広告戦略における購買データの活用方法とは？データの種類から分析手法を紹介

2025年の日本の総広告費は8兆623億円（前年比105.1％）で過去最高を更新し、インターネット広告費の構成比も50.2％と初めて過半数に達しました。米国でも2024年のデジタル広告収益は2590億ドルで、前年比15％増と成長が続いています。

広告費が伸びるほど、クリックやCV件数だけを追う運用では限界を迎えてしまいます。媒体レポート上は改善しているのに、現場では「売上げが伸びない」「LTVが上がらない」「受注の質が安定しない」といったズレが起きやすいからです。だからこそ、広告を購買データへ接続し、実売や顧客価値で意思決定する設計が欠かせません。

一次データをオンラインとオフラインで統合できている企業は、単一の広告接点あたりの増分収益が1.5倍になり得ると報告されており、購買データ活用は差別化の軸になり得ます。購買を共通の物差しにすると、媒体をまたいだレポートや議論もそろいやすくなります。

本記事を参考に、購買データの定義、種類、代表的な分析手法の順に整理し、次に何を見て何を変えるべきかが分かる状態を目指しましょう。

広告データとは

広告データとは、広告の配信状況、ユーザーの反応、成果の達成状況に関する数値情報のことをいいます。インプレッション数、クリック数、コンバージョン数、CPAといった指標から、ROASやLTVといった顧客価値指標まで、広告効果を多角的に評価するためのあらゆる数値が広告データに含まれます。

管理画面の数値をそのまま並べるより、意思決定に使う「階層」で捉えると整理しやすいです。まず配信前の設定データとして、キャンペーン目的、予算、入札、ターゲット、クリエイティブなどがあります。

次に配信中の媒体データとして、表示回数、クリック、費用、到達、頻度などの配信実績が得られます。さらに成果確認のコンバージョンデータとして、問い合わせや購入などの行動の記録が可能です。

広告データにおける「購買データ」とは

購買データとは、広告接触の後に「何が、いくらで、いつ、何回、誰に売れたか」を示すデータです。広告管理画面のCVを最終結果とみなさず、購入や受注という事業成果へ結びつけるのが要点です。

たとえばGoogle広告では、クリックや通話の後にオフラインで起きた成約をインポートして測定できます。また、オンライン広告がオフライン購買へ与えた影響を、店舗販売データなどを用いて推計する仕組みも提供されています。

購買データがそろうと媒体別のCPA比較から一段進み、売上げベースで広告投資の評価が可能になるわけです。Amazon Marketing Cloudでは、長期の購買履歴や注文商品情報を使った測定やオーディエンス作成が可能になっています。これにより、どの広告接点や組み合わせが実際の購買に寄与しているかを可視化し、売上げに貢献する配信へ予算やターゲティングを再配分できるようになります。

（出典：amazon ads「Amazonマーケティングクラウドの新しいAmazon Retail Purchasesデータセットを使用してカスタムオーディエンスを分析し、リーチします」）

さらに、Nielsen Sales Liftのように、「相関ではなく因果」を意識して販売への寄与を測るソリューションもあります。因果データを利用することで、広告がなければ発生しなかった増分売上げを把握でき、外部要因に左右されない形で広告の真の効果にもとづいた投資判断が可能です。

購買データの代表的な種類

購買データは「購買の事実」を細かく分解すると、広告改善に直結しやすくなります。代表的には、何を買ったか（商品）、いくら買ったか（金額）、どれくらいの頻度で買ったか（頻度）、いつ買ったか（日時）、誰が買ったか（顧客別履歴）です。以下では、広告戦略で使いやすい5種類を順に整理します。

購買商品データ

購買商品データは、カテゴリ、ブランド、バリエーション、購入点数といった「何が売れたか」を示す情報です。広告ではつい成果の件数を追いがちですが、購買商品データがあると、どの訴求やどの流入が「利益を生む商品」へつながったのかを検証できます。GA4の「purchaseイベント」では、項目配列に商品IDやカテゴリ、価格、数量などを載せられるため、購入を商品単位で分析する設計が可能です。

さらに、Amazon Marketing Cloudでは、Amazon Retail Purchasesというデータセットにより、5年分の購入履歴と詳細な注文商品情報を使って測定やオーディエンス作成ができると案内されています。

このような商品粒度の購買データがあると、定番商品の入口商材化、補充品のリピート促進、耐久財の買い替えタイミング推定など、広告設計そのものが変わります。また、併売やクロスセルを考えるなら、市場分析で「一緒に買われやすい組み合わせ」を見つけ、広告やLPの提案順に反映する方法が古典的かつ有効です。

購買金額データ

購買金額データは、売上げ金額、客単価、購入点数、割引、送料、そして可能なら粗利まで含む「いくら売れたか」の情報です。CV件数が同じでも、売上げや利益は大きく変わるため、広告の良し悪しを件数だけで判断すると誤差が出ます。

金額のデータを扱えるようになると、広告の目的をCPA最適化から「売上げ最大化」へ移せます。Google広告の入札では、コンバージョン価値（例：売上げ）を最大化する戦略があり、目標ROASを設定した場合は、そのROASに沿って価値を最大化するよう調整されるわけです。

ここで重要なのは、価値の定義を媒体の都合ではなく事業の都合に寄せることです。たとえば返品や返金が多い商材なら、売上げをそのまま価値にすると過大評価になります。

購買頻度データ

購買頻度データは、一定期間内の購入回数、平均購入間隔、リピート率など「どれくらいのペースで買い続けるか」を示します。広告評価を初回購入や初回CVで止めると、継続購買の強い顧客を取り逃がしたり、逆に初回だけ買って離脱する顧客で「見かけのROAS」だけが良く見えたりします。

LTVの基本式として、平均購入額と購入頻度、平均継続期間を掛け合わせる考え方が紹介されており、購入頻度はLTVの中核変数です。

また、顧客維持を将来へ投影するモデルの研究では、顧客の関係継続（リテンション）を推計することが、顧客価値を計算する上で重要だと整理されています。購買頻度データを広告に接続すると、媒体別の新規獲得効率ではなく、「獲得後に頻繁に買う顧客を増やせているか」を検証できます。実務では、顧客獲得キャンペーンをリピートが立ち上がるまで評価する期間設計が不可欠です。

購買日時データ

購買日時データは、購入が発生した日時を、曜日、時間帯、月次、季節、セール前後などの切り口で捉えるデータです。これがあると、広告配信の時間帯調整や、季節要因を踏まえた予算配分、キャンペーン後の購買ラグの把握ができます。特にBtoBや高関与商材では、広告接触から受注までに時間がかかり、日次のCVだけでは判断を誤りやすいです。

実務上の注意点として、オフラインでの成約を取り込む場合でも「いつ取り込むか」に制約があります。Google広告のガイドでは、関連する最後のクリックから90日を超えてアップロードされたオフラインコンバージョンは取り込まれないと明記されています。

つまり、遅れて発生する購買を正しく評価するには、クリックIDの保存や受注日時の整備など、データの時系列管理が不可欠です。さらに、意思決定の粒度に応じて、アトリビューション、MMM、実験を組み合わせて単一の真実に寄せる枠組みとして「Unified Marketing Measurement」が提案されています。購買日時データは、こうした統合測定の基礎になります。

顧客別購買履歴データ

顧客別購買履歴データは、顧客ID単位で「誰が何をどれだけ買ってきたか」を追えるデータです。これがあると、新規と既存、優良顧客、休眠予兆、離反後の復活などを識別でき、広告配信を「CVしやすさ」ではなく「顧客価値」で設計できます。

実装面では、個人情報をそのまま広告プラットフォームへ渡すのではなく、同意とセキュリティを担保した取り扱いが前提です。Google広告のCustomer Matchでは、顧客データをハッシュ化してアップロードできることが説明されています。

また、広告主と媒体社など複数社がデータを安全に共有する方法として、データクリーンルームは「規制遵守とガバナンスを保ちながらデータを安全に共有できる環境」と定義されています。リテールメディアの文脈でも、長期の購買履歴を活用して測定やオーディエンス作成に使えるデータセットが提供され始めました。

広告戦略における購買データ活用の重要性

購買データを広告戦略に組み込む意義は大きく3つあります。1つ目は、媒体CVではなく実売ベースで成果を把握できること。2つ目は、価値の高い顧客や商品に寄せて配信改善できること。3つ目は、LTVを踏まえて広告投資を判断できることです。

購買データ活用は運用の「次の標準」になりつつあります。加えて、広告の真の影響を測る手段として、プライバシーに配慮した増分テストが重要視されている点も押さえておくと、議論の解像度が上がります。

広告の本当の成果を把握できるため

媒体CVは、運用改善のスピードを上げる一方で、事業成果の代替指標に留まることがあります。たとえば、指名検索の増加や季節要因で自然に発生した購入まで、広告が全部の成果を取りに行く設計になりやすいからです。購買データを紐づけると、少なくとも「実際に売れた金額」や「店舗を含む購買」が見えるようになり、運用判断の誤差が減ります。

実際、株式会社キーワードマーケティングがBtoB企業のマーケティング担当者311人を対象に行った調査では、Web広告運用の課題として「費用対効果の向上」が47.2％で最多となっていたことからも、多くの企業にとって成果の把握が重要であるとわかるでしょう。

（出典：Web担当者 Forum「2025年BtoB企業のWeb広告予算、約6割が増額を予定 調査で見えた注力分野と課題【キーマケLab調べ】」）

より精度の高いターゲティングや配信改善ができるため

購買データがない状態のターゲティングは、どうしても「クリックしやすい人」「CVしやすい人」へ寄ります。しかし本当に欲しいのは、「よく買う人」「高く買う人」「買い続ける人」です。購買金額や購買頻度を持てると、配信の目的変数を「量」から「価値」へ置き換えられます。

Google広告の「Maximize conversion value」は、コンバージョン価値（例：売上げ）を最大化する入札であり、履歴やオークション時シグナルを用いて各オークションの入札を調整すると説明されています。

LTVを踏まえた広告投資判断ができるため

LTV（顧客生涯価値：Life Time Value）とは、一人の顧客が取引期間を通じて企業にもたらす総利益（または総売上げ）の合計数値です。短期のROASやCPAが良くても、獲得した顧客が継続購買しなければ、長期では利益が残りません。

逆に初回の効率が悪く見えても、継続購買が強い顧客が取れているなら、投資余地があります。LTVはその判断軸であり、把握することで、顧客単位で収益性を評価し、獲得コストとのバランスで投資可否を判断するユニットエコノミクス（Unit Economics）単位での投資判断が行えるようになります。

ユニットエコノミクスの計算式は「LTV ÷ CAC（顧客獲得コスト）」で、これにより1人の顧客を獲得するために投下したコストが、将来的にどれだけの価値で回収できているかの健全性を定量的に判断することが可能です。

　

なお、実際の運用面では、LTV前提の判断には「遅れて起きる成果」を織り込む必要があります。Google広告の目標ROASでは、推奨値を算出する際に、広告クリック後に完了まで時間がかかるコンバージョンを考慮して直近数日の実績を除外すると説明されています。

つまりプラットフォーム側も、価値評価にはタイムラグがある前提で設計しているわけです。さらに、顧客維持を将来へ投影するモデル研究は、顧客の関係継続を推計することが顧客価値の計算に直結すると整理しています。

広告における「購買データ」の活用のシーン

購買データは分析して終わりではなく、広告のどの意思決定に使うかまで落とし込んで初めて機能します。実務では、「誰に配信するか」「何を訴求するか」「どこまで投資するか」という3つの判断に紐づけて使う場面が多く、それぞれで参照すべきデータや見るべき指標も異なるわけです。

購買データを広告運用に接続する際に起点となる代表的な活用シーンとしては、以下の3つが挙げられます。

• 売れやすい顧客層への配信最適化したいとき
• 商品訴求やクリエイティブ改善をしたいとき
• 売上げ・LTVベースで広告投資を判断をしたいとき

それぞれ個別にみていきましょう。

売れやすい顧客層への配信最適化したいとき

配信最適化を「CVしやすい人」基準で回している限り、媒体の学習も同じ方向に収束します。購買データを接続すると、最適化の目的変数を「購入したかどうか」から「どの程度の価値を生んだか」へ置き換えることが可能です。

具体的には、顧客別購買履歴や購買頻度を用いて、獲得チャネル別にLTV分布を確認し、媒体ごとに高LTV顧客の比率で評価し直します。このとき、単純な平均値ではなく分布で見ることが重要で、上位顧客が偏在しているチャネルを特定できると、入札や予算配分の基準が変わります。

「そもそもどうやって顧客の優先順位をつければいいのか？」については、リードスコアリングを実施することで解決が可能です。たとえば、過去の購買履歴やサイト行動、問い合わせ内容などに応じてスコアを付与することで、成約や継続利用につながりやすいリードを定量的に判別でき、優先的に広告配信やフォロー対象とすることが可能になります。

（出典：HubSpot「リードのスコアリングとは？算出に使う要素からツールまで実践解説」）

さらに、RFMなどで既存顧客を分解し、優良顧客と類似した行動履歴を持つ新規ユーザーへ拡張配信することで、「獲得後に価値が立ち上がる顧客」を取りにいく設計に移行できます。結果として、表面的なCPAは悪化しても、回収可能な価値ベースでは改善している状態を作れます。

商品訴求やクリエイティブ改善をしたいとき

クリエイティブの良し悪しをCV率で評価すると、「反応は取れるが利益につながらない訴求」が残りやすくなります。購買商品データと紐づけると、訴求ごとにどの商品へ着地しているか、さらにその商品がどの程度の利益を生んでいるかまで追えます。

ユーザー視点でも訴求内容がニーズに即しているかどうかは重要な要素で、株式会社リンクアンドパートナーズの調査によると、「自分の興味関心にある広告であれば必要だと思いますか？」という質問に対して45.9％の一般ユーザーが「必要だと思う」と回答しました。

（出典：PR Times「【WEB広告に対する意識調査】『広告にポジティブな印象』はなんと51.7％、つい見てしまうWEB広告の要素とは」）

ここで見るべきは、単品の売上げではなく「入口商品→利益商品の遷移構造」です。バスケット分析で併売関係を把握し、広告では入口商品の訴求に寄せつつ、LPやレコメンドで利益商品へ誘導する設計に変えると、広告単体では説明できなかった収益構造が見えてきます。

また、クリエイティブ別に購買単価や購入点数を比較すると、同じCVでもまとめ買いを誘発する訴求と単品購入で終わる訴求が分かれます。この差を放置すると、媒体最適化は前者を過小評価し続けるため、購買データで評価軸を補正しなければなりません。

売上げ・LTVベースで広告投資を判断をしたいとき

広告投資をCPAや短期ROASで判断していると、初回効率が高いが継続しない顧客を過大評価しやすくなります。購買データを使う場合は、獲得時点の指標ではなく「一定期間後のLTV」でチャネルを再評価することが可能です。

実務では、コホート単位でLTVの立ち上がりを追い、回収期間（ペイバック期間）を踏まえて投資許容額を決めます。このとき、媒体別にLTVの分布と回収スピードを並べると、「初回は重いが回収が早いチャネル」と「初回は軽いが回収が遅いチャネル」の違いが見え、単純なROAS比較では判断できなかった投資配分の根拠が作れます。

さらに、購買頻度や継続期間を分解しておくと、どのチャネルが「長く買い続ける顧客」を連れてきているかまで把握でき、広告費を短期回収前提で絞るのか、長期価値前提で広げるのかの判断が可能になるわけです。ここまで接続できると、広告はコストではなく、将来キャッシュフローを生む投資として扱えるようになります。

購買データの代表的な分析手法

購買データは蓄積するだけでは価値になりません。分析手法を通じて「組み合わせ」「継続」「顧客群の違い」「優先順位」を可視化し、広告の打ち手へ落とす必要があります。

ここからは、広告運用で再現性が高い代表手法として、バスケット分析、コホート分析、セグメンテーション分析、デシル分析、RFM分析を取り上げます。それぞれの手法を「何が分かり、どんな施策判断につながるか」の観点で見ていきましょう。

バスケット分析

バスケット分析とは、「一緒に購入されやすい商品」を購買データから見つけ出す分析手法です。取引データをもとに、商品同士の関係性（アソシエーションルール）を明らかにします。たとえば「商品Xを買う人は商品Yも一緒に買いやすい」といった傾向です。分析では主に以下の指標が使われます。

• support（支持度）：全体の取引の中で、その組み合わせがどれくらい出現するか
• confidence（信頼度）：商品Xを購入した人のうち、商品Yも購入した割合
• lift（リフト値）：XとYが無関係と仮定した場合と比べて、どれだけ一緒に購入されやすいか

特にliftが高い組み合わせは関連性が強く、セット販売やレコメンド施策に有効な候補となります。

広告に落とすときのコツは、「単品の勝ち負け」ではなく「入口商品と利益商品の関係」を見ることです。たとえば、広告で入口商品を獲得し、LPや同梱で利益商品へ誘導できれば、入口商品のROASが低く見えても全体利益は伸びます。購買商品データがあるなら、まずは上位の併売パターンを抽出し、訴求や商品並べ、同時購入割引の設計に反映すると効果が出やすいです。

コホート分析

コホート分析とは、共通の条件を持つ顧客を「同じグループ」としてまとめ、時間の経過に伴う行動の変化を追う分析手法です。広告の文脈では、獲得時期や施策ごとの顧客の質の違いを可視化できる点が重要です。そのため、「初回CVの安さ」だけでなく、獲得後にどれだけ継続・定着するかという観点で施策を評価できます。

たとえば、Shopifyの「Customer cohort analysis report」では、顧客を初回購入日ごとにグループ化し、獲得後の行動やリテンション（継続率）を確認できます。ここで注目すべきポイントは以下です。

• 各コホートのリピート率
• 売上げの立ち上がり方（LTVの伸び方）

さらに、過去のリテンションデータをもとに将来の動きを予測する考え方とも相性がよく、広告評価の期間設計そのものを見直す判断材料にもなります。コホート分析は、単なる分析手法ではなく、広告の評価軸を「短期→中長期」へシフトさせるための重要な武器です。

セグメンテーション分析

セグメンテーション分析とは、顧客を似た特徴ごとにグループ分けし、それぞれに最適な訴求・チャネル・予算配分を設計するための分析手法です。広告では「誰に、何を、どれだけ届けるか」が成果を大きく左右するため、特に購買履歴をもとにしたセグメントは有効です。

代表的な手法がRFM分析です。

• Recency（最新購買日）：どれくらい最近購入しているか
• Frequency（購買頻度）：どれくらいの頻度で購入しているか
• Monetary（購買金額）：どれくらいの金額を使っているか

この3軸だけで顧客価値をシンプルに把握できるため、施策に落とし込みやすく、代理店と事業会社の間でも共通認識を持ちやすいのが特徴です。

一方で、扱うデータが増える場合は、クラスタリングなどを用いて「行動が似ている顧客群」を自動的に抽出する方法もあります。購買履歴や行動データをもとに、より精度の高いセグメントを作れます。

ただし、広告運用で重要なのは分析の高度さではなく、セグメントごとに何を変えるかが明確であることです。まずはRFMや「新規／既存」などのシンプルで説明可能な切り分けで勝ちパターンを作り、必要に応じて高度な手法へ発展させるのが現実的な進め方です。

デシル分析

デシル分析とは、顧客を購買金額や反応確率などで順位付けし、上位から10等分（デシル）に分けて各層の貢献度を比較する分析手法です。広告運用では、次のような判断に役立ちます。

• 上位層が売上げの何割を生み出しているか
• どの層まで配信すると効率が落ちるか

これにより、予算をどこに集中させるかや除外すべき層の設計を判断できます。また、モデル評価の場面では「リフトテーブル（lift table）」として活用されます。テストデータを10分割し、上位デシルにどれだけ反応者が集中しているかを見ることで、モデルの有効性を評価する方法です。

たとえば、Association for Computing MachineryのKDD領域の研究では、上位デシルに反応者が多く集まるほどモデルの精度が高いとされています。また、IBMのダイレクトマーケティング関連ドキュメントでも、デシルランク（上位10％、20％……）ごとに反応率や累積反応率を確認する重要性が示されています。

購買データを活用した広告最適化では、まず**「どのデシルまでを優先すべきか」**を可視化することが重要です。限られた予算の中で成果を最大化するために、上位層に集中し、勝ち筋を作るための実践的な分析手法といえます。

広告戦略に購買データを活用するステップ

広告に購買データを活用するには、単にデータを取得するだけでは不十分であり、どの指標で評価し、どの粒度でデータを扱うかをあらかじめ設計しておく必要があります。

特に、媒体指標と事業成果のズレを解消するには、目的とKPIの定義、そして購買データを一貫した形で扱える状態への整理が欠かせません。ここからは、広告戦略に購買データを組み込むための初期ステップとして、まず取り組むべきポイントを整理します。

• STEP1：目的とKPIを明確にする
• STEP2：購買データを整理・統合する
• STEP3：顧客や商品の傾向を分析する
• STEP4：分析結果を広告施策に反映する

各手順について、個別にみていきましょう。

STEP1：目的とKPIを明確にする

購買データを扱う場合、まず決めるべきは「何を最適化対象にするか」です。CV数なのか売上げなのか、あるいはLTVなのかで、設計すべきデータも評価期間も変わってくるでしょう。

ここが曖昧なまま進めると、媒体指標と事業指標のズレが解消されませんので、まずは最終KPI（売上げ・粗利・LTV）と、その手前で追う中間KPI（受注数、客単価、リピート率など）を階層で定義していきましょう。

ただし、目標指標を決定する際にマーケティングや営業など、各部門が単独で数値を設定してはいけません。特に、商談サイクルが長くなりやすいBtoBマーケティングならなおさら部門間の連携をとることが重要です。マーケティングが設定するリード数やCPAと、営業が重視する受注確度や商談化率が分断されないよう、共通のKPI体系と定義をあらかじめすり合わせておかなければなりません。

（出典：日経日経COMEMO「THE MODELなマーケターが見るKPIはリード獲得単価、商談獲得単価、受注単価」）

さらに、評価期間も同時に決めておかなければなりません。BtoBや高単価商材では、広告接触から受注までのリードタイムが長く、短期の数値だけで判断すると誤った最適化が進みます。どの期間で成果を評価するのかを先に固定することで、後工程の分析と施策判断の基準がそろいます。

STEP2：購買データを整理・統合する

次に行うのは、広告データと購買データを同一の粒度で扱える状態に整えることです。具体的には、「誰が」「いつ」「何を」「いくらで買ったか」を一貫したキーで紐づけます。オンラインで完結する場合は計測タグやイベント設計の見直し、オフライン成約を含む場合はクリックIDや顧客IDの連携が必要になります。

ここで重要なのは、媒体側の定義に合わせるのではなく、自社の売上げや利益に整合する形でデータを整形することで、いわゆるデータクレンジングが必要になるわけです。データのクレンジングとは、文字通り、文字通り、欠損値や重複データ、表記ゆれ、誤入力といった不整合を取り除き、分析に使える状態へ整備する作業を指します。

整備を行うことで、媒体データと購買データの突合精度が高まり、広告接触から売上げまでを一貫した指標で追跡できるようになります。結果として、いわゆる「データが汚い」状態を防ぎつつ、分析結果のブレを防ぎ、施策判断の再現性を担保することが可能です。

なお、返品やキャンセルをどう扱うか、売上げではなく粗利ベースにするのか、といったルールも事前に決めておかないと、後の分析結果がぶれます。また、時系列の整備も不可欠で、広告接触から購買までのラグを考慮できるよう、各データの発生日時をそろえて管理します。

STEP3：顧客や商品の傾向を分析する

データがそろった段階で、初めて分析に進みます。このとき重要なのは、単純な集計ではなく「施策に変換できる粒度」で傾向を捉えることです。

顧客軸では、コホート分析で獲得時期別のLTVの立ち上がりを比較し、どの施策が継続購買につながっているかを見ます。商品軸では、バスケット分析で併売関係を把握し、入口商品と利益商品の組み合わせを特定しましょう。

さらに、RFMやデシル分析で顧客価値の分布を確認すると、「上位顧客がどこから来ているか」「どの層まで配信対象に含めるべきか」が明確になります。ここまで分解できると、配信対象、訴求内容、投資配分といった広告の各意思決定に、直接つながる形で示唆を出せるようになります。

STEP4：分析結果を広告施策に反映する

分析で得た示唆は、「配信対象」「訴求内容」「入札・予算」の3点に分解して反映します。顧客側の示唆は、RFMやLTV分布にもとづいて配信対象を再設計し、優良顧客に近いセグメントへ寄せていきましょう。

商品側の示唆は、入口商品と利益商品の関係を前提に、広告の訴求とLPの導線を調整します。このとき、媒体の最適化ロジックに渡すシグナルも合わせて見直す必要があります。CVを最適化対象にしたままでは、購買ベースの示唆が反映されないためです。

売上げや粗利を価値として設定する。あるいは一定条件を満たした受注のみをコンバージョンとして扱うなど、目的変数自体を変更します。また、評価期間と最適化のタイムラグが一致しているかも確認します。ここがずれると意図した学習が進まず、分析結果と配信挙動が乖離してしまうわけです。

STEP5：購買成果で効果検証し、改善を回す

施策の評価は、媒体レポートではなく購買データで行います。具体的には、チャネル別・キャンペーン別に売上げやLTVの分布を確認し、変更前後でどの層の顧客が増減したかを見ます。

このとき、単純な平均値比較ではなく、コホート単位での推移や回収期間を含めて評価が必要です。特に、施策変更直後は短期指標が悪化するケースもあるため、あらかじめ設定した評価期間に沿って判断しなければなりません。

また、外部要因や季節性の影響を切り分けるために、配信有無での差分を見る増分の考え方も取り入れます。ここまでを一連のサイクルとして回すことで、「分析→施策→検証」が分断されず、購買データを軸にした改善が継続的に機能する状態を作れるでしょう。

購買データを活用した広告戦略の事例

購買データの活用は概念として理解していても、実際の現場でどのように使われ、どのような成果につながっているのかが見えにくい領域です。

以下より、購買データを広告運用に接続し、配信設計や評価指標を変えることで成果の見え方や投資判断が変わった事例を取り上げます。それぞれ、どのデータを起点に何を変えたのかという観点で整理します。

• 事例①：購買データ分析によって新規顧客セグメントを発見し、広告配分を再設計した事例（Amazon）
• 事例②：顧客データを広告に連携し、高価値セグメントに配信を寄せたことで売上げを伸ばした事例（Google）
• 事例③：ファーストパーティの顧客データを広告に連携し、ターゲティング精度を高めて売上げとROIを同時に改善した事例（HubSpot）

それぞれ個別に解説します。

事例①：購買データ分析によって新規顧客セグメントを発見し、広告配分を再設計した事例（Amazon）

Amazonが公開している情報によると、ポータブル電源メーカーのJackery Japanは、購買データと広告データを統合し、広告戦略の見直しを行っています。

同社は、Amazon Marketing Cloudを活用し、ユーザーがどの広告に接触し、どのような経路を経て購入に至っているかという購買行動データを分析しました。その結果、単一の広告施策ではなく、複数の広告接点の組み合わせが購買に影響していることを把握しています。

この分析をもとに、動画広告やスポンサー広告などを組み合わせたフルファネル型の広告配信へと移行し、認知から比較検討、購買に至るまでの各段階で適切な広告接点を設計しました。

その結果、売上げは141％増加、ROASは135％向上し、さらに広告接触から購買までの期間も短縮されています。

（出典：amazon ads「パートナーアワードファイナリストのXnurta、Jackery Japanの売上げ141％増に貢献」）

この事例のポイントは、広告単体の成果ではなく、購買データをもとに広告接点全体を再設計した点にあります。どの広告が直接コンバージョンしたかではなく、「どの組み合わせが購買に寄与したか」を基準に戦略を見直すことで、売上げと効率の両方を改善しています。

事例②：顧客データを広告に連携し、高価値セグメントに配信を寄せたことで売上げを伸ばした事例（Google）

次はGoogleが公開している事例です。同社の情報によると、フランスのSaaS企業であるAgicapは、HubSpotのCRMに蓄積されたファーストパーティデータをGoogle広告に連携し、広告運用の見直しを行っています。

同社は、競合が多い市場において広告配信の効率が課題となっており、従来のように広くリーチするのではなく、より確度の高い見込み顧客に絞ったアプローチへと方針を転換しました。

そのために、HubSpotに蓄積された顧客データをGoogle広告に連携し、リードのライフサイクルステージ（見込み顧客の状態）にもとづいたコンバージョンシグナルを広告側へ送信しています。これにより、広告は単なるコンバージョンではなく、「質の高いリード」を基準に最適化されるようになりました。

さらに、GoogleのCustomer Match機能を活用し、既存の見込み顧客に対して再アプローチを行うとともに、これらのコアオーディエンスに対して入札を強化しています。その結果、コンバージョンは10％増加し、売上げは15％成長したと報告されています。

（出典：Think with Google「Embracing first-party data: 3 success stories from HubSpot」）

この事例のポイントは、広告の最適化基準を「リード数」から「リードの質」へと切り替え、CRMデータを直接広告にフィードバックしている点にあります。これにより、広告配信はより成果に近い指標にもとづいて最適化され、効率的な売上げ成長につながっています。

事例③：ファーストパーティの顧客データを広告に連携し、ターゲティング精度を高めて売上げとROIを同時に改善した事例（HubSpot）

HubSpotが公開している事例情報によると、教育サービスを提供するNight Zookeeperは、HubSpotとGoogle広告の連携機能を活用し、ファーストパーティデータを広告配信に活用しています。

同社は、顧客基盤の拡大とコスト効率の高いユーザー獲得を課題としており、プライバシーを重視しながら質の高い見込み顧客を獲得する必要がありました。

そこで、自社に蓄積された顧客データをもとにオーディエンスを作成し、GoogleのCustomer Match機能を活用して、過去に接点のあったユーザーや見込み顧客に対して広告を配信しています。これにより、既存の関心を持つユーザーに対して、より関連性の高い広告で再アプローチすることが可能になりました。

また、オフラインコンバージョンを含めた広告効果の計測も行うことで、広告の成果をより正確に把握できるようにしています。

その結果、売上げは40％増加、新規顧客獲得は70％増加、Google広告のROIは50％向上しています。

（出典：HubSpot「Night Zookeeper Boosts Revenue by 40％ with HubSpot’s Google Ads Integration」）

この事例のポイントは、ファーストパーティデータを活用して既存および見込み顧客に対する広告配信を強化し、広告の関連性と効果を高めている点にあります。これにより、広告の効率と売上げの双方を改善しています。

まとめ

購買データは、広告効果をクリックやCVから、売上げやLTVへ引き上げるためのデータです。オフライン成約の取り込みや店舗購買の推計など、購買と広告をつなぐ仕組みは既に整備されつつあり、データが取れないことより「取った後にどう使うか」が差になります。

価値ベース入札のように、広告プラットフォーム側も価値を最大化する設計へ進んでいるため、購買金額や頻度を整備するほど自動最適化はより機能しやすくなっていくものです。

一方で、媒体指標のまま評価軸を切り替えずに購買データだけを追加してしまうと、データの粒度や定義がそろわず、分析結果がかえって解釈しづらくなり、施策判断がブレる原因になります。

まずは、購買データを商品、金額、頻度、日時、顧客履歴に分解し、最小限の分析（RFM、コホート、バスケットなど）で「勝ち筋」を見つけるところから始めてください。購買を共通言語にすれば、媒体横断のレポートや投資判断もそろい、提案の説得力が上がっていくでしょう。