【ITニュース解説】Estimating moving costs across 47 states with one pricing model

このニュース記事は、引っ越しの見積もりサービスを開発する際に、従来のやり方とは異なる革新的なアプローチを採用した事例を紹介している。特に注目すべきは、ユーザーから個人情報をほとんど取得せずに、信頼性の高い見積もりを提供できるシステムをどのように構築したかという点だ。

従来の引っ越し見積もりツールでは、ユーザーが正確な見積もりを得るためには、まず氏名、電話番号、メールアドレス、さらには具体的な住所といった個人情報を詳しく入力する必要があった。しかし、多くのユーザーは、引っ越しを検討し始めたばかりで、まだ具体的な予約をする段階ではない。このような状況で個人情報の入力を求められると、営業電話がかかってくることを嫌がり、途中で見積もりを断念してしまうことが多かった。これはサービス提供者側から見れば、コンバージョン率の低下に繋がる大きな課題であった。また、企業側はユーザーの住所情報を保管することになり、そのデータのプライバシー保護やセキュリティ対策にもコストと手間がかかるという別の問題も抱えていた。

そこで彼らは真逆のアプローチを試みた。もし、個人情報を一切収集することなく、利用者に役立つおおよその見積もりを提供できれば、より多くの人が気軽に計算機を利用するだろうと考えたのだ。そして、その計算機で信頼できる情報が得られれば、最終的に正式な見積もりを依頼する際に、すでにサービスに対して信頼を抱いている状態になるはずだという仮説を立てた。この新しいアプローチを実現するための技術的な課題は、具体的な住所が分からない状態でも、アメリカの47州にまたがる27,854もの膨大な移動ルートに対して、十分な精度を持つ単一の料金モデルを構築することであった。

この料金モデルの土台となったのは、アメリカの公共データである国勢調査の「郡間移動データ」だ。このデータは、人々が実際にどの郡からどの郡へ移動しているかという具体的な流れを示している。この移動量、つまり需要は引っ越し料金を決定する上で非常に重要になる。需要の高い、つまり人の移動が活発なルートでは、運送業者の競争が激しくなり、トラックが荷物を運び終えた後、帰りの便（バックホール）で別の荷物を積む機会も多いため、1マイルあたりの輸送コストは下がる傾向にある。反対に、需要が少なく移動量が少ないルートでは、トラックが片道空荷で走ることが多くなるため、輸送コストは高くなる。彼らはこの郡間の移動データを州間のルートに集約し、その移動量を「回廊需要指数」としてモデルの入力情報の一つに組み込んだ。需要が高い回廊には競争による割引が適用され、需要が低い回廊には希少性による割増料金が適用される仕組みである。この国勢調査データは定期的に更新されるため、モデルは常に現実の移動状況に基づき、古い仮定に引きずられることなく最新の状態を保つことができる。

料金モデルの核となる部分は、意図的にシンプルに設計されている。シンプルなモデルは、その仕組みを説明しやすく、問題が発生した際に原因を特定しやすく（デバッグしやすく）、そして実行するための計算コストも低いという利点があるためだ。このモデルは主に三つの要素で構成されている。一つ目は「距離帯」である。彼らは正確な走行距離に基づいて料金を計算するのではなく、全てのルートを「250マイル未満」「250〜750マイル」「750〜1500マイル」「1500マイル超」という四つの距離帯に分類した。このように距離を帯で区切ることで、例えば812マイルと798マイルといったわずかな距離の違いによる料金のばらつきを平滑化し、見積もりを安定させることができる。各距離帯には、運送業者の実際の料金データに基づいて調整された基本料金と、荷物1ポンドあたりの料金が設定されている。二つ目は「重量要素」である。引っ越しは、部屋のサイズ（例えば、ワンルーム、2ベッドルーム、4ベッドルームなど）から、おおよその荷物の総重量を推定できる。例えば、ワンルームなら約1,800ポンド、2ベッドルームなら約4,500ポンド、4ベッドルームなら約9,000ポンドといった具合だ。引っ越し費用は、トラックの積載スペースや人件費がコストの大半を占めるため、正確な走行距離よりも荷物の重さに比例して増減するという運送業者の実際の料金体系に合わせて、各距離帯内で重量に応じた料金が加算される。三つ目は「季節性」である。引っ越しの需要は季節によって大きく変動する。一般的に夏場は引っ越しをする人が多いため需要がピークに達し、冬場は需要が少ない。このモデルでは、過去12ヶ月間の検索データや見積もり依頼データから導き出された季節ごとの乗数を適用している。例えば、同じルートでも6月の引っ越しは1月の引っ越しに比べて20〜30パーセント費用が高くなる可能性があり、モデルはその変動を明示的に示してくれる。これら全ての計算は、いくつかのデータ参照テーブルと簡単な算術演算だけで完結するため、サーバーとの通信を行うことなく、ユーザーのブラウザ上で全て処理される。これにより、見積もりは瞬時に表示され、ユーザーの個人情報がデバイスから外部に送信されることもないため、プライバシーも保護される。

このようなモデルは、もちろん全ての情報を把握しているわけではない。例えば、引っ越し先に階段があるか、エレベーターがあるか、特別な梱包サービスが必要か、あるいはピアノのような特殊な荷物があるかといった詳細な情報は考慮できない。それらを知らないのに正確な数字を提示するのは不誠実であるため、彼らはあえて「$1,150から$1,480」といった範囲で概算を示すことにした。この価格帯の幅は、モデルの信頼度を反映しており、需要が少なく交通量の薄い田舎のルートでは幅が広くなり、需要が高く交通量の多い都市部のルートでは幅が狭くなる。さらに、見積もり金額の隣には、その見積もりに何が含まれ、何が含まれないかを明記している。ユーザーからは、この正直な範囲表示が、その後の正式な見積もりを依頼する上での信頼感に繋がったというフィードバックが寄せられている。

モデルの精度を維持するためには、定期的な検証と調整が不可欠だ。彼らは四半期ごとに、実際の運送業者が提示する見積もりと、彼らのモデルが出す見積もりを比較し、モデルの精度を検証している。もし特定の距離帯における見積もりの誤差が許容範囲を超えた場合、全体的な料金を調整するのではなく、その距離帯に設定されている基本料金や1ポンドあたりの料金をピンポイントで再調整する。このように距離帯ごとに調整を行うことで、モデルの基本構造が保たれ、変更履歴を確認すれば、いつ、どの部分が、どのような理由で調整されたのかを明確に説明できるようになっている。

この開発プロセスを通じて、彼らはいくつかの重要な教訓を得た。まず、個人情報入力フォームを廃止したことは、コンバージョン率の向上だけでなく、その後の全ての工程を簡素化した。ユーザーの個人情報を保存する必要がないため、プライバシーに関するコンプライアンス（法令遵守）の負担が軽減され、スパムメールに関する苦情も発生しなくなった。また、ブラックボックスのような複雑なモデルではなく、透明性の高い単一のモデルを採用したことには、微妙だが非常に重要な利点があった。それは、もしユーザーが見積もり金額が変わった理由を尋ねてきた場合、特定の距離帯、重量要素、または季節性乗数といった具体的な要因を挙げて、明確に説明できる点である。このような明確な説明ができることは、それ自体がユーザーにとっての信頼できる機能となるのだ。彼らが開発したこの計算機は、「My Fast Movers」の各ルートページで利用でき、訪問者は具体的な住所を入力することなく、数秒で引っ越しの概算費用を知ることができる。この事例は、時にはデータを大量に収集するよりも、必要なデータを厳選し、いかに少なく収集するかが、最も効果的なデータ戦略となることを示している。