Treasure AIがPersonalization Studioとエンゲージメント課金を開始

前言

データおよびCRMコンサルタントとして、台湾企業へのCDP、BigQuery、AI自動化ツールの導入を支援する際、マーケティング責任者から特に多く寄せられる2つの切実な課題があります。

1つ目の課題は「過度なコミュニケーションと待ち時間コスト」です。マーケティングチームがWebサイト上でパーソナライズキャンペーンを実施しようとすると、データエンジニアへのData Pipeline作成依頼や、Webチームへのイベントトラッキング・UI調整依頼が必要となり、リリース時には最適なタイミングを逃してしまうことが少なくありません。

2つ目の課題は「ソフトウェア料金とビジネス成果の乖離」です。企業は毎年多額のメール送信費用を支払っていますが、その費用が直接的なエンゲージメントやコンバージョン成果と連動しておらず、一括大量送信によってブランドイメージを損なうケースすらあります。

2026年現在、MarTechスタックの中心がAI駆動型アプリケーションやデータウェアハウスへと移行する中で、企業におけるデータの活用手法は根本的な再構築を迫られています。

Treasure AIが新たに発表した製品および料金モデルは、まさにこれら2つのMarTechの長年の痛点に直接アプローチするものです。これは単なる一ベンダの機能更新にとどまらず、今後のCRMおよびパーソナライズ体験構築における重要な潮流を示しています。

発生了什麼：重點整理

開催された「Agentic World 2026」にて、Treasure AIはマーケター向けの無償コードUI「Personalization Studio」と、顧客の成果・行動に直接連動する新しいエンゲージメント課金モデルを発表しました。

Personalization Studioは、Treasure AIのAgentic Experience Platform (AEP)におけるPersonalization AI Suiteの一部です。マーケティングチームがリアルタイムなWebサイトパーソナライズを自ら構築、公開、管理できる直感的なインターフェースを提供します。

技術基盤として、統一された顧客データ基盤上に構築されており、バッチプロファイルデータ（Audiences、ロイヤリティステータス Loyalty Status、購買履歴 Purchase History）とリアルタイム行動シグナルを組み合わせることで、サブセコンド（1秒未満）でのパーソナライズ体験を提供します。

Treasure AIのChief Product OfficerであるRafa Flores氏は、「データウェアハウスはリアルタイム処理ができないため、データウェアハウス内に留まったままリアルタイムパーソナライズを行うことはできません」と述べています。また、Personalization Studioを使えば、マーケターは10分でパーソナライズキャンペーンを構築できると強調しました。

さらにTreasure AIは、メール送信通数ではなく、クリックなどの顧客行動に費用を連動させるエンゲージメント課金モデル（Engagement-based Pricing Model）を導入しました。

Flores氏は、この課金モデルは自社プラットフォームの知能と成果創出能力に対する賭けであり、「クリック率（Click-through Rate）に賭けている」と説明しています。

こうした動きは業界全体に広がっています。AIのプラットフォーム実装に伴い、HubSpotがEMEA地域で新料金モデルを導入したほか、SalesforceのAgentforceも発表以降料金モデルの改定を進めています。

為什麼重要：對數據、行銷與 CRM 團隊的影響

今回の発表は、台湾企業のマーケティング、データ、CRMチームにとって極めて重要な構造的示唆を含んでいます。

第一に「技術依存の解消」です。従来のスタンドアロン型パーソナライズツールを導入する場合、専用のデータ連携、Data Pipeline、Profile Storesを個別構築する必要がありました。

このような断片化されたシステムは、キャンペーンの変更や開始のたびにデータチームやWebチームへの依存を生み出します。Personalization Studioはプロファイル基盤を統一し、操作権限を現場のマーケターに還元することで、Time-to-Marketを大幅に短縮します。

第二に「データウェアハウスの役割の明確化」です。クラウドデータウェアハウス（BigQueryなど）を導入した企業の多くは、SQLのみでリアルタイムマーケティングまで完結できると考えがちです。しかし、データウェアハウスの強みは高度なバッチ分析であり、サブセコンド単位の即時レスポンスではありません。

Treasure AIのアプローチは、静的なAudiencesやロイヤリティステータス、購買履歴をデータウェアハウスやCDPで管理し、フロントエンドで即時行動シグナルと照合するという、現代的なデータアーキテクチャの標準を示しています。

第三に「ソフトウェア課金ロジックの変革」です。従来の送信通数ベースの課金モデルは、一括送信（Blast Messaging）を誘発し、システムの肥大化とノイズを生み出していました。

クリック等のエンゲージメントに基づく課金への移行は、ベンダーと導入企業の利益を一致させます。ベンダーはAIによる高精度な推奨を提供してクリックを発生させる必要があり、企業側も単なる「量」の追求から「質の高いパーソナライズ対話」へとシフトできます。

實務應用：台灣企業可以怎麼做

国際的なMarTechの進化を踏まえ、台湾企業がCDP、CRM、AI活用を推進する際の具体的なアクションを提示します。

リテール・EC分野において、高ランク会員（Loyalty Status）向けに即時タイムセールを表示したい場合、従来はエンジニアによる動的バナー実装が必要でした。（推測）バッチプロファイルとリアルタイムシグナルを統合するツールを活用することで、マーケターは特定カテゴリの閲覧行動をトリガーとし、10分以内にサブセコンド表示の動的施策を設定・公開できます。

金融・保険（InsurTech）分野では、契約履歴やリスク等級（Purchase History）は厳格に管理されるバッチデータです。（推測）これらを静的属性として保持しつつ、顧客がWeb上で試算を行った際のリアルタイムクリックシグナルと組み合わせることで、ITチームに開発依頼することなく、最適な相談窓口を即座にパーソナライズ表示できます。

B2BやIT・科技産業においては、Tool Bloat（ツールの肥大化）の防止が急務です。新ツール導入時には、新たなData Pipeline構築の負荷が発生しないか事前検証が必要です。

また、AI自動化の暴走やコスト急増を防ぐため、再利用可能なPromptフレームワーク、Prompt Logs、Guardrails（安全柵）をあらかじめ構築しておくことが推奨されます。

マーケティングおよびCRM責任者は、既存ツール（特にメール・メッセージング）の契約形態を見直し、将来的なツール選定において成果・エンゲージメント連動型の料金体系を積極的に交渉選択すべきです。

導入評估：成本、風險與限制

ノーコード操作やエンゲージメント課金は非常に魅力的ですが、導入検討時には冷静なリスク評価が必要です。

第一に、ツールの肥大化とデータサイロ化のリスクです。統一されたデータ基盤がない状態で独立型ツールを追加すると、Data PipelineやProfile Storesが重複作成され、技術チームの運用負荷が増大します。

第二に、リアルタイム処理とインフラコストです。サブセコンド単位のパーソナライズは強力なリアルタイムエンジンに依存します。基盤となるデータクオリティの低さやAPI遅延が存在する場合、ツールのみで十分な成果を出すことは困難です。

第三に、クリック課金における予算管理リスクです。エンゲージメント課金はROIを高めやすい反面、コンバージョンに結びつかないクリックが異常発生した場合、マーケティング予算が意図せず高騰する可能性があります。

第四に、AIガバナンスとGuardrailsの欠如です。適切な権限管理やPrompt Logsの記録がないままAIを自動運用すると、コンプライアンス違反やブランドトーンにそぐわない出力が発生するリスクがあります。

最新のAI施策を採用する前に、意思決定者はチームに対して具体的な証拠、過去の検証結果、再現可能な成果の提示を求め、単なるトレンド追随ではなく真の課題解決に繋がるかを評価すべきです。

給決策者的行動清單

今回のトレンドを自社の組織・運用に落とし込むため、マーケティング、CRM、データ責任者が取り組むべき4つのアクションを提案します。

• 既存MarTechスタックの技術依存度を試算する：Webサイトのパーソナライズ施策の変更・公開時にIT/データチームへの依頼が発生しているか確認し、平均Time-to-Marketを計測する。
• データウェアハウスとリアルタイム実行層の役割を再定義する：BigQuery等のデータウェアハウスはバッチ分析とProfile保持に集中させ、サブセコンド処理は専用のリアルタイムDecisioning層に分離する。
• コミュニケーションツールの課金体系を点検する：利用中のメール・メッセージングツールの課金が送信量ベースかエンゲージメントベースかを確認し、成果連動型に移行した場合のコストとROIをシミュレーションする。
• AI自動化とパーソナライズのGuardrailsを構築する：Prompt Logsの保存、運用レビュー体制、上限コストアラートを設定し、AI運用の暴走やコスト高騰リスクを防止する。

推奨追跡KPI：

• 施策公開スピード（Time-to-Market）：企画立案からパーソナライズ施策が本番公開されるまでの所要時間（分単位への短縮を目指す）。
• クリック率（CTR）およびエンゲージメント単価（Cost per Engagement）：パーソナライズ推奨の精度向上が顧客行動と予算効率に寄与しているかを測定。
• 技術チームへの依頼件数（Engineering Ticket Volume）：パーソナライズ施策に関連してマーケティング部門からIT/データチームへ提出されたチケット数の削減率。

延伸閱讀

• A Seller Pain Point, Small Squad, and a Solution That Shipped in Weeks
• Trustworthy, Explainable, and Accountable: How to Give AI Autonomy Without Letting It Run Wild

傑森數據 Jason Analytics 協助企業以數據與 AI 驅動 CRM 與行銷成長。歡迎轉載（請註明出處）或洽詢顧問合作。

原文記事： Treasure AI takes on two martech headaches at once — MarTech.org