コンテンツに​進む

新しい​ Google 広告アカウントを​作成しますか?

新しい​ Google 広告アカウントを​作成しようと​しています。​新しい​アカウントを​作成しなくても、​1 つの​アカウントで​複数の​キャンペーンを​作成できます。

新しい​ Google 広告アカウントを​作成しますか?

新しい​ Google 広告アカウントを​作成しようと​しています。​新しい​アカウントを​作成しなくても、​1 つの​アカウントで​複数の​キャンペーンを​作成できます。

Google AI を​マーケティングに​活かす指針​「グロース・トライアングル」​:Google Marketing Live Japan 2023

三浦 由佳

Social Module

共有

Google Marketing Live 2023​(GML)​(2023 年 5 月 23 日、​米国開催)では​ Google AI を​活用した​マーケティングソリューションを​発表しました。​この​記事では、​進歩を​続ける​ Google AI に​よって​マーケティングに​どのような​機会が​生まれているのか、​それを​つか​むために​今、​何に​取り組んで​おくべきかを​紹介します。

近年の​ AI の​進化は​目覚ましい​ものが​あり、​マーケティング分野にも​新たな​風を​吹き込んでいます。

ただし、​まず​理解して​おきたいのは、​AI に​よって​今すぐに​マーケティングの​あり方​その​ものが​変わるわけではないと​いう​ことです。​振り返ると​ 20 年ほど前、​日本で​インターネットが​普及し始めたころから、​デジタル化の​波は​マーケティングを​段階的に​変化させてきました。

そして​マーケティングは​「一方​通行から​双方​向」​「経験と​勘から​データドリブン」へと​シフトする​ことになったのです。​また、​「企業規模を​問わない​機会提供」​「より​容易な​国外向け販売施策」にも​貢献してきました。​AI の​進化も、​こうした​大きな​変化の​流れの​中に​あると​考えるべきでしょう。

マーケティングが​直面する​ 3 つの​変化

このような​発展を​遂げてきた​マーケティングですが、​現在また​新たな​変化に​直面しています。

1 つ目は、​生活者の​行動の​変化です。​スマートフォンの​普及を​背景に、​人々は​従来の​「カスタマージャーニー」の​順序に​沿った​合理的な​購買プロセスではなく、​直感的で​一見すると​非合理にも​思えるような​プロセスを​たどるようになっています。

Google マーケットインサイトチームは​ 2018 年に​「パルス消費」と​いう​コンセプトを​発表しました。​昨今の​買物環境では、​情報量・選択肢が​とても​多いため、​合理的に​比較検討を​する​ことが​難しく、​より​直感的な​選択が​増加していると​いう​結果を​示した​ものです。​また​ 2019 年には、​そうした​予測が​難しい​生活者の​情報探索行動を​「バタフライ・サーキット」と​して​発表しています。

さらに、​直感的な​自分の​選択に​対して​確信を​持とうとする​生活者の​心理や​行動も​見えてきました。​Google では​選択に​対する​自信の​強度を​「肯定度」と​いう​概念で​表し、​この​肯定度の​高低が​その後の​商品サービスの​満足度に​影響を​与える​ことを​紹介しました。

こうした​例からも​わかる​通り、​これまでの​合理的で​順序立った​購買行動を​前提とした​マーケティングだけでは、​生活者の​ニーズを​捉えきれなくなっているのです。

変化の​ 2 つ目が、​データ取得の​難しさです。

データの​活用は​依然と​して​マーケティングの​中心に​位置づけられますが、​生活者の​プライバシー保護への​意識が​高まり、​法令の​整備や​業界の​自主規制も​進んだ​ことで、​個人に​紐づいた​データの​取得や​その​利用には、​より​配慮と​慎重さが​求められるようになりました。

現在マーケターには、​データ活用と​同時に​「データ取得が​難しい​状況でも​成果を​出すための​代替策」が​求められているのです。

そして​ 3 つ目は、​企業内に​おける​マーケティング投資への​説明責任です。

広告費は​増加を​続け、​その​中でも​デジタル広告への​比重は​増しています。​企業内での​マーケティング部門の​存在感は​増していると​言えるでしょう。

しかしながら、​昨今の​経済状況の​中で​企業活動の​見通しを​持つのは​簡単では​ありません。​マーケティング部門には、​さらなる​貢献と​投資対効果への​説明責任を​果たすことが​期待されています。

このような​変化の​中でも、​マーケティングの​価値を​発揮し、​発展を​続けていく​ために​鍵と​なるのが、​Google AI です。​活用を​進めていく​ことで、​この​先マーケティングが​企業の​成長​その​もの​へより​直接的な​インパクトを​与えられるようにも​なるでしょう。

Google AI を​取り入れてマーケティングを​前に​進める​ために、​何に​取り組めば​よいのでしょうか。​企業や​マーケターが​今できる具体的な​アクションを​「グロース・トライアングル」と​いう​フレームで​整理します。

アニメーションを​再生 アニメーションを​一時停止

グロース・トライアングルは、​「そろえる」​「すすめる」​「みつめる」 と​いう​ 3​ つの​頂点で​成り​立っています。

それぞれの​要素に​紐づいた​アクションに​よって、​三角形の​面積を​広げていく​ことで、​マーケティングが​直接的に​企業の​成長へと​貢献できるようになっていきます。

組織の​サイロを​打破して、​目線を​「そろえる」

さて、​グロース・トライアングルの​要素の​ 1 つ目が​「そろえる」です。

これは、​企業全体の​ビジネス目標と​マーケティング活動との​関係性を​整理し、​マーケティングに​活かせる​データ基盤を​整備する​ことを​意味します。​これに​より、​Google AI に​与える​変数が​明確に​なり、​マーケティングの​方​向性が、​最終的な​ビジネス目標と​一致するようになるのです。

目線を​そろえる​ためには、​組織の​サイロを​超えた​密な​コミュニケーションが​欠かせません。​マーケティング部門に​閉じる​ことなく、​営業や​コールセンター、​経営企画、​財務と​いった​関係部門と​会話を​重ね、​ビジネス目標と​して​どんな​指標を​重視しているのか、​その​目標に​対して​マーケティング投資は​どのように​貢献できるのかなどを​議論する​ことが​重要です。​お互いに​理解を​深めていく​ことで、​合意形成や​社内に​おける​成果に​ついて​共通理解が​生まれていきます。

Google では、​欧米の​知見も​基に、​マーケティング部門と​関係​部門を​つなぐワークショップを​開催するなど、​企業や​マーケターの​皆さんと​一緒に​最適解を​模索すべく​試験的な​取り組みを​実施しています。

また​データ基盤を​構築する​際には、​Google Cloud Platform や​ BigQuery、​Google アナリティクス 4、​Firebase などを​活用し、​システムと​マーケティングを​柔軟に​連携できる​点が​ Google の​強みです。

Google AI を​動かし続け、​マーケティングを​前に​「すすめる」

組織に​おける​目線を​「そろえた」ら、​次は​実際に​マーケティングを​進めて​いきましょう。​「すすめる」では、​データと​ Google AI を​動かし続け、​効率的かつ​効果的に​顧客基盤の​拡大と​安定を​図ります。

現在の​ AI 言語モデルの​性能は、​2017 年以降​ 5,000 倍に​向上し、​人間の​自然言語を​理解する​能力も​ 50% 向上したと​言われています(*1)。​今後ますます、​生活者の​検索に​おける​細やかな​表現の​違いや​ニュアンスを​理解していく​ことでしょう。​広告に​よる​生活者との​接点を、より​自然に、​価値ある​形で​多く​生み出せるようになるのです。

代表的な​例が、​Google の​検索広告マッチタイプの​ 1​ つである​「部分​一致」です。​部分​一致自体は​ 2019 年からすでに​ Google が​推奨してきましたが、​AI の​発達に​より、​その​精度は​ここに​きて​飛躍的に​向上しています。

また​検索広告と、​Google サービスへ​横断的に​広告を​配信できる​ P-MAX キャンペーンとの​併用​(パワーペア)も、​新たな​打ち​手に​なるでしょう。​Google AI の​精度​向上が​確認できた​ 2023 年から​ Google は​これを​推奨し始めました。​日本に​おける​初期の​取り組みの​ 1​ つでは、​広告掲載面を​広げトップラインを​さらに​伸ばす目的で​活用。​コンバージョン数を​ 30% 増加させると​同時に、​顧客獲得単価​(CPA)は​ 12% の​増加に​とどめる​ことに​成功しました。

さらに、​「そろえる」で​設定した​ビジネス目標に​対して​広告運用を​最適化する​際には、​「価値に​基づく​入札戦略​(Value Based Bidding)」の​活用が​有効です。

マーケティング投資の​貢献を​「みつめる」

実際に​マーケティングを​「すすめた」ら、​それを​評価して​次の​マーケティング投資に​つな​げていく​必要が​あります。​それが​「みつめる」です。​適切な​効果検証を​行い、​それに​合わせた​マーケティング投資や​運用が​できているかを​判断する​必要が​あります。

しかし​「すすめる」で​紹介したように、​Google AI の​進化に​伴い​新たな​広告製品や​アプローチが​生まれてくると、​従来の​手法では​その​効果を​正しく​検証できない​可能性が​あります。​ 誤った​意思決定を​避ける​ために、​多角的な​検証が​必要です。

まずは​顧客価値の​視点。​たとえば​ライフタイムバリューの​ように、​獲得した​顧客ごとに、​自社ビジネスへの​貢献度を​推計できる​手法を​確立しましょう。

次に​メディアと​デバイスの​視点。​Google AI に​よる​最適化で、​クリエイティブは​さまざまな​タイミングで​多方​面に​届けられます。​それは​ Web や​アプリ、​スマートフォン、​ PC、​コネクテッドテレビなど​実に​多様です。​その​ため、​これらを​横断して​評価する​「データ ドリブン アトリビューション」や​「Web to App Connect」のような​手法が​欠かせません。

しかし、​計測ツールの​クリックに​基づいた​効果測定だけでは、​ビジネス目標全体​への​貢献度を​把握するのが​難しい​場合が​あります。​そこで​最後に​必要なのが​俯瞰の​視点です。​統計モデルに​よる​検証を​掛け合わせましょう。​Google では​「エリア別配信テストや​ ​「CausalImpact」​「マーケティング・ミックス・モデリング​(MMM)」などを​組み合わせた​効果測定で​意思決定を​サポートしています。

このように、​多角的な​検証で​各施策の​効果や​効率を​総合的に​判断する​ことが​可能に​なれば、​AI が​より​包括的に​機能する​メディアプランニングが​実現できるようになるのです。

「グロース・トライアングル」に​取り組むに​あたって

ここまで、​Google AI を​マーケティングに​活かすグロース・トライアングルを​紹介しましたが、​取り上げた 3 つの​要素の​うち、​いったい​どこから​始めれば​よいのか疑問に​思うかもしれません。

グロース・トライアングルを​運用する​際の​指針と​して、​マーケティング課題に​応じたいく​つかの​例を​紹介します。

た​とえば、​マーケティングで​積極的な​企業成長を​遂げると​いう​戦略を​掲げた​場合、​ビジネス目標と​マーケティング活動の​関係性を​把握し、​データ基盤を​整備する​「そろえる」が​きっかけに​なります。

また、​マーケティング投資全体の​効率化を​検討せざるを​得ない​場合は、​より​成果が​見込めそうな​ものを​見極める​「みつめる」が​起点です。​そこから​適切な​予算配分で​効果を​最大化する​ための​「そろえる」​「すすめる」が​続きます。

あるいは、​マーケティング部門に​おいて​リードの​獲得数だけでなく​質も​両立させる​ために、​Google AI を​活かした​「すすめる」に​まずは​取り組む​場合も​あるでしょう。

ある​ 1 つの​広告施策だけでなく、​動画や​検索、​アプリなどさまざまな​広告展開まで​試していきたい、​広げていきたいと​いう​時には、​具体的に​「すすめ」​つつ、​「みつめる」で​各施策を​共通の​ KPI で​検証して、​その​貢献を​判断する​ことに​なるでしょう。

AI を​活用し、​企業の​持続的成長に​貢献する​マーケティングを

Google AI に​よる​マーケティングの​進化とは、​端的に​言えば、​複雑化する​生活者の​行動に​応じて、​企業が​届ける​メッセージと​その​タイミングの​精度を​高める​こと、​そして、​企業の​成長​その​ものに​対し、​マーケティングが​直接的かつ継続的に​貢献する​ことです。​今回は​その​ための​アクションを​紹介しました。

Google は​これからも​ AI の​力を​活用し、​マーケティングを​さらに​発展させ、​企業の​持続的な​成長を​マーケティングに​よって​強固に​支えるべく​貢献していきます。

AI を​マーケティングに​活かす足が​かりと​して、​まずは​ Google AI と​ Google 製品を​活用してみては​いかがでしょうか。

Contributor:大木 義昭 インダストリーヘッド 金融業界担当 / 夏木 龍也 ビジネスファイナンス ファイナンシャルアナリスト / 麦島 修 ヘッド オブ アナリティカルコンサルタント

416_GML_Author_220_230719_ver1

三浦 由佳

マネジングディレクター インサイト&ソリューション

出典 (1)

*1: Stephen Merity, Nitish Shirish Keskar, Richard Socher, Regularizing and Optimizing LSTM Language Models, Aug. 2017 vs. Tom B. Brown, Benjamin Mann, Nick Ryder, et al., Language Models Are Few-Shot Learners, July 2020.

ページ​先頭に​戻る