広告クリエイティブの最適化の実際

2012年9月23日

菅 由紀子

第22回 データマイニング+WEB ＠東京 ( #TokyoWebmining 22nd) －広告最適化・アクセス解析・可視化 祭り－

（Ｃ）株式会社ＡＬＢＥＲＴ 1

自己紹介

菅 由紀子

中央大学経済学部卒業。

2004年株式会社サイバーエージェント入社。株式会社インタースコープとの協業でネットリ

サーチ事業を立ち上げ、広告の販売や企 画などに携わる。2006年3月に株式会社ALBERTに

転じ、消費者向けWebサイトの立ち上げ、マーケティングリサーチ等に関わる。2008年8月

頃 より、ALBERTにてデータ分析業務を担当。近年では、携帯キャリア、大手総合通販サイ

ト、デジタルコンテンツ配信企業の顧客行動分析を担当しています。

大規模／小規模、多種多様な業種のデータを分析しています。

＠kan_yukiko

株式会社ALBERT

データ分析部 チーフマネージャー

（Ｃ）株式会社ＡＬＢＥＲＴ 2

目次

1.はじめに（CRMビジネスマップと最新のディスプレイ広告） 2.インターネット広告市場について 3.直交表を用いたクリエイティブの最適化配信について

（Ｃ）株式会社ＡＬＢＥＲＴ 3

CRMビジネスマップ

（Ｃ）株式会社ＡＬＢＥＲＴ 4

最新のディスプレイ広告

（Ｃ）株式会社ＡＬＢＥＲＴ 5

インターネット広告市場

日本のインターネット広告費の推移予測（単位：億円）

2017年には1兆円規模に達する見込み

（Ｃ）株式会社ＡＬＢＥＲＴ 6

Ow.ly – Landscape_1024_ver2.pdf uploaded by @hirohirokon (Hiroshi Kondo (近藤洋司氏))

広告業界カオスマップ

（Ｃ）株式会社ＡＬＢＥＲＴ 7

次世代広告配信プラットフォーム【i-Effect】

i-Effectは自動最適化技術を用いてクリエイティブ最適化、配信先最適化を行い、広告主のネット広告におけるROIを最大化する次世代広告配信プラットフォームです。さらにその配信実績をALBERTの分析力を用いてPDCAを回しながら効果の最大化を行います。

ALBERTの最適化技術とDACの配信技術を組み合わせた最新のアドテクノロジーサービス

①配信先最適化 DACが提供する日本最大規模DSP広告【MarketOne】と連携し、配信効果が期待できるユーザーに対しての広告配信を自動で行います。

②クリエイティブ最適化 キャッチコピーやロゴの位置、背景色など数種類のテンプレートを利用し、最も効果の高いクリエイティブを発見します。

③効果分析 曜日別、サイト別、OS別など様々な 角度から分析することはもちろん、 アトリビューション分析で間接効果 も図ることが可能です。

（Ｃ）株式会社ＡＬＢＥＲＴ 8

新しい広告手法の導入 【配信最適化】

AD NW

媒体

媒体

媒体

①今まで広告配信（アドネットワーク）

※ADNW＝アドネットワーク

DSP

AD NW

AD NW

AD NW

媒体

媒体

媒体

媒体

媒体

②DSPによる広告配信

※ADNW＝アドネットワーク

■入札単価

効果が良い媒体、悪い媒体でも同じ価格で配信

■配信先

アドネットワーク1つで30億imp、約500サイト

■配信方法

ユーザー情報は加味しない。配信できる媒体に次々と配信

良い

悪い

悪い

効果

良い

悪い

悪い

効果

良い

悪い

：配信する

：配信しない

すべて同じ 価格で配信

■入札単価

効果が良い媒体であれば入札し、配信を行う。 効果が悪い媒体には配信しない。

■配信先

複数のアドネットワークを束ねており、約250億imp保有

■配信方法

ユーザー情報（媒体、地域、時間etc）を加味し、効果が 高いであろうユーザーに配信を行う。

（Ｃ）株式会社ＡＬＢＥＲＴ 9

最適化配信のしくみ

発生する1インプレションの価値を15以上の項目から多変量解析を用い判定し、配信の最適化を実施しています。

①ユーザーがサイトに訪問

②インプレッション情報が配信システムへ

③分析した結果元に配信指示

各ユーザーの行動データ（変数）を元に効果のありそうな広告を選定し媒体側

へ配信指示。

媒体 地域 フリーク エンシー

時間 × × ×

15以上の項目を元に配信するべきか判断。配信効果が見込める場合、配信を決定

変数の一例

サイト・プレースメント・コンテンツ・地域・曜日

・時間・フリークエンシー・デバイス・ブラウザ

広告ページ・広告タイプ・OS

システムが自動学習をして判断し、配信

配信決定！

（Ｃ）株式会社ＡＬＢＥＲＴ 10

キャッチコピー

サブキャッチ

ロゴ

メインビジュアル

生成時のレイヤー構造

コピー

ボタン

メインビジュアル

背景

完成イメージ

枠

クリエイティブ生成方法

（Ｃ）株式会社ＡＬＢＥＲＴ 11

コンジョイント分析には、直交表を用いた実験計画法を使います。実験計画法とは1920年代に英国のR.A.

フィッシャーが開発した統計手法の1つです。費用や時間をあまりかけずに効率的にデータを取り、解析

し、試験・仮説などを得る手法です。 広告クリエイティブの最適化にも、この実験計画法を使います。

膨大な組合せになる広告クリエイティブをいかに効率的に配信し、早期にCTR、CPCを上げるかが課題で

す。広告の組合せが膨大になるということは、即ち１クリエイティブあたりのクリック数が小さくなるこ

とを意味しており、統計的に優位差があり各パーツの効用値を算出するのに時間がかかることを意味しま

す。従って、広告クリエイティブの最適化を短期間で行なうためには、初回配信クリエイティブ数を絞り

込む必要があるわけです。

ALBERTでは、広告クリエイティブを直交表を用いて絞り込み、重回帰分析によって、最適なクリエイ

ティブを短期間で特定する技術を確立しております。

直交表を用いた実験計画法とは

（Ｃ）株式会社ＡＬＢＥＲＴ 12

コンジョイント分析とは（１）

コンジョイント分析とは、最適な商品コンセプトを決定するための代表的な多変量解析を用いた分析方法

で、個別の要素を評価するのではなく、商品全体 の評価（全体効用値）することで、個々の要素の購買に

影響する度合い（部分効用値）を算出する手法です。

店頭でテレビを買うことを考えてみましょう。画面の大きさ、画素数、メーカー、録画機能の有無、3D

の有無、価格などの数多くの要素や機能（コンジョイント分析ではこれを属性と呼ぶ）があり、迷ってし

まいます。個々の要素を個別に評価すれば、画面は大きいほうがよいし、画質がよくて機能も多いほうが

よい、しかし価格は安いほうがよいということになってしまい、そんな商品は存在しません。消費者は、

いくつかあるテレビの中から、トレードオフ関係にある要素に妥協をしながら商品を選択するわけです。

その時の選択は、1インチがいくらに相応するかとか細かい計算をするのではなく、様々な要素があるが、

結論として商品全体を評価し、これにしようと決めて購入するわけです。

（Ｃ）株式会社ＡＬＢＥＲＴ 13

コンジョイント分析とは（２）

どの商品をより欲しいかを考えたときに、「商品Aは、3Dがないことは-30点、しかし価格が安いことは

＋20点なので合計90 点」。「商品Bは価格が高いことが-20点なので80点」。この結果から「100点では

ないけれど、どちらがよいかといえば、商品Aだ」。という結論を出すことができます。このように個々

の要素や機能（属性）の有無や値（水準）の良し悪しを質問し、その合計から全体の価値を定量的に計ろ

うというモデルを期待価値モデルといいます。

それに対し、コンジョイントモデルは、いくつかの商品を提示して全体としてどれが一番欲しいかを質問

し、その結果から各属性の重要度や水準の効用値を算出しようとするものです。広告クリエイティブの最

適化には、このコンジョイントモデルを応用することで、各パーツの効用値や影響度を算出しています。

（Ｃ）株式会社ＡＬＢＥＲＴ

コンジョイント分析とは（３）

コンジョイントカードは、通常は直行表を用いて作成します。ここでは買いたい順に順位を付けてもらう

ので、説明変数は順序尺度（序数）になります。そのほかに、買いたい度合いを点数で書いてもらったり

スライダーで答えてもらったり、一対比較法で聞いていく方法もあります。

順序尺度（質的変数）で回答してもらう場合は、MONANOVA、LINMAP、ジョンソントレードオフ法な

どが用いられ、点数（量的変数）など回答してもらう場合は最小二乗法や数量化Ⅰ類、一対比較データの

場合はLOGITモデルなどが用いられることが多いといわれています。

（例）コンジョイントカード . （例）コンジョイント分析の結果

14

（Ｃ）株式会社ＡＬＢＥＲＴ 15

重回帰分析とは

回帰分析のうち、単回帰分析というのは1つの目的変数を1つの説明変数で予測するもので、その2変量の間の関係性をY＝aX＋bという一次方程式の形で表します。a（傾き）とb（Y切片）がわかれば、X（身長）からY（体重）を予測することができるわけです。

単回帰分析が、1つの目的変数を1つの説明変数で予測したのに対し、重回帰分析は1つの目的変数を複数の説明変数で予測しようというものです。多変量解析 の目的のところで述べた、身長から体重を予測するのが単回帰分析で、身長と腹囲と胸囲から体重を予測するのが重回帰分析です。式で表すと以下のようになります。

これを広告クリエイティブの最適化に用います。以下が、その概念的式です。

（Ｃ）株式会社ＡＬＢＥＲＴ

直交表について

直交表には様々な種類があります。属性、水準の大きさによって、最適な直交表を選択しますが、極力実験回数が少なくなるように属性、水準を絞ったほうが精度の高い分析になります。

Ｌ4（2 ） 3

直交表 Ｌ9（3 ） 4

直交表 Ｌ16（4 ） 5

直交表

3属性2水準の場合実験回数は4回が最小となります。また同様に4属性3水準の場合の実験回数は9回、 5属性4水準の場合の実験回数は16回になります。

水準数 2 2 21 2 3

1 0 0 02 0 1 13 1 0 14 1 1 0

列 1 列 2 列 3列 1 1列 2 0 1列 3 0 0 1

水準数 3 3 3 31 2 3 4

1 0 0 0 02 0 1 1 13 0 2 2 24 1 0 1 25 1 1 2 06 1 2 0 17 2 0 2 18 2 1 0 29 2 2 1 0

列 1 列 2 列 3 列 4列 1 1列 2 0 1列 3 0 0 1列 4 0 0 0 1

水準数 4 4 4 4 41 2 3 4 5

1 0 0 0 0 02 0 1 1 1 13 0 2 2 2 24 0 3 3 3 35 1 0 1 2 36 1 1 0 3 27 1 2 3 0 18 1 3 2 1 09 2 0 2 3 110 2 1 3 2 011 2 2 0 1 312 2 3 1 0 213 3 0 3 1 214 3 1 2 0 315 3 2 1 3 016 3 3 0 2 1

列 1 列 2 列 3 列 4 列 5列 1 1列 2 0 1列 3 0 0 1列 4 0 0 0 1列 5 0 0 0 0 1 16

（Ｃ）株式会社ＡＬＢＥＲＴ

c_One to one 実現 c_大量データ分析 f_枠黒 f_枠赤v_バイナリーコード

緑

v_電卓折れ線グラフ

白

1 1 0 1 0 1 0

2 1 0 1 0 0 1

3 0 1 1 0 1 0

4 0 1 1 0 0 1

5 1 0 0 1 1 0

6 1 0 0 1 0 1

7 0 1 0 1 1 0

8 0 1 0 1 0 1

各素材

の出現回数4 4 4 4 4 4

NO

17

実際のクリエイティブを例とした直交計画

説明を簡略化するために、ここでは以下の全組合せは8種類の展開になるもの（2属性2水準）を、

直交表により半分の4回に実験回数を減らす方法をご説明します。

（Ｃ）株式会社ＡＬＢＥＲＴ

すべての組合せ画像

前ページの展開案を元に作成した全8種類のクリエイティブです。

18

（Ｃ）株式会社ＡＬＢＥＲＴ

すべての組合せ画像

黒枠

赤枠

枠は上下で分かれています。

19

（Ｃ）株式会社ＡＬＢＥＲＴ

すべての組合せ画像

メインビジュアルは左右で分かれています。

バイナリーコード緑 電卓折れ線グラフ白

20

（Ｃ）株式会社ＡＬＢＥＲＴ

すべての組合せ画像

コピーは入れ子になっています。

One to one 実現 One to one 実現 大量データ分析 大量データ分析

21

（Ｃ）株式会社ＡＬＢＥＲＴ

直交している画像

ここから以下の様に、どの要素も同じ回数出るように、半分に削減します。このように直交表は

必ず同じ要素が同じ回数出て来て、かつ要素同士の相関係数がすべてゼロになります。

22

（Ｃ）株式会社ＡＬＢＥＲＴ

実際の直交表とその展開表

これを直交表によって4つに削減するための直交表と展開表は以下のようになります。

直交表

c_One to one 実現 c_大量データ分析 f_枠黒 f_枠赤v_バイナリーコード

緑

v_電卓折れ線グラフ

白

1 1 1 1 1 1 0 1 0 1 0

4 0 1 0 4 0 1 1 0 0 1

6 1 0 0 6 1 0 0 1 0 1

7 0 0 1 7 0 1 0 1 1 0

相関係数表

キャッチ

コピー枠線

メインビ

ジュアル

各素材

の出現回数2 2 2 2 2 2

キャッチコピー 1

枠線 0 1

メインビジュアル 0 0 1

NONOキャッチ

コピー枠線

メインビ

ジュアル

23

（Ｃ）株式会社ＡＬＢＥＲＴ

事例のご紹介 （発表用スライドのみ）

24

（Ｃ）株式会社ＡＬＢＥＲＴ

25

お問い合わせはこちらまで

菅由紀子 @kan_yukiko