attribution-report

/digital-marketing-pro:attribution-report

GA4 AI Assistant チャネル（2026年5月13日追加）

GA4 プロパティを対象にアトリビューションレポートを生成する際、AI Assistant のデフォルトチャネルグループが正式なチャネルとして利用できるようになりました。GA4 は、ChatGPT、Gemini、Claude、その他の認識済み AI アシスタントから参照されたセッションをこのチャネルに自動分類します（Medium=ai-assistant も設定します）。AEO プログラムを実施しているブランドでは、チャネルセットに AI Assistant チャネルを含め、すべてのアトリビューションモデル（ファーストタッチ、ラストタッチ、線形、減衰、接点ベース、データドリブン）での貢献度を比較してください。

ここではモデル比較ビューが特に有益です。AI アシスタント経由でブランドを知ったユーザーが、その後のブランド検索や直接訪問を通じてコンバージョンすることが多いため、AI Assistant トラフィックはファーストタッチとラストタッチでクレジットが大きく異なることがよくあります。ラストタッチの数値だけを見て「AI 検索は売上につながらない」と結論づけないでください。

出典：GA4 のデフォルトチャネルグループ。上流のインプレッション側のデータについては、/digital-marketing-pro:gsc-ai-performance と組み合わせてください（GSC AI Performance Report は2026年6月3日に公開されましたが、意図的にクリックデータは含まれていません。そのため、クリックアトリビューションには GA4 を使用します）。

目的

複数のマーケティングチャネルやキャンペーンがコンバージョンにどのように貢献しているかを示す、マルチタッチアトリビューション分析を生成します。複数のアトリビューションモデルを並べて比較し、タッチポイント間で収益を配分し、真のチャネル貢献度に基づいて実行可能な予算再配分の提案を行います。このコマンドは、単純なラストクリックアトリビューションを超え、顧客のジャーニー全体を明らかにします。つまり、認知を促進するチャネル、検討を後押しするチャネル、コンバージョンを成立させるチャネルを特定し、位置による偏りではなく実際の貢献度に基づいてマーケティング予算を配分できるようにします。

必要な入力

ユーザーは以下を指定する必要があります（指定がない場合は確認されます）。

• 比較するアトリビューションモデル：並行して実行する2つ以上のモデルです。first-touch（ジャーニーを開始した最初のインタラクションに100％のクレジットを付与）、last-touch（コンバージョン直前の最後のインタラクションに100％のクレジットを付与）、linear（すべてのタッチポイントに均等にクレジットを配分）、time-decay（コンバージョンに近いタッチポイントほどクレジットを指数関数的に増やします。半減期は設定可能で、デフォルトは7日間）、position-based（最初のタッチに40％、最後のタッチに40％、中間のインタラクションに20％を配分）、data-driven（コンバージョン経路のパターンと反実仮想分析に基づくアルゴリズムによる配分）のいずれかを指定します。アトリビューションの偏りを明らかにするため、少なくとも2つのモデルを比較してください
• アトリビューション対象のコンバージョンイベント：分析対象となるコンバージョンアクションです。収益を伴う完了済み取引を表すpurchases、アカウントまたはトライアルの作成を表すsignups、フォーム送信、デモのリクエスト、問い合わせを表すleads、またはユーザー定義のコンバージョンポイント（任意で収益値を設定可能）であるcustom eventsを指定します。複数のコンバージョンイベントを同時に分析し、それぞれ個別にアトリビューションを行えます
• 期間：分析期間です。特定の日付範囲、相対期間（過去30日間、前四半期など）、または前年比較を指定します。期間が長いほど、モデル比較の信頼性を高めるコンバージョン経路が多くなりますが、季節的な歪みが含まれる場合があります
• コンバージョン期間：コンバージョンにタッチポイントを帰属させるためのルックバック期間です。7 days（短期間で購入に至る商品、衝動買い）、14 days（一般的な e コマース）、30 days（B2B のリード獲得、比較検討型の購入）、または90 days（エンタープライズ B2B、販売サイクルの長い高額購入）を指定します。コンバージョン期間外のタッチポイントはアトリビューションから除外されます
• 対象チャネル：アトリビューションを行うマーケティングチャネルです。有料検索、有料ソーシャル、オーガニック検索、ダイレクト、メール、参照、ディスプレイ、動画、アフィリエイト、または特定のキャンペーングループを指定します。ユーザーが対象範囲を制限しない限り、デフォルトですべてのチャネルが含まれます

処理

1. ブランドのコンテキストを読み込む：~/.claude-marketing/brands/_active-brand.jsonを読み込んでアクティブなスラッグを確認し、次に~/.claude-marketing/brands/{slug}/profile.jsonを読み込みます。ビジネスモデル（SaaS、eCommerce、B2B）のコンテキストを適用し、適切なデフォルトのコンバージョン期間とモデルの推奨を設定します。~/.claude-marketing/brands/{slug}/guidelines/_manifest.jsonにガイドラインがあるか確認します。ブランドが存在しない場合は、「先にブランドを設定しますか（/digital-marketing-pro:brand-setup）？」と尋ねるか、デフォルト設定で続行します。
2. アナリティクス MCP からコンバージョン経路データを収集する：接続済みのソースからマルチタッチのジャーニーデータを取得します。Google Analytics MCP からはコンバージョン経路、マルチチャネル ファネル レポート、アシスト コンバージョン データを、Google Ads MCP からは検索アトリビューション レポートとクロスネットワーク アトリビューションを、Meta MCP からはビュースルーおよびクリックスルーのアトリビューション データを、CRM MCP からはマーケティングのタッチポイントのタイムスタンプ付きの商談ステージの進行状況を取得します。タッチポイントを統合して顧客ジャーニーを一元化し、同じインタラクションが複数のソースで記録されている場合は、プラットフォーム間の重複を排除します。
3. 選択した各アトリビューションモデルをデータに適用する：統合したコンバージョン経路データセットに、リクエストされた各モデルを適用します。（モデルの分類体系（定義、最適な用途、制約、選択用の判断ツリー）はskills/funnel-architect/attribution-models.mdに一元化されています。以下のモデルごとの計算は、それらの定義をこのレポートで実行したものであり、別のカタログではありません。）ファーストタッチ：各ジャーニーで最初に記録されたタッチポイントに、コンバージョン値の100%を割り当てます。ラストタッチ：コンバージョン前の最後のタッチポイントに100%を割り当てます。線形：コンバージョン値をすべてのタッチポイントに均等に配分します（タッチポイントがn個の場合、それぞれに1/nのクレジットを付与します）。タイムディケイ：設定した半減期を使って、コンバージョンから遡る指数減衰を適用します。半減期分だけ離れたタッチポイントには、コンバージョンに至ったタッチポイントの50%のクレジットを付与し、半減期の2倍離れた場合は25%を付与する、といった具合に計算してから、合計が100%になるよう正規化します。ポジションベース：最初に40%、最後に40%を割り当て、残りの20%を中間のタッチポイントに均等に配分します。データドリブン：コンバージョン経路のパターンを分析して、統計的にコンバージョン率が高いチャネルのシーケンスを特定し、各チャネルの増分寄与に比例してクレジットを配分します。
4. 各モデルにおけるチャネルごとの収益アトリビューションを計算する：各チャネルと各モデルについて、アトリビューション済み収益（割り当てられたコンバージョン値の合計）、アトリビューション済みコンバージョン数（端数を含みます。40%のクレジットが付与されたコンバージョンは0.4として数えます）、アトリビューション済みコンバージョン単価（チャネルの支出をアトリビューション済みコンバージョン数で割った値）、アトリビューション済みROAS（アトリビューション済み収益をチャネルの支出で割った値）を算出します。直接比較できるよう、チャネルを行、モデルを列にしたマトリックスで提示します。
5. モデルを比較し、アトリビューションの変化を特定する：各モデルにおける各チャネルのクレジットの変化を計算します。ラストタッチよりファーストタッチで大幅に多くのクレジットを受けるチャネルは、ジャーニーを開始させるものの、コンバージョンには至らせない認知促進チャネルです。ラストタッチでより多くのクレジットを受けるチャネルは、コンバージョンを成立させるチャネルです。モデル間でクレジットが一貫しているチャネルは、ファネル全体で安定した成果を上げています。各チャネルについて、ファーストタッチからラストタッチへのアトリビューション済み収益の変化率として、この差を定量化します。
6. 予算再配分の推奨を作成する：モデルの比較に基づき、過小評価されているチャネルを特定します。これらは、ラストタッチのクレジットは最小限である一方、ファーストタッチまたは線形モデルでは大きなクレジットを受けており、認知を促進しコンバージョンをアシストしているものの、デフォルトのラストクリック計測では過小評価されています。過小評価されているチャネルには予算の増額を推奨し、予測される効果を提示します。過大評価されているチャネル（ファーストタッチでの寄与に比べ、ラストタッチのクレジットが過大なチャネル）を特定し、むやみに予算を削減するのではなく、効率性の調査を推奨します。これらのチャネルも、コンバージョンを成立させるうえで不可欠な場合があるためです。
7. アシスト コンバージョン比率を計算する：各チャネルについて、アシスト対ラストタッチ比率を計算します。これは、そのチャネルが経路に含まれていたものの最後のタッチポイントではなかったコンバージョン数を、最後のタッチポイントだったコンバージョン数で割った値です。比率が1.0を超えるチャネルは、コンバージョンを成立させるよりもアシストする方が多く、認知や検討を促進しています。1.0未満のチャネルは、アシストするよりもコンバージョンを成立させる方が多いチャネルです。この比率は、ファネル内でのチャネルの役割を示す、モデルに依存しない指標です。
8. トレンド追跡用にアトリビューションデータを保存する：アトリビューション分析の結果（モデルの出力、チャネルスコア、アシスト コンバージョン比率、予算の推奨）を保存し、長期的な比較に利用します。マーケティングミックスの変化に伴うチャネルの貢献度の推移を追跡し、チャネルの飽和、収益逓減、価値の高い新たなタッチポイントを検出できるようにします。

出力

以下を含む、構造化されたアトリビューション分析です。

• アトリビューションモデル比較表：チャネルごとに各モデルでのアトリビューション済み収益、アトリビューション済みコンバージョン数、アトリビューション済みコンバージョンあたりのコスト、アトリビューション済みROASを示す、チャネル別・モデル別のマトリックスです。手法間でクレジットの配分がどう変化するかを直接視覚的に比較できます。
• モデル間でのチャネル貢献度の変化：ファーストタッチからラストタッチまで、および中間のモデル間で、アトリビューション済み収益がどう変化するかをチャネルごとに分析します。変化率、方向性を示す指標（認知を促すチャネル、コンバージョンを後押しするチャネル、フルファネルで貢献するチャネル）、コンバージョン経路のボリュームに基づく信頼度を含みます。
• アシストコンバージョン分析：各チャネルのアシストコンバージョンとラストタッチコンバージョンの比率、およびその解釈です。チャネルを、認知のきっかけ（比率 > 2.0）、検討段階の育成（1.0～2.0）、バランスの取れた貢献（0.5～1.0）、コンバージョンの促進（< 0.5）に分類し、各分類の根拠となるコンバージョン数も示します。
• 予算再配分の推奨事項：具体的で実行可能な予算移動の提案です。投資を増やすチャネル（予測される増分コンバージョン数と収益を含む）、効率性を調査するチャネル（収益逓減の兆候を含む）、削減を試すチャネル（リスク評価と推奨削減率を含む）を示します。
• 経路長分析：コンバージョンまでのタッチポイント数の分布です。平均経路長、中央値、コンバージョン種別ごとの内訳を示し、1回、2～3回、4～6回、7回以上のタッチポイントを経るコンバージョンの割合と、経路長セグメントごとの収益を含みます。
• コンバージョンまでの時間分析：最初のタッチポイントからコンバージョンまでの時間の分布です。平均、中央値、パーセンタイル別の内訳を示し、1日以内、1～7日、7～14日、14～30日、30日以上で発生したコンバージョンの割合と、時間セグメントごとの収益を含みます。
• 過小・過大評価されているチャネルの特定：アトリビューションの乖離（ラストタッチでのアトリビューション済み収益と、線形またはポジションベースでのアトリビューション済み収益との差）に基づくチャネルのランキングです。標準レポートで実際の貢献度が大きく誤って示されているチャネルを明らかにします。
• 手法に関する注記と制約：使用したデータソース、コンバージョン経路の網羅率（全経路データがあるコンバージョンと、単一タッチのみのコンバージョンの割合）、クロスデバイスに関する制約、ビュースルーアトリビューションを含むかどうか、モデル精度に影響する可能性のあるデータ不足を透明性をもって記録します。

使用するエージェント

• analytics-analyst — Google Analytics、Google Ads、Meta MCPからのコンバージョン経路データの収集、選択されたすべての手法によるマルチタッチアトリビューションモデルの実行、コスト効率指標を用いたチャネル別の収益アトリビューション計算、認知を促すチャネルとコンバージョンを後押しするチャネルを特定するモデル比較分析、アシストコンバージョン比率の計算、経路長およびコンバージョンまでの時間の分布分析、網羅率と信頼度の報告を含むデータ品質評価を行います。
• marketing-strategist — アトリビューションの変化をマーケティング戦略への影響に結び付ける戦略的な解釈、予測される影響とリスク評価を含む予算再配分の提案、アトリビューションのパターンに基づくマーケティングファネル内のチャネル役割の分類、短期的なコンバージョン効率と長期的なブランド構築・認知向上のバランスを考慮した投資優先順位の指針を提供します。