AI時代の広告配信設計｜機械学習を活かす構造・目標・データの決め方

同じ商品を、同じ予算で広告に出しても、成果に差がつくことがあります。分かれ目は、AIをどう動かすかの設計にあります。

入札もターゲティングも、いまはAIが自動で最適化する時代です。ただ、機械学習に任せるだけで成果が出るわけではありません。運用者の役割は、手作業の調整から、機械が学びやすい状態を整える設計へと移りました。

この記事では、その配信設計を、キャンペーンの構造・目標値・渡すデータの3つに整理します。機械に任せる範囲と、自分で決める範囲の線引きを、章ごとに具体化します。

1.広告運用の主導権は機械学習に移った

広告運用では、入札単価やターゲティングを運用者が直接調整する範囲が、この数年で大きく狭まりました。その調整の多くを機械学習が担うようになり、運用者の仕事は別の場所へ移りました。

1-1. 運用者は入札やターゲティングの手動調整を手放した

入札単価やターゲティングの手動調整は、自動入札とシグナルをもとにした配信が引き継ぎました。

以前は、キーワードごとに入札単価を設定していました。いまは目標アクション単価（tCPA）や目標広告費用対効果（tROAS）を指定すると、単価の判断を自動入札が担います。

配信先も、以前は運用者が一つずつ指定していました。いまはシステムが自動で見込み客を探す方式が中心です。

P-MAX（Google）やAdvantage+（Meta）は、配信先やクリエイティブの組み合わせまでシステムに任せる配信型です。こうした型も広がり、運用者が細部を手で設定する場面は減っています。

1-2. 運用者は構造・目標・データの設計を担う

手動調整の代わりに、運用者にはキャンペーンの構造・コンバージョン目標・渡すデータという3つの設計が残りました。

機械学習に任せる部分が増えても、運用者が設計で判断する場面はなくなりません。任せる範囲を決め、その土台を整える役割が残ります。

この設計の質が、配信結果を左右します。任せる範囲は広くても、土台を人が設計する前提は変わりません。

2.キャンペーンを分けすぎると機械学習の精度は落ちる

キャンペーンを細かく分けると管理はしやすくなります。ただ、分ける数が増えるほど1キャンペーンに集まるコンバージョンは減り、配信の精度は落ちやすくなります。

2-1. コンバージョン数が散らばると学習の材料が減る

広告アカウント全体で得られるコンバージョン数は、分けても増えるわけではありません。キャンペーンを分けるほど、その数が分散し、1つあたりは学習に必要な件数に届きにくくなります。

自動入札は、いつ・誰に配信すると成果が出やすいかを、過去のコンバージョンから学びます。実績の数が多いほど、その傾向を正確につかめます。

同じ成果でも、1つのキャンペーンに集約すれば学習は速く安定します。5つに分ければ、それぞれが5分の1の実績で判断することになります。

Google広告では、掲載結果を正確に評価するために、1か月以上の期間で30件以上のコンバージョンが推奨されます。目標広告費用対効果（tROAS）なら50件以上です。この件数を各キャンペーンで確保できるかが、分割の判断材料になります。

Metaは、学習を測る単位がGoogleと異なります。情報収集期間は広告セットごとに、約1週間で50件の結果を得ると終了します。キャンペーン予算最適化（CBO）を使う場合は、キャンペーン単位で判断されます。

2-2. 目標値や狙う客層が違えばキャンペーンを分ける

商材や客層が増えると、管理のしやすさからキャンペーンを分けたくなります。分けてよいのは、目指す成果の水準や狙う客層が明確に異なるときに限ります。

分ける理由になるのは、大きく3つの場合です。

1つ目は、成果1件にかけてよい広告費が商材ごとに違うときです。高単価品と低単価品では、目標CPA（成果1件あたりの広告費）や目標ROAS（広告費に対する売上比率）の狙いが変わります。狙いの違う商材を1つのキャンペーンにまとめると、機械学習はどちらに合わせるか定まりません。

2つ目は、売る相手や商品の性質が違うときです。新規向けと既存向け、あるいは季節商品と定番商品では、届けたい相手も訴求も分かれます。

3つ目は、商材ごとに予算を管理したいときです。予算枠を分けて配分したい場合は、キャンペーンを分けるほうが管理しやすくなります。

自社の商材がこの3つのどれかに当てはまるかで、分けるか統合するかを決めます。当てはまるものがなければ、統合してデータを集約するほうが安定します。

2-3. 各キャンペーンが必要なコンバージョン数を稼ぐ予算を組む

キャンペーンを分けると決めたら、それぞれが学習を維持できるだけのコンバージョンをためられる予算を確保します。

必要な予算は、逆算で見当がつきます。月30件を基準に想定CPAを掛ければ、そのキャンペーンに要る月額が出ます。

たとえば想定CPAが3,000円なら、30件で月9万円が起点です。この額を用意できないキャンペーンは、分けても学習が進みません。

予算が足りずデータがたまらないなら、分割をやめて統合するほうが成果につながります。分ける数を増やすほど、1キャンペーンに配れる予算とデータは薄くなります。

3.目標値の運用が配信の成果を決める

運用者が目標値を渡すと、いくらで入札し誰に配信するかは、機械学習が自動で判断します。目標値をどの水準に置き、いつ手を入れるかで、配信の成果は変わります。

3-1. 売上を伸ばすならコンバージョン値で最適化する

自動入札は、設定しだいでコンバージョンの「件数」と「金額」のどちらでも最適化できます。売上を伸ばすなら、狙うのは件数ではなく金額（コンバージョン値）です。

コンバージョン数の最適化は、成果の件数だけを見ます。単価が違う商品も、すべて同じ「1件」として扱われます。

たとえば、3,000円のアクセサリーと3万円のコートを売る店を考えます。件数だけを追うと、機械学習は売れやすく数を稼げるアクセサリーに配信を寄せます。注文件数は増えても、売上は思うように伸びません。

コンバージョン値の最適化（目標ROAS）は、成果の金額を見ます。3万円の購入は3,000円の10倍の価値として扱われ、機械学習は売上の大きいコートを優先して取りにいきます。

商品ごとに単価や利益が違うほど、件数を数えるより金額を最大化するほうが、売上に直結します。

渡すコンバージョン値は、売上金額をそのまま使うのが基本です。粗利（売上から原価を引いた利益）やLTV（1人の顧客が取引全体で生む利益）を反映できれば、配信は利益に沿います。

コンバージョン値を広告側に渡すには、購入や金額といった成果を計測タグで送る設定が前提です。配信設計に着手する前に、コンバージョン計測の基本で計測の土台を整えておきましょう。

3-2. 目標値を達成しやすくして配信量を確保する

達成しやすい目標値とは、機械学習が無理なく到達できる、余裕を持たせた水準です。目標を厳しくしすぎると配信が絞られるので、初めはこの水準で量を確保します。

緩和する向きは、指標によって逆になります。目標CPAは高めに、目標ROASは低めに置くほど、達成しやすくなり配信が広がります。

たとえば目標CPAを4,000円から6,000円に上げると、機械学習は1件の獲得に6,000円まで使えます。その分、表示枠を競うオークションで高く入札でき、広告が出る機会が増えます。配信量が伸びれば、学習に使えるデータもたまりやすくなります。

目標ROASも考え方は同じです。500%（広告費1に対して売上5）から300%に下げると、求める効率の条件がゆるみ、配信できる相手が広がります。

最初から効率を狙って、目標CPAを下げる、または目標ROASを上げて、条件を厳しくすると、配信が伸びずデータもたまりません。

まず届く水準で量を確保し、実績を見てから少しずつ厳しくします。

3-3. 学習期間中は目標値を固定する

学習期間中に目標値を動かすと、学習はやり直しに近い状態へ戻ります。この間は目標値を固定します。

自動入札は学習期間中に、どの条件で配信すれば成果が出るかのパターンを集めています。目標値はその判断の基準そのものです。基準を途中で変えると、それまで積んだパターンが前提から外れ、集め直しになります。

再学習の間は配信が乱れ、成果も読みにくい時期が続きます。頻繁に動かすほど安定は遠のき、良し悪しの判断もつきません。

再学習を招くのは目標値だけではありません。予算を一度に大きく動かすことも、配信条件が変わるため、同じように学習をやり直させます。

変更が必要なときも、再学習を最小限に抑えるため、一度に大きく動かしません。幅と頻度を抑え、学習が落ち着いてから少しずつ調整します。

4.広告を届ける相手は自社データで決まる

配信先の選定を機械学習に任せる場合でも、設定して放置してよいわけではありません。運用者が渡すデータの質が、機械学習がリーチする相手の精度を決めます。

4-1. 機械学習は指定外の客層からも見込み客を探す

オーディエンスの指定には、実際の購入者や優良顧客など、精度の高いデータを使います。この指定は機械学習への「ヒント」として扱われ、指定した層に似た見込み客まで広く探されます。

指定したオーディエンスは、「この人たちだけに配信する」という絞り込みではありません。P-MAX（Google）やAdvantage+（Meta）は、この指定を出発点に、実績を見ながら似た新規層へ配信を広げます。

この仕組みには、広告が自社では気づかない新しい客層に届く利点があります。一方で、狙いから外れた相手にも配信が広がることがあります。

無駄な配信を抑えるには、除外設定を使います。既存顧客や、成果につながらない客層を外し、新規開拓に予算を向けます。

ブランド検索の扱いや除外の設計は、P-MAXの成果を大きく左右します。見直しのポイントは、P-MAX運用の見直しガイドで確認しておきましょう。

4-2. 自社の顧客リストと購入データを渡す

機械学習が見込み客を見つける精度は、渡すデータの質と量で変わります。顧客リストや購入データを渡すほど、誰に配信すべきかの絞り込みが正確になります。

自社の顧客リストは、Google広告のCustomer Match、Metaのカスタムオーディエンスとして渡せます。登録されたメールアドレスなどをもとに、リスト内の顧客そのものへ配信できます。

このリストを起点に、似た特徴を持つ新規層へ広げることもできます。既存顧客に近い見込み客を、機械学習が探し出します。

購入データやコンバージョン値も渡すと、購入額の大きさまで学習に反映できます。売上を重視するなら、購入の有無だけでなく金額まで渡すことを推奨します。

顧客リストを渡すときは、取得時の同意やプライバシーの取り扱いが前提になります。プライバシーポリシーで広告利用への同意を得たうえで、渡す範囲を決めてください。

Google広告のCustomer Matchは、アップロードするファイルに100件以上のユーザーレコードが必要です。

配信を安定させるには、照合後の有効なリストサイズも100ユーザー以上が目安です。これはアップロード数より少なくなり、マッチ率はおおむね29〜62%のため、アップロードする件数には余裕を持たせます。

Metaも、類似オーディエンスのソースには最低100人が必要で、1,000〜5,000人が推奨されます。件数が多いほど、機械学習が探す精度は上がります。

5.よくある質問（FAQ）

まとめ

AI時代の広告運用で成果を分けるのは、機械学習をどれだけ活かせるかです。運用者の仕事は手動の調整から、機械が学びやすい設計を組むことへ移りました。

3つの設計の精度が、そのまま成果に表れます。任せきりにせず、構造・目標・データを設計してから委ねる。それがAI時代の進め方です。もう一つの入力が、広告クリエイティブです。広告クリエイティブの基本で設計原則を押さえておくと、配信全体の精度が上がります。

このような迷いがあれば、Raboの無料相談をご利用ください。現状のアカウントを見ながら、方針を一緒に整理します。

参考文献