ブランディングに動画広告は不可欠。しかし事業貢献度を数値化するのが困難だった

──今回の取り組みの概要から伺えますでしょうか。

菅原：セゾン自動車火災保険のメディアプランニングに、電通がデータクリーンルームと機械学習を用いて開発した「ナーチャリングスコア」を導入した事例です。

同スコアにより、従来は中長期的な施策として評価が難しかったブランディングの動画広告において、半年後などに確定する「中長期の事業成果」を、リアルタイムに推測できるようになりました。

広報リリース：
デジタル広告の中長期の効果を評価する新指標「ナーチャリングスコア」を開発
 

 

──導入の背景にはどんな課題があったのでしょうか。

白石：自動車保険市場を大きく分けると、営業担当者が対面で販売する「代理店型」と、生活者自身がネット上で全ての手続きを完結できる「ダイレクト型」があります。われわれが販売している「おとなの自動車保険」はダイレクト型です。

市場シェアは、代理店型が約90%、ダイレクト型は10%です。われわれとしてはボリュームの大きい代理店型からスイッチを狙うのが、事業インパクトが大きい。

ただ、自動車保険はいつでも加入できるわけではなく、基本的には年1回の更新タイミングか、自動車を購入するタイミングで加入していただくことになります。そのため、例えば「満期まで半年以上ある方々」が広告に接触しても、すぐには契約できないので、直接の獲得にはつながりません。

「今まさに申し込み検討をされている方々」に対しては、リタゲ（リターゲティング）広告など、デジタルで効率を追い求めた施策をしています。ただ、その比較検討の際にも、「そのユーザーがもともと持っていたブランドイメージ」が獲得に影響することが調査でもわかっています。

そこで、当社のデジタル広告は、大きく以下の2カテゴリーに予算を配分してきました。

●アッパーファネル（トップファネル／ミドルファネル）
→【認知寄り】契約更新がまだ遠い人に向けた、ブランディングのための動画広告
 

●ボトムファネル
→【獲得寄り】今まさに検討中の人に向けた、検索広告やリタゲ広告といった静止画広告

菅原：やはり「見直しが具体的に始まる前」に見込み顧客とブランドコミュニケーションして、認知・想起を高めることが、結果的に検討・獲得にもつながるんですね。

白石：ここで問題があって、広告接触から新規契約獲得までをリアルタイムで計測し、直接の事業貢献度が分かる「検索広告」や「リタゲ広告」と違い、ブランド広告による認知・想起の獲得は、半年後など未来にならないと、事業成果への貢献度が分からないんですね。

菅原：デジタル広告の効果測定には、日々の管理画面上で見られる「CPA（顧客獲得単価）」という指標があります。CPA的には、現在検討中の人たちに配信するリタゲ広告と比べると、契約更新がまだまだ先である人たちに配信する動画広告の方が圧倒的に不利になります。

それでも代替的に、例えばアトリビューション分析を実施したり、あるいはデータクリーンルームを使ったTrue Lift Model(※)という指標を開発し、アッパーファネル施策の事業貢献効果を測定してきました。ただ、これらはやはり「短期成果指標での分析」であり、時間が経たないと確定しない「将来の成果」までは評価できていません。

※True Lift Model
広告接触者のコンバージョンには、「広告に接触しなかったとしてもコンバージョンに至ったユーザー」が含まれてしまう。True Lift Modelでは、そういったユーザーと、「純粋にその広告接触が理由でコンバージョンに至ったユーザー」を切り分けて、真のリフト効果を測定できる。

 

菅原：どの企業でも、ブランディングを軽視しているわけではないものの、広告予算の配分に当たっては、「これだけの予算を使い、これだけの成果が得られた」という具体的な数値説明や根拠が厳しく求められます。そのため、動画などのブランド広告も、検索広告やリタゲ広告と同一の指標で、それも日々リアルタイムに測定したいというニーズは、私たちも常々感じていました。

この課題は、自動車保険に限らず、ブランドのマインドシェアを高める施策においては、多くの商材に当てはまると思います。そこで開発したのが、ナーチャリングスコアです。

不可能を可能に！？「未来の成果を計測する」ナーチャリングスコアで見えてきた意外な事実とは

──ブランディングのための動画広告も、リタゲ広告と同じ土俵で、事業貢献度を出すための指標がナーチャリングスコアなのですね。

菅原：従来は、管理画面で確認し、メディアの運用やPDCAに反映できるのは、7日間など「短期の広告効果」だけでした。その7日間に効果を計測したとき、動画広告のCPAが1万円だったとすると、リタゲだったら500円で1コンバージョンを獲得できるというぐらいに、圧倒的な差があります。

でも、動画広告による認知・想起の獲得は、半年後、1年後といった未来において新規契約の獲得につながっている可能性がある。管理画面上で見えるCPAは氷山の一角で、実際には中長期的に見れば評価が変わるのではないか？というのが開発の着眼ポイントです。

──しかし、半年先、1年先といった「未来」のCVR（コンバージョン率）やCPAを測定するのは、常識的には難しいように感じます。

菅原：それを実現したのが、「データクリーンルーム」と「機械学習」です。データクリーンルームでは、プライバシーが保全された環境で、大手プラットフォームユーザーのさまざまな属性データを分析したり、広告配信にもつなげられます。また、セゾン側では、過去の広告配信の成果について数年分のデータがたまっています。そうした膨大な過去データで機械学習を行い、ナーチャリングスコアとCVRの関係式を導出する「予測モデル」を構築しました。

この予測モデルを個別のクライアントのKPIに寄り添った形でテーラーメイドで構築することは、通常のAdsManager（広告入稿・運用管理画面）では実現できず、データクリーンルームがあるからこそ実現しました。

モデルの構築に当たっては、コンバージョン（＝新規契約獲得）という「目的変数」を設定し、プラットフォームユーザーの広告接触履歴、検索履歴、閲覧履歴、興味関心属性、デモグラ、エリアといった「説明変数」をもとに回帰分析を行いました。「実際に、長期的にコンバージョンしてくれる人は、こういう属性の人」という詳細な予測モデルを作ったのです。

予測モデルを「今、実際に広告接触したユーザー」に適用することで、一人一人の「将来的なコンバージョン率」をリアルタイムに、高い精度で算出できる。これがナーチャリングスコアのアプローチです。この新指標によって、動画広告とリタゲ広告を、同じ時間で、同じタイミングで、ファネル横断での評価が可能になりました。

──動画広告に接触したユーザーすべての「中長期的なCVRやCPA」を、広告配信と同時に予測モデルを使って計測できるのですね。

菅原：予測モデルの精度は、統計的な検証を重ねており、「ターゲット対象者全体の中長期の購買確率」を予測するという観点であれば、広告効果の評価としての活用に耐える高い精度を維持しています。そのため、動画広告が、リタゲ広告などと同じ時間軸で「どれだけ効果があったか」を、しっかり説明できるようになりました。その結果、実は動画広告の方が中長期的な成果で見るとCPAが優れているというケースも出てきたのです。

白石：「実は中長期の動画広告の方が獲得単価の効率が良い場合がある」という結果には驚きました。動画広告がリタゲと比べて獲得効率が悪いという状況については、もやっとしている部分があったんですが、動画広告の事業貢献度が明確に出せるようになり、より自信を持って予算配分ができるようになりました。

動画広告は、YouTube上で「TrueView」「Bumper」「VAC（動画アクションキャンペーン）」といったメニューを活用していますが、中でも今回インパクトが大きかったのがVAC施策です。

＜Googleの動画広告メニュー＞

・TrueView＝YouTubeで、動画コンテンツ内に流れる6秒以上の動画広告。スキップ可能

・Bumper＝同じく動画コンテンツ内に流れる6秒未満の動画広告。スキップなし

・VAC＝よりターゲティングやコンバージョン獲得を狙った短い動画広告。LPへの遷移などの機能をもたせる事が多い。
 

白石：VACは誘導効果が高いメニューなので、動画広告の中でも少し違った目的で整理をしていて、「短期でのコンバージョンを見ていく」という運用でした。しかし、その用途ではターゲティングやリタゲの方の獲得効率がはるかに良く、VACに継続してどのように予算を配分すべきかは課題でした。

それが、ナーチャリングスコアの導入で「VACが中長期効果にポテンシャルがある」という結果が出ましたので、目的をアッパーファネルに切り替えることで、VACへの予算を増やす意思決定ができました。

ナーチャリングスコアはさまざまなマーケティング課題を解決できる

──この予測モデルはあくまでも「おとなの自動車保険」に特化したものなのでしょうか？

菅原：そうです。今回はセゾン自動車火災保険さんがテレビに加え、デジタルではGoogleのプロダクトを中心にメディアプランニングしていたので、データクリーンルーム「Google Ads Data Hub」を使って予測モデルを構築しました。

電通グループのアナリストがGoogle Ads Data Hubにアクセスし、個人を特定しない形で説明変数となる属性データを分析しました。

電通グループは2016年から本格的にデータクリーンルームの活用に取り組んでおり、ご利用いただいた案件はすでに2300件以上あります。今回のようなデータクリーンルームに「機械学習」をかけ合わせる分析は、海外含めて例が少なく、ナーチャリングスコアの開発にはそうしたケイパビリティが生かされています。

──今回はGoogleでしたが、説明変数に使う各データは、活用するデータクリーンルームに応じて変わるのでしょうか？

菅原：はい。プラットフォームごとに使えるデータは異なります。例えばヤフーなら「検索データ」や「Yahoo!ショッピングの購買データ」を使えるのがユニークポイントです。白石さんから見て、今後ナーチャリングスコアをこう使いたいというご希望はありますか？

白石：当社ではGoogleのプロダクトでメディアプランを作っているので、そこで「認知の広告」と「獲得の広告」を統一して見られるようになったのは、すごく有用だと思っています。将来的には、テレビも含めたメディアすべてを統合してナーチャリングスコアを比較し、プランニングできると、非常にうれしいです。

菅原：電通には「STADIA」という、テレビの実視聴データに基づくデジタル広告配信・効果検証サービスもあります。テレビCMに接触したユーザーの中長期的な効果も割り出せるようにしたいと考えています。

また、仕様やデータの異なる複数のデータクリーンルームのアナリティックス業務を一元的に行うことを支援する「TOBIRAS」という業務システムも整っており、より横断的なナーシャリングスコアの活用を推進していきたいと考えています。

白石：もう一つ挙げると、予算配分の説明を社内でするときに求められるのが、「この広告施策をやめたらどれだけコンバージョンが下がるのか？」という、やめたときの効果算出です。ナーチャリングスコアは、中長期の「将来」の数字を計測できるので、この部分の説明材料として活用したいですね。

菅原：それが分かれば、投資の継続のためのロジックとして強いですよね。モデリングをした段階で、そういった使い方もできるかなと想定していました。

白石：ナーチャリング（育成）の観点では、「広告接触がないが、ナーチャリングスコアが高いユーザー」の人数や特徴を知りたいのもあります。

菅原：その点、大手プラットフォームでは、数千万人、数億人というユーザーをID単位で分析できます。そこで、実際に広告に接触したユーザーだけではなく、広告に接触する前のユーザーにも予測モデルを適用することで、いわばマーケット全体の縮図として、「このプラットフォームに、ナーチャリングスコアが高い人がどのぐらいいるのか」を可視化できます。

広告が当たる前の人たちを全て「見込み顧客」と捉えることで、マーケット全体を大きな見込みリストとして、ナーチャリングやブランディングの投資対効果を高めていくアプローチができるかなと。

さらに、「コンバージョン見込み度」別にユーザーのタイプをセグメンテーションしたり、「このセグメントの人たちに対して、今どのぐらいリーチできていて、伸びしろがどれだけあるのか」も把握できます。新しいブランドコミュニケーションやキャンペーンの前後で、どれだけそのセグメントのユーザーが動いたかの定点観測も可能です。

白石：自動車保険の市場は代理店型が9割、ダイレクト型が1割です。この1割のダイレクト型の方々はすごくネットの保険に慣れていて、毎年、保険会社を変更される方もいらっしゃいます。ただCPAがいいからといって、そういうユーザーにばかり広告を配信していては、代理店型のユーザーには届きません。

そこで、ターゲットのスコアの高さだけでなく、「代理店型で、なおかつスコアが高い」というふうに、属性に応じたスコアの調整ができるととてもありがたいです。明らかに違う検索行動をしているはずなので、差が出ると思うんですよね。

菅原：代理店型とダイレクト型でユーザーのウェブ回遊行動は異なるでしょうから、その違いが変数として説明がつけばできそうですね。ユーザーに許諾いただいた上で、ファーストパーティーデータを連携できれば、可能かと思います。

白石：そうして見込み度に“色”をつけられれば、KPIを定めるときも、「このセグメントの人たちにこのメディアで適切に配信できているのか」というサブKPIを組み込むこともできそうですし、パーセプションフローももっと精度の高い設計書になってくるのではないでしょうか(※)。

※パーセプションフロー
＝生活者の行動を軸にしたカスタマージャーニーに対して、こちらは生活者の認識・知覚（パーセプション）の変容を軸にした概念。マーケティング全体の設計図として使われる。

 

──過去データに基づき、将来の広告効果を予測する手法としては、MMMも注目されています。MMMとナーチャリングスコアの住み分けについてはいかがでしょうか？

菅原：MMMは機械学習ではなく、純粋に統計的なアプローチです。ナーチャリングスコアとは得意分野や目的が異なるので、競合するものではなく使い分けていくものと考えています。

ナーチャリングスコアは「ユーザーレベル」で測定できるので、週次や月次で振り返りつつ、運用調整や予算配分、ナーチャリングを目的としてメディアプランをアップデートしていく用途を想定しています。MMMは半期や年間ごとに媒体横断での予算の最適配分を、どうアップデートしてPDCAを回していくかというアプローチです。

長期的なPDCAとしてのMMMの活用と、日々のCPAに基づいた短期的なPDCA、その橋渡しになるような指標として、ナーチャリングスコアをご活用いただけると思います。

白石：ナーチャリングスコアの活用に加え、半年や1年といったサイクルではMMMを使い、「統計的に最適なプランニングになっているか」を健康診断する。その両輪で回していくことで、より根拠を持ったメディアプランニングにアップデートしていきたいです。

菅原：データクリーンルーム×機械学習にはいろんな活用余地があります。今回の事例のように、クライアントの実際のマーケティング課題を解決していく基盤として、活用していただきたいです。本日はありがとうございました！