CMO株式会社
改訂済み公開MD をダウンロード

計測・インクリメンタリティ

「ROASが3.0ある」— それは本当に広告が売った結果か、広告がなくても起きた売上ではないか？ Attribution（誰が売ったか） と Incrementality（広告のおかげでどれだけ増えたか） は別物。 ブラウザ制限、広告識別子の制限、同意要件の強化により、アトリビューションの仮定は崩れ、因果推論的な計測が必須になっている。

アトリビューションの限界

従来のアトリビューションモデル：

モデル 考え方 問題点
Last Click 最後のクリックに全振り 初期接点を過小評価
First Click 最初のクリックに全振り 刈り取り段階を過小評価
Linear 全接点に均等配分 重要度を反映しない
Time Decay 直前接点ほど重く 理論的根拠が薄い
Position Based 最初と最後を重く 任意の重み付け
Data-Driven（GA4） 機械学習で推定 ブラックボックス、計測漏れに弱い

根本問題：アトリビューションは「広告Aと広告Bのどちらがより寄与したか」は議論できても、 **「そもそも広告Aがなかったら売上はどうなっていたか」という反事実（Counterfactual）**を測れない。

計測制約ショック

何が起きているか

  • Safari ITP（2017〜）— 3rd Party Cookieほぼ全滅、1st Party Cookieも7日制限
  • iOS 14.5 ATT（2021〜）— Metaが$10B売上影響と公表
  • Chrome の方針変更 — 3rd Party Cookie の一律廃止ではなく、ユーザー選択と既存設定を維持する方向に変更
  • GDPR / CCPA / 改正個人情報保護法 — 同意ベースへ
  • Apple Mail Privacy Protection — メール開封率が虚構化

結果

  • ユーザー単位のクロスデバイス追跡が崩壊
  • Meta / Google広告の最適化が劣化
  • コンバージョン計測漏れ 10〜40%

対応策

  • Server-Side Tagging（sGTM） — ブラウザでなくサーバー経由で計測
  • Meta Conversions API（CAPI） — Meta にサーバーサイドでイベント送信
  • 拡張コンバージョン（Google） — 同意取得済みのファーストパーティデータをハッシュ化して補完
  • Consent Mode / CMP — 同意状態に応じて Google タグの挙動を制御
  • Modeled Conversions — 計測漏れをML推定で補完
  • Data Clean Room — プライバシー保護下でのデータ突合（AWS Clean Room / Google Ads Data Hub / Meta Advanced Analytics）

サーバーサイド計測や拡張コンバージョンは、同意取得や媒体ポリシーを回避する仕組みではない。送信するデータ、同意状態、ハッシュ化、データ保持、地域別規制を確認したうえで実装する。

Incrementality Testing — 増分効果の測定

因果推論的アプローチで「広告のおかげで増えた分」を測る。

① Conversion Lift / Holdout Test

Test群     ─ 広告配信 ─→ CV率 X%
Control群  ─ 非配信  ─→ CV率 Y%
Lift = X - Y = 増分
  • Meta/Googleが公式機能として提供（Conversion Lift Study）
  • 2〜4週間、一定予算が必要（$50K〜）
  • 最もピュアな因果測定

② Geo Lift Test（地理分割）

全ユーザーをHoldoutせず、地域単位で分割：

  • Test地域（例: 関東）で広告ON

  • Control地域（例: 関西）でOFF

  • 売上差分から増分を推定

  • プラットフォーム非依存（TV / OOH / PR も測定可）

  • 難易度: 地域の類似性、季節性調整（Synthetic Control法）

  • ツール: Meta Robyn GeoLift、Google Meridian、Recast

③ Matched Market Test

類似市場ペアを作り、片方で施策実施。伝統的TV広告測定の派生。

④ Interrupted Time Series / Switchback

同じ地域で時期をずらしてON/OFFを繰り返す。 （例: 奇数週ON / 偶数週OFF）

Marketing Mix Modeling（MMM）の復権

  • ユーザー単位の計測に頼らない統計モデル
  • 売上 = f(チャネル別支出, 季節性, 外部要因, トレンド)
  • 回帰分析で各チャネルの貢献度を推定
  • 1st Party Data不要 / Cookieless耐性あり

オープンソースMMMの登場

クッキーレスでGAFAがMMMを一般開放した：

  • Meta Robyn（R / Python）— 2021年公開
  • Google Meridian（Python、2024年公開）— 後継。TensorFlow Probability使用
  • LightweightMMM（Google、Bayesian MMM）

MMMの強みと弱み

○ Pros ✕ Cons
Cookieless耐性 過去データ2年以上必要
全チャネル統合（TV / デジタル / OOH / PR） モデラーのスキル依存
飽和曲線（Adstock / Saturation）を考慮 短期の個別最適には弱い
因果的解釈がしやすい 新規チャネルの推定が弱い

MMM + インクリメンタリティ + アトリビューション = 統合計測

最新トレンド：3層を組み合わせる

MMM                       ─ 戦略レベル（予算配分）
Incrementality Testing    ─ 戦術レベル（個別施策検証）
Attribution / Last Click  ─ 運用レベル（日々の最適化）

Brand Lift Study — ブランド指標の測定

認知・好意度・購入意向は売上に出る前に動く。

測定手法

  • Meta / Google Brand Lift Survey — 広告配信ユーザーへのアンケート
  • 独自パネル調査（Nielsen / Kantar / ネオマーケティング等）
  • 指名検索量（Google Trends / Search Console）
  • SOV（Share of Voice）/ SOM（Share of Market）

ベンチマーク（Binet & Field）

ブランディング：刈り取り = 60:40 が長期ROI最大化の黄金比。

Data Clean Room — プライバシー時代の突合基盤

  • 広告主 × プラットフォームのデータを個人特定せずに突合
  • 1st Party DataをCookieなしで活用
  • 代表例: Google Ads Data Hub、Meta Advanced Analytics、Amazon Marketing Cloud、AWS Clean Room、Snowflake Clean Room

ユースケース

  • 広告接触者 × 自社CRMでLTV分析
  • 未CV接触者のクロスチャネル動向
  • 顧客セグメント別のCPAリアル測定

実務での計測スタック（2026年現在の推奨）

ガバナンス層:
  ├ CDP（Segment / Treasure Data）
  ├ Data Warehouse（Snowflake / BigQuery）
  └ Reverse ETL（Hightouch / Census）

計測層:
  ├ Server-Side GTM + Meta Conversions API
  ├ 拡張コンバージョン
  └ Consent Management Platform（OneTrust等）

分析層:
  ├ MMM（Meridian / Robyn）
  ├ Incrementality（GeoLift / Conversion Lift）
  ├ Attribution（GA4 / Adobe Data-Driven）
  └ BI（Looker / Tableau）

ダッシュボード設計の原則

  1. 指標は"意思決定"につながるものだけ — 見る指標 > 飾る指標
  2. Leading（先行）とLagging（遅行）を分ける — CPC/CTR（先行）とLTV/NRR（遅行）
  3. North Star Metric → Key Driver → Operational の3層構造
  4. 比較対象を必ず付ける — 前週比 / 前年比 / 目標比
  5. Segment別に見る — 全体の平均は嘘をつく

よくある計測の誤り

誤り 実態
「Last ClickでROAS 3.0」 Last Clickは貢献度を歪める
「Facebookの効果が落ちた」 iOS 14.5以降の計測漏れの可能性
「SEOでCV増えた」 ブランド広告の波及効果の可能性
「ブランド広告は測れないから止める」 長期では指名検索・NRRが下がる
「全部Incrementality Testingで測る」 コストと期間で現実的でない、MMMと併用
「ダッシュボードで自動化」 数字の解釈こそ人間の仕事

参考文献

  • Hacking Growth — Sean Ellis（計測章）
  • The Long and the Short of It — Les Binet & Peter Field
  • How Brands Grow — Byron Sharp
  • Meta Robyn公式ドキュメント / Google Meridian公式
  • Recast "Incrementality Testing" ブログシリーズ
  • Analytic Edge / Analytics Demystified
  • Measured.com / Haus / INCRMNTAL（Incrementality SaaS）ブログ
  • Avinash Kaushik Web Analytics 2.0
  • IAB / MMA 公式ガイドライン

マーケティングサイクルとの接続

  • Set: 現状の計測スタック、主要KPIツリー、計測の既知の穴を memory/profile/ に書く
  • Ask: 「このチャネルでIncrementality Testを設計して」「このMMM結果を解釈して」
  • 再構築: GeoLift実装、Conversion Lift発注、MMMモデル構築、ダッシュボード改修
  • Feedback: Test結果から得た「真のROAS / 増分係数」を memory/results/performance-data.md に記録、予算配分の根拠に