市場調査に戻る
Asper.aiはFractalが所有するソフトウェア事業で、包装消費財メーカーを対象とする。現在のプラットフォームは、需要計画と売上成長管理を組み合わせ、価格、販促、品揃え、商品構成、取引投資を扱う。基盤となるデータプラットフォームが営業情報をまとめ、対話画面AskAsperでは利用者がシナリオや推奨を調べられる。既存のERPと取引販促管理システムは取引記録を保持し、承認された計画や判断を受け取る。 1
サプライチェーン総合評価：4.4/10。
| 評価軸 | 評点 |
|---|---|
| サプライチェーンの掘り下げ | 4.6/10 |
| 意思決定と最適化の実質 | 4.6/10 |
| 製品とアーキテクチャの一貫性 | 4.4/10 |
| 技術的透明性 | 4.0/10 |
| ベンダーの真剣さ | 4.2/10 |
Asperは商業的に意味のある問題を扱う。価格、販促費、商品の代替は、需要の経済的評価に含めるべき要素だ。過去の事例も予測自動化と計画担当者の生産性改善を報告している。弱点は、これらの能力から、現在の連携したエージェント型成長という約束への飛躍にある。公開証拠が明確に示すのは、導入費と運用費を差し引いて利益を改善する反復可能な仕組みよりも、予測支援と営業上の推奨である。 1 6 7
特許は確率的な行動推奨と計画担当者の調整の評価を説明するが、それらが現在の商用プラットフォームに実装されているとは示していない。配備の説明は複数のクラウドサービスにまたがり、現在の製品にはコンサルティング、導入定着、能力開発が含まれる。この組み合わせの保守費用は、約束された収益を直接圧迫する。 10 11 12 13 15
Asper.aiとLokadの比較
Asperは営業計画組織から出発する。組織の予測をまとめ、売上機会を分析し、価格と販促をシミュレーションし、既存の承認過程に判断を流す。Lokadは意思決定そのものから出発する。不確かな需要と供給、業務制約、各選択肢の金銭的結果を踏まえ、どの商品を何単位買い、生産し、配分し、値引きするかを考える。既存の業務を維持するというAsperの現在の約束は導入しやすい反面、生産性を問い直すべき組織上の仕組みも多く温存する。 1 Lokadの在庫最適化の手法を参照。
販促が魅力的に見えるとき、この区別は重要になる。予測売上が増えても、通常価格での売上減、費用のかかる在庫移送、補充不足、販促後の売れ残りが同時に起こりうる。Asperは価格と販促の影響を明示的に扱う。しかし公開資料は、サプライヤー入荷の不確実性、在庫の競合する使途、それらの金銭的結果を、共通の意思決定計算にどう組み込むかを示さない。逸脱管理の特許は、確率、行動の選択肢、制約、利益または損失という有用な出発点を示すが、この特定のサプライチェーン問題が本番製品でどう処理されるかは確認できない。 1 10
LokadのIntroduction to Supply Chainは、数値的な意思決定を自動化し、その経済性を表現し、知識の蓄積とともに判断ロジックを改善するという、より広い設計観を説明する。生産性の比較には、データ対応付け、モデル、例外、営業ルールを保守する人々も含める必要がある。予測レビュー会議の短縮が捉えるのは、その業務の一部にすぎない。
需要の先読みからエージェント型RGMへ
英国法人は2019年11月にSamya.ai Limitedとして設立され、2022年11月にAsper.aiへ改称した。Fractalは2021年6月にSamyaを買収した。 2 4
| 時期 | 公開された主張または製品方針 | 記録から確認できること |
|---|---|---|
| 2020 | Dynamic Demand AIは200の外部要因と自動機械学習を使って需要を先読みした。 | 発表は100人超の計画担当者への相談と、消費財企業五社での価値実証を説明した。予測や売上の主張に関する対照比較は公表しなかった。 |
| 2021 | FractalがSamyaを買収し、ディープラーニング、強化学習、確率的手法、十倍の優位を宣伝した。 | 買収発表は、その優位を示す数量、基準、実験を定義しなかった。 |
| 2022 | Asperは需要、在庫、価格、販促を扱う自律型意思決定エンジンとして発足した。 | 同じ発表は、需要計画と価格・販促のモジュールを限定的な試験版とも説明した。 |
| 2023 | 事例は、人的介入の少ない需要計画と計画担当者の生産性改善を説明した。 | 記録された業務には計画担当者の修正が残り、高リスク案件を人間の対応対象として分離していた。 |
| 2025 | Fractalは段階的な2,000万ドルの投資を発表した。 | 対象は引き続き需要、売上成長管理、在庫計画、営業実行を含んだ。 |
| 現在 | Agentic RGMは営業エージェント、AskAsper、データプラットフォームをまとめる。 | 現在の説明は、統制された営業判断と既存の企業業務の維持を中心とする。 |
初期のAI表現は既に大げさだった。2022年には、宣伝するモジュールが限定試験版の段階にある製品群を「自律」と呼んでいた。その後の顧客文書は、より限定的で信頼できる説明を示す。予測作成の一部を自動化し、残りを計画担当者が処理するのを助けるというものだ。現在のエージェント型という説明には、対話画面を追加したこと以外に、数値的な意思決定システムの何が変わったかという証拠が必要である。 5 6 7
対象とする商業問題には連続性がある。需要の先読み、外部要因、計画担当者の介入、売上効果は、記録全体に繰り返し登場する。一方、公開技術文書の連続性ははるかに乏しい。現在の製品、資料、AI理念のリンクの多くは準備中ページにつながり、有用な事例はアーカイブされたPDFに残る。製品が成熟するなら、仕組みと成果はより検証しやすくなるべきだ。 1 6 7
数値手法から分かること
特許に記載された確率的な推奨
2021年に公開されたSamyaの特許出願は、逸脱管理システムを説明する。利用者がユースケースと指標を指定すると、相互接続されたモデルが逸脱を予測し、確率を付け、影響を追跡し、行動を推奨する。請求項は、行動結果の分布、利用者が指定する業務制約、行動した場合の利益または見送った場合の損失の定量化を明示的に含む。フィードバック機構は行動を記録し、後続の予測を改善する。 10
これは、単一予測の後にアラートを出す方式を超えようとした実質的な証拠である。公開設計は、不確実性を行動の選択肢と連動する指標へ結び付ける。ただし、設定可能な指標は売上、予測誤差、その他の目標にもなりうる。特許だけでは、本番製品がすべての重要な結果を一貫して金銭評価するのか、因果効果を確実に学習するのか、希少在庫を競合判断の間で調整するのかは決まらない。これらは経済結果に直結する実装上の問題だ。 10
2020年の優先日を持ち、2025年に登録された別の特許は、予測の修正を扱う。修正済み予測を実績と比較して体系的な偏りを特定し、修正を行った主体に技能点を付ける。そのうえで後続予測の改善を推奨する。これは計画担当者の有害な介入を明らかにできるが、中心的な出力はなお修正された予測である。予測品質が上がっても、それだけでは最良の発注量や価格は決まらない。 11
需要と供給の不確実性
商用製品は、需要要因、価格弾力性、シナリオを重視する。現在の説明もマーケットプレイスの掲載情報も、需要、サプライヤーのリードタイム、利用可能量、その他の供給不確実性の結合分布を説明していない。逸脱の特許は複数指標を論じられるだけの広さを持つが、行動選択の前にそれらの不確実性を統合する具体的なサプライチェーン実装の証拠がない。 1 10 12 13
この不足は、営業判断と物理的な判断が絡むと重要になる。販促は、補充が不安定かもしれない時期に需要を変える。将来の販売可能量を固定入力として扱う価格推奨は、利益が出るように見えても、費用を緊急輸送、他の場所での販売逸失、残余在庫へ移すことがある。需要信号を増やしても、実際に何を供給できるかの不確実性は解消しない。
Asperは、予測売上と、価格や販促を変更した効果も区別しなければならない。過去の販促は、予想需要、競合の行動、在庫状況に反応する人々が選んでいる。その観測に適合するモデルは、別の行動の増分効果を推定せずに、既存の選択を再現することもできる。公開製品説明は弾力性や販促収益を挙げるが、反実仮想評価の方法や誤差を開示していない。 1 13
顧客事例が測定しているもの
アーカイブされたペットフード事例は、87顧客、23倉庫、複数販売チャネル、四か月のローリング予測という有用な業務情報を示す。人的関与の少ない案件は自動化し、多くの介入を要する案件では計画担当者が基準予測を修正した。結果は、ポートフォリオの約60%が自動化されたことと、製品数量の42%が自動判断で動かされたことを区別している。文書は、購買発注、生産指示、価格が自動執行されたとは示していない。 6
精度の数値にも元の分母が必要だ。ポートフォリオの七割が改善したというのは、予測精度70%という主張ではない。三分の一のポートフォリオで20パーセントポイント超改善し、三チャネル全体では6%改善したとされる。冒頭は平均絶対パーセント誤差が25%超だったと述べるが、結果には一貫した式、重み付け、最終誤差、サンプル外評価手順がない。公開数値から、買い手は改善を再構成できない。 6
包装食品の事例は、経過時間の説明がより明確だ。最初の八週間で二カテゴリーの予測精度が6.8%改善し、初年度はカテゴリー全体で5%超、二年目は8.2%改善、計画担当者の生産性は40%向上したと報告する。導入には、調査ワークショップ、業務の整理、価値実証、将来の計画プロセスの設定が含まれた。高リスク状況には引き続き計画担当者が対応した。 7
これらは、対象範囲が有用な形で示された顧客便益の報告である。しかし、予測指標、対照群、生産性の分母、全人員とサービスの費用がなく、評価を再現できない匿名事例のままだ。包装食品の事例は、生産性40%が作業時間減、担当者当たり商品数増、業務構成の変化のどれを意味するかを述べない。どちらも導入と反復作業を差し引いた実現純利益を示していない。 6 7
マーケットプレイスの主張は約束を広げる。AWSは5–15%の精度向上を約束し、Microsoftは10–20ポイントの向上と最大80%のポートフォリオ自動化を述べる。パーセントとパーセントポイントは異なる尺度であり、掲載情報は共通の基準値や製品範囲を確認できるものではない。また、カテゴリー単位の精度ではSKU単位の補充品質は示せない。集約は、個々の在庫判断を難しくする変動の多くを消すからだ。 12 13
ソフトウェア構成と運用境界
最も具体的な公開部品説明は、ベンダー自身が記載したマーケットプレイスの情報にある。
| 製品説明 | 記載された構成要素 | 運用上の意味 |
|---|---|---|
| AWSの需要予測掲載 | Redshift、Amazon EMR、ElastiCache | データウェアハウス、分散処理、キャッシュには、それぞれデータ同期、容量選択、運用保守が必要になる。 |
| Microsoftのアプリ掲載 | Cosmos DB、Azure Database for PostgreSQL、Kubernetes Service、Azure OpenAI、仮想マシン | 二つのデータベースサービス、コンテナ統制、モデル提供、外部AIサービスによって、運用と保護が必要な接点が増える。 |
| 現在のプラットフォーム概要 | 顧客の既存クラウド・データ基盤との連携 | 顧客データ基盤はアプリに吸収されて消えるのではなく、運用構成の一部として残る。 |
AWSとAzureの説明は別々の提供形態であり、公開記録はそれらを現在のAgentic RGMのバージョンに対応付けていない。AWSの掲載自体も、AWSサービスを使って構築したという説明と、提供情報では専門サービスに分類し「Deployed on AWS」を「No」とする記述が共存する。配備仕様としての有用性は弱い。買い手には、自社導入の実際の構成、サービス責任、更新経路が必要である。 12 13
AsperのLead Data Scientist求人は、モデルパイプラインの構築と保守、モデル配備、挙動監視、技術・業務チームと協力した更新を説明する。要求スキルにはPythonとSQLがある。具体的な論点は、継続する工学的負担だ。新しい外部信号、変わる商品、劣化するモデルには、保守されたパイプラインと意図的な修正が必要になる。 14
ERPと取引販促管理の上に置く意思決定層というAsperの自己説明は明快だ。それでも承認と結果同期には障害処理が必要になる。どのシステムが判断を保持し、書き込み失敗時に何が起き、再送要求がどう重複実行を避けるのか。公開資料には、API契約、再試行の意味、モデル版管理方式、運用復旧手順がない。 1
セキュリティの境界
Azure掲載はKubernetesを挙げ、アプリを安全だと呼ぶ。サイトのプライバシーポリシーは個人情報の一般的な保護を説明する。どちらも、顧客処理の隔離、営業エージェントの権限、本番認証情報へのアクセス、外向き通信の制限、モデルや連携が侵害された場合の復旧を説明していない。推奨が承認済みの営業行動になりうる以上、これらの仕組みは重要だ。 13 16
現在のプラットフォームはガードレールと監査可能性を約束するが、価格帯や取引ルールを、提案するエージェントから独立してどう強制するかは説明していない。危険な行動の記録は、その実行を防がない。実行権限、強制機構、復旧を技術的に検証できるまでは、セキュリティ評価は低いままである。 1
設定保守、生産性、成果責任
Asperのデータ基盤は、商品属性、販促の仕組み、営業上の分類体系を取り込む。エージェントは価格帯、包装サイズの階層、取引ルールに従って動く。これらは実際の業務知識をコード化する一方、保守対象の設定も生む。新しい包装、小売契約、販促、市場構造は計算の仮定を変える。そのロジックの見直しと安全な更新にかかる費用は、総保有コストに含まれる。 1
現在のValue Enablementは、人間の貢献を明示する。専門家の関与、導入定着支援、部門間調整、継続的なRGM能力である。PricingOne自身のサービスには、戦略、実装支援、分析、研修がある。Asperの2023年ホワイトペーパーも、組織と業務の変更を求めていた。製品は、営業チームの働き方の大きな変更とともに販売されている。 1 15 8
これは、社内AI人材、基盤、モデル学習に伴う障壁をなくすという2025年発表の主張を限定する。これらを外注する価値はありうるが、費用、顧客側のデータ作業、実装保守に必要な営業知識までなくなるわけではない。公表された価値実証の期間も、全面展開とその継続義務の前に終わる。 9 1
2022年以降の生産性の問いは、計画担当者がアシスタントに質問できるかより広い。何人で判断を稼働させ、どれだけ速く組織がロジックを改善できるのか。Asperの事例は予測作業の削減を報告する。現在の公開資料は、営業ルール変更、過去データでの判断再生、経済効果測定、悪い変更の取り消しを行う、版管理された試験可能な過程を示していない。承認を残し会話を加えると個別作業は速くなるが、主要な改善過程には多くの人手が残りうる。 6 7 1
AsperのAWS掲載には、予測精度向上という成果の約束はある。しかし、契約指標、受入試験、救済、目標未達時の責任分担は公開していない。必要な経済収支は、ソフトウェア、コンサルティング、顧客労務費を差し引いた実現粗利と在庫の結果を含むべきだ。予測点数が上がっても、その収支への答えが自動的に得られるわけではない。 12
サプライチェーン評価
各項目は0から10で評価する。総合点は25項目の単純平均である。
サプライチェーンの掘り下げ
| 評価項目 | 評点 |
|---|---|
| 経済的な問題設定 | 6/10 |
| 意思決定の最終到達点 | 4/10 |
| サプライチェーンに関する概念の明確さ | 5/10 |
| 時代遅れの中心的な考え方からの独立 | 4/10 |
| KPIによる見せかけへの耐性 | 4/10 |
平均：4.6/10。
経済的な問題設定 — 6/10。 価格、販促費、構成、粗利は重要な経済変数である。公開製品説明は、これらの営業効果と在庫・供給リスクを含む共通計算を示すには至らない。 1 10
意思決定の最終到達点 — 4/10。 現在のプラットフォームは承認済み営業実行を約束するが、記録された事例が示すのは予測作成と計画担当者の支援だ。自動化率は、実行済みの補充や生産判断を特定していない。 1 6 7
サプライチェーンに関する概念の明確さ — 5/10。 逸脱特許は、不確実性、行動の選択肢、業務制約、関連指標を結ぶ。需要と供給の結合不確実性を扱う商用実装は説明されていない。 10 12
時代遅れの中心的な考え方からの独立 — 4/10。 提供製品は、統一予測、既存S&OP業務、計画担当者の修正、承認過程を維持する。経済的意思決定の自動化についての公開説明は、それらを支える仕組みほど進んでいない。 11 12 13
KPIによる見せかけへの耐性 — 4/10。 顧客事例は有用な対象範囲と時期を残すが、精度改善とポートフォリオ自動化を利益や人員に結び付ける定義が不足する。 6 7 13
意思決定と最適化の実質
| 評価項目 | 評点 |
|---|---|
| 確率的モデリングの深さ | 5/10 |
| 最適化または機械学習の独自の実質 | 5/10 |
| 現実の制約への対応 | 4/10 |
| 意思決定の自動化と労働生産性 | 5/10 |
| 現実の業務の複雑さに対する耐性 | 4/10 |
平均：4.6/10。
確率的モデリングの深さ — 5/10。 特許は逸脱と行動結果の分布を説明する。公開導入証拠は、その校正、依存構造、不確かな供給への適用を説明しない。 10
最適化または機械学習の独自の実質 — 5/10。 相互接続指標と予測修正の特許は、一般的なAIの看板を超える仕組みを開示する。その実装、比較性能、現在の製品内での役割は検証できない。 10 11
現実の制約への対応 — 4/10。 現在の製品は営業上のガードレールを示し、特許はユースケースの制約を許容する。物理容量、不確かな入荷、在庫競争、営業上の約束を一体として扱う方法は規定されていない。 1 10
意思決定の自動化と労働生産性 — 5/10。 ペットフードと包装食品の事例は、実際の自動化範囲と計画担当者の生産性効果を報告する。どちらも継続業務全体や、意思決定ロジックを変更する生産性を測っていない。 6 7
現実の業務の複雑さに対する耐性 — 4/10。 複数チャネル・倉庫の事例は、関連する運用条件を確認できる。供給混乱、連携失敗、品揃えや業務ルールの大きな変更時の性能は開示していない。 6 7
製品とアーキテクチャの一貫性
| 評価項目 | 評点 |
|---|---|
| アーキテクチャの整合性 | 5/10 |
| システム境界の明確さ | 6/10 |
| セキュリティへの真剣さ | 3/10 |
| ソフトウェアの簡素さと総保有コスト | 4/10 |
| プログラムおよびエージェント支援による運用への適合性 | 4/10 |
平均：4.4/10。
アーキテクチャの整合性 — 5/10。 現在のデータ層と判断層は、一貫した営業上の構想を成す。AWS製品、Azureアプリ、現行プラットフォームの関係には、公開された版や配備の対応表がない。 1 12 13
システム境界の明確さ — 6/10。 Asperは取引記録をERPまたは取引販促管理に残すと明言し、計画と結果の同期を説明する。障害時の動作と、部分的に完了した行動への責任は未規定である。 1
セキュリティへの真剣さ — 3/10。 公開説明はクラウド基盤と一般的な保護策を挙げるが、テナント隔離、エージェント権限、認証情報保護、強制可能な実行境界を明らかにしない。 1 13 16
ソフトウェアの簡素さと総保有コスト — 4/10。 名指しされたクラウドサービス、モデルパイプラインの保守、営業設定、専門サービスは、大きな運用責任を生む。公開料金と顧客事例は、その負担を定量化していない。 12 13 14 15
プログラムおよびエージェント支援による運用への適合性 — 4/10。 AskAsperと承認済み実行は、エージェント向けの製品方針を示す。公開API契約、試験可能なルール変更、判断ロジックの版管理された巻き戻しは製品資料にない。 1
技術的透明性
| 評価項目 | 評点 |
|---|---|
| 公開技術文書 | 4/10 |
| ベンダーの仲介なしで検証できること | 3/10 |
| 移行可能性と依存関係の可視性 | 3/10 |
| 導入方法の透明性 | 5/10 |
| 技術的主張を支える証拠の密度 | 5/10 |
平均：4.0/10。
公開技術文書 — 4/10。 特許とマーケットプレイス掲載は、提案されたアルゴリズムと構成要素を示す。現在の製品リンクはしばしば仮ページに行き着き、それらの記録と実装ガイドの間には大きな隔たりがある。 1 10 11 13
ベンダーの仲介なしで検証できること — 3/10。 商業的主張には、公開の実行可能モデル、評価データ、意思決定APIが付随しない。顧客PDFは、再現可能な測定手順なしで結果を報告する。 6 7 1
移行可能性と依存関係の可視性 — 3/10。 プラットフォームは既存顧客基盤の上で動くが、学習済みモデル、営業設定、行動履歴、実行可能な判断ロジックのエクスポートを文書化していない。 1
導入方法の透明性 — 5/10。 包装食品事例は、調査、業務整理、価値実証、設定を説明する。現在の資料は専門的な定着支援を示すが、全面導入の人員と保守計画は示さない。 7 1 15
技術的主張を支える証拠の密度 — 5/10。 実質的な二つの特許、クラウド部品説明、詳細な過去事例は、意味のある技術評価を支える。現在のエージェント型製品には、仕組みの証拠がはるかに少ない。 10 11 6 13 1
ベンダーの真剣さ
| 評価項目 | 評点 |
|---|---|
| 公開発信の技術的真剣さ | 4/10 |
| 技術ロードマップの一貫性 | 4/10 |
| 概念の明確さ | 5/10 |
| 経済成果への責任 | 4/10 |
| エージェント型ソフトウェア時代の競争力の持続性 | 4/10 |
平均：4.2/10。
公開発信の技術的真剣さ — 4/10。 初期の十倍優位と自律型製品群という主張は、開示測定やリリース段階を超えていた。より具体的な顧客文書はアーカイブで閲覧できる。 4 5 6 7
技術ロードマップの一貫性 — 4/10。 需要と営業計画は、一貫した事業の焦点である。以前の自律エンジンが現在のエージェント型基盤にどう移ったか、どの数値能力が変わったかは、公開史に示されていない。 3 5 9 1
概念の明確さ — 5/10。 結び付いた営業判断と計画担当者の偏り測定は、具体的な問題を扱う。特許のより優れた分析概念は、現在の製品説明とのつながりが弱い。 10 11 1
経済成果への責任 — 4/10。 予測改善の約束は明示的だが、受入条件と救済は未公開である。顧客成果には、実現純利益とベンダー・パートナー・顧客を合算した費用がない。 12 6 7
エージェント型ソフトウェア時代の競争力の持続性 — 4/10。 営業データの準備と業務知識は価値を保ちうる。既存業務に重ねた対話層は、数値判断の運用と改善に必要な労力も減らせなければ、優位性が弱い。 1 14 15
出典
以下の出典は2026年11月4日に確認した。アーカイブされた事例とホワイトペーパーは、当時の製品説明と報告結果を保持している。
Agentic RGMとプラットフォーム概要。現在の機能範囲、営業上のガードレール、AskAsper、データ基盤、連携境界、Value Enablement、価値実証の期間。
Asper.ai Limitedの法人登記。英国法人の設立と旧社名。
[3] Samya.aiによるDynamic Demand AIの発表
Samya.aiによるDynamic Demand AIの発表。2020年の製品発表、外部信号、計画担当者への相談、価値実証。
FractalによるSamya.ai買収。買収と、数値手法および十倍優位の主張。
FractalによるAsper.ai発足の発表。2022年の自律型製品群という位置付けと限定試験版の状態。
ペットフードの需要計画事例。五ページの保存事例。予測範囲、手動介入、ポートフォリオと数量の自動化率の違い。結果ページは目視確認済み。
包装食品の需要計画事例。保存された包装食品事例。調査と設定の方法、段階別の精度、生産性。結果ページは目視確認済み。
予測から履行へ：ホワイトペーパー。2023年の保存資料。導入に必要な組織、データ、業務の作業を説明する。
[9] FractalがAsper.aiに2,000万ドルを投資
FractalがAsper.aiに2,000万ドルを投資。2025年3月の投資発表、四つの製品領域、AI開発負担の外注に関する主張。
逸脱予測と相互接続指標の特許。連動する逸脱、確率的行動結果、制約、フィードバックの公開特許設計。特許は現行製品での実装を証明しない。
予測修正と認知属性の特許。2020年の優先日を持ち、2025年3月25日に登録。予測修正の偏りと技能点を扱う。
AWS Marketplaceの需要予測掲載。ベンダー作成のAWS掲載。構成要素、予測改善の約束、料金の案内、提供情報。
[13] Microsoft MarketplaceのアプリとAzure構成要素
Microsoft MarketplaceのアプリとAzure構成要素。ベンダー作成のMicrosoft掲載。Azureサービス、統一予測とRGM、自動化と精度の主張。
Lead Data Scientist求人。モデル開発、パイプライン保守、本番統合、監視を説明する雇用主の求人。
PricingOneのサービスと能力開発。パートナーサービス、営業専門知識、能力開発。同社の一般的な顧客成果をAsperの成果とはしていない。
Asperサイトのプライバシーポリシー。サイトの個人情報保護方針。商用プラットフォームの実行制御や隔離制御の詳細仕様は含まない。