日数を、記録の値のまま書いてください。
- 【価格の幅】の値と件数は、そのまま書いてください。
- 相談の品と違う点(色・容量・年数・付属品)を、記録の値から並べてください。
- 最後に、担当が品を見て確かめる点をまとめてください。

【厳守事項】
- 買取額や「この額で買い取れます」を書かないでください。
- 価格を足したり割ったりして計算し直さないでください。
- 候補の当たり方と順番を変えないでください。

【相談の手がかり】{hints}
【候補】{hits}
【当たり方】{matched}
【価格の幅】{ranges}
【年数】{ages}

「計算し直さない」を入れるのは、年数と価格が並ぶと、AIが「1年古いので1割引き」のような店の決まりに無い換算を書くからです。

Step7

出力形式を固定する

Bedrock の Converse API の outputConfig.textFormat に JSON スキーマを渡し、2回目は次の形で受け取ります。

{
  "inquiry": { "maker": "", "model_raw": "", "mfg_year": "", "missing": [""] },
  "groups": [
    { "match": "same_model | color_variant | same_series",
      "items": [ { "record_no": "", "model_raw": "", "age_at_buy": 0, "grade": "",
                   "buy_price": 0, "resale_price": 0, "days_to_sell": 0,
                   "diffs": [""] } ] } ],
  "ranges": { "count": 0, "buy_p50": 0, "resale_p50": 0 },
  "to_check": [""]
}

AWS の公式ページでは、Converse API の outputConfig.textFormat に JSON スキーマを渡すと応答がスキーマに沿うとされています。すべての object に additionalProperties: false が要り、数値の minimum・maximum は使えず、配列の minItems は 0 と 1 だけとされています。当たり方は enum で縛ります。

1つ目の理由は、AIが返した番号と値を照合できることです。 record_no が検索の結果に無いとき、価格が索引や集計の値と違うときは、表を出さずに作り直します。

2つ目は、match を matched_queries から Lambda が決められることです。 color_variant だけなら「色違い」、same_series だけなら「容量・仕様が違う型番」の印を付け、AIが返した match と違えば作り直します。

Step8

システムへ連携する

つなぎ先方式内容
販売の管理の仕組み毎晩の CSV の書き出し(読み取りのみ)買取と再販の記録
Web の事前査定のフォーム画面への送り込み(読み取りのみ)相談の文
Amazon OpenSearch ServiceLambda からの登録・検索・集計買取の記録の索引
Amazon BedrockConverse API(Claude)相談の取り出し、候補の表
Amazon S3Lambda からの書き込み記録の写し、決まりの表、相談と候補と決めた額

決めた買取額は、画面で「見た候補」と一緒に S3 に残します。 実際の買取の記録は、これまでどおり販売の管理の仕組みに入り、翌晩の取り込みで索引に入ります。

Step9

人が確認する

  1. 型番を見る … 取り出した型番が、品の銘板の文字と同じかを確かめます。事前査定は、来店や出張のときに銘板で確かめ直します
  2. 当たり方を見る … 「色違い」「容量・仕様が違う型番」の印の付いた候補は、参考にするかを決めます
  3. 年数の差を見る … 記録の買い取ったときの年数と、相談の品の年数の差を確かめます
  4. 品を確かめる … 動作、傷、におい、付属品を見て、状態の等級を付けます
  5. 買取額を決める … 幅と違う点と品の状態から、買取額を決めます

1番目を省かないでください。 フォームに打たれた型番は、別の品の型番であることがあります。

Step10

例外に対処する

起きること対応
3段のどれでも0件「記録なし」と出し、品目とメーカーだけの最近の記録の件数を添えて担当に回す
メーカーの決まりの表に無いメーカーそろえた型番の一致だけで引き、「色違い・シリーズは未対応のメーカー」と出す
型番が書かれていない引かずに、銘板の写真か型番の確認をお客様に頼む文を担当に出す
集計の件数が5件未満幅を出さず、記録を1件ずつ並べる
AIの番号や値が索引の値と違う表を出さずに作り直す。2回続けば候補の一覧と幅だけを出す

1行目で品目とメーカーの件数を添えるのは、0件の理由を見分けるためです。 そのメーカーの冷蔵庫の記録が数百件あって型番が0件なら、型番の打ち間違いを先に疑います。

Step11

記録を残す

  • 取り込んだ記録の CSV の写しと、型番の切り分けの結果(model_norm・model_base・series)
  • メーカーの決まりの表の版と、変えた日・変えた人
  • 相談ごとの、相談の文(お客様の名前を外したもの)、取り出しの JSON、検索の条件
  • 候補、matched_queries、価格の幅と件数、照合の結果
  • 担当が決めた買取額と、見た候補の記録の番号

決まりの表の版を残すのは、表を直すと当たり方が変わるからです。

04実装レベルの3段階

最小構成:表計算で型番をそろえる式を作り、よく扱う3社の色の記号の表で引く / 型番の表記のゆれの吸収
半自動化:上記+OpenSearch にノーマライザー付きの索引を作り、3段の名前付きの問い合わせで引く / 3段の記録の検索
本格構成:上記+価格の幅の集計、相談の取り出し、候補の表と照合、決めた額の記録 / 相談から候補の表まで

半自動化で、1件10分が6分程度になります。 書き方を変えて引き直す時間はなくなりますが、相談の整理と、価格の幅を記録から読み取る作業が手で残ります。本格構成で4分になり、この段階が本記事の想定です。 段階を飛ばさないでください。 半自動化を1か月使うと、どのメーカーの色の記号の表が足りないか、どの品目で「容量・仕様が違う型番」が参考になるかが分かります。価格の幅を出す期間(12か月か24か月か)は、半自動化の間に品目ごとに担当と決めておきます。

05工数削減シミュレーション

前提値(モデル条件)
対象人数
8 名
月間件数
600 件
1件あたり現在時間
10 分
1件あたり導入後時間
4 分
現在  600件 × 10分 ÷ 60 = 100 時間/月
導入後 600件 × 4分 ÷ 60 = 40 時間/月
月間削減時間
60h
削減率
60%
年間削減時間
720h
年間金額換算(時間単価2,500円)
180万円
モデル条件による試算であり、実際の効果は業務内容・運用方法によって異なります。

自社条件で導入効果を整理したい方へ

このユースケースを自社に当てはめた場合の前提値と削減見込みを、業務ヒアリングをもとに整理します。

AI活用について相談する

06向いている企業・向いていない企業

向いている
  1. 冷蔵庫・洗濯機・電子レンジなどの中古家電を店頭・出張・Web の事前査定で買い取り、毎月数百件の査定をしている買取店。過去の買取と再販の記録が販売の管理の仕組みに数万件残っているのに、型番の書き方がばらばらで、記録を引くのが長く勤めた査定の担当の記憶と、型番を何通りにも打ち直す検索に頼っている場合。買取と再販の記録を CSV で書き出せ、AWS を使える担当か委託先がいる場合。
向いていない
  1. 扱う品目が少なく、型番ごとの買取の価格表を本部が毎週配っていて、それを見れば済む場合。過去の記録が紙の伝票だけで、型番と価格を書き出せない場合。型番が分からない古い家電や海外の家電が中心の場合。なお、買取額の決定、動作や安全の確認、再販してよいかの判断、売り手の本人確認と古物の帳簿の記載は、この構成では代替できません。記録から近い品を引き、価格の幅と違う点を記録のまま並べるまでです。

07最小構成で試す方法

  1. 先月の相談から30件を選ぶ(冷蔵庫・洗濯機・電子レンジを混ぜ、記録が出なかった相談を入れる)
  2. 販売の管理の仕組みから過去2年の買取の記録を表計算に書き出す
  3. 型番の列に、全角を半角にし、空白とハイフンを消し、大文字にそろえる式の列を足す
  4. よく扱う3社について、色違いが並んでいる型番を見比べ、色の記号の付き方を表にする
  5. 30件の型番を同じ式でそろえて引き、同じ型番・色違いで何件出るかを数える

5番目で、当時「記録なし」だった相談が何件引けるようになるかを見ます。

出てきた内容判断
当時0件だった相談の記録が引けたOpenSearch の索引に進む
色違いのつもりで仕様の違う型番が混ざったメーカーの決まりの表を直す。構成は有効
そろえても引ける記録がほとんど無い扱う品目と記録の残し方を見直すのが先

この段階では、生成AIは使いません。 型番をそろえれば記録が引けるかを、表計算の式でまず確かめます。

08実装時につまずきやすいポイント

問題対策
全角の型番が引けないicu_normalizer を索引と検索の両方に効くノーマライザーに入れる
末尾の色の記号を一律の正規表現で消す色の記号はメーカーの決まりの表で Lambda が外し、pattern_replace では消さない
正規表現が重く取り込みが遅い単純な文字の集まりにとどめ、Analyze API で試してから使う
色違いと容量違いが同じ扱いになる名前付きの問い合わせで当たり方を分け、印を付ける
件数の少ない型番の幅を信じる件数を数え、5件未満は幅を出さない
AIが型番を直して引く指示で禁じ、取り出した型番と相談の文の文字を後段で照合する
AIが年数から価格を割り引く指示で禁じ、表の金額を索引と集計の値と照合する

上の4行は、検索がそれらしく動いているように見えて起きる失敗です。 第8章の30件で、当時0件だった相談が引けるか、色違いに仕様違いが混ざらないかを必ず見てください。

下の3行は、運用を始めてから効いてくる失敗です。 件数の少ない幅で額を決めて損をすると、担当は画面の幅を信用しなくなります。 件数の表示と照合は、最初の版から入れておきます。

09セキュリティ・AIガバナンス上の注意点

この構成で扱うデータ: 自社の買取と再販の記録(品目・型番・価格・日付)、Web の事前査定の相談の文です。相談の文と買取の記録の元には、お客様の名前・住所・電話番号が付いています。

  1. お客様の情報を外す … 索引に入れるのは品と価格と日付だけです。相談の文の取り出しでもお客様の情報は写させず、生成AIに渡す前に名前と電話番号の欄を外します
  2. 古物の帳簿は帳簿として残す … 売り手の本人確認と帳簿への記載は、この構成の索引で代えません。いつもの手順で行います
  3. 買取額を決めさせない … 画面に出すのは記録の値と幅と違う点までです。額は担当が品を見て決めます
  4. 価格の記録を外に出さない … 買取と再販の価格は店の競争力そのものです。生成AIに渡すのは候補の番号と値までにし、索引の全件は渡しません
  5. 動作と安全の判断をしない … 品が安全に使えるか、再販してよいかは、担当が点検し、自社の決まりで判断します。 AIの文に書かせません
  6. 索引への接続を限る … OpenSearch には、Lambda と査定の担当の画面だけが接続できるようにします

誤りが起きた場合のリスクは、別の品の記録で額を決めること、件数の少ない幅を信じること、お客様の情報が索引に入ることの3つです。 決まりの表と当たり方の印、件数の表示、取り込む列の限定で防ぎます。

10まず何から始めるか

1週目:記録を書き出し、型番をそろえる

販売の管理の仕組みから過去2年の買取と再販の記録を書き出し、表計算で型番をそろえる式を作ります。品目ごと、メーカーごとの記録の件数を数えます。

2週目:30件で試す

第8章のとおり、先月の相談30件で、型番をそろえると当時0件だった相談が引けるかを見ます。色違いのつもりで仕様の違う型番が混ざっていないかを最優先で見ます。

3週目:メーカーの決まりの表を作る

件数の多いメーカーから、色の記号の付き方とシリーズの部分の取り方を表にします。価格の幅を出す期間と、幅を出す最低の件数を、担当と決めます。

4週目:買取の記録の索引を作る

OpenSearch にノーマライザー付きの索引を作り、3段の名前付きの問い合わせで引けるようにします。この時点では、価格の幅と候補の表は使いません。

2か月目: 価格の幅の集計、相談の取り出し、候補の表と照合を足します。3か月目以降: 「記録なし」の件数、決まりの表に無いメーカーの件数、同じ型番での店ごとの買取額の開きを毎月数えます。入ったばかりの担当が、長く勤めた担当と同じ記録を見て、同じくらいの時間で額を決められた時点で、この構成は完成です。


11関連ユースケース

12この仕組みを理解するための記事

13技術仕様の確認日・参考情報

技術仕様確認日:2026-11-03/最終更新:2026-11-03
確認した内容情報源確認日
ノーマライザーが1つのトークンだけを出し、トークナイザーを持たず、文字の単位の処理だけができること。同義語への置き換えができないこと。キーワードの検索に役立ち、naive の値を Naïve で引いても一致する例。pattern_replace と icu_normalizer の文字のフィルターを使えることOpenSearch: Normalizers2026-11-03
pattern_replace が正規表現に当たる部分を置き換え、置き換えを空にすると消せること。書き方の悪い正規表現が解析を遅くし StackOverflowError を起こしうるので Analyze API で試すよう警告していることOpenSearch: Pattern replace character filter2026-11-03
icu_normalizer の既定が nfkc_cf で、NFKC の正規化に大文字と小文字の折りたたみを加えたものであることOpenSearch: ICU normalization character filter2026-11-03
percentiles の集計で percents を指定でき、既定が 1・5・25・50・75・95・99 であること。近似の値であることOpenSearch: Percentile aggregation2026-11-03
問い合わせの句に _name を付けると、一致した文書の応答に matched_queries の配列が付くことOpenSearch: Named queries2026-11-03
Amazon OpenSearch Service で Japanese(kuromoji)Analysis と ICU Analysis がすべてのドメインに含まれることAWS: Plugins by engine version in Amazon OpenSearch Service2026-11-03
Converse API の outputConfig.textFormat で JSON スキーマに沿った出力が得られること。additionalProperties: false が要ること。数値の minimum・maximum に対応しないこと。minItems が 0 と 1 だけであることAWS: Structured outputs(Amazon Bedrock)2026-11-03

買取額、品の動作と安全、再販してよいか、売り手の本人確認と古物の帳簿の扱いは、査定の担当と自社の決まりに沿って判断してください。 本記事は上記の資料で確認できた範囲だけを扱っています。

実装ステータス:構成例。 公開仕様に基づいて設計した構成であり、当社で実際に構築・検証したものではありません。工数の数値はモデル条件による試算です。

自社の業務に使えるAI活用候補を整理します

このユースケース(UC-2570)についてのご相談はこちらから。

AI活用について相談する
目次