だから、その広告は「負け」なのか？
初回獲得の安さでは見えない価値。F2転換を含む期待利益と、まだ解けていない予測精度の問題を考える。
導入｜CPAが高いから、止めた広告。その判断は正しかった？
広告管理画面でCPAが目標値を超えたとき、広告を停止する。予算をCPAの安い広告へ振り分ける。新規顧客の獲得を担うマーケターなら、自然な判断です。
しかし、広告AよりCPAが高い広告Bで獲得した顧客の方が、2回目、3回目も商品を購入していたらどうでしょう。初回CPAだけでは、将来利益の大きい広告を見落としているかもしれません。
本記事では「初回購入から2回目購入への転換（F2転換）」に着目します。そして、自社の購買データ（1st Party Data）とIM-DMPの外部データ（3rd Party Data）を分析し、将来のF2転換を早期に推定できないかという挑戦を取り上げます。
データ・ディスカバリー・エージェント（DDA）は、こうしたデータの特徴を自然な言葉で問いかけながら分析し、施策の仮説を整理するためのAIエージェント群です。F2転換の予測モデル自体は、別途開発・検証が必要なPoC構想として区別します。
仮定：初回貢献利益¥4,000、F2貢献利益¥12,000。いずれも実績値・予測結果ではありません。
CPAが高くても、F2転換率が高ければ評価は逆転する
F2転換率とは、初回購入者のうち、あらかじめ定めた期間内に2回目を購入した人の割合です。通販の収益性を考えるときには、初回購入のCPAだけでなく、その後の購入から得られる利益も重要になります。
仮の数字で、2つの広告を比較する
例えば、初回購入1件の貢献利益を4,000円、2回目購入1件の貢献利益を12,000円と仮定します。初回購入者のうち2回目を購入する割合が、広告Aで15%、広告Bで45%だったとすると、次のように計算できます。
| 指標 | 広告A | 広告B |
|---|---|---|
| 初回CPA | 5,000円 | 8,000円 |
| F2転換率（仮定） | 15% | 45% |
| 初回＋F2の期待貢献利益 | 5,800円 | 9,400円 |
| CPA差引後の期待利益 | 800円 | 1,400円 |
計算：期待貢献利益＝初回貢献利益4,000円＋F2転換率×2回目貢献利益12,000円。そこから初回CPAを差し引いています。F3以降やその他の変動費、推定誤差はこの説明では省略しています。
この仮定では、広告BはCPAが3,000円高いにもかかわらず、期待利益は広告Aを600円上回ります。
「許容CPA」はどこまで引き上げられるのか？
許容CPAとは、1件の新規顧客獲得に対し、収益性などを踏まえて事業として許せる広告費の上限です。初回注文だけで採算を測る場合と、F2転換を含める場合では、妥当な上限が変わり得ます。
簡略化すると、次の考え方です。
許容CPAの目安 ＝ 初回の貢献利益 ＋（F2転換率 × 2回目購入の貢献利益）－ 必要な目標利益・未計上コスト
上の仮定例で広告Bの期待貢献利益は9,400円ですが、だからといってCPA9,400円まで無条件に投じてよいわけではありません。必要な利益、F3以降の扱い、送料や値引きなどの費用、予測誤差に対する余裕を考慮します。
重要なのは「高CPAを許す」こと自体ではなく、利益を増やせる根拠がある場合に、投資可能な広告の範囲を広げることです。
F2転換の実績を待たずに、広告の将来価値を判断できないか？
ここで壁になるのが、F2転換の評価には時間がかかることです。例えば初回購入から90日以内の再購入を成果とする場合、今月獲得した顧客の評価が固まるのは数か月先です。その間にも広告配信は続きます。
そこで考えたいのが、初回購入時点で取得できるデータから、将来のF2転換の可能性を推定する「F2転換予兆スコア」です。
未実装：モデルの学習・予測精度・F2効果の検証はこれからです。
自社データとIM-DMPの外部データをどう組み合わせるか
PoCでは、過去の初回購入者について、初回購入時点までに取得できた情報を説明変数として用います。具体的には、購入商品、購入金額、流入チャネル、広告クリエイティブ、購入前のサイト行動に加え、利用可能な範囲の外部興味関心データなどです。
DDAによる集計分析では、「F2転換者と非転換者にどんな特徴があるか」「外部データのどの項目に差が見られるか」といった仮説づくりを支援できます。その上で、過去のF2実績を使って予測モデルを開発する必要があります。
自社データだけのモデルと、外部データを加えたモデルを比較するのも重要です。外部データを加えたことで、将来の未知の顧客への予測性能が改善するかを見なければなりません。
実測検証で確認できたこと――Web行動と外部データの連携
インティメート・マージャーが取り扱う、ある通販Webサイトの約30日間の行動ログを用いた技術検証では、注文完了ページに到達したブラウザ識別子（UID）の9割超が、DMP属性データと共通UIDで突合できました。 実測から確認できたのは、来訪・流入経路・閲覧履歴などのWeb行動に、オンライン上の関心カテゴリを照合するためのデータ連携基盤です。
ただし、この割合は対象環境での識別子の一致率です。利用者本人の一致精度、注文の確定率、予測モデルの性能を示すものではありません。また、ブラウザUIDは顧客IDではなく、注文完了ページへの到達も決済確定を意味しません。同じUIDによる複数回の到達は観測できても、注文ID・過去の購買履歴・電話などによる注文情報がなければ、真の初回購入とF2転換を判定できないのです。
もう一つの重要な課題は、データの時点整合性です。 Web行動は注文完了ページへの到達時点より前に限定して切り出せますが、DMP属性は更新後の最新スナップショットが中心です。将来の行動が過去の予測に混ざらないようにするには、初回購入時点で利用可能だった特徴量を保存・再現する仕組みが必要です。今回、このリーク防止まで実証できたわけではありません。
F2転換予兆スコアで、広告のPDCAを高速化する
PoCで目指すのは、広告クリエイティブ別に予測F2率と初回CPAを並べ、将来の期待利益を基準に増額候補を早期に選べる状態です。
実施には、次の4つの検証が必要になります。
- F2の定義：商材ごとに、初回購入から何日以内の2回目購入をF2とするか固定する。期間が未満了の顧客を非転換扱いしない。
- 予測精度：時系列で過去の成熟コホートと将来コホートを分け、予測確率の校正、スコア帯別の実績F2率などを確認する。
- 施策別の評価：クリエイティブ別のCPA、予測F2顧客数、予測貢献利益を比較し、配信対象の違いなどの交絡に注意する。
- 実績による答え合わせ：条件を揃えた広告テストで、実績F2率と増分利益が改善したか確認する。
| 見る時点 | 指標 | その指標で決めたいこと |
|---|---|---|
| 初回購入直後 | CPA、平均予測F2率、予測F2獲得単価 | どの訴求を追加検証・増額候補にするか |
| F2評価期間満了後 | 実績F2率、顧客別利益、継続率 | 予測と判断は正しかったか |
| 条件を揃えた比較実験後 | 増分利益、投資効率 | 本当に増額すべきか |
モデル学習・精度検証は未実施。公開できる実績比較は現段階ではありません。
許容CPAを見直し、投資機会を広げるためのPoC
最終的なゴールは、CPAの高い広告を一律に止める運用から、将来利益が見込める広告を発見し、許容CPAと予算配分を合理的に見直せる運用への進化です。
ただし、2026年10月現在、F2転換予兆スコアの学習・精度検証は未実施です。確定受注・キャンセル・オフライン注文まで含む少なくとも数か月から1年程度の購買履歴と、ブラウザUID・会員IDを適切に結び付けるデータ連携、注文別の貢献利益、広告実績、予測時点の特徴量を準備するPoCが必要です。既存のDDAエージェントによる集計・仮説づくりと、将来のF2予測モデルの実装を混同せず進めます。
ここで得られた知見は、F2転換率だけでなく、顧客の長期的な価値や将来の広告投資判断の改善にも発展させられる可能性があります。
まとめ｜広告費を削減する分析から、利益を増やすための分析へ
CPAが高い広告でも、F2転換まで含めて評価すると、事業にとって投資価値が高い可能性があります。実際にその価値があるかを示すには、予測モデルの精度と、広告増額時の実績利益の双方を検証する必要があります。
番外編｜iM（アイム）くんの休日
高いパフェの許容CPA
休日のカフェ。iM（アイム）くんは、予算を少し超える季節のパフェを前に、なぜか広告の投資審査を始めた。
このパフェは高い。でも、二口目もおいしいなら許容CPAは引き上げていいよね！
CPAは取得単価のこと。あなた、パフェで何人獲得したの？
……自分一人。
じゃあ許容しているのはCPAじゃなくて、食欲でしょう。
数字を当てはめる前に、その数字の意味を確かめよう。
外部データとAIの活用を、東京・福岡の会場でご紹介します。各会場の出展内容は公式案内をご確認ください。
シリーズ関連記事
iM（アイム）くん｜IMマーケティングニュースのデータ活用ナビゲーター
好奇心旺盛で、いつも前向き。「まずやってみよう！」がモットーなんだ！
IM-DMPをはじめとするデータやAIの活用方法を、マーケティングの身近な課題や具体例を交えながらわかりやすく解説するよ。
冷静で分析が得意なパートナー・Mia（ミア）と一緒に、データから新しい仮説やインサイトを発見し、マーケティングの次のアクションにつなげていくんだ！
