アトリビューションモデルは何を隠すのか：ラストクリック・線形・データドリブンの比較

同じ経路、4通りの配分

ある購入者（仮の例）が、12,000円の商品を注文します。11日間にわたる経路を再現すると、1日目に自然検索でブランドを知り、4日目にSNSから再訪し、9日目にメールをクリックし、11日目に有料の検索広告をクリックして購入しました。接点が4つ、コンバージョンが1件です。誰に貢献度を与えるべきでしょうか。

アトリビューションモデルは、それぞれルールで答えます。下の表は、よく使われるルールを上の経路に当てはめたものです。

減衰モデルは、コンバージョンに近い接点ほど大きな重みを与えます。その度合いは、自分で選ぶ半減期で決まります。パーセンテージを示していないのは、このパラメータに依存するからです。半減期が短いほど最後の接点が支配的になり、ラストクリックに近づきます。長いほど、線形に近づきます。

表の各行は、どれも筋の通った立場です。ラストクリックは「誰が成約させたか」を語ります。ファーストクリックは「誰が知ってもらったか」を語ります。線形は「全員が同じように貢献した」と言いますが、これはほぼ常に事実に反する一方、誰も特別扱いしない配分です。U字型は入口と出口を重く見て、経路の中間を「つなぎ」とみなします。それぞれのモデルが隠しているものは、裏返すと見えてきます。

ルールが予算に及ぼす影響

仮の例を続けます。ある月に、上の経路をたどった50件のコンバージョン（各12,000円、売上600,000円）があり、検索広告に150,000円を使ったとします。粗利率は40％で、損益分岐ROASは1 ÷ 0.40 = 2.5です（CAC・LTV・ROIの記事と同じ考え方）。粗利ベースのROIは、ROAS × 0.40 − 1で求めます。

同じ広告、同じ費用、同じ50件の売上でも、ルールによってROIは+60％にも−36％にもなります。逆の効果は、自然検索とSNSにも現れます。この例では媒体費がかかっていませんが、貢献度は0円から600,000円まで動きます。ラストクリックだけで予算を組み替えれば、ブランド名の検索を生み出すチャネルを切ってしまい、数週間後に「黒字」だったはずのチャネルの転換が減ったと気づくことになります。逆に、ファーストクリックに基づいて予算を上流に移した場合も、対称的なリスクを負います。

実務上の結論は次のとおりです。モデルを変えても順位が安定しているチャネルは、判断の根拠にできます。順位が入れ替わるチャネルは、その判断が脆いことを示しており、予算を移す前に確認が必要です。

GA4のデータドリブン：分かっていることと分からないこと

Googleアナリティクスのドキュメントによれば、データドリブン モデルは、プロパティのコンバージョンデータから推定した各接点の貢献度に応じて、コンバージョンの貢献度を配分します。コンバージョンに至った経路と至らなかった経路を比較する考え方です。GA4では、アトリビューションのレポートで標準的に提示されるモデルで、ルックバックウィンドウ（接点が貢献度を受け取れる日数）は、プロパティのアトリビューション設定で調整します。本稿執筆時点のヘルプでは、ファーストクリック、線形、ポジションベース、減衰のようなルールベースのモデルはレポートのインターフェースから外れており、データドリブンと、ラストクリックの派生モデルが残っています。この一覧は更新で変わるため、依拠する前に公式ヘルプで確認してください。

Googleが公開していないのは、計算の詳細です。正確なアルゴリズムも、自社のプロパティに適用された重みも分かりません。分析者にとっての帰結は3つあります。

• 手計算で検証できない。上の表のように、チャネルの貢献度を再現して算術を確かめることができません。ルールベースのモデルは、BigQueryエクスポートから組み立て直せますが、経路を再構成する作業は軽く見ないでください。
• プロパティのデータに依存する。結果は、自社で観測された経路を反映します。計測の漏れやUTMの設計ミス（流入元の読み方の記事を参照）は、警告なしに計算へ入り込みます。
• ツール間の比較が難しい。GA4、Google広告、Meta広告は、それぞれ独自のルール、ウィンドウ、コンバージョンの定義を使っています。合計は足し合わせられず、同じ1件の売上が3つのレポートに現れることもあります。

もっとも、データドリブンの不透明さが、そのモデルの失格を意味するわけではありません。手で決めたルールが、データから推定した重みより「真実」に近いとは限りません。ラストクリックは透明ですが、恣意的です。本当のリスクは、モデルが出した数字を「測定値」だと思い込むことにあります。どちらも配分の約束事であり、効果を測れるのは対照テストだけです。

どのモデルにも見えないもの

構造的に不完全な経路

アトリビューションモデルは、計測された接点だけを扱います。体系的に欠落する部分が3種類あります。

• 同意と法規制。日本では、Cookieなどの端末識別子の扱いは、個人情報保護法（個人情報・個人関連情報の取扱い）と、電気通信事業法の外部送信規律（2023年施行）が主な枠組みとして論じられています。外部送信規律は、利用者の端末から外部の事業者へ利用者情報が送信される場合に、送信される情報の内容や送信先などを利用者に通知・公表するなどの対応を求めるもので、対象となる事業者の範囲や例外は総務省の公表資料で確認する必要があります。EUのGDPRやePrivacy指令のもとでは、不可欠でないトラッカーの設置に事前の同意が原則とされるため、EU居住者を対象にする場合は別の対応が求められます。いずれにしても、同意管理ツールで計測を拒否した訪問者や、ブラウザの設定でCookieが制限された訪問者は、経路に現れないか、部分的にしか現れません。Googleの同意モード（consent mode）は、利用者の選択に応じてタグの挙動を切り替える仕組みで、ドキュメントによれば、一定の条件で一部の計測をモデリングで補完できます。ただし、個々の経路を復元するためのものではありません。この欠落は回避できず、該当する割合のトラフィックは数字の外に残ります。読むたびに頭に置いてください。法令の具体的な適用は、個人情報保護委員会・総務省の資料と、必要に応じて専門家の助言で確認してください。
• デバイスとブラウザ。スマートフォンで始まりパソコンで終わった経路は、ログインなどの共通の識別がなければ、別々の2人の訪問者に見えることがあります。最初の接点は「直接」に振り分けられるか、失われます。
• クリックのない接点。広告を見ただけの場合、個人的な会話での推薦、店舗への来店は、訪問を基にしたレポートには現れません。

アトリビューションは因果ではない

ブランド名の検索広告に貢献度を与えるモデルは、その広告が購入を引き起こしたとは言っていません。購入者はもともとブランドを検索していたからです。チャネルが追加でどれだけ売上を生むかを知るには、露出の有無だけが違う2つの集団を比べる必要があります。これが増分効果テストの考え方です。ある地域、または無作為に選んだオーディエンスの一部でキャンペーンを止め、対照群との売上の差を測ります。方法、サイズの設計、落とし穴は、対照テストのものと同じです。A/Bテストのサンプルサイズの記事と、より一般的にはKohavi、Tang、Xuの著書で説明されています。

一方で、こうしたテストにはボリュームと時間が必要で、意図的に機会損失を受け入れることもあります。予算の総額が小さいと、実施できないことも少なくありません。別の道が、データ量を多く要するマーケティングミックスモデリング（MMM）です。広告費と売上の集計した時系列を結びつけ、個人を追跡することなく、つまりCookieに依存せずに、各チャネルの貢献を推定します。MetaのRobynやGoogleのMeridianなど、オープンソースのライブラリがありますが、モデリング上の仮定に基づくため、解釈には専門知識が必要で、結果は増分効果テストと突き合わせるほうが信頼できます。

自分をだまさずにルールを選ぶ

万能に正しいモデルはありません。進め方は4つの動作にまとまります。

1. 問いを書く。「どのチャネルが売上を成約させているか」「どれが認知をつくっているか」「予算の10％をどこに移すか」。問いごとに、読み方が変わります。
2. 少なくとも2つのモデルを並べて比べる。たとえば、GA4のデータドリブンまたはラストクリックと、スプレッドシートで再構成した線形またはU字型の配分です。順位が入れ替わるチャネルを記録します。
3. 比較する期間は、ルールとウィンドウを固定する。年の途中でモデルを変えると、期間ごとの推移が読めなくなります。トレンドを追うには、一貫した約束事が必要です。
4. 脆い判断はテストする。モデルによって評価が変わり、かつ予算への影響が大きいチャネルには、増分効果テストを計画します。難しければ、限定した予算移動を行い、事前に書いた停止ルールで追跡します。

ただし、高度化にはコストがかかり、役に立つ水準にも限りがあります。2つのチャネルにしか投資していないショップに、モデリングのプロジェクトは要りません。予算が安定した状態で、四半期ごとにラストクリックとファーストクリックを比べるだけで、手に入る情報の大半は得られます。労力は、その判断が動かす金額に見合う範囲にとどめます。

こうした比較を、手を動かして練習したい場合は、マーケティング分析・AI実践コースで演習用のデータセットを使って取り上げています。