推定コンバージョンでは、個々のユーザーを識別しないデータを使って、Google が直接確認できないコンバージョンを推定しています。これにより、コンバージョンについてより詳細なレポートを提供することができます。
ユーザーのプライバシー保護または技術的制約のため、貢献度の割り当てに必要なデータを測定できないことがあります。Google では、そのような場合にコンバージョンを推定するモデルを構築しています。このモデリングの目的は、測定の精度を高めて、マーケティング活動の成果を正確に把握し、質の高い入札(入札単価が高すぎたり低すぎたりしない)を維持することです。
Google 広告に表示される推定コンバージョンには、予測に基づいて貢献度が割り当てられています。ほとんどの場合、広告のインタラクションとオンライン コンバージョンを把握することは可能ですが、これら 2 つのつながりを確認することはできません。このモデリングでは、コンバージョンが発生したかどうかではなく、Google 広告でのインタラクションがオンライン コンバージョンにつながったかどうかを推定します。
推定を行わなければ、レポートにはキャンペーンの実際の成果ではなく、測定可能な一部のコンバージョンのみが反映されることになります。
オンライン コンバージョンの推定の仕組み
測定できないデータのモデリングには、測定可能なデータを最大限に活用します。その際は、測定できないデータとの類似性や相違点が十分に把握できるデータを使用します。
例: あるタイプのブラウザでは測定できなくても、別のタイプのブラウザでは測定可能なコンバージョン データがあるとします。Google のモデリングでは、まずブラウザのタイプごとにユーザーの行動(コンバージョン率など)にどのような傾向が見られるかを把握します。そのうえで、系統的バイアスを加味し、集計ディメンション(デバイスのタイプ、時間帯、地理的位置、オペレーティング システムなど)を考慮に入れ、測定可能なブラウザで収集されたデータに基づいて、測定不可能なブラウザの広告インタラクションによってコンバージョン イベントが発生する見込みを予測します。
レポートに掲載される推定コンバージョンのデータの粒度は、測定されたコンバージョンのデータの粒度と同じです。コンバージョンの合計、アトリビューションの経路、コンバージョン値などのディメンションが含まれます。[コンバージョン] 列のデータには、推定コンバージョンと測定されたコンバージョンの両方が含まれます。
オンライン コンバージョンの推定のメリット
- 広告トラフィック全体に及ぶ包括的な測定: 広告掲載の成果(費用対効果)を正確に把握し、コンバージョン経路(広告のインタラクションに始まり、さまざまなデバイスやチャネルを経由する)の全体像をつかむことができます。
- キャンペーンの効率的な最適化: 推定コンバージョンにより、キャンペーンをより効果的に最適化し、ビジネスの成果向上を実現できます。
- プライバシーの規制や技術上の制約のため、特定のユーザー(同意のないユーザー、特定のデバイスやブラウザを使用しているユーザーなど)で構成されるコホートについては、データを測定できないという事態が生じます。これはつまり、自動入札のアルゴリズムは不完全なデータに基づいて最適化を行わなければならず、機械学習の内容にもバイアスが生じるということを意味します。結果として自動入札では、目立った掲載結果が報告されないコホートの優先順位が低くなり、入札の質が全体的に低下する場合があります。モデリングはこうした問題を解決し、測定データのバイアスを補正するので、自動入札でも、より現実に即した掲載結果データを活用できるようになります。自動入札機能の詳細
- プライバシー重視の正確な測定: 推定コンバージョンでは、個々のユーザーを識別しないデータを使って、Google が直接確認できないコンバージョンを推定しています。これにより、コンバージョンの全体像がより明確になります。このアプローチは、プライバシーに配慮しないフィンガープリントなどの手法とは大きく異なります。フィンガープリントでは、IP アドレスなどの情報に基づき、ヒューリスティックな手法で個々のユーザーを特定しトラッキングします。Google は、広告のパーソナライズにフィンガープリントを使用しないように厳格なポリシーを定めています。これは、フィンガープリントが、自身の情報を管理するユーザーの権利と透明性を著しく損なうためです。
Google のコンバージョン モデリング手法
Google のソリューションは幅広いユーザーに活用されているため、多くの広告インタラクションおよびコンバージョン アクションに基づいてコンバージョン モデルの精度を検証することができます。Google のモデリングは、次のような重要な項目で高い成果を上げています。
- 規模: Google は、目標到達プロセスの各段階においてさまざまなチャネルで発生する大量かつ多様な広告インタラクションにアクセスすることができます。そのため、目標到達プロセスの段階やチャネルを問わず、さまざまなユーザーが各広告タイプに対してどのように反応するかについての包括的なデータを収集することが可能です。
- 精度: Google の質の高いログイン ユーザーベースにより、Cookie などの識別子を使用しなくても高度なモデリングを行うことが可能になっています。オプトイン ユーザーの代表的な行動データに基づいて、多様な場面におけるユーザーの行動を推測できます。
- 範囲: Google のタグは多くのウェブサイトで使用されているため、Google のコンバージョン モデルは多くの異なるコンバージョン アクションで検証されます。コンバージョン モデリングは、ユーザーを識別しないデータを使って、Google が直接確認できないコンバージョンを数値化します。その後、モデルは各広告主様に応じてトレーニングされ、広告主様ごとに固有の結果が出力されるようになります。
- 技術的な専門知識: 機械学習に関する Google の専門知識は、高品質のモデリングを実現するうえで欠かせないものとなっています。この技術と知識は、長い間モデリングを活用してきたデータ測定サービス(Google 広告の自動入札と来店データ)と、データ測定の範囲を超えたサービス(車の自動運転や YouTube のおすすめ機能など)で培われてきたものです。
- 実用性: Google の推定コンバージョンはキャンペーン レポートに表示されるだけでなく、最適化や入札にも関連付けられるため、ビジネス目標の達成に向けて有効にデータを活用できます。
オンライン コンバージョンで利用できるモデリングの例
現在実施されているコンバージョン モデリング関連の取り組みの中で特に重要なものをいくつかご紹介します。
サードパーティの Cookie の制限に対応するモデリング
ファーストパーティの Cookie の制限に対応するモデリング
EU での Cookie の使用に対する同意制限に対応するモデリング
iOS 14 の影響
Google Play ポリシーの影響
Google Play は、ユーザー コントロール、プライバシー、セキュリティを強化するための新しいポリシーの更新を発表しました。2021 年後半に予定されている Google Play 開発者サービスの更新では、ユーザーが広告 ID を使ったカスタマイズを Android 設定でオプトアウトすると、その広告 ID が削除されるようになります。削除された広告 ID にアクセスしようとすると、ID の代わりにゼロの文字列が返されます。広告 ID について
このサービスの更新に伴い、推定コンバージョンの対象がすべてのアプリ キャンペーンに拡大されます。つまり、[コンバージョン] 列に加え、[インストール]、[アプリ内ユーザー行動]、[コンバージョン値] の各列に、推定コンバージョンが含まれる可能性があります。また、今回のサービスの更新や、今後想定されるサービスの更新による影響を軽減する手段として、アプリ キャンペーンの推定コンバージョンがさらに追加される可能性があります。
クロスデバイス コンバージョン
あるデバイスで広告を操作してカスタマー ジャーニーを開始したユーザーが別のデバイスでコンバージョンを達成した場合、そのコンバージョンへの貢献度は割り当てられないことがあります。そこで Google は、Google サービスにログインしている膨大なユーザーのデータをモニタリングし、一般的なユーザーの類似行動を推定しています。多くのクロスデバイス コンバージョン(リビングルームやパソコンからのコンバージョンを含む)もモデル化されています。
オンライン コンバージョン モデリングの基本方針
継続的な品質の向上
他のすべてのサービスと同様に、Google のデータ サイエンティストはモデリングの精度を上げて規模を拡大するために、アルゴリズムの改良に継続的に取り組んでいます。Google では定期的に新しいサービスが導入されるため、それらのサービスを測定可能なデータの新たなソースとして、モデリングを微調整することが可能になっています(拡張コンバージョンや同意モードの導入によって、より多くのデータが測定可能になるなど)。
精度をチェックする高度な技術
Google では、モデリングの精度を確認するため、ホールドバック検証などの手法を使用しています。この手法では、測定されたコンバージョン データの一部を取り分けておき、その部分についてモデリングを行います。次に、そのモデリングの結果と、最初に取り分けておいた実際のコンバージョンとを比較して誤差やバイアスを特定し、モデルに継続的な調整を加えます。機械学習では、同様の手法が広く使用されています。
レポートに記載するデータの厳しい基準
推定コンバージョンをレポートに含めるのは、広告のインタラクションによって実際にコンバージョンが発生したと確信できる場合のみです。Google ではコンバージョンを機械的にレポートすることを避け、実際より多くのコンバージョンがレポートされる可能性を最小限に抑えるよう心がけています。そのため、十分な数のコンバージョンが安定的に測定できない場合、モデリングは実施されず、レポートに推定コンバージョンは記載されません。
状況に応じて異なるモデリング手法を使用する
ビジネスやユーザーの行動によってモデルの出力結果は異なる
Google では、まず測定データの差異に対応する一般的なモデリング アルゴリズムを構築し、そのアルゴリズムを各広告主様のデータに個別に適用します。ユーザー行動のパターンやコンバージョン率は広告主様によって異なるため、得られる結果もそれぞれ異なります。たとえば、あるデバイスでカスタマー ジャーニーを開始し、別のデバイスでコンバージョンを達成する傾向が強いユーザーを持つ広告主様の場合、報告されるクロスデバイスの推定コンバージョンの数は平均より多くなります。
フィンガープリントに対する厳格なポリシー
影響の大きなモデリングの変更点を通知する
自動的な統合
正確性が確保できる場合、Google では入手可能なデータに基づいて、コンバージョンのレポートと最適化に統合コンバージョン モデリングが活用されます。Cookie に同意していないユーザー群のコンバージョンを測定できない場合などは、コンバージョン モデリングを実施するために、広告主様の同意率のデータが必要になります。