Miros

Miros

Miros · 画像 · コーディング

Miros はオンラインストア向けの AI 商品ディスカバリー基盤である。買い物客の行動と商品画像を読み取り、検索・回遊・レコメンドを個別に最適化する。

Miros の画面プレビュー

Miros について

About

Miros とは

Miros は、EC サイトが既存のカタログの上に重ねて使う商品ディスカバリー層である。運営会社はタリンに本社を置き、ロンドンとリスボンにも拠点を持つ。コンピュータビジョンの技術はエストニアのタルトゥ大学での研究から生まれた。導入した店舗は、客が検索しようとも思わない商品を目の前に出せるようになる。

狙っているのは実際にある欠落だ。Miros によれば、ファッション通販の買い物客の 85% は検索窓に触れない。実際に入力される検索の 90% は曖昧すぎて有用な結果を返せない。テキスト検索は、客が欲しいものを言葉にできる前提で動いている。色味や襟元まで決まった結婚式用のワンピースを探す人は、たいてい言葉にできない。

限界もこの立ち位置から来る。Miros は事業者向けの製品で、デモと導入プロジェクトを経て契約する形になり、セルフサービス登録はない。アパレル、家具、インテリアのように画像の比重が大きいカタログで力を発揮し、型番で探すのが当たり前の店舗では効果が小さい。

導入の流れ

  1. Miros のサイトからデモを申し込む。自社のカタログで試せば、実在の商品で検証できる。
  2. 現在の検索との直接比較を確認し、範囲を決める。言葉を使わない検索、レコメンド、shop the look、あるいは一式。
  3. Miros にカタログをインデックスさせる。AI が商品画像から視覚的・意味的な属性を抽出するため、手作業のタグ付けは要らない。
  4. JavaScript ウィジェットを設置するか、GraphQL API で接続する。ヘッドレスでも従来型のストアでも動く。
  5. 自社のアナリティクスでセッションを追い、最初の接点で効果が出たら他のディスカバリー面へ広げる。

AIツール情報

Mirosの料金、対応プラットフォーム、性能を簡単に確認できます。

無料プランいいえ
有料プランCustom enterprise pricing
プラットフォームWeb storefronts via JavaScript widgets or GraphQL API
開発元Miros
カテゴリ画像 · コーディング
リリース日Jul 2019
最終更新Oct 2025
サイト訪問数1.7K
サイト世界ランキング10.2M
API提供状況はい

こんな人におすすめ

このツールが最も力を発揮するユーザー、タスク、シーン。

ユーザー

  • ファッション・アパレルの通販
  • 家具・インテリアの店舗
  • グロース担当と EC チーム

タスク

  • 回遊だけの流入の転換率を上げる
  • 検索結果ゼロを減らす
  • 個別化したレコメンドを作る
  • 需要からコレクションを組む
  • 検索エンジンの入れ替えを検証する

シーン

  • 初訪問でアカウントも履歴もない客
  • セールや年末商戦のピーク
  • カテゴリをまたいでコーデを探す
  • 商品数が極端に多いマーケットプレイス

主な機能

言葉を使わない検索

クエリも絞り込みもなしで、回遊するだけで関連商品が出る。Miros はスクロールの速さ、クリック、滞在時間、素通りされた商品から、リアルタイムの嗜好プロファイルを組み立てる。導入先での利用率は 20% から 55% とベンダーは説明する。検索窓を開かない層をちょうど覆う数字だ。

Discovery Bar

Discovery Bar は検索窓を置き換えるのではなく、強化する。48 言語の自然文で入力でき、クエリはその時点の嗜好プロファイルと合成される。Miros によればこれで「該当なし」のページがほぼ消える。離脱の典型的な原因の一つがなくなる形だ。

インライン・レコメンド

多くのレコメンド枠は購買履歴に頼るが、新規訪問者には履歴がない。Miros は商品間の視覚的な類似と現在のプロファイルを掛け合わせるため、最初のクリックから提案が個人に寄る。導入店は客単価の上昇と決済へのクリック増を報告している。

Shop the Look

Shop the Look は、カテゴリの異なる商品を組み合わせてコーデや部屋のセットを作る。客の好みの変化に合わせて中身が入れ替わる点が、固定の「コーデを完成させる」枠との違いだ。一点物ではなく組み合わせを売る店に最も効く。

画像で探す

写真をアップロードすると、見た目の近い商品が返る。並び順はピクセルの類似だけでなく行動も加味するため、同じ画像でも人によって順番が変わる。単純な画像照合との差はここにある。

Style Collections

商品企画の担当者は通常、手作業で特集を組み、決まった周期で更新する。Style Collections はシグナルのデータから自動生成されるので、需要が動けばそのまま追随する。選ぶ手間が減り、売り場は客が実際に求めるものに近づく。

メリットとデメリット

メリット

  • テキスト検索が効かない画像中心のカタログで機能する。商品画像への手作業のタグ付けは要らない。
  • 店舗側の実装はおよそ 2 週間。ベンダーはエンジニア 1 人週未満の工数と見積もる。
  • 既存の Algolia や Elasticsearch と併用でき、全面的な置き換えを迫らない。
  • 効果はランダム化した A/B 分割で測るため、自社の流入で改善幅を確認できる。
  • 超大規模なカタログに対応し、応答時間は 50 から 300 ミリ秒に収まる。

デメリット

  • 価格が公開されていない。費用を知るにはデモと営業とのやり取りが先に必要になる。
  • 事業者向けのため、個人開発者や小さな店舗が自分で登録して試すことはできない。
  • 効果は画像が豊かで回遊中心のカタログに依存する。型番で注文が入る店では差が出にくい。
  • 嗜好プロファイルには行動データが要る。流入の多いキャンペーン開始直後は個別化が不完全になる。

よくある質問

店内での買い物客の行動を見て、検索、回遊、レコメンドの商品順を入れ替える。欲しいものを言葉で説明させるのではなく、クリック、視線の滞在、素通りした商品から推測する仕組みだ。