作成者:Kadence Leung 最終更新日:2026/04/12
はじめに
Amazon 広告の標準レポートは、その仕組み上「ラストタッチ」に偏っており、顧客が最後にクリックした広告にコンバージョンの貢献を 100% 割り当てます。そのため、ショッパーに最初に商品を知ってもらうきっかけとなった、DSP やスポンサーブランド広告などのファネル上層の認知施策が考慮されません。
マルチタッチアトリビューション(MTA)モデルは、ユーザーのコンバージョン経路全体を分析することで、この課題を解決します。データドリブン型およびルールベース型のさまざまなアトリビューションロジックを適用し、各広告タッチポイントが実際にもたらしている限界的な貢献度を明らかにします。単なるレポートにとどまらず、実行可能な予算再配分の推奨案と、改善後のパフォーマンス予測もご提供します。
本モデルは、次のようなご質問にお答えします。
Amazon の基本的なデフォルトアトリビューションでは見えない、ファネル上層の認知キャンペーンの実際の価値はどのくらいか
検索広告からディスプレイ広告へ予算を移した場合、コンバージョン総数にどのような影響があるか
マーケティング全体の効率を最大化するには、広告予算をどのように再配分すべきか
本レポートのご活用に適した場面
本モデルは、複数の広告タイプにまたがって予算を管理し、どのキャンペーンが成果を上げているかを推測に頼らず判断したい広告主様にとって欠かせないものです。
認知施策への投資の正当性の証明:ファネル上層の広告(DSP/SB)が、ファネル下層の検索広告をどのように「アシスト」しているかを示し、その投資対効果を証明できます。
予算配分の最適化:感覚に頼る必要はありません。予算最適化ツールを使用して、次の予算をどこへ移すべきかについて、数理的な根拠に基づく推奨案を得られます。
将来の成長予測:広告コンソールで実際に予算を変更する前に、シミュレーションツールで ROAS と購入総数の予測値を確認できます。
コンバージョン経路全体の把握:「動画広告の後に検索広告」のように、どの広告の組み合わせが相乗効果を生み、最も高い収益をもたらしているかを特定できます。
7 種類のアトリビューションモデル
MTA では、データを 7 通りの方法で分析できます。最も精度の高い結果を得るには、モデルベースの手法(マルコフ連鎖とシャープレイ値)のご利用をおすすめいたします。
モデル | 仕組み | 適した用途 |
マルコフ連鎖(推奨) | 特定の広告を施策から除いた場合に、売上がどの程度減少するかを測定します。 | 戦略に「不可欠」な広告の特定 |
シャープレイ値(推奨) | ゲーム理論を用いて、各広告の限界的な貢献度に基づき、貢献を公平に配分します。 | 複数の接点を持つ複雑なメディアミックス |
ファーストタッチ | 最初に接触した広告に貢献を 100% 割り当てます。 | 新規顧客の獲得に最も貢献している広告の評価 |
ラストタッチ | 最後に接触した広告に貢献を 100% 割り当てます。 | Amazon 広告コンソールの標準レポートとの照合 |
線形 | 購入までの経路にあるすべての広告に、貢献を均等に配分します。 | 検討期間の長い商品 |
時間減衰 | 購入時点に近い広告ほど、多くの貢献を割り当てます。 | プライムデーなど、短期間のプロモーション |
位置ベース | 最初の広告に 40%、最後の広告に 40%、中間の広告に 20% を割り当てます。 | 「きっかけ」と「購入の決め手」の両方の評価 |
ご利用方法
1. アトリビューション結果を比較する
上部のメニューから 7 種類のモデルのいずれかを選択します。ダッシュボードに、Amazon 公式のアトリビューションと、選択した MTA モデルのアトリビューションを並べて比較する棒グラフが表示されます。
確認すべきポイント:Amazon のモデルよりも MTA モデルで棒グラフが大幅に高くなっている広告タイプ(DSP など)にご注目ください。これらの広告タイプが、見えにくい価値を生み出していることを示しています。
💡 ヒント:マルコフ連鎖のインタラクティブグラフの見方
マルコフ連鎖モデルを選択した場合は、「説明(Explanation)」タブを開くと、追加のインタラクティブグラフをご利用いただけます。ユーザーがたどる可能性のあるすべてのコンバージョン経路が可視化されます。
ノード(円):各円は特定の広告タッチポイントを表します。円を通過するユーザーは、その広告がリーチしたオーディエンスを表します。
インタラクティブな除外効果:任意の広告タッチポイントをクリックすると、その広告を一時的に施策全体から「除外」できます。
影響の確認:右側のデータウィンドウで「除外効果(Removal Effect)」が算出されます。その広告の配信を停止した場合に全体のコンバージョン率がどの程度低下するかが表示され、広告の実際の貢献度を明確に把握できます。
2. 予算最適化の推奨案を確認する
各タッチポイントの実際の価値を把握したら、「予算最適化」モジュールを開きます。システムが過去の予算配分の比率と新しいアトリビューションデータを比較し、数理的な根拠に基づく推奨予算配分を提示します(例:SP から DSP へ 10% を移行)。
3. 予測結果を分析する
「予算最適化の予測結果」タブをクリックします。推奨予算に基づき、ROAS とコンバージョン総数の改善見込みをシミュレーションします。予測の棒グラフが軸より上にある場合は、新しい予算配分によって全体のパフォーマンスが向上すると予測されていることを示します。
よくある質問
本モデルにおける「タッチポイント」とは何を指しますか?
定義済みの基本モデルでは、DSP は過去 14 日間のインプレッションに基づいてアトリビューションされます。スポンサープロダクト広告、スポンサーブランド広告、スポンサーディスプレイ広告は、過去 7 日間のクリックに基づいてアトリビューションされます。
アトリビューションのルックバック期間やトリガーイベントをカスタマイズできますか?
はい、可能です。カスタムモデルを作成する際は、最大 10 個の広告グループを独自に定義できます。各グループについて、イベントタイプ(インプレッションまたはクリック)と具体的なルックバック期間を設定できます。
ヒント:ファネル上層の施策(DSP)には「インプレッション」と長めのルックバック期間を、ファネル下層の施策(SP)には「クリック」と短めのルックバック期間をご利用ください。
MTA の結果に偏りやゆがみがあるように見えるのはなぜですか?
主に、ルックバック期間の設定が原因です。期間が短すぎると、初期の重要なタッチポイントを見落としてしまいます。反対に長すぎると(例:5 ドルの日用消耗品に 80 日間のルックバック期間を設定した場合)、最終的な購入に実際には影響していない無関係なデータや広告接触まで取り込んでしまいます。ルックバック期間は、必ず対象商品の自然な意思決定サイクルに合わせて設定してください。
本モデルでは、外部要因やオフラインの要因も考慮されますか?
いいえ、考慮されません。本モデルが追跡するのは、Amazon 上でのデジタルな接点のみです。予算に関する推奨案を検討する際は、大型連休や競合他社の在庫切れなどの外部要因も必ず考慮してください。
用語集
種類 | 用語 | 英語表記 | 説明 |
ディメンション | イベント | Event | アトリビューションモデルの対象となるインプレッションまたはクリックです。 |
ディメンション | 広告アカウント | Ads Account | 広告キャンペーンの管理・運用に使用するアカウントです。 |
ディメンション | モデル | Model | コンバージョンなどの成果を、特定のイベントやタッチポイントに割り当てるためのアルゴリズムまたは手法です。 |
ディメンション | 目標 | Goal | 広告キャンペーンで達成を目指す主な目的または成果です。 |
ディメンション | アトリビューション | Attribution | キャンペーン目標の達成に果たした役割に応じて、各マーケティングタッチポイントに貢献度を割り当てるプロセスです。 |
指標 | 購入総数 | Total Purchase | 広告キャンペーンによって発生した購入の総数です。 |
指標 | 新規顧客購入総数 | Total NTB Purchase | 新規顧客(NTB)による購入の総数です。キャンペーンの影響を受けた初回購入者を示します。 |
指標 | 実際の広告費 | Actual Cost | 広告キャンペーンに支出した費用の合計です。 |
指標 | 推奨予算 | Suggest Budget | 過去の実績と今後の目標に基づく、今後の広告施策に推奨される予算配分です。 |
指標 | 予測結果の変化 | Forecast Result Change | 提案された調整や現在の傾向によって見込まれる、キャンペーンのパフォーマンス指標の変化です。 |


