序章

2024年から2025年にかけて、デジタルマーケティング、とりわけGoogle広告の運用現場において、かつてない規模のパラダイムシフトが進行しています。
それは「人間が管理・制御する運用」から「AIに学習環境を提供する運用」への不可逆的な転換です。
かつて運用者の技術力の象徴であった「細分化されたアカウント構造（SKAGsなど）」は、現在ではAIの学習効率を阻害し、機会損失を生む最大の要因となりつつあります。

本レポートは、株式会社クイックリーのクライアントである経営層およびマーケティング責任者に向けて、最新のGoogle広告アルゴリズムを最大限に活用するための核心戦略「一本化（シンプル化・統合）」について、その理論的背景、技術的メカニズム、そして具体的な実装手順を網羅的に解説するものです。
「はなさく生命」や「ガリバー（IDOM）」といった先行企業の成功事例を詳細に分析し、なぜ「一本化・統合・解放」という3つの柱が、CPA（顧客獲得単価）の90%削減やコンバージョン数の5倍増といった劇的な成果をもたらすのか、その因果関係を解き明かします。

第1章 運用型広告の歴史的変遷と「細分化」の終焉

1.1 手動入札時代の遺産：「SKAGs」の功罪

2010年代半ばまで、リスティング広告の運用における「正解」は、徹底的な細分化にありました。
その代表的な手法が「SKAGs（Single Keyword Ad Groups：1キーワード1広告グループ）」です。
この手法は、ユーザーが検索するキーワードと全く同じ文言を広告文に含めることで、クリック率（CTR）と品質スコア（Quality Score）を最大化し、クリック単価（CPC）を抑制することを目的としていました。

当時は自動入札の精度が低く、運用者が手動で入札単価を調整することが前提でした。
そのため、「PCとスマホでキャンペーンを分ける」「完全一致と部分一致で広告グループを分ける」「地域ごとにキャンペーンを細切れにする」といった構造が推奨されました。
この構造下では、運用者の管理能力と工数が成果に直結し、緻密なメンテナンスこそが競争力の源泉と信じられていました。

しかし、この過度な細分化は、AI時代において致命的な欠陥を露呈することになります。
それは「データの断片化」です。機械学習が最適化を行うためには、1つの単位（広告グループやキャンペーン）に十分なデータ量が蓄積されている必要があります。
SKAGsのようにデータが分散した状態では、AIは統計的有意性を見出すことができず、学習がいつまでたっても完了しない「学習不足」の状態に陥ります。

1.2 「Hagakure（ハガクレ）」構造の登場と過渡期の混乱

この問題に対処するため、Googleは「Hagakure（ハガクレ）」構造を提唱し始めました。
これは、ランディングページ（URL）単位で広告グループを統合し、インプレッションデータを集約させることで、当時の自動入札の精度を高めるアプローチでした。
Hagakureの概念は、「1つのURLには1つの広告グループで十分である」という極端なまでのシンプル化を推奨し、業界に衝撃を与えました。

しかし、Hagakure導入初期には混乱も見られました。
当時の「部分一致」（現：インテントマッチ）の精度がまだ不十分だったため、アカウントを統合した結果、意図しない検索クエリに広告が配信され、無駄なコスト（CPA高騰）が発生するケースが散見されたのです。
この経験から、「やはりAIは信用できない」「人間の手動調整の方が優れている」という認識を持ち続けているマーケターは少なくありません。

1.3 2025年の現在地：BERTとLLMによる「意味」の理解

2025年現在、状況は劇的に変化しました。
Googleの検索アルゴリズムには「BERT」（Googleが開発した自然言語処理モデル）や最新の大規模言語モデル（LLM）が実装され、検索クエリの「文字列」ではなく「文脈」や「意図」を深く理解できるようになりました。

かつての部分一致は、単に類義語やスペルミスを拾う程度の機能でしたが、現在のAIは以下の要素を複合的に分析し、人間では不可能なレベルでマッチングを行います。

この技術革新により、アカウントを細分化して人間がコントロールするよりも、アカウントを「一本化」してAIに大量のデータと自由度を与え、その高度な推論能力を活用する方が、圧倒的に高いパフォーマンスを出せるようになったのです。
これが、今「一本化」が叫ばれる技術的背景です。

第2章 AI活用のための「3つの柱」：一本化・統合・解放

AI時代のGoogle広告運用において、成果を最大化するためのフレームワークとして提唱されているのが「一本化」「統合」「解放」の3つの概念です。
これらは独立した施策ではなく、相互に作用し合うエコシステムとして理解する必要があります。

2.1 【一本化】：データ密度の最大化

「一本化」とは、キャンペーンや広告グループを物理的に統合し、AIが学習するためのデータプール（母数）を最大化することです。

なぜ統合が必要なのか

機械学習の精度は、学習データの量と質に比例します。
例えば、コンバージョンが月に5件しかないキャンペーンが10個ある状態（計50件）と、それらを1つにまとめて月に50件のコンバージョンがある状態では、後者の方が圧倒的にAIの学習速度が速く、予測精度が高まります。
Googleの推奨では、1つの広告グループあたり月間3,000インプレッション以上、あるいは週に数十件のコンバージョンデータが学習の理想的な閾値とされています。

具体的な統合アクション

1. マッチタイプによる分割の廃止: 「完全一致用」と「部分一致用」で広告グループを分ける手法は廃止します。同じテーマであれば1つの広告グループに同居させ、スマート自動入札に配信の強弱を委ねます。

2. デバイス・地域・属性による分割の廃止: 「SP（スマートフォン）強化キャンペーン」などは作らず、1つのキャンペーン内でデバイスごとの入札調整比率（または自動入札のシグナル）に任せます。

3. 重複キーワードの整理: 類似した意味を持つキーワードが複数の広告グループに散らばっている場合、それらを統合し、データの分散を防ぎます。

2.2 【統合】：ビジネスデータの接続

「統合」とは、Google広告の管理画面上の数値（クリックやWebコンバージョン）だけでなく、企業のデータベースにある「真の成果データ」をAIにフィードバックするプロセスを指します。

「質」の学習

AIは設定された目標（ゴール）に向かって一直線に最適化します。
「資料請求完了」をゴールに設定すれば、AIは「資料請求しそうな人」を集めます。
しかし、その多くが「連絡がつかないリード」や「成約に至らない冷やかし」であれば、広告費は無駄になります。
ここで重要になるのが、CRM（顧客管理システム）やオフラインデータの統合です。

具体的な統合アクション

1. オフラインコンバージョンインポート（OCI）: Web上のコンバージョンだけでなく、その後の「電話での通話」「商談化」「成約」といったオフラインデータをGoogle広告に戻します。これにより、AIは「クリックする人」ではなく「成約する人」の特徴を学習します。

2. バリューベース・ビディング（VBB）: すべてのコンバージョンを均一に扱うのではなく、「LTV（顧客生涯価値）」や「利益額」に基づいて入札を行います。

2.3 【解放】：クリエイティブの制約解除

「解放」とは、広告クリエイティブ（見出し、説明文、画像、動画）の表示制御を人為的に行わず、AIの動的な組み合わせ能力（アセットの活用）に委ねることです。

「固定」のリスク

多くの運用者は、ブランドイメージの統一や「自分が考えた最強のコピー」を表示させるために、レスポンシブ検索広告（RSA）で見出しを「ピン留め（固定）」しがちです。
しかし、これはAIが持つ数千、数万通りのテストパターンを放棄することを意味します。

具体的な解放アクション

1. アセットの大量投入: ユーザーの多様な検索意図に応えるため、単一の訴求だけでなく、機能訴求、情緒訴求、価格訴求、信頼性訴求など、多角的なアセット（画像・テキスト）を投入します。

2. ピン留めの解除: 法的制約（ディスクレーマーの表示義務など）がある場合を除き、アセットの固定を解除し、AIに「誰にどのメッセージを届けるか」を決定させます⁷。

第3章 成功事例に見る「一本化」の破壊的威力

理論がいかに正しくとも、実務における証明がなければ導入には踏み切れません。
ここでは、Googleが公式に紹介する「はなさく生命」と「ガリバー（IDOM）」の事例を深掘りし、数値の裏にあるロジックを解析します。

3.1 事例①：はなさく生命保険株式会社

課題と背景

はなさく生命は、対面販売を中心とする生命保険業界において、デジタルチャネルの強化を急いでいました。
しかし、当初のデジタル広告予算は全体の10%程度に過ぎず、獲得の大半はテレビCMを見たユーザーによる「指名検索（ブランド名検索）」に依存していました。
結果として、獲得層は50代以上のシニア層に偏り、若年層へのリーチができていないという課題がありました。

実践された施策：「解放」によるデモグラフィックの突破

同社が特に注力したのは、アカウント構造のシンプル化に加え、クリエイティブの「解放」でした。

1. アセット固定の完全撤廃: 従来、コンプライアンスやブランドイメージの観点から固定していた広告見出しや説明文の制限を解除しました。

2. ライフステージ別アセットの大量投入: 「独身」「結婚」「子育て」「退職後」といったターゲットのライフステージに合わせ、100本以上のバナーと多数のテキストパターンを用意し、AIに学習材料として与えました。

3. 予算キャップの柔軟化: AIが学習機会を損失しないよう、予算上限を柔軟に設定し、機会があるときは積極的に入札できる環境を整えました。

成果

この施策の結果、AIは人間が想定していなかった「勝ちパターン」を発見しました。

• デジタル経由の獲得件数: 2年間で5倍に急成長。

• 顧客層の劇的変化: 従来シニア層中心だった顧客基盤が変化し、2025年3月時点では20代がデジタルチャネルでの最多獲得層となりました。

• インテントマッチ率の向上: 検索広告におけるAI主導のマッチング比率が、15%から86%へと大幅に上昇しました。

分析的洞察

この事例の本質は、「AIによるターゲティングの再定義」にあります。
人間が「保険＝シニア」というバイアスでキーワードや広告文を固定していた間は、若年層にはリーチできませんでした。
しかし、アセットを解放し、AIに「誰に何を出すか」を委ねた結果、AIは「若年層でも特定の文脈やタイミングであれば保険に関心を持つ」というシグナルを検知し、最適なクリエイティブを当てることで、新たな市場を開拓したのです。

3.2 事例②：ガリバー（株式会社IDOM）

課題と背景

中古車販売大手のガリバーは、高額商材ゆえの検討期間の長さと、競合ひしめく検索広告市場におけるCPA高騰に悩んでいました。
顕在層（今すぐ客）の奪い合いは限界に達しており、来店や成約につながる質の高い潜在顧客をいかに効率よく獲得するかが課題でした。

実践された施策：トリプルメディアの一本化

ガリバーは、検索広告単体での最適化を諦め、Googleのエコシステム全体を面で捉える戦略にシフトしました。

1. Power Trioの構築:

   • 検索広告: 顕在層の確実な刈り取り。

   • P-MAX（Performance Max）: 検索、YouTube、Discover、マップなど全方位でのリーチ最大化。

   • Demand Gen（デマンドジェネレーション）: YouTube ShortsやDiscoverフィードなど、ユーザーが受動的に楽しんでいる瞬間に介入し、需要を喚起する。

2. アカウント構造の統合: これら3つのキャンペーンを、商品カテゴリーごとに細分化せず、大きな括りで統合運用しました。

成果

検索広告とP-MAXのみの運用と比較し、Demand Genを加えた「トリプル一本化」運用はわずか1ヶ月で驚異的な数値を叩き出しました。

• 純増コンバージョン: 22%増加。

• CPA（顧客獲得単価）: 90%削減。

• 質の担保: 内部KPIである「来店」「成約」の確度も向上。

分析的洞察

CPA 90%削減という数字は、通常の手法では不可能なレベルです。
これは、クリック単価の高い検索広告（顕在層）への依存度を下げ、クリック単価が安価なDisplayやVideo（潜在層）から、AIが「成約確度の高いユーザー」をピンポイントで発掘できたことに起因します。
一本化によってデータがP-MAXやDemand Genにも共有され、検索広告で学習した「成約するユーザーの特徴」が、YouTube上のユーザー抽出にも活かされた結果、安価かつ高品質なリード獲得が実現したと考えられます。

第4章 具体的な導入プロセス：Step-by-Step 実装ガイド

概念論を終え、ここからは実務担当者が明日から実行できる具体的な導入手順を解説します。

STEP 1：アカウント構造の再設計（Unification Phase）

既存の細分化されたアカウントを、AIフレンドリーな構造へ移行させます。
この工程は「破壊と再生」を伴うため、慎重かつ大胆に行う必要があります。

1. キャンペーン統合の基準設定

以下の要素が共通しているキャンペーンは、原則として統合対象とします。

1. • • ビジネス目標: CPA目標やROAS目標が同一である。

     • 予算: 予算ポケットが共通である。

     • ターゲット地域: 同一の国や地域を対象としている。

   • NG例: 「ブランド指名キャンペーン」と「一般ワードキャンペーン」は、入札戦略やCPAの基準が大きく異なるため、例外的に分けるべきです（ブランドの保護と一般層の拡大は目的が異なるため）。

2. 広告グループのテーマ別集約

   • キーワード単位（SKAGs）ではなく、ランディングページや製品カテゴリといった「テーマ」で広告グループをまとめます。

   • 目安: 学習に必要なデータ量を確保するため、1広告グループあたり月間3,000インプレッション以上を目指します。

3. マッチタイプの移行
   統合したキャンペーン内の主要キーワードを「インテントマッチ」に変更します。

   • 必須条件: 必ず「スマート自動入札（コンバージョン数の最大化、またはコンバージョン値の最大化）」とセットで導入してください。
     手動入札でのインテントマッチは、関連性の低いクエリに配信され予算を浪費するリスクが高すぎます。
     自動入札と組み合わせることで、AIはクエリの関連性だけでなく、ユーザーのコンバージョン確率を加味して入札を抑制するため、無駄な配信が防げます。

STEP 2：データパイプラインの構築

AIに「正解データ」を教え込むための技術的な実装です。

1. 拡張コンバージョン（Enhanced Conversions）の実装

Cookieレス時代における計測精度向上の要です。

• • 手順:

    1. Google広告管理画面で「拡張コンバージョン」をオンにする。

    2. Googleタグマネージャー（GTM）またはGlobal Site Tag（gtag.js）を使用し、コンバージョン地点（サンクスページ等）でユーザーが入力した「メールアドレス」「電話番号」「住所」などのデータをハッシュ化してGoogleに送信するコードを設定します。

これにより、ブラウザのCookieが削除されていても、ログインユーザーデータと照合してコンバージョンを計測できるようになります。

1. オフラインコンバージョンインポート（OCI）の自動化

   • 手順:

     1. Webサイトのフォームに隠しフィールドを設置し、Googleが発行するクリックID「GCLID」を取得・保存できるようにします。

     2. CRM（Salesforce, HubSpot, Kintone等）にリード情報とともにGCLIDを格納します。

     3. 商談が成立した後、そのGCLIDと「成約」「売上金額」のデータをGoogle広告にアップロードします（API連携または手動CSVアップロード）。

この設定により、AIは「問い合わせだけしてくるユーザー」と「契約してくれるユーザー」の違いを学習し始めます。

※個人情報の取り扱いについては十分注意してください。

STEP 3：クリエイティブの多重化

AIがテストを行うための素材を供給します。

1. レスポンシブ検索広告（RSA）の最適化

   • 見出し: 上限の15個すべてを埋めます。

   • バリエーション: 「○○なら株式会社クイックリー」のような似た表現ばかり並べるのではなく、「価格訴求」「短納期訴求」「実績訴求」「悩み解決訴求」など、切り口を明確に変えた見出しを用意します。

   • 評価: 「広告の有効性」指標が「高い」以上になるよう調整します。

2. P-MAX / Demand Genのアセット拡充

   • 画像: 横長（1.91:1）、スクエア（1:1）、縦長（4:5）の全サイズを用意します。

   • 動画: 特にYouTube Shorts面への配信が増えているため、縦型動画（9:16、15秒〜60秒）の投入が必須です。動画がない場合、Googleが静止画から自動生成するスライドショー動画が配信されてしまいますが、これはクオリティが低くなる傾向があるため、自社で用意することを強く推奨します。

第5章 「一本化」のリスク管理：カニバリゼーションとブランド毀損

一本化には大きなメリットがある反面、コントロールを手放すことによる懸念も存在します。
特に「P-MAXが検索広告の領域を侵食する（カニバリゼーション）」問題と、「ブランド名検索での無駄な配信」については、明確な対策が必要です。

5.1 検索広告とP-MAXの競合（カニバリゼーション）対策

P-MAXは非常に攻撃的なキャンペーンタイプであり、時に既存の検索キャンペーンよりも高い入札を行い、指名検索や重要キーワードのシェアを奪ってしまうことがあります。

優先順位のルールを理解する

Google広告には、キャンペーン間の優先順位に関する厳格なルールが存在します。

• 完全一致の優位性: 検索キャンペーンに登録されている「完全一致」キーワードは、P-MAXよりも優先して配信されます。

• Ad Rankの優位性: インテントマッチやフレーズ一致の場合、P-MAXと検索キャンペーンのうち、より高いAd Rank（広告ランク）を出した方が配信されます。

対策：ハイブリッド構造の構築

1. 重要キーワードの完全一致化: ビジネスの生命線となるキーワードは、必ず検索キャンペーンに「完全一致」で登録します。これにより、P-MAXによる侵食を物理的にブロックできます。

2. P-MAXへの「ブランド除外」適用: P-MAXの設定オプションにある「ブランド除外リスト」を使用し、自社名や競合名での配信をP-MAX側で制限します。これにより、指名検索は検索キャンペーン（CPCが安くコントロールしやすい）で拾い、P-MAXは新規獲得に専念させるという棲み分けが可能になります。

5.2 「Search Themes（検索テーマ）」の功罪

P-MAXには「検索テーマ（Search Themes）」というベータ機能があり、AIに「このキーワードに関連するユーザーを探せ」と指示出しができます。
しかし、これを設定しすぎるとP-MAXが検索広告化してしまい、カニバリゼーションが悪化するケースが報告されています。

• 推奨アクション: 検索テーマは、検索キャンペーンでカバーできていない「全く新しいキーワード領域」や、AIがまだ気づいていない「新商品のキーワード」に限定して使用すべきです。既存の検索キャンペーンで成果が出ているキーワードを検索テーマに入れることは推奨されません。

第6章 アドバンスト戦略：「Power Pair」と「Demand Gen」の統合

一本化されたアカウント構造の上で、さらに成果を伸ばすための最新フレームワークについて解説します。

6.1 「Power Pair」：検索 × P-MAX の相互補完

2025年のスタンダードとされるのが、AIを活用した検索キャンペーンとP-MAXを組み合わせる「Power Pair（パワーペア）」戦略です。

この2つを併用することで、単体運用時と比較してコンバージョン数が平均27%向上するというデータがあります。
検索キャンペーンが逃したユーザーをP-MAXが拾い、P-MAXが育てたユーザーを検索キャンペーンが刈り取るというエコシステムが形成されます。

6.2 Demand Gen（デマンドジェネレーション）の役割

さらに「Power Pack」として加わるのがDemand Genです。
これは従来の「Discovery広告」と「YouTube Video Action」の進化版であり、特に「ソーシャルライクな体験」に特化しています。

• 予算配分: Demand Genは、検索やP-MAXで獲得しきった後の「プラスアルファ」として導入するのが一般的です。推奨予算は、目標CPAの15倍程度の日予算を設定することで、AIが十分な学習を行える環境を作れます。

• クリエイティブ: ここでは「広告っぽくない広告」が勝負を分けます。ガリバーの事例のように、ユーザーの生活動線に溶け込むショート動画や、ネイティブな画像素材が、クリック単価を抑えつつ高いエンゲージメントを生み出します。

  

第7章 測定指標の転換：CPAから「ROAS / 利益」へ

「一本化」と「統合」が進むと、マーケティング担当者が追うべきKPI（重要業績評価指標）も変化します。

7.1 「安く獲る」から「価値を獲る」へ

従来はCPA（獲得単価）を下げることが至上命題でした。
しかし、AI運用においてCPAのみを追求すると、AIは「安くコンバージョンするが、LTVが低いユーザー（クーポンハンターなど）」に最適化してしまうリスクがあります。

2025年のスタンダードは、ROAS（広告費用対効果） またはPOAS（Profit on Ad Spend：広告費用対利益）です。
たとえCPAが高くても、そのユーザーが高い利益をもたらすのであれば、AIに入札を強化させるべきです。

7.2 Value-Based Bidding (VBB) の実装戦略

すべての企業がECサイトのように正確な売上データを持っているわけではありません。
BtoBやサービス業においてもVBBを導入するためのテクニックがあります。

• プロキシ値（代替値）の設定:

  • 正確な売上が不明な場合、過去の平均データから「仮想の価値」を設定します。

  • 例：資料請求＝10,000円、見積依頼＝50,000円、電話予約＝30,000円

• コンバージョン値のルール:
  「東京からの問い合わせは価値を1.5倍にする」「スマホからのリードは0.8倍にする」といったルールを設定し、ビジネスの優先度をAIに伝えます。

これにより、AIは単なる件数稼ぎではなく、「自社にとって価値の高いユーザー」を優先的に探し出すようになります。

結論：AIとの共創がマーケティングの未来を拓く

本レポートで解説してきた「一本化（シンプル化）」「統合（データ連携）」「解放（アセット自由化）」は、もはやテクニックの一つではなく、AI時代のデジタルマーケティングにおける生存戦略です。

2025年のマーケターに求められる役割は、管理画面で細かく入札単価を調整することでも、キーワードリストを延々とメンテナンスすることでもありません。
それらの作業はAIの方が遥かに上手く、速く実行できます。

人間の役割は以下の3点に集約されます。

1. 戦略の設計: AIにどのような目標（VBB設定）を与え、どの市場（ターゲット）を攻めさせるかという大局的な指揮。

2. データの整備: AIが正しく学習するための、質が高く、欠損のないデータ環境（OCI、拡張コンバージョン）の構築。

3. クリエイティブの供給: AIが決して生成できない、人の心を動かすメッセージやストーリー、映像素材の制作。

はなさく生命やガリバーの事例が示すように、過去の成功体験（細分化と管理）を捨て、AIを信頼して権限を委譲（解放）した企業だけが、非連続な成長曲線を描くことができます。

AIは「使いこなす道具」から「共に成長するパートナー」へと進化しました。そのパートナーシップを最大限に活かせるかどうかが、貴社の今後5年の成長を決定づけるでしょう。

この記事は下記記事を参考に作成しております。

AI を​活かすアカウント設計は​「一本化」​「統合」​「解放」が​カギ：は​なさく​生命、​ガリバーの​事例から