AIエージェントを活用してAMCのメリットを最大限に引き出す

AIエージェントを活用してAMCのメリットを最大限に引き出す

学習を続ける: ウェビナーのリソースハブにアクセスして、ホワイトペーパー、実践的なツール、およびこのセッションで取り上げたアイデアを応用するのに役立つその他のリソースを入手してください。
‍
リンク： ウェビナーのリソースをご覧ください

イントロダクション

Amazon Marketing Cloud（AMC）は、広告主に対し、広告、オーガニック検索、購買プロセスのさまざまな段階において、消費者がブランドとどのように関わっているかをより深く把握できる機能を提供します。課題は、この複雑なデータを、チームが理解し、活用できるインサイトに変換することです。

このセッションでは、Intentwise社のケントン・スナイダー氏が、司会のロランド・ガレアナ氏とともに、AIエージェントがいかにAMC分析をより身近なものにできるかを実演しました。スナイダー氏は、チームが自然言語による質問を用いて複数のデータセットを分析し、パターンを特定し、視覚化を作成し、生データから実用的な広告判断へと移行する方法を探りました。

この機会は、単にデータへのアクセス速度を向上させることだけではありません。より的確なビジネス上の問いを立て、標準的なレポートでは見落とされがちな関係性を明らかにし、AMCの知見を広告および分析ワークフロー全体に容易に適用できるようにすることにあります。

あなたが学ぶこと

• 標準的なアトリビューションでは、顧客ジャーニーの全体像を把握できない理由
• AIエージェントが複雑なAMC分析をより利用しやすくする方法
• より深い疑問に答えるために、どのAMCデータセットを一緒に分析できるか
• 広告主はAIを活用した分析結果をメディア戦略にどのように反映させることができるか
• データ品質、正確なプロンプト、そして人間による検証が依然として重要な理由

AMCは顧客体験をより詳しく紹介する

標準的な広告レポートでは、通常、チャネルごとのパフォーマンスを評価し、特定の帰属モデルに基づいてコンバージョンを割り当てます。これによりキャンペーンレポートは理解しやすくなりますが、さまざまな広告インタラクションがどのように購入に貢献したかが分かりにくくなる場合があります。

例えば、買い物客は最初にスポンサードブランド広告を目にし、その後ディスプレイ広告を受け取り、ブランドを検索し、最終的にスポンサードプロダクト広告をクリックして購入する、といったケースが考えられます。ラストタッチアトリビューションモデルでは、たとえそれ以前の広告が買い物客の購買意欲を高め、購入へと導いたとしても、スポンサードプロダクト広告のインタラクションが購入の決め手となったと判断される可能性があります。

AMCは、広告主が顧客ジャーニー全体にわたる匿名化された広告およびショッピングイベントを分析できる、プライバシーが保護されたクリーンルームです。利用可能なデータセットに応じて、広告主は次のようなアクティビティを評価できます。

• 広告の表示回数とクリック数
• 製品詳細ページのビュー
• カートに追加するアクティビティ
• スポンサー広告とAmazon DSPでの露出
• 購入とリピート購入
• 新規ブランド行動
• 有料およびオーガニックなインタラクション

このより広い視野により、チームは標準的なキャンペーンレポートだけでは答えにくい疑問を調査できるようになります。どの広告タイプを組み合わせると最も効果的か？どのインタラクションが新規顧客獲得につながるか？異なる経路は購入率、平均注文額、長期的な顧客価値にどのような影響を与えるか？

AMCはこれらの疑問に答えるためのデータ基盤を提供するが、従来、それらの知見にアクセスし解釈するには、相当な技術的および分析的作業が必要だった。

AIエージェントは分析の負担を軽減できる

AMC分析では、SQLベースのクエリ、綿密に定義された日付範囲、複数のレポート、大規模なデータテーブルが頻繁に使用されます。事前に構築されたクエリライブラリを使用することでプロセスは簡素化できますが、それでもチームはレポートを実行し、出力を統合し、結果の意味を判断する必要があります。

AIエージェントは、このワークフローの一部を簡素化するのに役立ちます。AIツールが承認済みの適切な構造のデータセットにアクセスできる場合、ユーザーはすべてのテーブルを手動で確認したり、分析をゼロから構築したりする代わりに、自然言語で質問することができます。

セッション中、ケントン氏はAIエージェントがユーザーをどのように支援できるかを実演した。

• 異なる期間における新規顧客のパフォーマンスを比較する
• 顧客獲得において重要な変化が見られる製品を特定する
• コンバージョン経路レポートと広告重複レポートをまとめて分析する
• 初回接触と最終接触のアトリビューションを比較する
• 顧客生涯価値と新規顧客のパフォーマンスを視覚化
• 広告掲載頻度の違いによって購買行動がどのように変化するかを検証する

AIエージェントは、関連情報の取得、データセットの統合、パターンの要約、そしてより理解しやすい形式での調査結果の提示を支援できます。

これはAMCの専門知識の必要性をなくすものではありません。AIエージェントは依然として正確なデータ、明確な定義、そして十分なコンテキストに依存しています。また、AIエージェントの結論は、ビジネス上の課題と基となるレポートの限界を理解している人物によってレビューされるべきです。

AMCデータセットを組み合わせることで、より深い洞察が得られる。

AIを活用したAMC分析の最も価値のある応用例の一つは、関連するデータセットをまとめて分析できる点である。

コンバージョンへの経路と広告タイプの重複

コンバージョン経路レポートは、購入に至るまでに発生した広告とのインタラクションの順序を示します。広告重複レポートは、表示順序に関係なく、買い物客が複数の種類の広告に遭遇した場合にパフォーマンスがどのように変化するかを評価します。

これらの視点を組み合わせることで、広告主は最も効果的なコンバージョン経路と、その結果に貢献する広告の組み合わせの両方を特定するのに役立ちます。

ケントンのサンドボックス実験では、スポンサー広告とDSPの両方に触れた買い物客は、どちらか一方のチャネルのみに触れたグループよりも優れたパフォーマンスを示しました。この事例は、DSPは単独で評価されるよりも、より広範な広告ジャーニーをサポートする場合に効果を発揮する可能性があることを示唆しています。

今回のデモン​​ストレーションではサンドボックスデータを使用しているため、その結果を普遍的なベンチマークとして扱うべきではありません。広告主は、戦略を調整する前に、自社のデータを用いて分析を行う必要があります。

新規顧客獲得と顧客生涯価値

新規顧客を多く獲得できる製品が、必ずしも最も価値の高い顧客獲得手段となるわけではない。チームは、それらの顧客が最初の購入後も有意義な価値を生み出すかどうかについても検討する必要がある。

新規顧客のパフォーマンスと顧客生涯価値を分析することで、顧客をブランドに引き付けると同時に、より価値の高い顧客を引き付ける製品を特定するのに役立ちます。

この分析は、次のような疑問に答えるのに役立ちます。

• どの製品が、そのブランドへの最も強力な入り口となるでしょうか？
• 顧客獲得率の高い製品は、価値の高いリピーター顧客も生み出しているのだろうか？
• どの製品が追加の広告投資を正当化するだろうか？
• 長期的な価値を十分に考慮せずに、販売量だけを獲得しているブランドはどこにあるのか？

ファーストタッチとラストタッチの属性分析

初回接触時と最終接触時のアトリビューションを比較することで、異なる広告タイプが顧客ジャーニーのさまざまな段階でどのように貢献しているかを把握できます。

今回のセッションのデモンストレーションでは、スポンサードブランドが最初のインタラクションにおいてより優れたパフォーマンスを示し、顧客発見と見込み客開拓における役割を示唆しました。一方、スポンサードディスプレイは最後のインタラクションにおいてより優れたパフォーマンスを示し、リターゲティングにおいてより重要な役割を果たす可能性を示しました。

この種の分析は、広告主が各キャンペーンを最終接触時の広告費用対効果だけで判断するのではなく、チャネルが果たす役割に基づいてチャネルを評価するのに役立ちます。

DSP周波数とオーディエンスパフォーマンス

AMCは、広告掲載頻度の増加に伴い、購入率、顧客獲得コスト、その他の結果がどのように変化するかをチームが検証する際にも役立ちます。

目的は、普遍的なフリークエンシーキャップを採用することではありません。特定のブランドがリーチ、コンバージョン、コストのバランスを最も効果的に取れる露出範囲を特定することです。

AIエージェントはこれらの関係性を視覚化し、追加のインプレッションが収益逓減効果を生み出し始める可能性のある箇所を特定できます。広告主はこれらの結果を利用して、フリークエンシーキャップ、除外、入札調整、またはオーディエンス戦略を評価できます。

より良い質問は、より良い分析を生み出す。

AIエージェントはAMC分析へのアクセスを容易にすることができるが、アクセスが容易になったからといって、必ずしもより良い意思決定につながるわけではない。

出力の質は、質問の質に大きく左右されます。「AMCのパフォーマンスを分析してください」といった漠然とした依頼では、AIエージェントはほとんど方向性を見出せません。より具体的な指示であれば、期間、対象者、比較対象グループ、指標、そして関連するビジネス上の意思決定を明確に示すことができます。

具体的な例を挙げますと、以下の通りです。

2026年6月について、スポンサー広告のみ、DSPのみ、および両方のチャネルに接触した買い物客を比較します。各グループについて、リーチ、購入率、広告費用対効果、および新規ブランド獲得率を評価します。

このプロンプトは、エージェントに定義された対象集団、比較対象、期間、および成功指標のセットを提供します。

チームは、利用可能なデータで何がわかるのか、何がわからないのかを理解する必要があります。AMCデータは広告主のブランドに特化したものであり、他のブランドの顧客レベルの活動を明らかにするものではありません。オーディエンスの作成は、Amazonのプライバシー要件と最小オーディエンス基準にも引き続き準拠します。

ケントン氏がセッション中に説明したように、AIワークフローは、承認済みの他のデータセットと適切に接続されていれば、それらのデータセットを分析することができます。ただし、チームはAMC由来の情報と他のソースからの情報を明確に区別する必要があります。

これらのアイデアを実践に移す方法

1. まずはビジネス上の意思決定から始めましょう。 予算配分、オーディエンス戦略、顧客獲得、キャンペーン頻度など、改善したい内容を明確に定義してください。
2. 必要なデータセットを特定する。 質問がコンバージョン経路、広告重複、新規ブランド、顧客生涯価値、DSP、オーガニック、またはその他の承認済みデータを必要とするかどうかを判断します。
3. 具体的な課題を書いてください。 期間、対象製品または顧客層、比較対象グループ、指標、および望ましい成果を含めてください。
4. 分析と可視化を依頼する。 AIエージェントに最も重要な違いを説明してもらい、関係者がすぐに理解できる形式で提示してもらいましょう。
5. 行動を起こす前に、調査結果を検証してください。 正しいデータ、定義、日付範囲、および帰属モデルが使用されていることを確認してください。AIエージェントは分析支援ツールとして扱い、絶対的な真実の情報源として扱わないでください。

主要な取り組み

• 標準的なアトリビューションでは、購入につながった以前のインタラクションを見落とす可能性があります。
• AMCは、広告とショッピングイベントがどのように相互作用するかについて、より広い視点を提供します。
• AIエージェントは、AMCデータの探索や複数のレポートの統合分析を容易にする。
• 複数のデータセットを組み合わせることで、個々のレポートを個別に評価するよりも、より有益な知見が得られることが多い。
• サンドボックス環境や他の広告主からの結果を、普遍的なベンチマークとして扱うべきではありません。
• 的確な質問、正確なデータ、そして人間による検証は依然として不可欠である。