ads-performance-analytics

広告パフォーマンス分析

自分を欺かずに有料メディアのダッシュボードを読み解くための、data-team-mentorによる実践ガイドです。

ダッシュボードは、有料メディアの判断を下す決定的な場面です。表示される数字によって、予算を拡大するか、維持するか、停止するかが決まります。また、各プラットフォームの自己アトリビューションバイアス、モデル化されたコンバージョンの近道、プラットフォーム間の二重計上もすべて明らかになります。「このキャンペーンを拡大しよう」という判断の大半は、ダッシュボードの読み違いに行き着きます。

このスキルは、読み違いを防ぐための規律です。キャンペーンの戦略は妥当だったものとします（paid-media-strategyを参照）。クリエイティブも適切にテストされていたものとします（ads-creative-developmentを参照）。難しいのは、それぞれの数字が実際には何を意味し、何を意味しないのかを把握し、プラットフォームが報告する指標とデータウェアハウスの実データをどう照合するかを理解することです。

このスキルを使う場面：プラットフォームの指標をもとにキャンペーンの予算を拡大、停止、または再配分しようとするとき、プラットフォームのレポートと売上データを照合するとき、代理店のレポートを評価するとき、または正確な有料メディアダッシュボードを構築するときです。

---

このスキルの目的

このスキルでは、有料メディアの成果の読み解き方を幅広く扱います。有料メディアの戦略（paid-media-strategyを使用）、クリエイティブの制作（ads-creative-developmentを使用）、プラットフォーム固有のツール（インテグレーションのマイクロサイトで解説）は対象外です。プラットフォーム固有のMCPコマンドやプロンプト例を確認するには、このスキルと該当するインテグレーションのマイクロサイトを併用してください。

対象読者は、有料メディアのレポートを評価するマーケター、グロースアナリスト、代理店のアナリスト、または創業者です。語り口は、丁寧かつ客観的です。「プラットフォームの数字を信頼する」も「プラットフォームを完全に無視する」も正解ではありません。どちらも誤りです。大切なのは、各プラットフォームのどの数字が何を意味するのか、そして実際の判断を下すには何と照合すべきかを把握することです。

---

成果パネル：すべての有料メディアプラットフォームに表示されるべき情報

信頼できる成果パネルには、次の9項目が表示されます。欠けている項目があれば、報告された数字をより慎重に扱うべきです。

1. 広告費、インプレッション、クリック数。 最低限必要な指標です。丸め誤差の範囲内で、プラットフォーム間の数値が一致するはずです。
2. 定義と計測期間が明示されたコンバージョン。 単なる件数では不十分です。何をコンバージョンとして数えるかの定義と、適用されたアトリビューション期間が必要です。これらがなければ、件数を正しく読み取れません。
3. アトリビューションの内訳。 ラストクリック、ビュースルー、モデル化されたコンバージョンの別を示します。コンバージョンがどのように評価されたか、その内訳です。
4. フリークエンシー。 ユニークユーザー1人あたりのインプレッション数です。広告疲れを早期に察知する指標です。
5. オーディエンスの飽和度。 プラットフォームで確認できる場合に表示します。オーディエンスの飽和度が緩やかに推移していれば拡大の余地がありますが、急激に上昇していれば効率が低下しています。
6. 時系列データ。 日別の内訳を確認し、新奇性効果、広告疲れ、曜日ごとのパターン、外生的な変動を見つけます。
7. 通貨が明示されたコスト指標。 CPC、CPM、CPA、ROASについて、計算方法を定義し、通貨を明記します。米ドルとは限りません。
8. コンバージョン経路データ。 入手可能な場合は、コンバージョン前のタッチポイントを示します。キャンペーンが成約を促すものか、認知のきっかけを作るものかを判断できます。
9. フィルター、セグメント、エクスポート機能。 これらがなければ、パネルはツールではなくパンフレットです。

プラットフォームは、レポートの弱点が最も目立つ情報を隠します。Google PMaxはキーワード単位および掲載面単位のデータを隠します。Metaはモデル化されたコンバージョンの割合を隠します。LinkedInはデバイスをまたいだクリック経路を隠します。隠された指標こそ、掘り下げるべき場所です。

---

プラットフォームの報告値と実態

どのプラットフォームのダッシュボードも、そのプラットフォームの効果が高く見えるように最適化されています。これは倫理上の問題ではなく、構造的なインセンティブによるものです。より良い報告値を示すプラットフォームほど、広告費を集めやすくなります。

コンバージョン期間。 Meta のデフォルトは、クリック後7日間と表示後1日間です。Google のデフォルトは、クリック後30日間と表示後1日間です。期間が異なれば、同じアクティビティでも報告値は異なります。Google のクリック後30日間の数値と Meta のクリック後7日間の数値を比較するのは、異なる定義を同じものとして扱っていることになります。

ビュースルーアトリビューション。 Meta と Google は、広告を見たもののクリックしなかったユーザーについてもコンバージョンに計上します。報告される「コンバージョン」の半分がビュースルーであることもよくあります。ビュースルーは、認知への貢献を示すシグナルとして扱い、直接的な反応の測定値とは見なさないでください。そのユーザーは、いずれにせよオーガニック検索経由でコンバージョンしていた可能性があります。

モデリングされたコンバージョン。 iOS ユーザーがトラッキングをオプトアウトすると、Meta などはコンバージョンがどの程度発生したかを統計的にモデル化します。モデリングされた数値は、測定値ではなく、妥当性のある推定値です。傾向を把握するには役立ちますが、精密な数値としては信頼できません。

自己アトリビューションバイアス。 どのプラットフォームでも、コンバージョン時にピクセルが発火し、そのプラットフォームが成果を自社の功績として主張します。同じ週に Meta、Google、TikTok を運用した場合、3つのプラットフォームすべてがコンバージョンを自社の成果として報告します。プラットフォームの報告値を合計すると、実際のコンバージョン数の100％を必ず超えます。

この規律を守ってください。取締役会資料で、プラットフォームの報告値を事実として報告してはいけません。必ず単一の信頼できる情報源（データウェアハウス、GA4、または統合分析プラットフォーム）と照合してください。詳細はreferences/platform-reporting-quirks.mdをご覧ください。

---

実践におけるアトリビューションモデル

6つのモデルと1つのアンチモデルがあります。どれも正解ではなく、すべて近似です。大切なのは、1つを選んで一貫して使い、ほかのモデルを妥当性の確認に使うことです。

ラストクリック。 シンプルで再現可能ですが、認知への貢献を過小評価します。コンバージョンイベント前の最後のクリックに、コンバージョンの全功績を割り当てます。計算もチャネル間の比較も簡単ですが、ファネル上部への貢献を理解するには不向きです。

ファーストクリック。 逆の偏りがあります。最初のタッチポイントに全功績を割り当て、成約に結びつけたチャネルを過小評価します。ラストクリックに対する妥当性確認には役立ちますが、主要な見方として適切なことはほとんどありません。

線形。 すべてのタッチポイントに均等に功績を割り当てます。すべてのチャネルに何らかの功績が与えられます。理屈は通りますが、有益な情報は得られません。「Googleが70％だからMetaを削減しよう」という政治的な議論を避けることが精度より重要な取締役会向けレポートで、最も役立ちます。

時間減衰。 最近のタッチポイントほど多くの功績を割り当てます。最近の広告ほど影響力が大きいという直感を反映しています。異論は出にくい一方、検証も困難です。

U字型（ポジションベース）。 最初と最後に大きな割合（それぞれ40％）、中間に小さな割合（分配して20％）を割り当てます。最初にきっかけを作る役割と、最後に成約させる役割の両方を重視します。多くのMTAツールでデフォルトになっています。

データドリブンアトリビューション（DDA、Google）。 観測されたコンバージョン経路に基づいて功績を配分する機械学習モデルです。仕組みが不透明で、監査も困難です。デジタルチャネルでは「正解」に最も近いものですが、ブラックボックスです。

マーケティング・ミックス・モデリング（MMM）。 回帰分析に基づくトップダウンの手法です。チャネルごとの支出と売上の時系列データを使い、チャネルの貢献度を推定します。2年以上のデータが必要です。プラットフォームが報告したコンバージョンに一切依存しないため、プラットフォームによる自己アトリビューションへの最も強力な反証となります。

アンチモデル：プラットフォームが報告するアトリビューションを信頼すること。 各プラットフォームの「DDA」や「アトリビューション済みコンバージョン」は、そのプラットフォーム自身によるアトリビューションです。プラットフォーム間で合計すると、実際の数を上回ります。プラットフォーム内の運用中の最適化にはプラットフォームのアトリビューションを使い、チャネル横断の意思決定には統一されたアトリビューションモデルを使ってください。

実践的な指針です。

• 立ち上げ初期。ラストクリックに、ガードレール指標を1つ（データウェアハウスでアトリビューションしたCAC）加えて使います。高度なアトリビューションに必要なデータ量は、まだ確保できていません。
• 成長中期。Google のデータドリブンアトリビューションと GA4 を使い、認知チャネルと成約チャネルを明示的に分類します。
• 成熟期。増分効果を示す基準としてMMMを使用します。運用中の最適化にはMTAを使います。曖昧さが許容されるチャネル単位の意思決定にはラストクリックを使います。

詳細と意思決定マトリックスについては、references/attribution-model-comparison.mdを参照してください。

---

複数プラットフォーム間の数値の突き合わせ

落とし穴はこうです。Googleは費用が50Kドル、コンバージョンが800件だと言います。Metaは30Kドル、600件だと言います。LinkedInは20Kドル、200件だと言います。報告されたコンバージョンの合計は1,600件です。データウェアハウスでは950件です。650件はどこへ行ったのでしょうか？

答えは、どこにも行っていない、です。そもそも存在しませんでした。各プラットフォームは、ほかのプラットフォームも計上しているコンバージョンを自社の成果として計上していたのです。

数値を突き合わせる際のパターンです。

• 総コンバージョン数と総売上は、データウェアハウスの数値を信頼します。
• プラットフォーム内での相対的な順位付け（どのキャンペーンやオーディエンスの成果がよかったか）には、各プラットフォームの数値を信頼します。
• プラットフォームの数値を決して合算しないでください。
• ブレンドCACは、（全プラットフォームの広告費の合計）÷（データウェアハウスに基づく新規顧客の合計）で計算します。プラットフォームのレポートは使いません。データウェアハウスの数値が利用できない場合は、データ利用可否のルールに従って、その不足を明記します。

取締役会向け資料のパターンです。データウェアハウスでアトリビューションしたコンバージョン数を報告し、プラットフォームの数値を合算したものは決して報告しません。ブレンドCACを報告し、プラットフォーム自身によるアトリビューションであることを明記する場合を除き、チャネル別CACは報告しません。詳細とテンプレートについては、references/dashboard-reconciliation-patterns.mdを参照してください。

---

ROAS vs LTV：期間の落とし穴

ROASは短期的な指標です。固定期間（多くの場合7〜30日）内にキャンペーンに起因する購入から得られる収益です。LTVは長期的な指標です。顧客の生涯を通じた総収益です。

チャネルによってLTVが異なる場合、ROASに基づく判断は誤りになり得ます。具体例を見てみましょう。

Metaは、CACが$40、LTVが$80で、ROAS 2.5倍を達成しています。顧客生涯で見た回収率は2.0倍です。

Googleは、CACが$60、LTVが$200で、ROAS 1.8倍を達成しています。顧客生涯で見た回収率は3.3倍です。

ROASではGoogleのほうが劣っているように見えますが、LTVで調整したリターンでは優れています。ROASが高いという理由でMetaに予算を配分するのは誤った判断です。

対策は、獲得チャネル別のコホートベースのLTVを四半期ごとに更新することです。チャネルは、生のROASではなく、回収期間またはLTV-CAC比で比較します。「ROAS 2倍」という経験則は危険な近道です。LTVが異なれば、同じROASでも実際のリターンは異なります。

落とし穴が積み重なる仕組みです。指標が毎週更新されるため、パフォーマンスチームは短期的なROASの最適化を優先します。その結果、短期的なROASが低いブランド施策やLTVの高いチャネルが削られます。6か月後にはブランドの見込み顧客の流れが衰え、低コストのチャネルが飽和するため、短期的なROAS自体も低下します。判断の根拠となった指標は、見るべき期間を誤っていたのです。

---

コホート分析と日次指標

日次指標でわかるのは今日何が起きたかです。コホート分析でわかるのは、今日の顧客が先月の顧客と異なるかどうかです。

有料メディアで重要な、3つのコホートの切り口を紹介します。

獲得月別。 3月に獲得したユーザーは、1月に獲得したユーザーより継続率が高いでしょうか。獲得月が進むにつれてLTVが低下している場合、最近獲得した顧客の質が下がっています。日次指標にその影響が表れるのは、継続率への悪影響が出る2〜3か月後です。

獲得チャネル別。 Meta経由のユーザーはGoogle経由のユーザーより継続率が高いでしょうか。チャネルごとのコホートの差は、LTVとROASをめぐる議論を裏付けるデータです。MetaはLTVが低くても獲得数を伸ばす一方、Googleは獲得数が少なくてもLTVが高い可能性があります。日次ROASでは見えない全体像を、コホートが明らかにします。

獲得キャンペーン別。 キャンペーンレベルのコホートシグナルです。第1週には「成果が出ている」キャンペーンが、なぜ継続収益を生まないのかを診断するのに役立ちます。

対処すべきシグナルは、2か月連続でコホートLTVが低下することです。日次指標に動かされる前に、そのチャネルまたはキャンペーンを一時停止してください。詳細はreferences/cohort-analysis-templates.mdをご覧ください。

---

パフォーマンス指標の統計的ノイズ

「キャンペーンのパフォーマンスが前週比で15％改善した」という話のほとんどはノイズです。自然な変動幅が10〜20％の指標で、実際のパフォーマンス変化といえるのは30％以上です。そのしきい値を下回る場合は、分散をシグナルと見なしていることになります。

有料メディア指標のノイズの要因です。

• 曜日の影響。 B2Cでは週末に落ち込みやすく、B2Bでは週末に伸びやすい傾向があります。「月曜の朝のほうが成果がよい」という仮説は、曜日の影響を正規化すると、多くの場合成り立たなくなります。
• 祝日と季節要因。 第4四半期の影響は、ほとんどの「最適化」効果を大きく上回ります。第4四半期に開始したキャンペーンが好調に見えるのは、戦略ではなく季節要因によるものです。
• 天候、ニュース、競合の動き。 これらは外部要因による実際の変動です。先週のニュースの動向によって、業界全体のCPMが変わることがあります。
• ピクセルの発火とレポートの遅延。 7日間のクリック計測期間で報告されるコンバージョンは、段階的に反映されます。月曜日に先週のパフォーマンスをダッシュボードで確認すると、実際より少なく計上されます。

対策は、結論を出す前にテスト期間を事前に決めておくことです。実際の変化だと主張したい方向性のある変更には、experimentation-analyticsの実験に関する厳密な手法を使ってください。有料メディア指標のシグナル対ノイズの問題は、プロダクト実験におけるシグナル対ノイズの問題と同じです。このフレームワークはどちらにも応用できます。

ここでexperimentation-analyticsがつなぎ役となります。統計的なパターンは同じですが、適用方法は異なります。全体像を把握するには、両方をお読みください。

---

インクリメンタリティテスト

率直なテストです。この広告を出していなかったとしても、コンバージョンは獲得できていたでしょうか。ゼロを超える数値が、インクリメンタルな貢献分です。

有料メディアの多くは、インクリメンタルな割合が30〜70％で、100％ではありません。ゼロのものもあります。ブランド検索広告への入札は、インクリメンタルな割合が5〜20％であることがよくあります（コンバージョンした人の大半は、オーガニック検索で見つけていたでしょう）。リターゲティングは20〜40％であることがよくあります（多くのユーザーは、いずれにしてもコンバージョンする予定でした）。新規顧客への広告配信は50〜90％であることがよくあります。

方法は4つあります。

地域ホールドアウト。 1つの地域をキャンペーンの対象から外します。ホールドアウト地域と、条件を一致させたテスト地域のコンバージョン数の差を測定します。有料メディアを大規模に実施する場合、最も明確な因果テストです。

コンバージョンリフトとエクスペリメント（Google）。 「ゴースト入札」はインクリメンタリティテストの文献で使われる用語であり、Google Adsで有効にできる機能ではありません。Googleで利用できる実際の方法は、Googleの担当者が有効化するコンバージョンリフト調査と、自分で設定する地域別またはホールドバックのエクスペリメントです。

コンバージョンリフト調査（Meta）。 オーディエンスをテスト群と対照群に分けます。テスト群には広告を表示し、対照群には表示しません。インクリメンタルなリフトをレポートします。Meta内で実施できる最も明確なテストです。

PSAテスト。 一部のユーザーに広告の代わりに公共広告を配信します。コンバージョン率を比較します。大きな予算を持つ老舗ブランドに役立ちます。

チャネルの種類別のインクリメンタル率の範囲は、references/incrementality-testing-playbook.md に記載されています。最も広告費を多く使うチャネルについて、少なくとも四半期に1回、インクリメンタリティテストを実施することが重要です。テストをしなければ、プラットフォームが報告する、体系的に過大計上されたアトリビューションを基準に最適化することになります。

---

地域実験とホールドアウト

有料メディアに限って言えば、地域ベースのテストが最も信頼性の高い因果測定方法です。

地域ホールドアウト。 1つの地域で有料メディアを停止します。オーガニックコンバージョンのベースラインを測定します。ホールドアウト地域での予想コンバージョン数と実際のコンバージョン数の差が、有料メディアのインクリメンタルな貢献分です。

地域リフト。 1つの地域で広告費を2倍にします。コンバージョン数が線形に増えるかどうかを確認します。線形に増える場合、そのチャネルには拡大の余地があります。線形より低い増加の場合は飽和しており、追加の広告費に対する効果が低下していることを意味します。

スイッチバック。 キャンペーンの実施週と停止週を交互に設定します。実施週と停止週を比較します。地域を分けられない場合に役立ちます。

実施前後の分析。 ある地域でキャンペーンを開始し、開始前30日と開始後30日を比較します。外部要因によって比較結果が左右されるため、設計としては不十分です。他のテスト方法がない場合にのみ使用してください。

適切な設定は、条件を一致させた市場（人口統計が似ていて、コンバージョン率のベースラインも近い市場）、事前の統計的検出力の計算（テストで実際に検出できる差の大きさ）、そして事前に決めた分析期間（データが良好に見えるときに早く終了したり、悪いときに長く待ちすぎたりしないため）です。

注意すべき落とし穴は、タイミングと相関した売上増加を理由に、地域テストを成功と判断してしまうことです。10月に開始したキャンペーンでは、第4四半期が始まるため、「リフト」が見られるでしょう。対照地域がなければ、そのリフトをキャンペーンの成果とは言えません。

---

プラットフォームによる自己帰属バイアス

独立したセクションを設ける価値のある、特有の失敗パターンです。

仕組み。コンバージョンが発生すると、プラットフォームのピクセルが発火します。プラットフォームは成果を自らの貢献として計上します。ユーザーはどのチャネルからでもコンバージョンに至った可能性がありますが、最後にピクセルを読み込んだプラットフォームが、そのプラットフォーム独自のダッシュボードで成果を獲得します。

プラットフォームがこの仕組みを推奨する理由。プラットフォームのダッシュボード上の貢献が増えると、ROASが良く見え、広告主の支出も増えます。プラットフォームには、自らの貢献を過少に報告する動機がありません。

検出パターン。同じチャネルについて、プラットフォームが報告するコンバージョン数が、データウェアハウスで帰属されたコンバージョン数を30％以上上回る場合、深刻な二重計上が起きています。プラットフォームの報告数の合計がデータウェアハウス上の総コンバージョン数を上回る場合は、プラットフォーム間で二重計上が起きています。

対策。取締役会向けの報告では、データウェアハウスを正とします。プラットフォームの報告は、進行中の状況を把握するためのシグナルとしてのみ使います。チャネルへの帰属が適正かどうかを保つため、少なくとも四半期ごとにインクリメンタリティテストを実施します。

具体例。あるリターゲティングキャンペーンは、Meta上で6か月間、ROAS 3.5倍を示していました。チームは支出を月額20Kドルから80Kドルに拡大しました。地域別のホールドアウトテストにより、「コンバージョン」の65％はオーガニック経由でも発生していたことが判明しました。インクリメンタリティを考慮した実質ROASは3.5倍ではなく1.2倍でした。キャンペーンは停止され、翌四半期にはデータウェアハウスで帰属されたCACが18％低下しました。

---

よくある解釈の失敗

有料メディアのレポート作業では、12種類のパターンが繰り返し見られます。詳細はreferences/common-interpretation-failures.mdを参照してください。

• 「前週比でROASが20％低下した。キャンペーンを止めよう。」単なるノイズかもしれません。週ごとの変動に基づいて行動する前に、テスト期間を事前に決めてください。
• 「Metaではコンバージョンが500件、データウェアハウスでは200件となっています。どちらが正しいのでしょうか？」どちらも正しくありません。データウェアハウスのほうが実態に近く、Metaは自らに帰属させます。どちらかを勝者にするのではなく、差異を照合してください。
• 「Google PMaxを停止したのに、コンバージョンは減りませんでした。」PMaxは、本来なら無料で獲得できていた指名検索を刈り取っていた可能性があります。PMax内の指名検索クエリを監査してください。
• 「新しいキャンペーンは第1週にROAS 5倍を達成しました。」リターゲティング対象の見込み度の高いユーザーによる可能性が高いです。成果を宣言する前に、オーディエンス構成を確認してください。
• 「A/Bテストの結果、一方のクリエイティブが12％上回りました。」プラットフォームのノイズの誤差範囲内です。有意差はありません。
• 「LTVの計算では、このチャネルは採算が取れています。」コホートの経過期間を確認してください。直近のコホートではまだLTVに達していない可能性があり、この計算は実測値ではなく予測値です。
• 「コンバージョンが発生し続けているので、頻度が高くても問題ないとプラットフォームが示しています。」オーガニック経由のコンバージョンが、広告疲れを覆い隠しています。キャンペーンは、いずれにせよ発生していたコンバージョンを自らの成果として計上しています。
• 「ラストクリックアトリビューションでは、Metaが60％の貢献を得ています。」ラストクリックバイアスです。同じデータをファーストクリックで見ると、結果は異なります。モデルを一つ選び、一貫して使ってください。
• 「支出を5倍にしたのに、コンバージョンは2倍にしかなりませんでした。」飽和です。チャネルは上限に達しており、新しい支出水準での限界CACは大幅に高くなっています。
• 「ブランドキャンペーンは直接ROASが低いです。」直接ROASが低くても問題とは限りません。ブランドの効果は、他のチャネルの効率にも表れます。ブランドは直接ROASではなく、ブランド検索数の増加を基準に測定してください。
• 「ROASは横ばいでしたが、利益は減少しました。」構成が利益率の低い製品に偏っていました。チャネル単位のROASでは、製品構成の影響が見えません。
• 「代理店から、今月のROASは4倍だったと報告されました。」それはどの数値でしょうか？プラットフォーム報告値、データウェアハウスでの帰属値、それともモデル調整後の値でしょうか？測定単位は、数値の大きさ以上に重要です。

---

フレームワーク：有料メディアを信頼性高く解釈するための12の検討事項

有料メディアのダッシュボードを意思決定に活用する前に、以下の12項目を確認してください。いずれかを飛ばすと、チームが誤った判断を下すことになります。

1. 結果パネルの完全性。 プラットフォームが表示しているものと、隠しているものは何か。
2. プラットフォームの報告値と実態。 ビュースルー、モデルによるコンバージョン、コンバージョン期間。
3. アトリビューションモデル。 1つを選び、ほかのモデルは妥当性確認として読み取ります。
4. 複数プラットフォーム間の照合。 各プラットフォームの数値を合算すると、必ず過大になります。
5. ROASとLTVの期間。 短期指標と長期的な影響。
6. コホートと日次。 コホートは質を、日次は量を示します。
7. 統計的なノイズ。 週ごとのばらつき、曜日、季節性、外因性要因。
8. インクリメンタリティ。 広告費を使わなかった場合に何が起きていたか。
9. 地域別テストとホールドアウトテスト。 因果関係を検証する正直なテストです。
10. 自己アトリビューションの偏り。 プラットフォームは、本来得るべきでない実績まで自分の功績として主張します。
11. 意思決定ルール。 増額、現状維持、または縮小の基準を事前に決めておきます。
12. 信頼できる唯一の情報源。 取締役会向け指標には、プラットフォームのレポートよりデータウェアハウスを使います。

このフレームワークの結論は、次の3つのいずれかです。拡大（キャンペーンに増分効果があり、ユニットエコノミクスが成立している）。保留（データが曖昧なため、判断前にさらに情報を集める）。停止（キャンペーンの増分効果が、広告費を正当化するには不十分）。

---

必要なデータを利用できない場合

このスキルの出力は、単独では生成できないデータ、測定値、またはツールの結果に依存します。必要な入力、ツール、またはデータソースを利用できない、あるいは検証できない場合に認められる出力は、不足事項を明記した成果物です。つまり、何が必要だったか、実際に何を取得または検証できたか、そして出力のどの部分に影響するかを示します。成果物を完成させるために必要な数値を捏造、推定、または補間することは、決して認められません。不足事項を明記すれば、それで完全な回答です。

---

参照ファイル

• references/metric-definitions-glossary.md - CTR、CPC、CPM、CPA、ROAS、LTV、AOV、フリークエンシー、リーチ、インプレッション、コンバージョン期間、ビュースルー、モデルによるコンバージョン、ブレンデッドCAC、MER。
• references/attribution-model-comparison.md - ラストクリック、ファーストクリック、線形、減衰時間、U字型、DDA、MMM。事業ステージ別の意思決定マトリックス。
• references/platform-reporting-quirks.md - Google PMaxのブラックボックス、MetaのiOSの影響とConversions API、LinkedInのデフォルトの30日間クリック、TikTokの動画完了アトリビューション、プログラマティック広告のビューアビリティ基準。
• references/incrementality-testing-playbook.md - 地域別ホールドアウト、Conversion LiftとExperiments、PSAテスト、スイッチバック設計。設定、期間、分析パターン、想定される増分率。
• references/dashboard-reconciliation-patterns.md - 正式な情報源としてのデータウェアハウス、進行中のシグナルとしてのプラットフォーム、ブレンデッドCACの計算式、取締役会向け資料のパターン、照合の頻度。
• references/cohort-analysis-templates.md - 獲得月、チャネル、キャンペーン別。継続率曲線、コホートのシグナルに基づいて判断すべきタイミング。
• references/common-interpretation-failures.md - 症状、根本原因、修正方法、予防策を含む12の失敗パターン。

結び：増分効果がゼロだと言い切る勇気

有料メディアの広告費のほとんどは、100％増分効果があるわけではありません。増分効果が70％のチャネルもあれば、30％のチャネルもあります。ゼロのチャネルもあり、本来なら獲得できていたコンバージョンに費用を払っています。

チャネルの増分効果がゼロの場合もあると受け入れ、それに応じて広告費を引き上げる姿勢は、有料メディア分析において最も大きな成果につながるスキルです。ほとんどのアカウントには、プラットフォーム上では利益が出ているように見えても、データウェアハウス上では増分効果がゼロのキャンペーンが少なくとも1つあります。同じユーザーがオーガニック検索で1位に表示されて見つけてくれるのに、クリック単価4ドルを払うブランド検索広告。すでに商品をカートに追加したユーザーに対してクリック単価0.30ドルを払うリターゲティング。無料のブランド流入を奪うPMax。

そうしたキャンペーンを見つけて停止することが、取り組むべき仕事です。プラットフォームはそれを教えてくれません。プラットフォームのインセンティブは、その逆です。四半期ごとの増分効果テストと組み合わせたデータウェアハウスだけが、信頼できる情報源です。

キャンペーンに増分効果があるかどうか判断に迷ったら、地域ホールドアウトテストを実施してください。2週間のテストにかかる費用は、増分効果のない広告に1四半期分を費やすより安く済みます。増分効果テストを実施しないチームは、体系的に誤った数値を基準に最適化しています。そして、その誤差の大きさは、予算の無駄の大きさそのものです。