catch-img

生成AI時代のデータを活用した広報PR戦略

生成AI時代に突入し、今後はますますデータを活用したPR戦略が重要となりそうです。
そうした中、検索データを活用したシャープさんのエアコン関する面白い事例が公表されていたので、こちらの内容を解説していきます。

目次[非表示]

  1. エアコンとたけのこの事例
  2. 検索データの活用方法
    1. Googleトレンド ✕ メディア名でトレンド抽出
    2. 実際に相関を調べてみる
    3. 生成AI時代はコーディングも丸投げ
  3. 生成AIによるPR戦略の立案
    1. Claude3の回答
    2. ​​​​​​​command + Rの回答
    3. GPT4の回答
    4. Gemini 1.5 proの回答
    5. Perplexityの回答
  4. Perplexity✕Claude3が最強
  5. 生成AI時代は意思決定と統計知識が重要に?

エアコンとたけのこの事例

詳しくは以下のリンク先を見てもらうとして、エアコンのデータと検索データを掛け合わてPR訴求(行動変容)を行っているとても上手な事例がこちらのシャープさんの事例です。

  夏に向けたエアコン試運転実施率はわずか9%(※1)。「たけのこ」をよく見かけるようになったら、エアコン試運転を推奨 シャープ株式会社のプレスリリース(2024年4月8日 11時02分)夏に向けたエアコン試運転実施率はわずか9%(※1)。「たけのこ」をよく見かけるようになったら、エアコン試運転を推奨 プレスリリース・ニュースリリース配信シェアNo.1|PR TIMES


このPR事例に関しては、詳しくはプレスリリースを読んでいただくとして、AIの要約結果は以下です。

  • エアコンの試運転率は9%と低く、故障時の修理対応に時間を要する課題がある
  • 「たけのこ」と「エアコン 故障」の検索ボリュームには季節的な相関が見られる
  • たけのこを見かけるようになったらエアコン試運転を推奨し、事前メンテナンスを呼びかけることで快適なエアコン使用と省エネを提案する

この内容を、4月10日の「エアコン試運転の日」に向けて発表したものです。

データの活用だけでなく記念日の活用なども盛り込み、具体的な課題と解決のための行動変容の促しと具体策、そしてCTAまで繋げている非常にスマートなPR設計かと思います。

  データが示す、4月なのにエアコンを動かしたほうがよい理由 |ヤフー・データソリューション 皆さん、そろそろエアコン(クーラー)を動かしていますか? 大半の人は、さすがにまだ早いのでは? と思ったことでしょう。しかし、これは実はとても重要な話なのです。 いったい何が重要なのか。 まず最初にお見せるするのがエアコンの故障に関する検索キーワードの2020年以降の検索数推移ですが、どの年も検索のピークが7月頭~8月という暑さの厳しい時期に来ています。 暑くなるとエアコンを利用する回数が増えるということで、故障に関する検索が増えるのも当然と言えますが、故障の検索が増えるということは修理や買い替えの需要も同じ時期に増えるということです。   ちなみに、エアコンはいったいどの note(ノート)

なお分析手法は、上記ページにて簡単に解説されていますが、細かな手法までは載っていなかったため、ここからはどのように分析を行っているのかを推測しながら、具体的な検索ボリュームの活用方法について解説していきます。

検索データの活用方法

まず検索データといえばGoogle社が提供している「Googleトレンド」が最も有名かと思います。

Googleトレンドは検索ボリュームを100をMAXとして、相対的に算出したもので、検索ボリュームの時系列推移を掴むことが可能です。

なおGoogleトレンドはAPIの提供がなく、効率的に検索データを情報収集するには、現時点では非公式ライブラリ「PyTrends」を使うか、もしくはスクレイピングを使ったAPIサービス「SerpApi」などの第三者サービスを使用することになります。

  Googleトレンド分析にPytrendsを使うべきたった一つの理由 Googleトレンドには非公式APIとして、Pytrendsというものが公開されています。今回はこのPytrendsを使うことで得られるメリットをご紹介します。 広報・PR支援の株式会社ガーオン

PyTrendsは動作が不安定になったり、Google側で多アクセスが拒絶されたりと、何かと不安定なのがネックです。

そうした欠点を補えるのが有料ですが「SerpApi」 です。

  SerpApi: Google Search API SerpApi is a real-time API to access Google search results. We handle proxies, solve captchas, and parse all rich structured data for you. SerpApi

「SerpApi」はGoogleニュースやGoogleマップなどのデータ取得にも対応しており、非常に便利なAPIなので、これは別の機会に紹介したいと思います。

当社では実験として、このSerpApiを組み込んだGPTs「トレンドナビ」を作ってみましたので、GPT4を利用可能な方はぜひ下記リンクよりご体験ください。

  ChatGPT - 広報トレンド分析「トレンドナビ」📈🔥 検索データやニュース・SNSデータなどを分析し、流行やトレンドを調査・横断分析するアナリティクスBOTです。RAGではなくAPI経由で実際のリアルタイムデータを分析します。まずは調べたいキーワードを入力してください。 ChatGPT

Googleトレンド ✕ メディア名でトレンド抽出

Googleトレンドでテレビ局の名称や新聞社名などを掛け合わせることで、今メディアで何が取り上げられて流行っているのかを分析することもできます。

下記ダッシュボードを見るとイメージもつきやすいかと思います。

  広報活動ダッシュボードsample Looker Studio turns your data into informative dashboards and reports that are easy to read, easy to share, and fully customizable. Looker Studio

なおGoogleトレンドは前述のとおり相対数値しか取得できないため、検索データの細かな分析をするのであればヤフー社の「DS.INSIGHT」の活用が必須となります。上記事例でもDS.INSIGHTを使って分析していました。

実際に相関を調べてみる

ここからは具体的に各種データを使って、検索数の相関を調べてみたいと思います。

ちなみにエアコンとたけのこなど検索ピークがずれるような時系列データは、時間のラグが発生するため、エクセルなどで通常利用する「相関係数」ではなく、「相互相関係数(クロス相関係数)」による分析が必要となるケースが多いようです。

こうした分析に使う計算方法も、生成AIに頼ればあっという間です。

生成AI時代はコーディングも丸投げ

データ分析に必要な関数やコードの作成も、全て生成AI等に出力させてしまうのが良いかと思います。

その際のポイントは、複数のAIで相互チェックさせること。

例えばPythonコードを出力させる初手としては、Pythonをそのまま「Code Interpreter」として使えるGPT4を初手として使い、「交差相関関数を算出するためのPythonコードを教えて」と入力しコードを出力させます。

次に出力させたコードを別のAI(例えばClaude3やPerplexity、cohereなど)に貼り付けて、「交差相関係数を出力させるためのこのコードを厳密に精査して」と入力すればよいわけです。

なお生成AIはdefとして関数を作りたがるので、コードの読み込みに慣れていない場合は「関数を定義せずシンプルに出力して」と追記するのが、読みやすくおすすめです(非エンジニアからすると、なるべく関数にしないことが読みやすさと理解力に重要な気がします)。

ちなみにエクセル関数を出力させる場合は、以下のCORREL関数とOFFSET関数とIF文を使った関数式を提案してくれました。

B列とC列の対象数値をD2に入れた数値でずらして、相互相関を計測するものです。

=CORREL(OFFSET($B$2,IF(D2<0,-D2,0),0,COUNT($B:$B)-ABS(D2)),OFFSET($C$2,IF(D2>0,D2,0),0,COUNT($C:$C)-ABS(D2)))

Python等で実行するには、配列としてNumpyを使ったコードでも実行できます。

このあたりはコードの意味はあまり意識せず、とにかく実行してしまうことが重要だと思います。

import numpy as np

x = np.array([1, 2, 3, 4, 5]) 
y = np.array([2, 3, 4, 5, 6])  #ここにデータを代入

# 最大の相関を格納する変数を初期化
max_correlation = 0
best_lag = 0

# ラグ -20 から +20 までを設定
for lag in range(-20, 21):
    if lag < 0:
        correlation = np.corrcoef(x[-lag:], y[:lag])[0, 1]
    elif lag > 0:
        correlation = np.corrcoef(x[:-lag], y[lag:])[0, 1]
    else:
        correlation = np.corrcoef(x, y)[0, 1]

    print(f"Lag {lag}: Correlation {correlation}")
    
    # 最大の相関係数を更新するかチェック
    if abs(correlation) > max_correlation:
        max_correlation = abs(correlation)
        best_lag = lag

# 最も絶対値が大きい相関係数とそのラグを出力
print(f"Best Lag: {best_lag}, Maximum Correlation: {max_correlation}")

実際にxとyに「たけのこ」と「エアコン 故障」の検索ボリュームの週次データを入れて実際に動かしてみます。

Lag -20: Correlation 0.15761073604941273
Lag -19: Correlation 0.27723441737502347
Lag -18: Correlation 0.4115730106468501
Lag -17: Correlation 0.5611687429101758
Lag -16: Correlation 0.6710405533592009
Lag -15: Correlation 0.6844467366773026
Lag -14: Correlation 0.6599880949176874
Lag -13: Correlation 0.6101333661220273
Lag -12: Correlation 0.5567763800120363
Lag -11: Correlation 0.5318463437121191
Lag -10: Correlation 0.4828208518468449
Lag -9: Correlation 0.38988492221678756
Lag -8: Correlation 0.2765618060979616
Lag -7: Correlation 0.17706566107441993
Lag -6: Correlation 0.08766475499316695
Lag -5: Correlation 0.007032624241211337
Lag -4: Correlation -0.06296347166372139
Lag -3: Correlation -0.11621474914434296
Lag -2: Correlation -0.16414808991299107
Lag -1: Correlation -0.208480236989027
Lag 0: Correlation -0.24357372249583822
Lag 1: Correlation -0.25631188594756965
Lag 2: Correlation -0.2712647913562376
Lag 3: Correlation -0.2740119913386065
Lag 4: Correlation -0.2728585409322097
Lag 5: Correlation -0.2644515747899511
Lag 6: Correlation -0.2517995248043498
Lag 7: Correlation -0.23564509557579102
Lag 8: Correlation -0.21546206200430645
Lag 9: Correlation -0.19574197737764124
Lag 10: Correlation -0.18393096671165018
Lag 11: Correlation -0.15740009877239428
Lag 12: Correlation -0.14050567312315645
Lag 13: Correlation -0.11791224783038724
Lag 14: Correlation -0.0978695185103682
Lag 15: Correlation -0.06956112069201227
Lag 16: Correlation -0.05321927648621169
Lag 17: Correlation -0.08245423533678234
Lag 18: Correlation -0.11260345144508395
Lag 19: Correlation -0.14231191355876896
Lag 20: Correlation -0.16444997304870504
Best Lag: -15, Maximum Correlation: 0.6844467366773026

結果はラグ-15の場合に最も相関係数が高くなり、0.67(正の相関がある)ということが分かりました。

相関係数
相関の強さ
0.7~1
強い正の相関
0.5~0.7
正の相関
-0.5~0.5
相関なし
-0.7~-0.5
負の相関
-1~-0.7
強い負の相関


ハルシネーションは相互チェックで解決


最近は減ってきたような印象ですが、生成AIには「ハルシネーション」といういわゆる「嘘」をつく現象が課題とされています。

Claude3やcohereなど各社から精度の高いAIが登場したこともあり、こうした問題(特にコードレビュー)は、他社のAIで相互監視させることでほぼほぼ解決できるのではないでしょうか。


生成AIによるPR戦略の立案

最後にPR戦略もAIに出力させて実験してみましょう。

先程の要約内容をもとにオーダーを出します。

以下の要素をもとにPR戦略を組み立ててほしい。
有能な広報戦略家としてPRアングルを設定し、重要となるポイントをまとめて提示してください。


1.エアコンの試運転率は9%と低く、故障時の修理対応に時間を要する課題がある
2.「たけのこ」と「エアコン 故障」の検索ボリュームには季節的な相関が見られる
3.たけのこを見かけるようになったらエアコン試運転を推奨し、事前メンテナンスを呼びかけることで快適なエアコン使用と省エネを提案する


Claude3の回答

PR戦略を以下のように組み立てました。
PRアングル:
「たけのこシーズンに合わせたエアコン試運転キャンペーン」
重要ポイント:

  1. 季節的な話題性の活用
  2. たけのこの季節に合わせてPRを展開することで、メディアや消費者の注目を集めやすくなります。
  3. 「たけのこ」と「エアコン 故障」の検索ボリュームの相関関係を活用し、適切なタイミングでPRを実施します。
  4. 消費者の潜在的ニーズへのアプローチ
  5. エアコンの試運転率の低さと故障時の修理対応の遅れという課題を取り上げ、消費者の潜在的な不安や不満に訴求します。
  6. 事前メンテナンスの重要性を訴求し、快適なエアコン使用と省エネにつなげる提案を行います。
  7. メディアへの効果的な情報提供
  8. たけのことエアコンの意外な関係性を切り口に、メディアの興味を引く情報を提供します。
  9. 季節に合わせた生活提案型の記事化を促し、幅広い媒体での露出を狙います。
  10. 具体的なアクションの提示
  11. エアコンの試運転方法や、メンテナンスのポイントなど、消費者が実践できる具体的な情報を提供します。
  12. 専門家のコメントを交えることで、情報の信頼性を高めます。
  13. キャンペーンの展開
  14. 「たけのこシーズン到来!エアコン試運転キャンペーン」などのキャッチーな名称を設定し、キャンペーンを展開します。
  15. SNSでのハッシュタグキャンペーンや、関連企業とのコラボレーションなども効果的です。
    以上の点を踏まえ、たけのこシーズンに合わせたエアコン試運転キャンペーンを展開することで、メディア露出の拡大と消費者の行動変容を促すPR戦略が有効であると考えます。


​​​​​​​command + Rの回答

春の訪れを告げる「たけのこ」と「エアコン試運転」を絡めたPR戦略は、季節感を捉えた素晴らしいアングルです。以下、広報戦略のポイントをまとめます。
PRアングル:
「たけのこ」が出始めたら、エアコンの「試運転」の季節です。
戦略のポイント:

  1. 季節の相関関係を活用: 「たけのこ」と「エアコン 故障」の検索ボリュームの季節的な相関に着目します。春先に「たけのこ」が旬を迎える時期に合わせて、エアコンの試運転を促すことで、季節感を捉えたPRとなり、記憶に残りやすくなります。
  2. 試運転の重要性を訴える: エアコンの試運転率の低さと、故障時の修理対応の課題を強調します。多くの人が試運転をしていない事実と、故障時の不便さや修理の時間とコストのかかりさを訴えることで、試運転の重要性を強くアピールできます。
  3. 快適さと省エネを提案: エアコンの事前メンテナンスにより、快適なエアコン使用と省エネを提案します。試運転によって、エアコンの不具合を事前に把握でき、修理やメンテナンスを済ませておくことで、夏場に快適に過ごせるだけでなく、古いエアフィルターを使用し続けることによるエネルギーの無駄遣いも防げます。
  4. ストーリー性のあるビジュアル: 「たけのこ」と「エアコン」を一緒にビジュアルで表現します。「たけのこ掘り」のシーンや、旬の「たけのこ料理」とエアコンを組み合わせたユニークなビジュアルは、ストーリー性があり、メディアやSNSで注目を集める可能性を高めます。
  5. インフルエンサーやメディアを活用: 季節感のあるコンテンツは、SNSで特にシェアされやすい傾向にあります。SNSインフルエンサーとコラボして、「たけのこ」と「エアコン試運転」に関する投稿を促進します。また、生活情報や季節のトレンドに敏感なメディアをターゲットに、記事掲載を働きかけます。
  6. タイミング: PRのタイミングは、春先の「たけのこ」が出始める時期、3月下旬から4月上旬が理想的です。エアコンメーカーや販売店など、関連企業との連携もこの時期に促進します。
  7. 地域性: 「たけのこ」の旬は地域によって多少異なるため、地域性を考慮したPR展開が重要です。各地域の「たけのこ」の旬に合わせた情報発信やイベントを開催することで、より効果的となります。
    以上がPR戦略の骨子となります。季節感を捉えたタイムリーなアプローチで、記憶に残りやすく、行動を促す効果的なPRとなるでしょう。


GPT4の回答

素晴らしいプロジェクトのためのPR戦略を組み立てるにあたり、具体的な実施ポイントを以下に示します:

1. キャンペーンのテーマ設定

「たけのこが生える季節は、エアコンの季節への準備も始まる」というテーマで一般の注意を引くキャンペーンを展開します。自然のサイクルとエアコンのメンテナンスを結びつけることで、季節感を意識したPRを行います。

2. メディアとの連携

  • プレスリリース: 季節の変わり目に合わせたプレスリリースを配信し、たけのことエアコンの試運転を結びつけるストーリーをメディアに提供します。

  • インフルエンサーとのコラボレーション: ガーデニングやDIY、家庭用品を扱うインフルエンサーと連携し、たけのこを使ったコンテンツと共にエアコンの試運転を促すメッセージを発信してもらいます。

    3. デジタルマーケティングの活用

  • SEOとコンテンツマーケティング: 「たけのこ」と「エアコン 故障」の季節的な検索トレンドを活用し、ブログ記事や教育コンテンツでエアコンの正しい試運転方法やメンテナンス情報を提供します。

  • ソーシャルメディアキャンペーン: #たけのこチェック #エアコン試運転 のようなハッシュタグを用いて、ユーザーに自分のエアコン試運転の様子を投稿してもらい、抽選でプレゼントを提供するキャンペーンを実施します。

    4. 地域コミュニティとの連携

  • 地域イベント: 地域のたけのこ祭りや市場でのプロモーションブースを設置し、エアコンの試運転を推奨するパンフレットや小冊子を配布します。

  • ワークショップの開催: 地元のコミュニティセンターで、エアコンのメンテナンスワークショップを開催し、実際に試運転を体験してもらうことで、エアコンの重要性を訴えます。

    5. モニタリングと評価

  • フィードバックの収集: キャンペーンの効果を測定するために、ソーシャルメディアやウェブサイトのアナリティクスを利用して、ユーザーの反応やエンゲージメントを分析します。

  • 改善策の実施: 収集したデータを基に、次回のキャンペーンでのアプローチを改善します。
    この戦略を通じて、エアコンの試運転とメンテナンスの重要性を広く訴求し、顧客の快適な夏をサポートすることが可能です。


Gemini 1.5 proの回答

エアコン試運転啓蒙PR戦略:たけのこが合図!
PRアングル: 「たけのこを見たらエアコン試運転」という分かりやすいアクションを啓蒙し、エアコンの故障予防と省エネを促進する。季節の風物詩である「たけのこ」をフックに、生活者にとって身近な問題であるエアコンの故障を防ぎ、快適な夏を迎える準備を促す。
重要ポイント:
ターゲット: エアコン所有者、特にメンテナンス意識が低い層
メッセージ: 「たけのこを見たらエアコン試運転!」をキャッチフレーズに、以下の点を訴求する。
故障予防: 早めの試運転で故障を早期発見し、修理の待ち時間を回避できる。
省エネ: 定期的なメンテナンスでエアコンの効率が上がり、電気代の節約になる。
快適性: 真夏にエアコンが故障すると、生活に大きな支障が出る。
メディア:
プレスリリース: メディアに向けて、エアコン試運転の重要性と「たけのこ」を絡めた啓蒙キャンペーンを告知。
ソーシャルメディア: ハッシュタグ「#たけのこエアコン」などを作成し、情報拡散を促す。SNSキャンペーンやインフルエンサーとのコラボレーションも検討。
ウェブサイト/ブログ: エアコン試運転のメリットや方法、故障時の対処法などを分かりやすく解説するコンテンツを掲載。
店頭/販促物: エアコン販売店や関連施設に、啓蒙ポスターやチラシを設置。
タイミング: たけのこの旬である春先から初夏にかけて、集中的にPR活動を実施。
期待される効果:
エアコン試運転率の向上
エアコン故障による修理依頼の分散化
省エネ意識の向上
企業イメージの向上
その他:
エアコンメーカーや販売店、修理業者などとの連携を図り、キャンペーンの認知度を高める。
エアコン試運転の方法を分かりやすく説明する動画や資料を作成し、広く周知する。
キャンペーンの効果測定を行い、今後のPR活動に活かす。
このPR戦略により、「たけのこ」という季節の風物詩をフックに、エアコン試運転の重要性を広く啓蒙し、生活者の快適な暮らしと省エネに貢献します。


Perplexityの回答

エアコンメーカーとして、以下のようなPR戦略を提案します。

PR戦略の目的


Amazonが1億ドルを投資したことでも話題のPerplexityは、今最もマーケターが使える生成AIの一つとして人気です。

上記出力を見れば分かる通りPerplexityは検索結果からプレスリリースそのものを情報ソースとして組み込んでいるため再現性は不明ですが、他のAIと比べてWebアクセスができて、その検索結果をソースとして回答を生成するため、広報戦略やリサーチ業務には最も使えるAIだと感じています。

  グーグル検索をディスラプトする──AI検索「Perplexity」創業者がライバル視する同郷スンダー・ピチャイ Perplexityのファウンダーであるアラヴィンド・スリニヴァスは、インド出身のスンダー・ピチャイと同じ町で育ち、憧れを募らせていた。いまや自らもAIを取り入れた“回答する”検索エンジンの会社を起業し、業界の大物たちから注目を浴びている。 WIRED.jp

最も知名度が高いGPT4は、この中で比べると最も質が悪くかつ出力も遅いため、もはやAPI(gpt-4-turbo)以外ははっきりいって使えない状況なのかもしれません。

Perplexity✕Claude3が最強

数ヶ月したら情勢はあっという間に変わってしまう気もしますが、2024年4月現時点では広報業務に使う生成AIとしては(好みもあるかと思いますが)、他の最新AIと比べ精度が悪く遅いChatGPTは使うべきでなく、PerplexityとClaude3を掛け合わす形がベターかと感じています。

PerplexityはAIエンジンを独自のSonarの他、外部のGPT4-turbo、Claude3 Sonet、Claude3 Opus、Mistralと選べることもポイントです。

CluadeはOCR機能も精度が高く、写真で撮った記事などの文字起こしにも使えるほか、スプレッドシート内でも、公式機能として使えるのもポイントです。

  Google Sheets add-on You can call Claude in Google Sheets with the Claude for Sheets extension. Claude for Sheets enables seamless integration between Claude and Google Sheets, allowing you to execute interactions with Claude directly in cells. This tool allows for easy and rapid prompt engineering by enabling you to co... Claude


生成AI時代は意思決定と統計知識が重要に?

生成AIの発展も目覚ましく、広報・PRにおけるデータ活用の重要性は一層高まっています。

これからの生成AI時代に求められるのは、データから得られた知見を正しく解釈し、適切な意思決定を下すことと言われています。

AIの推論を信じるか信じないかを最後に決めるのは人間なので、その意思決定を判断するための統計知識はますます重要となると思われます。

ちなみにAIに聞いたところ相関係数だけでも下記の種類が挙げられるそうです。

分類

相関係数の種類

説明

  1. 線形相関係数

1.1. ピアソンの積率相関係数(エクセルのCOREEL関数/データ分析タブ機能)

最も一般的な線形相関係数で、2つの連続変数間の直線的関係を測定する。


1.2. 偏相関係数


他の変数の影響を除去した上で、2つの変数間の直接的な相関を測定する。


1.3. 準偏相関係数


複数の制御変数を考慮した上で、一方の変数が他方の変数に与える独立した影響を測定する。


1.4. 相互相関係数(クロス相関係数)

2つの時系列データ間の相関を異なる時間遅れで測定し、どのタイミングで最も強い相関が存在するかを特定する。

  1. 非線形相関係数

2.1. スピアマンの順位相関係数

データの順位に基づき、2つの変数間の順序関係を測定する。正規分布を仮定しない。


2.2. ケンドールの順位相関係数


同じ順位のペアの数を基に、2つのランキング間の一致度を測定する。


2.3. 距離相関係数


任意の次元のデータ間で、距離に基づいた相関を測定する。非線形関係も検出可能。


2.4. マクシマル情報係数


データセット間の任意の複雑な関係を捉える能力を持つ。相互情報量に基づく。


2.5. ブロックワイズ相互相関係数(クロス相関を応用)


2つの時系列データを複数のブロックに分割し、それぞれのブロック間でクロス相関を測定する。

  1. その他の相関係数

3.1. 重み付き相関係数


各データポイントの重要性に応じて重みを割り当て、相関を測定する。


3.2. 非対称相関係数


一方の変数が他方に与える影響が非対称である場合に用いる。


3.3. 層別相関係数

データを層別化し、各層内での相関を別々に測定する。


3.4. 正準相関係数

2つの変数群(それぞれ複数の変数を含む)の間の相関を測定する手法

こうした知識を使いこなす必要性が今よりも増してくるのではないでしょうか。

また統計知識のみならず、今後は良質な(競合が持っていない)非構造化データを作り貯める、というプロセスも更に重要となりそうです。

  AI時代に起業するということ|shi3z 生成AI以前と以後で、会社のあり方は決定的に変化していくのだと思う。 たとえば、昨日はとある会議で、「この(AI)サービスの原価はいくらか」という議論が沸き起こった。 AIサービスなのだから、AIの利用料くらいしかかからないかというとそうでもない。実際、AIを動かすためにはAIそのものにかかるお金以外の人件費がかかる。誰かに売る人の人件費や、システム開発のための人件費や、サポートのための人件費だ。ただ、AIサービスの場合、人件費を極限まで最小化することができる、という点が決定的に違う。 また「AIの利用料」も、「APIの利用料」なのか、ベアメタルサーバーの月額利用料なのか、それとも note(ノート)

以上、生成AI時代のデータを活用したPR戦略の解説でした。

機能が汎用化していく中で、広報の差別化をデータでつけるという時代も近いのではないでしょうか。

  生成AIでプレスリリースを作成するポイント 生成AIを使って読みやすく質の高いプレスリリースを作成するためのポイントを解説します。 広報・PR支援の株式会社ガーオン ​​​​​​​



関連記事

広報・PRやプレスリリースまわりでお困りのことはございませんか?
多数の企業サポートを行ってきた当社が解決いたします。
お気軽にお問合せください。