パフォーマンス指標Cost per Click CPC
• コスト ÷ クリック
• 平均クリック単価
Cost per Acquisition CPA
• コスト ÷ コンバージョン(獲得)数
• 平均獲得単価
Return on Advertising Spend ROAS
• 売上 ÷ コスト
• (×100で“回収率”と言う場合も)
Click Through Rate CTR
• クリック÷表示回数
• クリック率
ビジネスの課題
32
キーワード 数が多いと ヒトの運用
は難しい
適切な入 札価格
は？
もっと ROIを改
善でき る？
運用不可 が高い
運用者の スキルに
依存
自動入札ツール
主に以下2
つの入札方式
ルールベース○
「直近7
日間でクリック数10
以下なら、- ¥5
」など
ポートフォリオ
自動入札ツール例日本製 L２Mixer
アドエビス AutoBid
ADPLAN
海外製 Marin (アメリカ)
Kenshoo Enterprise (イスラエル) Efficient Frontier (アメリカ)
ポートフォリオの構成：データの取得
34
データの種類
媒体から取得が可能(API
を利用した取得も可能)
１ 入札額２ ・表示回数
・順位
３ ・クリック数
・コスト
自社サイト
４ ・購入件数
・売上
キーワード名 日付 入札額 表示回数 平均順位 クリック数 コスト 購入件数 売上
パソコン 2013/1/1 ¥20 230 1.4 180 ¥2,470 3 ¥15,000
過去実績から、入札額に対する各値の期待効果キーワード名 日付 入札額 表示回数 平均順位 クリック数 コスト 購入件数 売上
パソコン 2013/1/1 ¥20 230 1.4 180 ¥2,470 3 ¥15,000
2013/1/2 ¥16 190 1.9 115 ¥1,800 1 ¥4,800
2013/1/3 ¥20 300 1.2 200 ¥3,000 5 ¥18,000
: : : : : : : :
Today ??? ??? ??? ??? ??? ??? ???
ポートフォリオの構成：予測
キーワード名 入札額 表示回数 平均順位 クリック数 コスト 購入件数 売上
パソコン ¥15 180 2.0 100 ¥1,650 1 ¥4,000
¥16 190 1.9 115 ¥1,800 2 ¥9,000
¥18 235 1.4 160 ¥2,100 3 ¥10,000
¥20 260 1.2 190 ¥2,800 5 ¥16,000
¥21 265 1.1 205 ¥3,000 6 ¥19,000
過去実績
予測値
各キーワードの予測値を求めた後、最適な入札 パターンを算出ポートフォリオの構成：最適化
36
キーワード名 入札額 表示回数 平均順位 クリック数 コスト 購入件数 売上
パソコン ¥15 180 2.0 100 ¥1,650 1 ¥4,000
¥16 190 1.9 115 ¥1,800 2 ¥9,000
¥18 235 1.4 160 ¥2,100 3 ¥10,000
¥20 260 1.2 190 ¥2,800 5 ¥16,000
ノートPC ¥24 50 3.4 18 ¥360 1 ¥800
¥26 60 3.2 25 ¥400 1 ¥900
¥28 75 3.1 29 ¥550 2 ¥1,200
¥30 80 3.0 30 ¥600 3 ¥1,800
デスクトップ ¥50 1000 1.6 500 ¥5,000 10 ¥4,000
¥60 1200 1.5 550 ¥7,500 19 ¥9,000
¥70 1400 1.3 800 ¥9,100 20 ¥10,000
¥80 1600 1.2 1,000 ¥14,300 34 ¥16,000
¥90 1800 1.1 1,500 ¥20,000 45 ¥19,000
: : : : : : : :
予測値
今日の 最適な 入札価格
ポートフォリオの構成：まとめ
最適化 予測
データ 取得
38
自動入札ツールの処理フロー
•
システム構 築• APIの利用
①データの取 得
•
機械学習、データマイ ニング
②予測
•
予測モデル にもとづく 最適化③最適化
• (
①とほぼ同様
)
④入札
各キーワード𝑘
毎、入札価格𝑥
に対する予測モデ ル𝑓 𝑘 (𝑥)
を構築 𝑖𝑚𝑝𝑟𝑒𝑠𝑠𝑖𝑜𝑛 𝑘 𝑥 :
表示回数 𝑟𝑎𝑛𝑘 𝑘 𝑥 :
順位 𝑐𝑜𝑠𝑡 𝑘 𝑥 :
コスト 𝑐𝑙𝑖𝑐𝑘 𝑘 𝑥 :
クリック数 𝑐𝑜𝑛𝑣𝑒𝑟𝑠𝑖𝑜𝑛 𝑘 𝑥 :
獲得数 𝑠𝑎𝑙𝑒𝑠 𝑘 𝑥 :
売上必要な予測モデル
40
予測モデルの要件と課題
•
説明変数は入札価格•
各予測値は非減少を担保•
過去(=
学習データ)
に経験の無い入札価格帯に対する予 測値も“ある程度”求める予測モデルの要件
•
安定性•
処理速度（キーワード毎にモデリング）•
できるだけ多くのキーワードにモデルを作る•
キーワードに寄っては学習データが殆ど無い場合も•
“0
”予測はNG
難しいところ
予運用戦略例と最適化の式
42
戦略 定式化
予算内でクリック数を最大化 最大化：
𝑐𝑙𝑖𝑐𝑘 𝑘 𝑘 𝑥
制約：
𝑐𝑜𝑠𝑡 𝑘 𝑘 𝑥 ≤ 𝐵𝑢𝑑𝑔𝑒𝑡
平均獲得単価
(CPA)
を担保したうえ で、獲得件数を最大化最大化：
𝑐𝑜𝑛𝑣𝑒𝑟𝑠𝑖𝑜𝑛 𝑘 𝑘 𝑥
制約：𝑐𝑜𝑠𝑡
𝑘 𝑘𝑥
𝑐𝑜𝑛𝑣𝑒𝑟𝑠𝑖𝑜𝑛
𝑘 𝑘𝑥 ≤ 𝐶𝑃𝐴
最低獲得件数を設定したうえで、回
収率
(ROAS)
を最大化 最大化：𝑠𝑎𝑙𝑒𝑠
𝑘 𝑘𝑥
𝑐𝑜𝑠𝑡
𝑘 𝑘𝑥
制約：
𝑐𝑜𝑛𝑣𝑒𝑟𝑠𝑖𝑜𝑛 𝑘 𝑘 𝑥 ≥
𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡
課題
キーワード数は膨大
各予測値は非線形(
非凸)
な場合が多い
解決策
予測モデルを区分線形近似 Special Orderd Set
制約(Type2)
⇒
混合整数計画問題に帰着最適化における課題
𝑐𝑙𝑖𝑐𝑘 𝑘 𝑥 ≈ 𝑐𝑙𝑖𝑐𝑘 𝑘 = 4 𝑙=0 𝑐 𝑙 𝑘 𝜃 𝑙 𝑘 , 𝑥 = 4 𝑙=0 𝑥 𝑙 (𝑘) 𝜃 𝑙 𝑘
4 𝑙=0 𝜃 𝑙 (𝑘) = 1 , 0 ≤ 𝜃 0 𝑘 ≤ ⋯ ≤ 𝜃 4 𝑘 ≤ 1
4 𝑙=0 𝑧 𝑙 (𝑘) = 1 , 𝑧 𝑙 (𝑘) ∈ 0,1 , 𝑧 𝑙 𝑘 ≤ 𝜃 𝑙 𝑘 + 𝜃 𝑙+1 (𝑘)
区分線形表現と
SOS
制約44
𝑥 1 𝑥 2 𝑥 3 𝑥 4
入札価格𝑐
1(𝑘)𝑐
2(𝑘)𝑐
3(𝑘)𝑐
4(𝑘)𝑥 0
𝑐𝑙𝑖𝑐𝑘
𝑘𝑥
𝑐
𝑙𝑘𝜃
𝑙𝑘4 𝑙=0
「予算内でクリック数最大化」の場合
最大化○ 𝑐𝑙𝑖𝑐𝑘 𝑘 𝑙 𝑙 𝑘 𝜃 𝑙 𝑘
制約○
キーワード全体の制約 𝑐𝑜𝑠𝑡 𝑘 𝑙 𝑙 𝑘 𝜃 𝑙 𝑘 ≤ 𝐵𝑢𝑑𝑔𝑒𝑡
○
キーワード毎の制約 𝜃 𝑙 𝑙 (𝑘) = 1 , 0 ≤ 𝜃 0 𝑘 ≤ ⋯ ≤ 𝜃 𝑛 𝑘 ≤ 1
𝑧 𝑙 𝑙 (𝑘) = 1 , 𝑧 𝑙 (𝑘) ∈ 0,1 , 𝑧 𝑙 𝑘 ≤ 𝜃 𝑙 𝑘 + 𝜃 𝑙+1 (𝑘)
定式化再考
ビジネス要件
入札価格に 上限・下限が 設定される
コストコント ロールを強化 したい
解決策
入札価格の 使用可能な 区間を制限