Kard は、「より良いデータが、より良いリワードを生む」と信じています――その第一歩は、人々が実際に何を購入しているのかを理解することです。
取引データを大規模に分類することで、
これまで、取引データの分類は煩雑で手作業によるものが主流でした。
しかし今では、Databricks を活用した新しいアプローチにより、Kard は 数十億件規模の取引を迅速かつ高精度・柔軟に分類できるようになりました。
これにより、ロイヤルティを高め、長期的な価値を 生み出すパーソナライズリワードの基盤を築いています。
Kardが何をするのか
Kardは、リワードマーケットプレイスを通じて、すべてのカード保有者とショッパーに対するロイヤルティを駆動します。
当社のプラットフォームは、Dell、CVS、Allbirds、Round Table Pizzaなどのブランドに、発行者やフィンテックの銀行アプリ、報酬プログラム、EBTプラットフォームを通じてキャッシュバックオファーを提供し、数千万人の消費者にアクセスする機会を提供します。10％または15％のキャッシュバックオファーを見ると、顧客は購入（よく注文価値が高いもの）に向かって傾きます。
そして、Kardの成果報酬型モデルでは、ブランドは購入が発生したときのみ支払いを行い、伝統的なメディア購入の高コストやリスクなしで十分なリーチを確保します。
キャッシュバック報酬は、発行者やフィンテック企業にも利益をもたらします。ユーザーが気に入る報酬を提供することで、カード保有者の間でのエンゲージメントと使用率を増加させます。
しかし、Kardが特に特別なのは、個人を特定する情報（PII）を公開せずにカテゴリーレベルの洞察を捉えることです。
リワードにおける「カテゴリーレベルの洞察」が重要な理由
ユーザーが何にお金を使っているかを把握することで、ブランド（銀行やフィンテックを含む）は、顧客基盤をより深 く理解できるようになります。
Kard が収集する支出パターンを集計・分析することで、以下のような効果が生まれます：
1. より効果的なマーケティング施策
ユーザーの行動に基づいて、購買意欲の高いセグメントを特定できます。
例：多くのユーザーが夜間にライドシェアサービスを頻繁に使っているなら、週末限定のキャッシュバックオファーを提案することで、高い反応が期待できます。
2. プロダクト設計への活用
データが満たされていないニーズを浮き彫りにします。
例：若年層の支出がスーパーからフードデリバリーアプリへと移っている場合、フィンテック企業は「利便性」に特化したカテゴリのリワードを優先すべきだと判断できます。
3. 新たな提携先の発見
ユーザー層ごとの共通の購買傾向を明らかにすることで、コラボ報酬や特典の交渉材料になります。
例：旅行好きのユーザーが常に同じホテルチェーンやレンタカー会社を利用しているなら、それらの企業と連携して共同ブランドのリワードや独 自特典を提供できます。
個人レベルでのパターン分析がリワードの精度をさらに高める
たとえば、あるユーザーがスポーツベッティングに最も多く支出している場合、汎用的な小売オファーはスルーされるかもしれませんが、ベッティングアプリのプロモーションにはすぐに反応する可能性があります。
また別のユーザーが過去90日間で食料品の支出が減り、フードデリバリーの利用が増えているなら、それはライフスタイルの変化を示しており、コストよりも利便性を重視したリワードが効果的でしょう。
さらに、あるユーザーが常に同じ航空会社を使って頻繁に飛行機を利用しているなら、その忠誠心に応えるターゲット型リワードや上位ステータスへのアップセルが有効です。逆に、他の航空会社はそのユーザーをターゲットにしないか、最大限のキャッシュバックオファーを提示して乗り換えを狙う戦略をとるかもしれません。
しかし、信頼できる取引カテゴリがなければ、こうしたパーソナライズ戦略はすべて実現不可能です。
だからこそ、カテゴリーレベルの洞 察はリワード戦略の中核となるのです。
リワードプラットフォームにおける従来の取引分類方法
カテゴリ分類は、ブランドや発行会社にとって 高い ROI をもたらす go-to-market 戦略を実現する鍵です。
しかし、それは一筋縄ではいきません。
まず、すべての取引にラベルを付ける必要がある
従来、取引にカテゴリを付ける方法は主に2つありました：
1. アナリストが手作業でラベル付け
すべての取引を 1件ずつ確認し、定義済みの分類体系に従ってタグ付けする方法です。
想像がつくように、この方法は非常に手間がかかり、ミスが発生しやすく、なにより スケールが極めて困難です。
2. ユーザー自身に分類させる
この方法はアナリストの工数を減らせますが、データに 一貫性がなくなるという課題があります。
たとえば、同じ「Domino's Pizza」の取引でも、あるユーザーは「ファストフード」、別のユーザーは「ピザ」、また別の人は「コンフォートフード」とラベルを付けるかもしれません。
このようなばらつきがあると、信頼できるインサイトを導き出すのが非常に難しくな ります。
その後に機械学習モデルを訓練
ある程度の取引にラベルが付いた段階で、エンジニアリングチームは LightGBM、XGBoost、BERT などの機械学習モデルを使って、未分類の取引にカテゴリを予測させることができます。
これにより、将来的には手作業でのタグ付けを不要にできる可能性もあります。
しかしこの手法には課題もあります：
-
モデルの定期的なメンテナンスやアップグレードが必要
-
ビジネス環境の変化や取引形式の進化に応じた対応が不可欠
-
新しいカテゴリの追加（例：新興産業や新しい顧客業種）には、再学習やモデルの再設計が必要なことも
Kard のビジネスが急成長する中で、私たちは毎月受け取る 数十億件もの取引データをより 効率的かつ高精度・柔軟に分類できる新たなアプローチを必要としていました。
Databricks が実現する次世代のカテゴリ分類アプローチ
Kard は Databricks と協力し、ユニークかつスケーラブルな取引分類システムを構築しました。
主な仕組み：
-
Databricks AI Functions を活用し、バッチ処理・エージェント型ワークフローで取引データを分類。分類の基準となるのは、社内で定義されたタクソノミー（分類体系）です。
-
出力は json_schema フォーマットと enum 機能によって構造化出力されており、分類ミスを最小限に抑える仕組みになっています。
-
AIエージェントが、分類タイプごとにそれぞれのルールに基づいて処理を実行。
たとえば、「旅行」という大カテゴリを捉えた上で、「旅行 → 航空券」、さらに「旅行 → 航空券 → 地域航空会社」といった階層的な分類まで自動で行えます。
-
分類に矛盾や不一致がある場合は、「エージェント審査員（agent judges）」による再評価プロセスへ送られ、必要に応じて再分類が実行されます。
柔軟でコスト効率の高い運用
この新しいアプローチは非常に軽量かつ柔軟で、たとえば新しい事業領域が始まった場合でも、モデルを再学習することなくカテゴリをすぐに追加できます。
実際に、最近人気のリワードアプリとの提携に伴い、新たな CPG（消費財）カテゴリを即座に追加対応しました。
また、顧客の中には「自社の分類体系に合わせてほしい」という要望もありますが、今ではそのタクソノミーをシステムに渡すだけで、それに応じた出力変換が自動で行われるようになっています。
カテゴリ分類の威力
Kard の機械学習エンジニア クリス・ライトはこう語っています：
「加盟店を正しいカテゴリにグループ化できることで、私たちは顧客に対して非常 に大きな価値を提供できます。
たとえば、そのカテゴリ内のユーザーには x、y、z といったタイプのオファーが効果的であることを示したり、
過去に購入歴があり、最近フードデリバリーやライドシェアの利用が急増しているユーザー層を特定して再アプローチしたりできます。
さらに、そのカテゴリと地域内での競合相手を明示することで、顧客が自社のキャンペーンをより精緻にチューニングする手助けもできるのです。」
このように、Databricks の AI Functions を活用した最新の分類基盤は、パーソナライゼーション、マーケティング効果、競争優位の強化に直結する重要な武器となっています。
Kard と Databricks の次なる挑戦：ハイパーパーソナライズの実現へ
一見すると、取引カテゴリは裏方の細かい情報に見えるかもしれません。
しかし、Databricks の AI Functions を活用した分類システムによって得られた柔軟性のおかげで、私たちはデータ基盤を壊すことなく迅速に動ける体制を手に入れました。
さらに、この仕組みはスケーラビリティにも自信が持てるソリューションです。
この基盤があることで、Kard は今後以下のような新たなプロダクトやサービスの展開にも乗り出せます：
-
ユーザーの食や旅行習慣の変化に応じたパーソナライズカードオファー
-
特定の加盟店に対するロイヤル顧客向けの粘着性の高いリワード
-
時間帯や季節ごとの行動パターンに基づいたスマートなナッジ（行動促進）
-
属性ではなく行動セグメントに基づく加盟店主導型のキャッシュバックプログラム
-
ブランドやカード発行会社向けのポイント獲得プログラム
今、よりスマートな分類技術に投資することで、
私たちは パーソナライズされたリワード体験の未来を切り拓いています。
それにより、購入頻度の増加、平均注文額（AOV）の向上、そして顧客ロイヤルティの長期的な維持が可能になります。
まとめ
本ブログでは、Databricks の AI Functions が Kard のカテゴリ分類パイプラインにどのようなデータ付加価値を もたらしているかをご紹介しました。
この仕組みにより、パーソナライズを大規模に実現し、
従来では膨大な工数を要していた作業を圧倒的な効率で推進しています。
結果として、ブランドや発行会社にとって持続可能で価値あるリワード戦略を実現する土台が整ったのです。
Kardについて
Kardは、2015年に設立されたニューヨークを拠点とするフィンテック企業で、銀行、ネオバンク、カード発行者向けの報酬サービスプラットフォームを提供しています。そのAPIは、金融機関がカード保有者の報酬プログラムを迅速に立ち上げてカスタマイズすることを可能にし、ユーザーを全米の数千の商人とブランドに接続します。Kardのプラットフォームは、カード保有者が日常の購入で報酬を獲得するのを容易にすることで、顧客のロイヤルティとエンゲージメントを促進するように設計されています。同社は大手投資家からの支援を受けており、発行者とパートナーネットワークを通じて4500万人以上のカード保有者にサービスを提供しています。
