mcpField
A
algo-ad-bidding

algo-ad-bidding

github.com/asgard-ai-platformマーケティング・グロース24337 回インストール21 週間前に更新
リポジトリ

algo-ad-bidding について

手動CPCからTarget CPA、Target ROASなどの自動入札まで、広告入札戦略の選択と評価を支援するスキルです。コンバージョン数、計測の品質、予算、キャンペーン目標を基に提案します。

主な機能

  1. 01手動・自動戦略の指針
  2. 02コンバージョン数の基準
  3. 03Target CPAとROASの設定
  4. 04成果モニタリング基準
  5. 05戦略提案の出力形式

活用シーン

  1. 01キャンペーンの入札戦略選定
  2. 02Target CPAやROASの問題調査
  3. 03入札成果の確認と調整

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/asgard-ai-platform/skills --skill algo-ad-bidding

インストール後、Claude Code で/algo-ad-biddingを入力して読み込まれたか確認します。

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

examples/
sample_scenario.md
references/
learning-period.md
migration-playbook.md

詳細

広告入札戦略

概要

入札戦略は、広告主がオークションごとに支払う金額を決定します。手動 CPC（完全な制御）から、コンテキストシグナルに基づいてリアルタイムで入札単価を最適化する自動戦略（目標 CPA、目標 ROAS、コンバージョン数の最大化）まであります。

使用するタイミング

トリガー条件：

  • 手動入札戦略と自動入札戦略のどちらを選ぶか検討するとき
  • 目標 CPA／目標 ROAS キャンペーンを設定またはトラブルシューティングするとき
  • 入札戦略のパフォーマンスを分析し、調整するとき

使用しないケース：

  • オークションの仕組み自体を設計するとき（GSP／VCG を使用）
  • CTR 予測モデルを構築するとき（CTR 予測スキルを使用）

アルゴリズム

IRON LAW: Automated Bidding Requires SUFFICIENT Conversion Data
Below ~30 conversions/month, the algorithm lacks signal and performs
WORSE than manual bidding. Strategy selection depends on data volume:
- < 30 conv/month: Manual CPC or Maximize Clicks
- 30-50 conv/month: Maximize Conversions
- 50+ conv/month: Target CPA
- 50+ conv/month + revenue data: Target ROAS
フェーズ 1：入力の検証

月間コンバージョン数、コンバージョントラッキングの精度、キャンペーン予算、ビジネス目標（ボリューム、効率、収益のいずれを重視するか）を評価します。 ゲート： コンバージョントラッキングが検証済みであり、選択した戦略に十分なデータがあること。

フェーズ 2：コアアルゴリズム

手動 CPC： キーワードごとに入札単価を設定します。デバイス、時間、地域、オーディエンスのパフォーマンスデータに基づいて調整します。

目標 CPA： 1. 目標獲得単価を設定します。2. アルゴリズムがコンテキストシグナルを用いて、オークションごとのコンバージョン確率を予測します。3. 確率の高いコンバージョンには入札単価を上げ、確率の低いものには下げます。4. 時間の経過とともに、平均 CPA を目標値に近づけます。

目標 ROAS： CPA と同様ですが、広告費用対効果（コンバージョン価値／費用）を最適化します。

フェーズ 3：検証

実際の CPA と目標値の差、コンバージョン数の安定性、インプレッション シェアの変化、予算の消化状況を監視します。 ゲート： 学習期間（2～4 週間）後の実際の CPA が、目標値の 20％以内であること。

フェーズ 4：出力

期待されるパフォーマンスの範囲とともに、戦略の推奨事項を返します。

出力形式

{
  "recommendation": {"strategy": "target_cpa", "target": 500, "currency": "TWD", "confidence": "high"},
  "expected_performance": {"cpa_range": [400, 600], "volume_change": "-10% to +15%"},
  "metadata": {"monthly_conversions": 85, "current_cpa": 550, "learning_period_days": 14}
}

例

入出力の例

入力： E コマースキャンペーン、月間コンバージョン数 120 件、現在の CPA＝NT$450、目標：CPA を維持しながらボリュームを増やす 期待される結果： 目標 CPA を NT$450 に設定します。期待値：アルゴリズムが効率のよいオークションを見つけることで、ボリュームが 10～20％増加します。

エッジケース
入力期待される結果理由
月間コンバージョン数 10 件手動 CPC自動化に必要なデータが不足しています
目標 CPA が高すぎるボリュームがほぼゼロまで減少アルゴリズムが採算の合うオークションを見つけられません
コンバージョントラッキングが機能していないどの戦略も失敗不正確なデータでは最適化も不正確になります

注意点

  • 学習期間中の変動： 戦略を切り替えた後、最初の 2 週間はパフォーマンスが不安定になります。この期間中は目標値を変更しないでください。
  • コンバージョンの遅延： コンバージョンの計測に数日かかる場合（例：B2B）、アルゴリズムは古いデータに基づいて最適化します。コンバージョンモデリングを使用するか、アトリビューション期間を延長してください。
  • 制約としての予算： 目標を達成できない場合、目標 CPA では予算が消化されません。大きな予算に対して厳しい CPA を設定しても、消化額は増えず、支出が抑えられるだけです。
  • マイクロコンバージョン： 最終購入ではなく、代替コンバージョン（カートへの追加）を使って学習させると、アルゴリズムはその代替指標を最適化します。計測対象のコンバージョンがビジネス価値に合致していることを確認してください。
  • 季節性による急変： 自動入札は直近のデータから学習します。ブラックフライデー、祝日、競合イベントによって、パフォーマンスが乱れることがあります。季節性調整を使用してください。

参考資料

  • 入札戦略の移行手順については、references/migration-playbook.md を参照してください
  • 学習期間中のベストプラクティスについては、references/learning-period.md を参照してください

コメント

Markdown 対応