自動化が一般化している運用型広告において、広告アカウントのバックエンドで機械学習が使われているということは、広告運用をしている方にとっては周知の事実だと思います。

しかし、広告運用を学ぶ人の中には、機械学習の基本を理解しないうちに広告運用の技術やベストプラクティスを学ぼうとする人も多く、仕組みを正しく理解しないまま広告運用をしているケースも見られます。

これは、四則演算が分からない状態で公式だけ覚えて二次方程式を解こうとするのと同じようなもので、応用が利かないだけでなく、誤った認識によって広告運用の質を下げてしまうことにも繋がりかねません。

とはいえ、機械学習のアルゴリズムの詳細を理解していなければ広告運用をしてはいけない、というものでも無く、広告運用をする上で機械学習がどういう挙動をする傾向にあるのか、理解しておけば大丈夫です。

本記事では、広告運用における機械学習に関して「広告運用をする上で必須で理解しておきたい内容」に焦点を当てて解説しています。注意点としては、広告運用の初学者の方でも理解しやすいように、あえて内容を単純化して、例え話を用いながら説明しているため、細かい正確性の観点を追求したものでない点はあらかじめご了承ください。

>>オーリーズが分かる資料セット（サービス資料・事例集）のダウンロードはこちらをクリック<<

機械学習の一般原則

まず、機械学習について学習しようと思ったときに、一番の障壁になり得るのは「心理的ハードル」だと思います。

広告運用に携わって間もない方は、「広告運用は機械学習で自動化されている」と聞くと、何だか大層なもののように感じて、「専門的で理解するのが大変そう…」と敬遠してしまう気持ちもわかります。

しかし、機械学習を単純化して説明すると、「コンピュータが学習を繰り返す中で、徐々に賢くなっていく技術」と言うことができ、実は人間の学習モデルと似ています。

イメージしやすいように、例え話を用います。まず、ここに1人の赤ちゃんがいたとします。

生まれたばかりの赤ちゃんは言葉を話すことは出来ませんが、両親が話している言語を経験によって学習して、徐々に喃語（マァマ、ダダダ等）→単語→短文・・・のように、より高度な出力（アウトプット）が出来るようになります。

両親が英語を話していれば赤ちゃんも英語を話すようになりますし、日本語であれば日本語を話すようになるように、学習した結果の程度は、学習のためのインプットする情報（教師データ）に依存し、学習させる情報量が少なかったり、偏った情報だけを与えると誤ったアウトプットをしてしまうこともあります。

つまり、最初から大人顔負けのアウトプットができる赤ちゃんが存在しないのと同様に、機械学習も最初から賢い状態なわけではありません。

以上の例を参考に、広告運用における機械学習のポイントは、以下の3点に集約できます。

1. 機械も学習させる前はまったく賢くない
2. 機械も学習した情報以外は知り得ない
3. 学習した情報に偏りがあると機械も偏った学びを得てしまう

詳細をお伝えしようと思えば詳しくお伝えすることも出来るのですが、特に重要なポイントについてまとめるとするならば、上記が広告運用をするにあたり理解しておくと良い基本知識です。

＜補足解説＞
機械学習の賢さは、インプットする情報（教師データ）以外に、機械学習のアルゴリズムの良し悪しも影響が大きい要素です。 さきほどの例で言えば、同じ情報を与えたとしても、人によって学習する速さや到達点、間違った情報を与えられた後の修正精度などがそれぞれであるように、高度なアルゴリズムが組まれている機械学習では1の情報を与えると10のアウトプットを出すことが出来る場合がありますが、精度の低いアルゴリズムが組まれている場合はアウトプットの質が低下します。（各広告媒体においても、アルゴリズムの質は多少の差異があります）

機械による自動入札は宝探しと同じ

広告運用における機械学習の挙動について理解するために、ここでも例え話を使ってお話します。

「実は昨日、私はこの地球のどこかに1000万円を1000枚の1万円札に分割して隠しました。見事1万円札を見つけたら、見つけた分だけあなたのものに出来ます。なお、1万円札を隠した場所は、何らかの法則性に則って隠しています。」

このように問題を出されたとしたら、あなたは1万円札の場所をどのように探しますか？

このように問題を出されたとしたら、あなたは1万円札の場所をどのように探しますか？

おそらくほとんどの方は、全く見当がつかないため最初のうちは当てずっぽうで探すしかないと思いますが、これは機械学習でもまったく同じです。

前章で「機械も学習させる前は全く賢くない」とお伝えしましたが、立ち上げたばかりのキャンペーンの入札精度が低いのは、インターネット空間の大海原でコンバージョンという宝を探すミッションにおいて、何のヒントも持っていないからです。

しかし、そんな立ち上げたばかりのキャンペーン（機械学習）と違って、人間はある程度のコンテクスト（背景情報）を理解しています。

例えば、

• 筆者は日本人なので何枚かの1万円札は日本に隠した可能性が高そうだ
• さらにオーリーズという会社は東京都内に本社を構える会社なので東京なのではないか？

このような具合に、作り立てのキャンペーンとは異なり人間は一定の事前情報を持ち合わせているので、それらを参考に仮説を立て、キャンペーン設定を通じて機械に指示を出す（初期設定を行う）ことができるのです。

しかし、この初期設定はあくまで運用者の経験や勘を頼りに「宝が一番見つかりやすそうな場所」を指定したものに過ぎません。そんな中、運用者の勘では見つけ出せない法則を見つけ出し、「より効率的に」「より多くのコンバージョン」を獲得できるのが機械学習の真骨頂になります。

さて、「東京都内」という指示に基づいて1万円札を機械が探したところ、苦労しながらも、無事5枚の1万円札を見つけることができました。しかし、世界中に散らばった1万円札がどれほど東京に集中しているかわかりません。

一度探索エリアを「関東圏内」に広げることにして、あらためて1万円札を探すことにしました。すると、探索エリアを関東という広い範囲に広げたのに対し、あなたは先ほどの半分の時間で5枚の1万円札を見つけてしまったのです。一体なぜでしょうか？

それは、あなたがこれまで1万円札を探す過程の中で学習し、賢くなったからです。

＜東京都内を探索する中で分かったこと＞

• 1万円札が見つかった場所の傾向 →5枚全てがランドマークの近辺にあった
• 1万円札が見つからなかった場所の傾向 →ゴミ箱や危険な場所など、一般的に立ち入りづらい場所には隠されていない

このように、人間が経験によって1万円札の隠し場所の傾向を学習できるのと同様に、機械学習は「コンバージョンした」もしくは「コンバージョンしなかった」ユーザーがWeb上でどのような行動をしているか、デモグラフィック属性などの属性情報に共通項が無かったかなど、人間が分析しきれないほど膨大なデータを瞬時に集計し、傾向を把握し、仮説を立て、検証を行い、探索方針を改善するというサイクルで学習を行っています。

実は人間との差は「膨大なデータを瞬時に処理できる」ということだけであって、人間も機械も、根本的な仕組みは同じなのです。

上記はイメージを掴みやすくするための比喩ですが、広告運用の現場で類似する領域のひとつに「マッチタイプの拡張」があります。

Googleをはじめとする主要媒体では、機械学習を促進させるためにマッチタイプを部分一致で入稿することが推奨されていますが、最初から色んなキーワードを部分一致で入稿してしまうのは、先ほどの宝探しでいきなり世界各地を飛び回って1万円札を探すのと似たようなものです。

あくまでケースバイケースではありますが、先ほどの例で探索エリアを東京に絞ったように、まずは①完全一致やフレーズ一致で設定し、かつ②コンバージョンの確率が高そうなキーワードに絞り、③手動入札でオーディエンス等に応じて入札の強弱をつけて、コンバージョンデータを蓄積し機械が賢くなってから徐々にキーワードやマッチタイプ拡張、自動入札に移行していくなどするのがおすすめです。

機械学習の注意点

械学習の基本的な挙動について理解した上で、次に、機械学習の注意点についてもお伝えします。

それは冒頭でお伝えした機械学習の原則のひとつである「学習した情報に偏りがあると機械も偏った学びを得てしまう」という話です。

これまでお伝えした通り、機械は運用者に指示された範囲内で、最初は当てずっぽうで宝を探し、いくつか宝が見つかるとその情報に基づいて「宝が見つかりそうな場所」の目星をつけ、仮説検証を繰り返します。

これを単純化して図示すると、以下のようになります。

上記の例は仮説が当たってうまくコンバージョンに繋がった例ですが、「学習した情報に偏りがあると機械も偏った学びを得てしまう」という特性により、以下の図のように、仮説が外れることもあります。

このように、「コンバージョン確率の高くないユーザーでいくつかコンバージョンが出てしまったことで機械学習に偏りが生じ、結果として機械学習のパフォーマンスが停滞する」というケースが理論上起こり得ます。

よく運用現場では、例えばMeta広告で「広告のパフォーマンスが落ちたときにキャンペーンを複製してゼロから学習させるとパフォーマンスが改善する」という事例がありますが、これは上記のような偏りが原因である可能性が考えられ、

「コンバージョンが発生した周辺を獲得しきっている状態を初期化して、バイアスのない状態で改めてコンバージョン密集地を探索させることで、コンバージョン獲得が安定するきっかけを与えている状態」だと推測できます。

類似の事例として、Meta広告以外の媒体でも「過去に成果が安定しなかった媒体やキャンペーンを期間を空けて再開したところ、なぜか成果が改善した」という事例もあり、これも同様のロジックである可能性が高く、過去にうまくいかなかった媒体やターゲティング等に変更を加えず、時間をおいて再開するという行動は、必ずしも非合理的な行動であるとは言いきれません。

また、Google広告やYahoo!広告でも、30日間のコンバージョン数が十分に蓄積していないキャンペーンで自動入札が安定しなくなることがありますが、そういうときは一度手動入札に切り替えた上で、期間を置いてから再度自動入札に戻すとパフォーマンスが改善するケースも経験しており、これも同じような理屈であると思われます。

機械VS人間

ここまでお伝えした通り、機械学習はある程度コンバージョンが蓄積してくると、人間ではつかみきれない傾向を把握し、それらを頼りに非常に高い精度で広告を入札してくれます。

これに加えて、さらに機械学習が有利に働く「決定的な差」が、人間と機械の間に存在します。それは、GoogleやMetaなどが保有している「ユーザーのオンライン上の行動履歴」です。

私達運用者が手動で広告アカウントの設定をする場合、知り得る情報は管理画面上のデータのみですが、機械はユーザーの検索履歴やページの閲覧履歴、SNSでの投稿履歴など、各媒体が保有しているより細かいデータを学習素材とすることが出来ます。

これらの詳細なデータを基に、機械は各ユーザーの興味関心などを予測し、広告配信しているプロダクト・サービスに興味を持ってくれるユーザーかを判断してオークションに臨むため、学習できる情報量においては、人間は機械に圧倒的に不利だと言えます。

そのため、運用者が勝手にオーディエンスやマッチタイプを狭めたり、キーワードを制限したりすることは、ある程度コンバージョンデータが蓄積して学習が進んだ状態の広告アカウントでは推奨できません。

例えば、広告配信する商材がBtoB商材の場合、土日にCVするユーザーは少ないだろうと考える運用者は多いかもしれませんが、平日に比べたら少ないまでも、実際にCVにつながるユーザーもいる可能性があり、機械はそうした一部のユーザーに対してピンポイントで広告を表示することが出来ます。

では、広告運用をしていく中で機械学習がある程度進んできたら、後は全て機械に丸投げしたほうが良いのか？という疑問を持つ方もいらっしゃるかもしれません。

結論としては、今後機械学習の技術が発展することによってそうなる可能性はあると思いますが、現時点においては、まだまだ運用者が判断すべきケースは残されています。

例えば、当社オーリーズは広告運用やWebサイト制作のサービスを提供していますが、その2つのサービスについて検索広告を出す場合、キーワードと広告の組み合わせは以下のようなものが考えられます。

仮に、上記のキーワードと広告文を逆に出してCTRやCVRが上がることは、どのようなケースにおいてもほぼ100%無いだろうということは、人間である私達は判断できます。

しかし、「広告運用代行」というキーワードに「アワード受賞！オーリーズのWebサイト制作サービス」という広告を出すより、「機械学習を熟知した広告運用代行サービス」という広告を出す方が、いついかなる場面でも100%正解であるとは機械には判断できません。

機械に期待できるレベル感としては、「キーワードに”広告運用代行”と入っているので、おそらく広告にも”広告運用代行”と入っている方がCVの可能性が上がるだろう」くらいの判断しかできません。（Googleをはじめとする主要な検索広告では、キーワードと同じテキストが入った広告を優先的に表示するアルゴリズムが組まれているため、この点は運用者が指示を出さなくても自動で判断してくれます。）

そのため、機械は判断しきれない数％の可能性にかけて、ときどき広告運用代行というキーワードに対してWebサイト制作の広告を出すことで、「やっぱりCVに繋がらないな」と確認作業をすることがあり、そういう無駄を割けるために、このケースでは人間の判断でそれぞれのキーワードを広告グループで分割し、広告の出し分けを機械に強制するアプローチが有効だと言えます。

このような「広告運用代行というキーワードで検索している人にWebサイト制作の訴求をしてもCVに繋がらない」という感覚は、普段私達が「無意識的に学習してきた経験知」であり、こうした情報は機械が知りえない領域です。

私達の感覚では、なんとなく「これぐらいは指示しなくても分かるのではないか？」と思うかもしれませんが、冒頭で「機械も学習した情報以外は知り得ない」と記載した通り、機械も万能では無いのです。

＜補足解説＞
ただし、今後機械学習の技術が発展してそうした情報も事前インプットされた機械が登場する可能性は考えられますが、現時点で媒体社からそのような発表はされていません。 今回出した例は極端な例ですが、ターゲットと広告の組み合わせは、比較的人間が機械に勝てる可能性を秘めた部分であるため、どのターゲティングに対してどのような広告を出すか？という部分は運用者自身で頭を捻る価値がある領域だと思います。

その他、人間のほうが判断精度が高い領域の代表例は、「ターゲット含有率の低いオーディエンスの除外」があります。

例えば、ゲーミングPCを買う90歳のユーザーもいるかもしれませんが、母数としては非常に少ないため、機械学習では「ゲーミングPCを買うお年寄り」の傾向がつかめず、このオーディエンスに対する広告配信の精度を上げるのは困難です。

そのため、もし特定のオーディエンスで「一定以上のコストがかかっているもののCVが少ない状態」が発生しているようであれば、運用者の判断でそのオーディエンスを除外するなどした方が良いでしょう。

このように広告運用の領域においては、まだ人間が直接判断したほうが良いケースは存在しますが、私は下記のようなケースを除けば、基本的には機械に判断を任せるのが無難な選択であると考えています。

基本的に機械学習に判断を任せたほうが良い理由としては、主に以下のような理由が挙げられます。

1. 機械学習は、人間が管理画面で確認できないWeb行動履歴も含めた膨大なデータをもとに判断できるので、データの量の観点では人間は勝てないから
2. 人間の勘は思っている以上にバイアスにまみれていて間違っていることがあるから
3. コンバージョンの分布が分からない以上、人間のほうで分析をしてセグメントを停止するなどの運用は逆効果になる可能性があるから

1点目の理由については上述した通りであるため割愛しますが、2点目と3点目については補足説明をします。

まず、2点目の「人間の勘は思っている以上にバイアスにまみれていて間違っていることがあるから」についてですが、例えば検索広告のアカウント設計を行う際に、「ユーザーのニーズに合わせて広告を出し分けたいので広告グループを細かく分ける」という方法があります。

例えば上記のように、パソコンとノートパソコンそれぞれで訴求を分けるケースはよく見られますが、結論ノートパソコンというキーワードで検索している人もニーズが明確化していないケースは考えられますし、パソコンというキーワードで検索している人にもスペック重視の人がいるため、この仮説は思い込みの可能性が高いと言えます。

この仮説が本当に正しいかどうかを知るためには、実際にアンケートやデプスインタビューなどの調査を行って「その仮説がどの程度確からしいか？」を判断するしかありませんが、まさにこれら2つのキーワードを同じ広告グループに入れてしまえば、機械が仮説検証と統計学的な判断を行ってくれます。

3点目の「コンバージョンの分布が分からない以上、人間のほうで分析をしてセグメントを停止するなどの運用は逆効果になる可能性があるから」については、例えば広告の成果分析をしていたところ「60歳以上のユーザーはCPAが全体平均より20％高い」といったデータが分かったとします。

このデータを見たときに、「やっぱりGoogleの自動入札の精度もまだまだ低いな」と感じて該当のオーディエンスセグメントの配信を停止してしまうケースをよく見かけますが、これは大きな間違いです。

＜補足解説＞
Google広告で自動入札を利用している場合、オーディエンスごとに入札を強めたり弱めたり手動で設定することは基本的にはできません。自動入札は設定されたキャンペーン目標（予算や入札戦略など）に基づいて、システムが自動的に入札を最適化します。

イメージを分かりやすくするために図を用います。

たしかに以下の図では60歳以上のユーザー（青丸部分）は効率よく獲得できるユーザー層（黒丸部分）よりもCPAが高いため除外したくなりますが、その場合、機械学習は青丸部分よりも更にCPAの高い赤丸部分のユーザー層の獲得に向かうため、青丸部分の除外によって成果悪化につながる可能性も考えられます。

そのため、上記の図のようなコンバージョン分布が明確に分からない以上は、機械学習が十分に働いている前提において、運用者のほうで細かく分析をして特定のセグメントを停止する等の運用は意味がないどころか逆効果になることもあるので注意が必要です。

上述の「ゲーミングPCを買うお年寄り」の例のように、運用者の中で合理的に説明ができ、その運用調整について絶対的な自信が持てる場合以外は、基本的に機械学習に判断をゆだねるほうが無難です。

まとめ

以上、広告運用における機械学習に関して、基本的な仕組みと抑えておくべきポイントについて解説しました。

媒体推奨のコンバージョン数が蓄積している状態の広告アカウントでは、以下の観点で運用者自身が判断したほうが正しいと合理的に言える場合以外は、可能な限り機械に運用をゆだねることをベースにしましょう。

＜ポイント＞

• 機械も学習させる前は全く賢くない
• 機械も学習した情報以外は知り得ない
• 学習した情報に偏りがあると機械も偏った学びを得てしまう

今回の記事では、広告運用における機械学習について基本的なポイントを解説しましたが、いざ広告運用を行うとなると判断に迷うケースもあると思います。

こちらの記事では、広告運用の個別ケースにおいて判断軸となる考え方を解説しているため、あわせてご覧いただくとさらに理解が深まります。

上記の記事を読んでもお悩みが解決しない場合には、お気軽にオーリーズにご相談ください。

オーリーズでは、顧客の事業戦略や目標に応じて広告運用の手法を最適化し、より商談や売上につながりやすいリード獲得のサポートをすることが可能です。

広告運用だけでなく、クリエイティブ制作やインサイドセールス支援、MA/CRMツールの構築、展示会支援など、マーケティングの認知から商談獲得までを一気通貫で支援することができるため、

マーケティング領域で自社の知見・リソースだけでは解決が難しい課題が生じた場合には、以下のお問い合わせボタンからご連絡ください。