AdTruthが生み出すGoogle アナリティクスプレミアムの新しい活用方法　第3部

AdTruthが生み出す
Google アナリティクスプレミアムの
新しい活用方法
株式会社イー・エージェンシー

■Page 1Copyright© e-agency Inc. All right reserved.
本セミナーの構成
 AdTruthがもたらすメリット
 ローデータの活用による新しいアクセス解析手法
 （活用例）BigQuery連携によるリマーケティングの
実践
 最後に
 質疑応答

AdTruthがもたらすメリット

Cookieによるユーザの識別
 Cookieを利用することで、だれにどのコンテンツを配信したかを
アクセスログに残しておくことができる。
端末その1
端末その２
Webサーバ
コンテンツ
A,B,Cを要求
A B C
D
E
F
コンテンツ
D,E,Fを要求
アクセスログ
時間ユーザID コンテンツ
10:00 111 Aを送信
10:11 222 Dを送信
10:13 111 Bを送信
10:15 111 Cを送信
10:21 222 Eを送信
10:55 222 Fを送信
Cookie: 111
Cookie: 222
• 訪問を開始したページ、ゴールまで到着したユーザ（ブラウザ）が
判別できるので、精度の高いアクセス解析が実現可能となる。
• 訪問開始ページはAとD
• Fにアクセスしたのは222
cookie「id:111」を送信

アクセス解析における「ユーザ」の定義
 「ユーザ」≠「人」ではない
– アクセス解析ツールの多くはCookieを利用
– 会員番号やメールアドレスなどと違って人に紐づかない
– パソコン・ブラウザを変えると別のユーザとなる
 「ユーザ」≠「デバイス」でもない
– Googleアナリティクスは1st Party Cookieでユーザを判別
– ドメインを跨いでCookieの値を共有するのが困難
– 3rd Party Cookieは拒否・定期的に削除されることが多い
• iOS版のSafariではデフォルト拒否
– スマフォ環境ではユーザ識別（の保存）方法が複数存在する
• Cookie / IDFA / Android ID / アプリやOS内の記録領域、など

スマフォアプリの開発方法
ネイティブコードによる開発
– iOSならObjective-C、AndroidならJavaなどOS毎の言語を利用
– スマフォOSが提供するAPIにアクセスする
– ゲームなど応答速度が求められる場合、カメラなどのハードウェ
アを利用する場合に用いられる
HTML5（+JavaScript + CSS）による開発
– WebView呼ばれるアプリに埋め込んだブラウザが、ローカルもし
くはサーバにあるHTMLファイルを読み込んで表示する
– HTML5（+JavaScript + CSS）などWebサイトと同じ言語による
開発環境を利用
– ニュース記事など更新が多いコンテンツの場合に利用

1つのスマフォで3人のユーザ
標準ブラウザやスマフォアプリ（ネイティブ・WebView）がそれぞれ
ユーザ識別子を生成するので、それぞれが別人と認識される。
標準ブラウザスマフォアプリ
Webサイトのドメインでの
Cookie → 1人
ネイティブアプリの
ユーザ識別子 → 1人
WebViewアプリの
ユーザ識別子 → 1人

AdTruthが全てを解決？
Google アナリティクスで、どのように活用するのか？

AdTruthの識別子を計測
 カスタムディメンションを利用
– Google アナリティクスでAdTruthの識別子を計測する。
AdTruth ID ページ PV数
07f1c683500913b399d0374de96c2bdb /sports/baseball.html 1
fc3966e814e8b3562d17cc156926d01e /music/pops.html 1
a5c4350488e16aa65b0c3ab805f3332e /company/about.html 1
c4cbc0625c11f0b4015d637a209e271c /products/camera.html 1
1827030b6279525fec01858cd833e5a0 /furniture/desk.html 1
bd9f5886e6515eb7137f7a45d7f879a6 /books/cooking.html 1
27442b808cd8ab54f1ab4ef298940f47 /hobby/flower.html 1
– 分析者はAdTruthの識別子をみたいわけではない。
– この結果をさらに集計することで有益な分析結果が得られるが、サンプリング
やダウンロード件数の限界を考えると大規模サイトでは実用的ではない。

AdTruthをGAのユーザ識別に利用
 ユーザID統合
– Cookie（デバイス）を、「ユーザ」という上位階層で統合
– 1人のユーザが複数のデバイスを利用するという考え方
– ここにAdTruthの識別子を使ったら、会員番号による統合が
できなくなる。
AdTruth ID
ga('create', 'UA-XXXX-Y', {
'storage': 'none',
'clientId': '35009a79-1a05-49d7-b876-2b884d0f825b'
});
 Cookieの代替え
– Google アナリティクスでは、ユーザ識別用のCookieを自分で発行することが
できる。（独自cidの利用）
https://developers.google.com/analytics/devguides/collection/analyticsjs/domains
– 永続性が低いAdTruthの識別子だと再訪の判別やアトリビューション分析に
支障がでる
– DoubleClick Cookieと紐づかないのでGDNのリマーケティングに支障がでる
AdTruth ID

AdTruthはGAに使えない？
 AdTruthの識別子をカスタムディメンションで計測しても、
分析者が求めたい解析結果が簡単に得られない。
 AdTruthの識別子はユーザの識別には使えない
 AdTruthの識別子をGAのCookieの代替に使うデメリット
が多すぎる。
全く使う余地がないかと言えば、
そういうわけではない

効率的な識別子の使い方
 ユーザ識別子に求められること
– 横断性：ドメイン・ブラウザ・デバイスを跨っても共有できること
– 永続性：生成された値が継続的に利用できること
– 信頼性：識別子の揺るぎや重複が発生しないこと
– 普遍性：異なる環境でも同じ手法が使えること
 それぞれの手法のメリット・デメリット
 会員番号などユーザに紐づく情報は確実だが、利用できる場合が限られる
 アプリに限定すればAndroid IDやIDFAが使える
 対象サイト内での永続的なブラウザ識別は1st Party Cookieが強い
 短期間のクロスドメイン・デバイス判定はAdTruthが得意

Cookieを超えた分析の実現
 Cookieでユーザ（デバイス）を識別するGAでは、
複数デバイスが利用される現在のユーザ行動を
捕捉しきれない。
 解析の精度を上げるには、収集したログ（行動履
歴）を、複数の識別子を適切に使ってユーザを再
判定しなおした上で集計しなおす必要がある。
アクセス解析の限界を
超えるには？

ローデータの活用による
新しいアクセス解析手法

 GAのレポート画面では「日付」「URL」「キャンペーン」といった切り口
で集計（解析）された結果が提供される。
集計データを提供するGA
 GAの集計データでは調べられないことも多々ある。
– 集計結果の件数が大量に存在する場合
– 予め用意された集計条件以外での切り口
– フィルタ・コンバージョン・コンテンツグループ等の事前設定を変更した集計結果
– 長期間にわたって複数のセッションを跨いだ状態での集計結果
– 他のデータソースと後から連結して集計した結果

GAが用意していない切り口での解析
– コンテンツのアトリビューション分析ができる
– コンバージョンフローを自由なページ設定で実現できる
– サイト内バナーのクリック後の行動が追跡できる
個のレベルでユーザの行動を追跡
– Cookieと会員番号を紐づけることで、複数にわたって発生したセッションをユーザの
一連の行動として計測できる。
– 非サンプリング状態で集計すれば、ユーザ数が多くても精度を維持できる。
– 1年を超える長い期間を対象としたアトリビューション分析が可能
– コンバージョン後のユーザ行動も追跡できる
外部データとの自由な連携
– 顧客属性・購買履歴といった情報を後からアクセス解析に追加できる
– コンテンツの作者やカテゴリーといった付随情報を後から加えて解析できる
– 会員登録後の購入金額などコンバージョン結果を後から付与して解析できる
GAの限界を超えるローデータ解析

BigQueryとは
– Google社が提供するクラウド型のビッグデータ処理サービス
– システム構築は不要で、利用した分だけ料金が発生なので経済的
– 1兆行以上の大規模なデータ分析にも対応するハイパフォーマンス
– データの集計にSQLが利用できる
Googleのビッグデータソリューション

 Google アナリティクスプレミアムの機能としてGAのローデータが
BigQueryを介して提供され、集計データ以上の情報が解析に利用
できる
GAのローデータを提供するBigQuery連携
セッション情報
日付・時刻
参照元/キーワード
カスタム変数
ビジターID
etc….
ヒット情報
ページ
イベント
トランザクション
GA → BigQueryGAレポートU/I

 BigQueryをデータ解析の中心（ハブ）に位置付けることで、他の
システムからGAのローデータが利活用できるようになる。
データハブとしてのBigQuery
Google
アナリティクス
顧客データ etc.
(CRM, ERP)
SELECT
CONCAT(LPAD(STRING(HOUR(SEC_TO_TI
MESTAMP(visitStartTime))), 2, '0'),
FLOOR(MINUTE(SEC_TO_TIMESTAMP(visit
StartTime)) / 15) AS quarter_hour,
COUNT(visitId) AS numberVisits
SQLクエリーデータウェアハウス
レポーティング
ツールとの連携 BIツール
セッションデータ
ヒットデータ

（活用例）
BigQuery連携による
リマーケティングの実践

GAのリマーケティングとスマートリスト
リマーケティング（広告）
– サイトに訪問したユーザを対象にして広告を配信することで、無差別に広告
を表示させるよりも高いコンバージョンが期待できる
– 更に効率を上げるなら、「商品詳細ページを見た」「カートに商品を入れた」
といったユーザの絞り込みが必要となる
– リマーケティング対象のユーザ群をリマーケティング（リマケ）リストと呼ぶ
スマートリスト
– GAが広告主に代わって最適なリマーケティングリストを作成する機能
– 位置・ブラウザの種別・参照元・セッション滞在時間・ページ深度などGAが
収集した情報を元に、機械学習を使ってコンバージョンの確度が高いユーザ
を見つけ出す。
– 機械学習のパターンは多数のWebサイトで稼働するよう汎用性が高く、個々
のサイトの実態を考慮していない。

BigQueryを使ったリマケリストの作成
 BigQueryのローデータがあれば、サイトの特性を考慮し、
外部データを取り込んだ状態でリマケリストが作成できる
Predictive analysis using Google Analytics Premium and BigQuery
Yutaka Koga, gTech-Ads Platform Specialist team, Nov 6, 2014
※日本語による注釈は講師
オンラインで
会員登録
顧客DBに登録
BigQueryで
ローデータと
顧客情報を連結
統計解析ソフトで
確率スコアリスト
を作成
リマケリストを広告
ネットワークに送信
コンバージョンした
ユーザ
コンバージョン
ユーザに似た
行動パターン
のユーザに広
告を露出
①
② ③
⑤
ローデータ
の収集
④ ⑥
⑦
対象ユーザに広告
を配信⑧

予測とは？
 2変量の関係性が線形であった場合、その関係性は、Y＝aX＋b
という一次方程式の形で表すことができる。
 このとき、aとbが明らかとなれば、Xの値によって未知のYが計算
できる
⇒ 予測に必要なのは、正しくXを設定し、aとbを精度よく推定すること
＝数式になったものを「予測モデル」と呼ぶ
Y軸：子の身長(cm)
X軸：両親の平均身長(cm)
Y＝aX＋b
予測

予測の実際：予測モデルの作成
 ある会員があるサービスをコンバージョンする確率を予測する場合・・・
予測するもの考えられる要因
広告Aクリック有無
サービスCV確率
コンテンツA閲覧回数
他サービスCV回数
最終CVからの日数
モデル化（サービスCV確率=0.05*広告Aクリック有無＋0.008*閲覧回数＋・・・）し、
各会員に当てはめて確率計算（スコアリング）
・・・

予測を利用した広告配信リストの作成
 予測モデル構築できれば、当該サービスの広告に対する反応率が顧客個別に
算出できる。
 その反応確率降順のリストを作成し、上位から広告配信を行えばROIの改善が
期待できる。
広告配信でターゲティング可能な会員
問題：あるサービスの広告をどのターゲットに配信するか
反応確率を付与したターゲティングリスト
予測モデルで反応確率計算
⇒ 確率降順のリストを作成

ローデータを利用した反応率予測
 BigQueryに蓄積されたユーザのサイト内行動と広告測定データを結合して解析
することで、より効率なターゲティング広告の配信が可能となる。
 サイト内行動データ
• サイト内ページ閲覧回数
• 期間内の閲覧頻度
• 最新閲覧日からの期間
• ・・・
 広告測定データ
• 広告クリック数
• 期間内のクリック頻度
• 最新クリック日からの期間
• ・・・
※上記を、キャンペーンごと、
広告種別ごとなど、様々
なレベルで集計。
 ロジスティック回帰分析
下記の式に基づき、CV確率の
予測を行う。
Y= α + β1X1 + … + βnXn
• Y を目的変数（CV予測確率）、
Xnを、Google Analyticsによ
るサイト内行動データや、広告
データなどの説明変数として、
回帰モデルを構築
• ロジスティック回帰分析により、
変数によらない切片α、およ
び、各説明変数の回帰係数
βnを算出
分析確率スコアリスト
 CV確率のスコアリスト作成
ロジスティック回帰により、CV
確率を各ユーザに付与する
ことができます。
CV確率の高い順に広告出稿を
行うことで、全体的な広告効果
を保ったまま、広告出稿のコス
ト削減が可能となる。
データ
順位ユーザーID CV確率
1 AAA 0.88
2 BBB 0.86
… … …
10000 CCC 0.25
… … …
上
位
の
み
に
広
告
出
稿

確率スコアリスト作成のイメージ
 コンバージョンしたユーザのレコードから作成した予測モデルを未コンバージョン
ユーザに当てはめ、コンバージョンする確率を予測する。
※日本語による注釈は講師
オンラインデータオフラインデータ
したユーザ
してないユーザ
予測モデルを
作成

確率スコアリストをグラフで表現
 ユーザごとに算出されたコンバージョンの確率をグラフで表現した結果
 予測モデルによって80%のユーザにリーチする数を減らすことができる
80%の効果を
得るための
対象ユーザ数
カーブの下の面積の大きさ
でモデルの精度を評価
予測モデルが
ない場合の対
象ユーザ数
※日本語による注釈はと着色は講師

イーエージェンシーは
Googleアナリティクスプレミアムの
導入について、
豊富な実績数を有します。
サイト規模としては、
数億～数十億強のPVクラスのサイト様をサポート。
また、弊社経由でのプレミアム適応サポートサイト数は、
合計で約700サイトにのぼります(2014/7時点)

おもてなしを科学する
今回の出会いを頂戴しまして、誠に有難うございました。
Googleアナリティクスプレミアムをきっかけとしながら、
貴社のビジネスに貢献できるよう、
尽力してまいる所存です。
ご検討の程、何卒宜しくお願い申し上げます。

AdTruthが生み出すGoogle アナリティクス プレミアムの新しい活用方法 第3部

More Related Content

Viewers also liked

Similar to AdTruthが生み出すGoogle アナリティクス プレミアムの新しい活用方法 第3部