AIが個人の「買い物行動」をシミュレーションする未来：LBMによるデジタルツイン化

2026年7月27日 12:02

こんにちは。
私が学生時代に深夜のコンビニでアルバイトをしていた頃、「このお客さん、いつも同じ時間にコーヒーを買っていくけれど、新商品のパンを隣に陳列したらついで買いしてくれるかな？」と、よくレジに立ちながら想像していました。これまで、そうしたマーケティングの「たられば」を検証するには、実際に店舗で試して結果を待つか、蓄積されたデータから売上予測モデルを作るのが精一杯でした。しかし、AIが個人の「思考」や「好み」を模倣し、仮想空間で買い物のシミュレーションをしてくれる時代がすぐそこまで来ています。

今回は、2026年7月に発表されたばかりの最新論文を読み解き、個人の過去の購買履歴をもとにデジタルツインを構築する「LBM（Large Behavior Model）」という技術について、前回の記事よりもさらに外部情報を交え、実務的な視点で深く解説していきます。

今回紹介する論文

タイトル: Large Behavior Model: A Promptable Digital Twin of the Retail Customer
著者: Wachiravit Modecrua, Krittin Pachtrachai, Touchapon Kraisingkorn
発行年: 2026年7月 (arXiv)

前提知識：「デジタルツイン」と「LBM」はなぜ必要なのか？

今回の論文で鍵となる概念が「デジタルツイン」と「LBM」です。

元々デジタルツインとは、製造業などで「現実の機械や工場を仮想空間上にコピーしてシミュレーションする」技術のことでした。これが近年、小売（リテール）やマーケティングの世界にも応用され、「個人の購買行動を仮想空間上に再現すること」を意味するようになっています。

また最近、AIの文脈で「LAM（Large Action Model：大規模アクションモデル）」という言葉を耳にする機会が増えた方もいるかもしれません。Salesforceの解説によれば、汎用的なLLMがテキストを生成するのに対し、LAMは「ソフトウェアを操作するなどの具体的なアクションを実行する」モデルを指します [cite: 1.2.1]。一方、今回取り上げる「LBM（Large Behavior Model）」は、ロボティクスや購買行動の分野で特に注目されており、人間の「行動パターン」そのものを大規模データから事前学習する枠組みを指します [cite: 1.2.2]。

これまでのAIモデルは「この人が商品Aを買う確率」を計算するのは得意でしたが、「なぜAを買うのか？」という文脈や、「もしここで10%オフのクーポンを見せたらどう行動を変えるか？」といった複雑な条件分岐を伴うシミュレーションは困難でした [cite: 1.1.3]。しかしLBMを使えば、仮想の顧客に対して「このセール情報を見せたら、買う？」といった対話型の実験が可能になるのです。

サクッとわかる本論文のポイント

「人」と「環境」を分離して学習: 顧客の長期的な行動特性（過去の購買履歴）と、短期的な環境情報（今見ている商品やクーポン）を分けて処理し、多様な状況のシミュレーションを実現。
一つのモデルで様々なタスクに対応: 購入予測、カゴの中身の補完、キャンペーンへの反応など、これまでタスクごとに個別に作っていた予測モデルを、たった一つの言語モデルで完結できる [cite: 1.1.2]。
事実に基づく推論で「もっともらしい嘘」を防ぐ: AIが一般的な知識で適当な予測をするのを防ぎ、実際の「取引データ（事実）」に裏付けられた行動をとるように強化学習で調整している [cite: 1.1.3]。

論文の詳細解説

研究目的 / 背景: どんな課題を解決しようとしたのか

従来のリコメンデーションシステムは、精度こそ高いものの「なぜその商品が選ばれたのか」という説明がつかず、個人の心理的な背景を考慮するのが困難でした [cite: 1.1.3]。またマーケティングの実務では、「顧客の離脱予測モデル」「商品の併売予測モデル」といった具合に、目的ごとに個別の機械学習モデルを構築・運用する必要があり、開発コストが膨れ上がるという大きな課題がありました [cite: 1.1.2]。本論文は、これらの課題を解決し、自然言語で指示を出せる「汎用的な顧客のデジタルツイン」を作ることを目的としています。

研究の方法: どのようなアプローチを用いたのか

論文では、人間の行動を「その人の長年の性格や習慣（Person）」と「現在置かれている状況（Environment）」の相互作用として定義し、以下の3段階のアプローチを採用しています。

1. 行動データの言語化と事前学習 (CPT) 膨大なレシートや取引履歴をテキストデータに変換し、言語モデルに継続的な追加学習（Continual Pre-Training）を行わせます。これにより、モデルは「小売業における一般的な買い物のパターン」を獲得します。

2. RAG（検索拡張生成）による環境情報の付与「今、目の前にどんな商品が並んでいるか」「どんなキャンペーン中か」という最新の文脈情報を、RAGの仕組みを使ってAIに与えます [cite: 1.1.3]。実験では、推論時にこのRAGを活用することが、予測精度を保つために不可欠であることが証明されています [cite: 1.1.1]。3. 事実に基づく強化学習（RLVRの活用） ここが本論文の最も革新的なポイントです。AIがLLM特有の「一般的な常識」に引っ張られすぎないよう、実際の購買エビデンス（事実）に基づく行動を高く評価する強化学習を導入し、顧客一人ひとりの特有のクセを忠実に再現するようにしています [cite: 1.1.3]。

主な結果: どのような成果が得られたのか

構築されたLBMは、最先端の汎用言語モデル（GPT-4など）と比較しても、リテール（小売）領域のタスクにおいて一貫して高い性能を発揮しました [cite: 1.1.3]。驚くべきは、学習したデータとは異なる新しい店舗や、未知のドメインに対しても高い精度で行動を予測できた（ゼロショット性能が高い）という点です [cite: 1.1.3]。これは、LBMが単なる「過去データの暗記」をしているのではなく、人間の購買行動という「普遍的な法則」をモデル自体が獲得できていることを示唆しています。

実務に活かすには（私の学び・考察）

ここからは、データマーケティングの実務家としての考察です。

普段の実務で、LightGBMを使ってテーブルデータの予測モデルを構築したり、LightweightMMMなどのフレームワークを活用してマーケティング・ミックス・モデリングのダッシュボードを自作しているような「データと数式で分析する」立場から見ても、このLBMのアプローチは仮説検証のプロセスを根底から覆すほどのインパクトを持っています。

1. 仮説検証の「爆速化」と仮想シミュレーションの実現 これまで、新しいプロモーションの効果や、特定の顧客セグメントに対する最適なアプローチを検証する際は、状態空間モデルを組んで複雑な時系列分析を行うか、実際に小規模なA/Bテストを実施して結果を待つしかありませんでした。しかしLBMがあれば、「過去1年間に特定の商品を買った顧客層のデジタルツイン」に対して、「このタイミングで、この割引クーポンを見せたらどう反応するか？」を、本番環境に出す前に仮想空間上で100万通りシミュレーションできるようになります。

2. 抽象的な議論を排除し、「客観的な事実」ベースで語れる 私は個人的に、会議などで「このペルソナはきっとこんな気持ちになるはずだ」といった、根拠の薄い抽象的な議論を聞くのが非常に苦手です。確固たるデータや構造的なロジックがないと納得できないタイプなのですが、LBMを使えば、「過去のこの購買データのエビデンスに基づき、このデジタルツインはこう反応した」という、客観的な事実に基づいた自然言語の説明を引き出すことができます。

最近、アプリのカスタマーレビューをAPIから取得し、RAGを活用して感情分析を行うツールを作っていたのですが、このLBMの技術と組み合わせれば、「不満を持っている顧客のデジタルツイン」を生成し、「どのようなアフターフォローのメッセージを送れば満足度が回復するか」を具体的に対話しながら探ることも可能になるでしょう。

まとめ

今回は、個人の買い物行動をAIでシミュレーションする「LBM」について、より詳細な背景や技術的な仕組みを交えて解説しました。

データマーケティングは、単に「次に何を買うか」を当てる「予測」の時代から、「環境を変えたらどう動くか」を仮想空間で試す「シミュレーション」の時代へと急速に進化しています。用途ごとに大量の予測モデルを開発・運用する手間から解放され、一つのAIと対話しながらマーケティング戦略を練る未来は、もう目の前です。

皆さんもぜひ、ご自身のビジネスで「もし自社の顧客データをLBMに読み込ませてデジタルツインを作れたら、どんなテストをしてみたいか？」を具体的に想像してみてください。