リテールメディアにおけるアドブラインドネス―測定と対策、広告が適切に運用されるための方法とは
当記事は2024年4月16日に配信したプレスリリースを転載したものです
「アドブラインドネス」とは、ユーザーが長期間質の悪い広告にさらされるうちに、ユーザーが広告を無視するようになることです。「バナーブラインドネス」はこのアドブラインドネスの代表格です。 ユーザーは、質の悪い広告に長くさらされればさらされるほど、サイト上の広告をクリックする可能性が大幅に低くなるため、広告ビジネスにとっては自らの首を絞めていると言えます。
2015年にグーグルが行ったアドブラインドネスに関する調査では、広告の量よりも質がアドブラインドネスの重要な要因であることが示されました。この研究によると、数は少なくても質の高い広告ではアドブラインドネスが緩和される一方、質の低い広告が大量にあるとアドブラインドネスが悪化したのです。ここで懸念されるのは、質の高い広告を再度表示したとしても、ユーザー行動が再び変化するには、長い時間がかかることです。
この問題は、ディスプレイ広告やバナー広告に限ったことではなく、スポンサープロダクトのようなネイティブ広告を含む、あらゆるタイプの広告に影響することです。ユーザーは順応し、「スポンサード」と表示されたものは視野から消える可能性があります。アドブラインドネスは、多すぎる広告、広告疲れ、誤解を招くコンテンツ、ユーザーに関連性のない広告など、様々な原因があるのです。
広告が本当にネイティブであり、広告とオーガニックコンテンツのバランスがよく考えられている場合、リテールメディアでアドブラインドネスに陥る主な原因として考えられるのは、無関係または質の悪い広告です。例えば、乳糖不耐症の人に乳製品の広告を繰り返し表示したり、洗濯サービスを利用する人に洗濯洗剤の広告を繰り返し表示したりすると、ユーザーが購入者になることなく、ユーザーは困惑するでしょう。
ユーザーエンゲージメントに対して、アドブラインドネスがもたらす欠点を認識することは、問題解決の第一歩にすぎません。アドブラインドネスを正確に測定し、適切で意味のある広告を配信するための適切なツールを使い、アドブラインドネスを回避または解決するための対策とは何か、以下にご説明します。
アドブラインドネスの測定方法
ユーザーが広告をスキップしたり無視したりする割合を正確に測定し、交絡因子を排除するためには、処理Aと処理Bを比較するA/Bテストではなく、A/Aテストでアドブラインドネスを測定する方法が最適です。
アドブラインドネスの測定手順
● 測定前に：先行実験の影響が残らないように、ユーザーコーホートをシャッフルすることを推奨します。
● A/Bテスト期間： A/Aテストに続き、A/Bテストを行います。この段階では、ユーザーをAとBの2つのコーホートに分けます。コーホートBのユーザーは、広告を一切表示しない、または質の高い広告を表示する（つまり、品質スコアが入札額よりも高い）など、異なる広告処理を受けます。
● A/Aテスト： A/Bテストの後、A/Aテストを実施します。このフェーズでは、A/BテストでコーホートA（通常通り広告を表示）にいたユーザーコーホートとコーホートB（広告を表示しない、またはより質の高い広告を表示）にいたユーザーコーホートの広告エンゲージメント率を測定し、比較することができます。2つのコーホート間のエンゲージメント率の違いから、アドブラインドネス、つまり質の低い広告にさらされたことによるユーザーの学習効果の影響が明らかになります。
ユーザーの学習には長い期間を要する可能性があり、学習効果を測定するために何ヶ月も待つことができないこともあります。。その場合、代替案として、次のような設定を考えることもできます：
● 一定間隔でのB/Bテスト ：一定間隔（例えば毎日）で、新しいユーザーコーホートで新たにコピーテストを開始します。各新規コーホートは、コーホートBの広告（まったく広告が表示されない、もしくはより質の高い広告）が表示されます。これにより、コーホート間の主要な差が、各ユーザーコーホートがコーホートBの広告にさらされた期間であるB/Bテスト設定が作成されることになります。
● デイリーシャッフリングB'テスト：完全に分離された、重複しないコーホートを持つ代わりに、実験バケットにユーザーを割り当てるために使用されるハッシュ関数を変更することができます。ハッシュ関数を定期的に変更することで、どのユーザーが実験に参加するかをランダムにすることができ、実験のトラフィックシェアが十分小さければ、繰り返し実験に参加するユーザーの数は無視できるほど少なくなります。
● 差の測定： 実験期間中、BコーホートとB'コーホートの広告エンゲージメントの違いを比較します。この分析により、長期的な学習効果の大きさに関する貴重な洞察が得られ、ユーザーの行動が時間とともにどのように変化するかを理解することができます。
このテスト手順に従うことで、アドブラインドネスと、広告に対するユーザーのインタラクションに対する長期学習の影響を効果的に測定することができます。
アドブラインドネスを回避する方法
広告の盲点を解決するには適切なツールが必要ですが、解決までには時間がかかるものです。最良のアプローチは、悪い広告の配信を完全に避けることです。アドブラインドネスを解決または回避するための解決策はシンプルで、より良い広告を制作することです。
より良い広告を制作するには、次の2つの重要な側面に焦点を当てる必要があります。
● コンテンツ： 広告をより良い見た目に、よりクリエイティブにする
● コンテキスト : ファーストパーティのユーザーイベントを利用して、より関連性の高い広告を配信する
しかし、リテールメディアにおいては、コンテキストの方が実は取り組みやすく、価値のある部分かもしれません。機械学習によるデータドリブンシグナルを利用したパーソナライゼーションは、大幅な改善をもたらす可能性があります。
例えば、あるユーザーがサッカーシューズを購入し、その後ソックスを購入したとします。機械学習によってこのパターンを認識することで、靴下の購入だけを見ているだけでは関連性が薄いすね当てを、インテリジェントに提案することができるようになります。機械学習モデルは、このようなつながりを識別することができ、ユーザーに店頭のような体験を提供することができるようになります。
アドブラインドネスがもたらす影響
とりわけ重要なのは、アドブラインドネスは、リテールメディアのようなネイティブコンテンツに至るあらゆる広告フォーマットに影響を及ぼすことを認識することです。その原因は、広告の過多から関連性の欠如まで、多岐にわたります。この問題に効果的に対処するために、コンテンツとコンテキストの両方を重視した総合的なアプローチが必要です。機械学習によってパーソナライズされたユーザー体験に焦点を当てることは、前途有望な道筋を提供します。
アドブラインドネス対策について、より詳しく検討されたい方は、こちらまでお問い合わせください。
■Molocoについて
Moloco, Inc.（本社：米カリフォルニア州レッドウッドシティ、共同創業者・CEO：Ikkjin Ahn、日本事業責任者：坂本達夫）は、あらゆる規模の企業に先進的な機械学習を提供することで、より公平で、高収益なデジタル経済の実現を目指しています。
成長と成果を約束するMolocoの機械学習プラットフォームを通じ、アプリパブリッシャーやオンラインショップ事業者は、自社が有する1st Party データの価値を引き出せるようになります。
アプリパブリッシャーは、モバイルアプリのパフォーマンスマーケティングに特化したプログラマティック広告プラットフォーム「Moloco Cloud DSP」を通じて短期間でユーザーを獲得し、予測モデルによってLTVを向上できます。 オンラインショップ事業者は、「Moloco Retail Media Platform」を通じ、自社サービス内に独自のパフォーマンス広告ビジネスを確立できます。
Molocoは2013年、元Googleの機械学習エンジニアによって設立されました。本社を構える米国レッドウッドシティに加え、米国各拠点、英国、韓国、中国、シンガポール、そして日本など世界各地で展開しています。
詳細は https://www.moloco.com/ja/ をご覧ください。
