Skip to content

README.ja.md

Latest commit

 

History

History
208 lines (145 loc) · 10.4 KB

README.ja.md

File metadata and controls

208 lines (145 loc) · 10.4 KB

Value Simulator

License: AGPL-3.0 Python 3.11+ Next.js 16

エージェントベース市場採用シミュレーター -- サービスアイデアの市場浸透をシミュレーション

デモを試す | English

日本市場の仮想空間にエージェントを配置し、Bass拡散理論に基づくエージェントベースシミュレーションを実行。サービスアイデアの採用曲線・売上予測・改善ポイントを可視化します。

使い方

Step 1: サービスの説明を入力

入力画面

テキストエリアにサービスのアイデアを自由に記述します。「AIで分析」ボタンをクリックすると、Claude APIがサービス内容を分析し、シミュレーションパラメータを自動推論します。

Step 2: AI推論結果の確認 → シミュレーション実行

AI推論結果とダッシュボード

AIが推論したJTBD（ジョブ）、ターゲット、カテゴリ、推奨価格、競合状況が左パネルに表示されます。推論されたパラメータは手動で調整も可能です。シミュレーション結果がリアルタイムでダッシュボードに表示されます。

ダッシュボード詳細

サマリーカード

サマリーカード

指標 説明
推定TAM AI推論に基づく日本市場の推定TAM（Total Addressable Market）人数
総採用者数 シミュレーション期間中にサービスを採用したエージェントの累計数
最大日次採用数 1日あたり最も多くの新規採用があった日の人数。採用のピークタイミングを示す
採用率 TAMに対する採用者の割合。市場浸透の到達度を表す
市場機会スコア ODI (Outcome-Driven Innovation) に基づく機会スコア（0-10）。高いほど市場に未充足ニーズがあり、サービスの成功可能性が高い

AI推論結果

AI推論結果

Claude APIが推論した内容:

  • ジョブ (JTBD): ユーザーが「片付けたい用事」。Functional / Emotional / Social の3種類
  • ターゲット: 年代（20代、30代...）、職業（会社員、学生...）、世帯（単身、夫婦...）
  • カテゴリ: 25カテゴリから最適なものを選択（教育、ヘルスケア、SaaS等）
  • 推奨価格: 市場相場とターゲットの支払意欲に基づく推奨月額価格
  • 競合状況: なし / 弱い / 強い。市場の競争環境の評価
  • 推論理由: AIの推論プロセスの説明。TAM推定の根拠も含む

採用推移チャート（累積 / 日次）

採用推移チャート

  • 青い実線（累積採用）: S字カーブ（シグモイド曲線）。イノベーターから始まり、マジョリティへ普及する過程を表す
  • 緑の点線（日次採用）: ベル型カーブ。1日あたりの新規採用者数。ピーク後に減少するのが典型的なBass拡散パターン
  • 赤い線（現在位置）: タイムラインスライダーで選択した日の位置

タイムラインコントロール: スライダーでシミュレーション日を移動でき、再生ボタンでアニメーション表示が可能。速度（0.5x / 1x / 2x / 4x）の調整も可能。

ファネル分布（AIDMAモデル）

ファネル分布

AIDMA購買ファネルの各段階にいるエージェント数を横棒グラフで表示:

ステージ 説明
未認知 (Unaware) サービスの存在を知らないエージェント
認知 (Aware) サービスを知っているが興味がないエージェント
関心 (Interest) 興味を持ち、情報収集を始めたエージェント
検討 (Consideration) 購入を具体的に検討しているエージェント
採用 (Adopted) サービスを採用（購入）したエージェント

各段階間の遷移確率はBass拡散モデル（イノベーション係数p + 模倣係数q）、JTBD適合度、価格受容性、ソーシャルネットワーク上の隣接エージェントの影響によって決定されます。

主な機能

  • エージェントベース市場シミュレーション -- 日本市場の人口統計（e-Stat 2020国勢調査ベース）に基づくエージェント生成。Watts-Strogatz小世界ネットワークで接続し、Rogersの普及カテゴリ（イノベーター〜ラガード）別に行動を個別化
  • Bass拡散モデル + AIDMA購買ファネル -- イノベーション係数(p)・模倣係数(q)に基づく拡散モデルと5段階ファネルモデルを統合
  • JTBD + ODI機会スコア -- 25カテゴリのプリセットJob定義とODI指標による機会スコア計算
  • Claude API自動推論 -- サービス説明文を入力するだけで、AIがJTBD・ターゲット・カテゴリ・価格・競合状況を自動推論
  • What-If分析 -- パラメータ変更の影響を即座にプレビュー

クイックスタート

Docker Compose（推奨）

git clone https://github.com/PM-DAO/value-simulator.git
cd value-simulator
docker compose up
# ブラウザで http://localhost:3000 を開く

ローカル開発

前提条件: Python 3.11+, Node.js 20+, uv

# バックエンド
cd backend
uv sync
PYTHONPATH=src uv run uvicorn simulator.api:app --reload  # http://localhost:8000

# フロントエンド（別ターミナル）
cd frontend
npm install
NEXT_PUBLIC_API_URL=http://localhost:8000 npm run dev  # http://localhost:3000

アーキテクチャ

Frontend (Next.js 16)          Backend (FastAPI)
┌──────────────────┐          ┌──────────────────────────────┐
│  入力フォーム     │  REST   │  api.py     ← エンドポイント  │
│  結果ダッシュボード│ ──────→ │  engine.py  ← シミュレーション │
│  シナリオ比較     │  JSON   │  agent.py   ← BDIエージェント │
│  (Recharts)      │         │  population.py ← 人口生成     │
└──────────────────┘          │  network.py ← ソーシャルグラフ │
                              │  diffusion.py ← Bass拡散     │
                              │  funnel.py  ← AIDMAファネル   │
                              │  jtbd.py    ← JTBD/ODI計算   │
                              │  market.py  ← 市場エンジン    │
                              └──────────────────────────────┘

バックエンドモジュール

モジュール 説明
agent.py BDI (Beliefs-Desires-Intentions) エージェントモデル。年齢・性別・所得・地域・世帯タイプ・Rogersカテゴリ・ファネルステージを管理
population.py 日本市場人口統計（e-Stat 2020国勢調査ベース）に基づく層化サンプリングでエージェント生成
network.py Watts-Strogatz小世界ネットワーク（k=6, p=0.1）によるソーシャルグラフ構築
diffusion.py Bass拡散モデル。イノベーション係数(p)で自発的採用、模倣係数(q)で口コミ採用を計算
funnel.py AIDMA購買ファネル。認知→関心→検討→採用の段階的遷移と減衰処理
jtbd.py JTBD/ODI機会スコア計算 + Claude APIによるLLM推論
market.py 価格モデル適用（無料/フリーミアム/サブスク/従量/買い切り）、競合影響の計算
engine.py シミュレーション実行エンジン。全モジュールを統合しステップ実行
api.py FastAPIエンドポイント

API

エンドポイント 説明
POST /api/simulate 手動パラメータ指定によるシミュレーション実行
POST /api/simulate/auto AI自動推論モード（Claude APIでパラメータを推論）
POST /api/simulate/compare シナリオ比較（最大3シナリオ同時実行）

APIドキュメント（Swagger UI）: http://localhost:8000/docs

Claude API設定

AI自動推論機能を利用するには、環境変数に Anthropic APIキー を設定してください。

export ANTHROPIC_API_KEY=sk-ant-...

APIキーなしでも、手動でパラメータを設定してシミュレーションを実行できます。

テスト

# バックエンド単体テスト
cd backend && uv run pytest

# カバレッジ付き
cd backend && uv run pytest --cov

# E2Eテスト（バックエンド・フロントエンドを自動起動）
cd frontend && npx playwright test

技術スタック

レイヤー 技術
Backend Python 3.11+, FastAPI, NetworkX, NumPy, SciPy, Pydantic
Frontend Next.js 16 (App Router), React 19, Tailwind CSS v4, Recharts
LLM Anthropic Claude API
Test pytest, Playwright
インフラ Docker Compose

Contributing

Pull Requestsを歓迎します。

  1. このリポジトリをFork
  2. Feature branchを作成 (git checkout -b feature/amazing-feature)
  3. 変更をコミット (git commit -m 'Add amazing feature')
  4. Pushしてプルリクエストを作成

バグ報告や機能要望は Issues へ。

ライセンス

AGPL-3.0

このソフトウェアはAGPL-3.0ライセンスの下で公開されています。SaaSとして提供する場合、ネットワーク経由でアクセスするユーザーに対してもソースコードの公開義務が発生します。詳細は LICENSE を参照してください。