広告データを一元管理して、分析・自動化・AI活用まで持っていきたい
Photo by Igor Omilaev on Unsplash
こんにちは。お久しぶりです。
エンスポーツプロジェクトでは、とくにここ最近AIに全ベットしています。では具体的にどんなふうにAIを活用しようとしているのか、日記レベルになりますが発信していけたらと思っております。
今回は広告運用の話ですが、まあまあこんな状況になりがちです。
- Meta広告はMeta Ads Manager、Google広告はGoogle Ads、Apple AdsはApple Ads のダッシュボードをそれぞれ開いて確認
- 各プラットフォームのCSVをダウンロードしてスプレッドシートに貼り付けて比較
- 「結局どの媒体が一番効率いいの?」が即答できない
3つの管理画面をいったりきたりしている時間、もったいない。
3プラットフォームの広告データをすべてBigQuery(Googleのデータウェアハウス)に自動で流し込み、一箇所で横断分析できる基盤を構築します。そして最終的には、AIを使った分析・意思決定支援まで持っていきたいと思います。
おもにClaude、Codexに頑張ってもらいます。
やりたいこと
Phase 1:データを集める
まずは一番大事な「データの一元化」から。
Meta広告 ─┐
Google広告 ─┼─→ BigQuery(一箇所に集約)
Apple Ads ─┘
各プラットフォームのAPIから日次でKPIに関するデータを自動取得します
- 基本指標
- インプレッション、クリック数、費用
- 効率指標
- CPC、CPM、CTR
- 成果指標
- コンバージョン数、コンバージョン値
- 粒度
- キャンペーン → 広告グループ → 広告単位
ポイント:毎朝自動で最新データが入る。人が何もしなくていい。
Phase 2:横断で見る
BigQueryに入ったデータは「統合ビュー」で横断的に見られるようにします。
例えばこんなことが一瞬でわかるようになります。
- 「今月、媒体ごとの広告費とCPAの比較」
- 「先月と今月のMeta広告のパフォーマンス推移」
- 「全媒体合算で、ROASが一番高いキャンペーンはどれ?」
各プラットフォームで微妙に違う用語も統一する予定です。
Phase 3:可視化する
BigQueryに入ったデータはLooker Studio(旧 Google Data Studio)で誰でも見れるダッシュボードに。
想定しているダッシュボード
- 日次レポート — 各媒体のSpend/CPA/ROASを一画面で
- 媒体比較 — どこに予算を寄せるべきかが一目瞭然
- トレンド分析 — 週次・月次の推移を追える
チームメンバーなら、ブラウザを開くだけで最新データが見られる状態を作ります。
Phase 4:自動化する
データが貯まってきたら、運用のルーティンワークを自動化していきます。
- アラート通知 — CPAが急騰したら即Slack通知
- 日次レポート自動送信 — 毎朝チームにサマリーが届く
- 異常検知 — 「いつもと違う」を自動で検出
手作業で監視していた部分を、ルールベースで自動化します。
Phase 5:AIで分析・最適化
ここが最終ゴール。貯まったデータをAIに食わせて、より賢い意思決定をします。
考えていること:
- パフォーマンス予測 — 「この予算配分だと来月のCPAはこうなりそう」
- 最適予算配分 — 3媒体にどう予算を振るのが最も効率的かを提案
- クリエイティブ分析 — どのクリエイティブパターンが効いているかをLLMで言語化
- 自動レポート生成 — 数字の羅列ではなく「何が起きているか」を自然言語で説明
BigQuery MLやLLM(Claude等)を活用して、データを見るだけでなく「次に何をすべきか」まで出せる状態を目指します。
技術的なアプローチ
ざっくりまとめます。
仕組み
┌──────────────┐ ┌──────────────┐ ┌──────────────┐
│ Meta Ads │ │ Google Ads │ │ Apple Ads │
│ API │ │ API │ │ API │
└──────┬───────┘ └──────┬───────┘ └──────┬───────┘
│ │ │
└────────────┬───────┘────────────────────┘
│
┌─────────▼──────────┐
│ Cloud Function │ ← 毎朝自動実行
│ (データ取得・変換) │
└─────────┬──────────┘
│
┌─────────▼──────────┐
│ BigQuery │ ← データの倉庫
│ (統合データ基盤) │
└─────────┬──────────┘
│
┌────────────┼────────────┐
│ │ │
┌────▼────┐ ┌────▼────┐ ┌────▼────┐
│ダッシュ. │ │自動化 │ │AI分析 │
│ボード │ │アラート │ │最適化 │
└─────────┘ └─────────┘ └─────────┘
なぜBigQueryか
- スプレッドシートの限界を超える — 数十万行のデータでも一瞬で集計
- SQLで何でも聞ける — 「先月のMeta広告でCPAが一番低かったキャンペーンは?」みたいな質問にすぐ答えが出る
- 他ツールとの連携が楽 — Looker Studio、Googleスプレッドシート、各種BIツールと直結
- AI/MLとの相性がいい — BigQuery ML が組み込みで使える
なぜ自前で構築するのか
Fivetran、Funnel.io、Supermetricsなど既存のSaaSツールもありますが
- コスト — 広告アカウント数やデータ量が増えるとSaaS費用がかさむ
- 柔軟性 — 独自の変換ロジックやAI連携は自前の方がやりやすい
- 学習 — データ基盤の仕組みを理解していることが、後のAI活用フェーズで活きる
もちろんトレードオフはあります(構築・保守コスト)。今回は柔軟性とAI連携を優先しました。
まとめ
「広告データを集めて、見て、動かす」を一気通貫でやる。
最初は地味な「データ集め」からですが、ここがちゃんとしていないと、その上に乗るダッシュボードもAI分析も砂上の楼閣になります。
まずは堅い基盤を作って、段階的に分析→自動化→AI活用へと積み上げていきます。
続報はデータが実際に流れ始めたタイミングで、ご報告できたらと思います!