SegmentStreamは予測か実験か｜予算配分に使う前の線

「広告管理画面の成果と、分析ツールの成果と、受注の数字が全部ちがう。どれを信じて来期の予算を決めればいいのか」「クッキーが使えない人が増えて、計測できない成果が年々増えている。機械学習で推定すると言われても、その数字をそのまま予算に回して大丈夫なのか」——広告の配分を任されたマーケ責任者からも、それを承認する経営層からも、同じ戸惑いが出ています。広告の計測基盤 SegmentStream は、2026年5月に旧来の単独モデルを廃止し、機械学習による予測をすべての基本モデルに重ねる形へ移りました。2月には MCP サーバーを公開し、AIアシスタントから分析と配分の変更までできる道を開いています。ただ、推定が精密になることと、その推定で予算を動かしてよいことは別の問題です。この記事では、SegmentStream の予測の数字を予算配分に使う前に、どの前提を確かめ、どこで実験と突き合わせ、AIにどこまで触らせるかを、場面ごとに整理します。

SegmentStream は、広告の貢献を測り、予算配分まで動かす計測基盤

SegmentStream は、複数の広告媒体にまたがる成果の貢献度を計測し、その結果をもとに予算の配分案を作る計測基盤です。公式サイトは自社を「マーケティング計測の基盤」と位置づけ、媒体をまたいだ貢献度の計測、増分の実験、追加の一円が生む成果の分析、予算の自動配分の四つを柱に挙げています。中身としては、端末や訪問をまたいで同じ人を結びつける識別の仕組み、予測による貢献度、アンケートで本人が答えた認知経路を使った補正、顧客管理の商談段階までの貢献度、配分の試算、地域の停止実験といった部品が並んでいます。

国内では、媒体の管理画面と GA4 の数字を比べる運用が一般的で、こうした独立の計測基盤はまだ多くありません。公式サイトに顧客として並ぶのは、通販や小売、旅行など、消費者向けで広告費が大きく、複数媒体に分散している事業者が中心です。料金は公開されておらず、すべて問い合わせの形です。導入の規模感は、媒体の数と広告費の大きさで決まると考えておくのが現実的です。

この記事の対象は、媒体の自己申告ではない数字で配分を決めたいと考え始めた、広告費がある程度大きいBtoBやBtoCの会社です。BtoBの接点を会社単位で集計する種類の製品とは、狙いが違います。SegmentStream が強いのは、広告のクリックや訪問から成果までを人単位で推定し、媒体の配分を動かすところで、商談の接点を会社ごとに並べる用途ではありません。どちらが自社の問いに合うかを先に決めておくと、比較で迷いません。

2026年の三つの動き：予測アトリビューション、MCP サーバー、データ基盤との提携

公式の更新情報を追うと、2026年の SegmentStream は三つの方向に動いています。一つ目は予測です。5月6日、創業者が公式ブログで、それまで単独のモデルとして提供していた訪問の採点のモデルを廃止し、その機械学習を初回接触・最終クリック・複数接点のすべての基本モデルに重ねる「予測アトリビューション」に移すと発表しました。既存のレポートや配分の設定は自動で移され、移行の前に全案件を点検したと説明しています。5月18日の更新情報では、成果が出そろうのを何週間も待たずに読める媒体横断の予測レポートが紹介されました。

二つ目はAIとの接続です。2月25日には MCP サーバーを発表し、Claude のようなAIアシスタントが計測と配分の仕組みに直接つながり、レポートの取得や分析に加えて、配分の最適化の仕組みを使って媒体間の予算を移すといった変更の実行までできると説明しています。5月には、Claude や Codex など MCP に対応した環境で使える技能集も加わり、データに基づく助言、識別の抜けの点検、地域の停止実験の結果の読み解き、不正な訪問の検出などが並びました。

三つ目はデータの置き場所です。10月7日には、米トゥイリオ社の顧客データ基盤との提携を発表し、その基盤が顧客のデータ基盤に送っている行動データを SegmentStream が読み、媒体横断の貢献度、追加の一円あたりの成果、予算の推奨を作れるとしました。推奨は一度の操作で媒体に送れること、予測した顧客生涯価値や見込み度を顧客データ基盤に書き戻せることも説明されています。9月には OpenAI の広告費の取り込みも加わりました。提供終了や新規受付停止の告知はなく、更新は数か月おきに続いています。

• 予測の精度や配分の効果について、提供元は具体的な数値を更新情報の中では示していません。精度の検証は案件単位で過去に遡って行っていると説明していますが、その結果は自社の数字で確かめる必要があります
• MCP サーバーの公表時の説明では、認証や権限の細かい設計、変更の前に人の承認を挟む仕組みには触れていません。導入時に必ず確認してください

ミニ用語：予測込みの数字、増分、追加の一円あたりの成果

この記事で使う言葉を、SegmentStream の画面の考え方に沿ってそろえておきます。まず「予測込みの数字」です。SegmentStream は、成果、獲得単価、広告費用対効果のそれぞれについて、観測した値と並べて、まだ成果に至っていない訪問のうち成果に至りそうな分を足した値を出します。観測の値は過去の事実、予測込みの値は事実に推定を足したものです。同じ表に並んでいても、性質の違う数字です。

次に「増分」です。その広告がなかったら起きなかった成果、つまり広告が上乗せした分を指します。貢献度は、起きた成果を接点に割り振った結果であって、広告がなくても起きた成果も含まれます。増分は、広告を止めた地域と続けた地域を比べるような実験でしか、直接は確かめられません。SegmentStream の地域の実験は、試す地域で広告を完全に止める停止型だけに対応していると公式の手引きに書かれています。

最後に「追加の一円あたりの成果」、提供元の言葉でいう限界の広告費用対効果です。平均の費用対効果が高い媒体でも、すでに出稿が飽和していれば、追加の予算はほとんど成果を生みません。SegmentStream は、どの施策にまだ伸びしろがあり、どれが飽和しているかをこの指標で示すとしています。予算を動かす判断で本当に要るのは、平均ではなくこの追加分の見込みで、ここに推定の誤差が最も効いてきます。

比較の軸：予測で測る、実験で測る、それぞれが答える問い

予測と実験は、どちらが正しいかを争う関係ではありません。答えている問いが違います。予測は「今月の施策は、成果が出そろったらどのくらいになりそうか」に早く答えます。実験は「この媒体を止めたら、成果は本当に減るのか」に答えます。前者は速く、成果の確定を待たずに更新できますが、モデルの前提に依存します。後者は遅く、費用もかかりますが、前提への依存が小さい答えを返します。

観点	予測アトリビューション	地域の停止実験
答える問い	成果が出そろう前に、施策の行き先を早く読む	その広告が本当に成果を上乗せしているか
速さ	随時。成果の確定を待たない	数週間から数か月。商談の長さに比例する
前提への依存	識別の仕組みと行動の信号、学習の期間に強く依存する	比べる地域の似かたと、検出できる最小の差に依存する
費用	基盤の利用料の範囲	止めた地域の機会損失と、設計の手間
予算での使いどころ	週次の微調整、異変の早期発見	大きな配分の移動、媒体の継続か撤退かの判断
人が確かめること	予測と確定値のずれを月ごとに記録する	検出できる最小の差が十分小さいかを実験の前に見る

この表のとおり、二つは役割が分かれます。予測は速さと引き換えに前提を抱える数字、実験は遅さと引き換えに前提を減らした数字です。予算配分の判断では、予測で候補を絞り、大きく動かす前に実験で裏付けをとる、という順番がもっとも無理がありません。予測だけで媒体の撤退を決めない、という一行を社内の決まりに書いておくと、この順番が崩れにくくなります。

「予測なら計測の欠けを埋められる」は半分だけ正しい

SegmentStream の予測が埋めているのは、主に時間の欠けです。成果に至るまで何週間もかかる商材では、月末の時点で見える成果は少なく、新しく始めた施策ほど不当に低く見えます。公式ブログでは、30日以上の成熟の期間を待たずに、意図の強い層への移行が予測にすぐ表れると説明しています。この点は、確かに予測の強みです。

一方で、識別の欠けは予測では埋まりません。予測は、識別の仕組みでつながった訪問と、ページの閲覧、再訪、活動した日数、端末、地域、流入元といった行動の信号をもとに一人ずつ採点します。同意を得られずに計測できなかった訪問、別の端末に移って結びつかなかった訪問は、そもそも採点の対象に入らないか、入っても信号が薄くなります。欠けた訪問が特定の媒体に偏っていれば、予測込みの数字もその偏りを引き継ぎます。

さらに、予測は過去の学習から成り立っています。提供元は直近のデータで学び直すと説明していますが、商材の値上げ、季節の外れ、競合の大型の出稿といった、過去に例のない変化には遅れて追いつきます。つまり、予測は「時間の欠け」には強く、「識別の欠け」と「前例のない変化」には弱い。この三つを区別して読むことが、予測込みの数字を予算会議に出す前の最低限の作法です。

シナリオ1：成熟していない月の数字で、四半期の配分を決める

四半期の終わりの配分会議で、最終月の数字はまだ成果が出そろっていません。予測込みの数字を使えば、新しく始めた動画広告が観測値より大きく伸びて見えます。このとき起きやすいのは、予測込みの伸びをそのまま来四半期の増額の根拠にすることです。

ここで確かめるのは三つです。一つ目は、その媒体の予測と、過去の月の確定値のずれです。三か月前の予測が、成果が出そろったあとにどれだけ当たっていたかを媒体ごとに並べれば、どの媒体の予測を信じてよいかが見えます。二つ目は、予測の上乗せ分が全体の何割を占めているかです。観測値に対して予測の上乗せが大きい媒体ほど、外れたときの影響が大きくなります。三つ目は、提供元が初回接触を新規獲得に推奨していることを踏まえ、どの基本モデルの上に予測を重ねた数字かを会議資料に明記しているかです。

実務では、予測込みの数字は「来四半期にどの媒体を実験で確かめるか」を選ぶ材料に使い、増額の幅そのものは確定値で決めるのが安全です。どうしても予測込みで動かすなら、移す幅に上限を設け、翌月の確定値で見直す日を先に決めておきます。予測が外れても、損失が一か月分の上限の範囲で止まるからです。

シナリオ2：予測は伸びているのに、地域の停止実験では差が出ない

予測アトリビューションでは貢献の大きい媒体が、地域の停止実験では、止めた地域と続けた地域の成果にほとんど差が出なかった。これは珍しいことではありません。貢献度は起きた成果を接点に割り振った結果で、広告がなくても起きた成果を含みます。指名検索や既存顧客への再訴求のように、もともと買う人の通り道にある広告は、貢献度が高く、増分が小さく出やすいのです。

ただし、差が出なかった実験がそのまま「効いていない」を意味するとは限りません。SegmentStream の地域の実験では、結果とともに、その実験で確実に検出できる最小の差が示されます。公式の手引きは、増分がこの最小の差を下回る場合は施策の効果とは言い切れないとし、最小の差が大きすぎる設定には警告を出すと説明しています。差が出なかったのか、差を測れる設計ではなかったのかを、まずここで見分けます。

もう一つの注意点は、地域の分け方です。手引きによれば、市区の単位で分けると接続元の位置情報に頼るため精度が落ち、顧客管理の住所をデータ基盤に出して使うほうが確かだとしています。BtoBでは購買の担当者と決裁者の地域がずれることも多く、地域の実験の前提が崩れやすい点も覚えておきます。予測と実験が食い違ったときは、どちらかを捨てるのではなく、食い違いそのものを記録し、次の配分で確かめる仮説にします。

シナリオ3：AIアシスタントが MCP 経由で「予算を移しましょう」と言ってきた

MCP サーバーをつないだAIアシスタントに、毎週の運用の点検を任せたとします。ある朝、AIが「検索広告は飽和しているので、二割を動画広告に移すと成果が増える見込みです。実行しますか」と提案してきました。提供元は、配分の最適化の仕組みを使った予算の移動まで、AIから実行できると説明しています。ここで「はい」と答える前に、その提案が何の数字を根拠にしているかを確かめる必要があります。

確かめる順番は、根拠の種類、前提、取り消し方です。根拠が予測込みの数字なのか確定値なのか、追加の一円あたりの成果の見込みなのか。前提として、どの基本モデル、どの期間、どの成果の定義を使ったか。実行した場合に、どの媒体のどの設定が変わり、どう元に戻すか。AIには提案と一緒に、これらを文章で書き出させる決まりにしておくと、承認する人が数字の出どころをたどれます。

• AIの提案に「はい」と答えるだけで、媒体の予算が変わる設定のまま運用する
• 予測込みの数字だけを根拠にした配分の移動を、上限を設けずに承認する
• AIが根拠に使った期間や成果の定義を、承認する人が確かめずに通す
• 一度の操作で媒体に送れる推奨を、担当者一人の判断で毎週送り続ける
• 地域の停止実験を、AIとの会話だけで設計し、検出できる最小の差を見ずに始める

AIは、飽和の兆候や異変の発見では人より速く、見落としも少ないはずです。ただ、配分の判断には、在庫、営業の受け入れ能力、ブランドの方針といった、計測基盤の外の事情が入ります。AIに配分を判断させず、判断の材料を整える役に置く。これが MCP 経由で計測基盤を触らせるときの基本線です。

シナリオ4：BtoBの長い商談で、予測を受注に結ぶ

BtoBでは、広告のクリックから受注まで数か月かかることも珍しくありません。SegmentStream は顧客管理の商談段階までの貢献度を部品として持ち、10月の提携発表では、予測した顧客生涯価値や見込み度を顧客データ基盤に書き戻し、配信対象の名簿に使えると説明しています。商談の長いBtoBほど予測の価値は大きく見えますが、同時に予測が当たったかを確かめるまでの時間も長くなるという点を忘れてはいけません。

ここで起きやすいのは、問い合わせや資料請求を成果にして予測を回し、受注に結びつかない層を増やしてしまうことです。予測は与えられた成果の定義に忠実に最適化します。成果の定義が浅ければ、浅い成果を出しやすい層に配分が寄ります。BtoBで使うなら、成果の定義を商談化か受注の段階まで深め、その段階の確定値で予測の当たり外れを四半期ごとに確かめる運用が欠かせません。

もう一つは、書き戻された見込み度の扱いです。予測した見込み度が配信対象の名簿や営業の優先順位に使われると、計測の数字が施策そのものを動かし始めます。その名簿で配信した結果がまた予測の学習に戻るため、偏りが強まる循環も起こりえます。書き戻す項目と、それを使ってよい施策の範囲は、マーケと営業の責任者が合意して決め、勝手に広げないようにします。

推定の前提を確かめる五つの問い

ここまでの場面から、SegmentStream の予測込みの数字を予算に使う前に確かめたい前提を、五つの問いにまとめます。導入前の評価でも、導入後の月次の点検でも使えます。いずれも提供元に聞けば答えが返ってくるはずの問いで、答えが曖昧なら、その部分は推定の誤差が大きいと見なします。

• 識別の仕組みは、自社の訪問のうちどれだけを同じ人として結びつけられているか。結びつけられていない訪問は、どの媒体に偏っているか
• 予測の学習に使っている期間はどれだけか。値上げや大型の出稿など、学習期間に例のない変化が直近にあったか
• 成熟の期間はどう設定されているか。自社の商材の成果までの日数と合っているか
• 過去に遡った検証の結果を、媒体ごと・施策ごとに見せてもらえるか。予測と確定値のずれは何割か
• 予測込みの数字が、どの基本モデルの上に重ねたもので、成果の定義は何か

五つのうち、もっとも見落とされやすいのは一つ目です。識別の抜けを点検する技能が5月に加わったことは、裏返せば、抜けが予測の精度を左右するという提供元自身の認識を示しています。識別の抜けが大きいうちは、予測の精度を議論しても意味が薄いので、先に計測の設置を見直します。

増分の実験と突き合わせる手順

予測と実験を突き合わせる流れを、SegmentStream の仕組みに沿って並べます。実験の設計そのものの一般論は、増分の実験を専門にする製品を扱った別の記事に譲り、ここでは予測の数字との突き合わせに絞ります。

この手順の要は、二つ目の「事前に書き残す」です。結果を見てから予測と比べると、どんな結果でも説明がついてしまいます。予測が何を言っていたかを先に固定することで、初めて予測の当たり外れが記録として残ります。

MCP 経由でAIに計測基盤を触らせる線：読む、提案する、実行する

MCP サーバーでつないだAIにできることは、三段に分けて考えると線が引きやすくなります。一段目は「読む」で、レポートの取得や分析です。二段目は「提案する」で、配分の変更案や実験の設計案を作ることです。三段目は「実行する」で、配分を実際に変え、媒体に送ることです。提供元は三段目までできると説明していますが、三段すべてを同じ権限で渡す必要はありません。

段階	AIに任せる内容	人が握る内容
読む	レポートの取得、異変の発見、予測と確定値のずれの集計	どの数字を経営向けの報告に使うかの決定
提案する	配分の変更案、根拠の数字と前提の書き出し、実験の候補の列挙	提案を採るか、移す幅の上限、実験に回すか
実行する	承認された変更を、決められた範囲で媒体に送る	承認そのもの、取り消しの判断、変更の記録の確認

導入の最初の段階では、一段目と二段目だけを渡し、三段目は人が画面から操作する形をおすすめします。MCP でつなぐAIの環境が、誰の資格でつながっているかも確かめます。担当者個人の資格でつなぐと、その人のAIの会話から、会社の予算が動く状態になります。つなぐ資格は担当者個人ではなく、読み取りに絞った専用のものにする、実行の権限は別の資格に分ける、という形が、取り消しと監査の両方で扱いやすくなります。

データの流れ：何を渡し、どこに置くか

SegmentStream に渡るのは、媒体の費用と配信のデータ、サイトの行動のデータ、成果のデータ、場合によっては顧客管理の商談のデータです。行動のデータには、識別の仕組みが人を結びつけるための識別子が含まれます。公式サイトの説明では、識別は確定的な照合と確率的な照合を組み合わせており、確率的な照合が入る以上、個人に関する情報を推定で結びつける処理が行われると理解しておく必要があります。

データの置き場所は二つの形があります。公式サイトは、データ基盤は自社のものを持ち込むか、提供元のものを使うかを選べると説明しています。10月の提携では、顧客データ基盤が自社のデータ基盤に送っている行動データを SegmentStream が読み、結果を自社のデータ基盤の表として持てる形が示されました。自社の BigQuery や Snowflake に置く形なら、データの出どころと保存期間を自社で管理しやすくなります。一方で、読み取りの権限を外部に渡すことになるので、どの表を読ませ、どの表に書かせるかを権限で絞ることが前提になります。

国内の個人情報の扱いでは、識別子を使った人単位の計測と、同意の取り方が論点になります。クッキーの同意を拒否した人の訪問を、予測や確率的な照合でどう扱っているかは、提供元に確かめる項目です。公式サイトにはデータ処理の契約書へのリンクがありますが、国内の法令に照らした説明は、導入時に法務と一緒に確認してください。また、MCP 経由でつないだAIの会話には、成果や費用の数字が流れます。そのAIの提供元が会話をどう保存し、学習に使うかも、データの流れの一部として扱います。

費用の増え方と、止め方・やめ方

料金は公開されておらず、問い合わせで決まります。費用の増え方は、つなぐ媒体と広告アカウントの数、データの量、地域の実験の支援をどこまで頼むかで変わると考えておきます。提供元は、専門家が実験の設計から評価までを伴走する支援も用意していると説明しています。支援を頼めば社内の手間は減りますが、実験の設計の判断が社内に残らないことには注意が必要です。

止め方は、三つの層で考えます。一つ目は、自動の配分を止めることです。週次の推奨を媒体に自動で反映する設定にしている場合、その設定を外すだけで、媒体の予算は人の手に戻ります。二つ目は、MCP の接続を切ることです。AIの環境側の接続を外し、専用の資格を無効にします。三つ目は、契約をやめることです。このとき、蓄えた貢献度の履歴、実験の結果、識別の対応表を書き出せるか、いつ消されるかを確かめておきます。

やめたあとに困るのは、過去の配分の根拠が説明できなくなることです。予算会議の資料に SegmentStream の数字を使っていた場合、その数字を再現する手段がなくなります。毎月の確定値と予測込みの値、実験の結果を、自社の表に残しておく習慣を、導入の初月から始めておくのが、もっとも安上がりな備えです。

マーケ・財務・情シスの持ち分と、小さく試す順番

予測で配分を動かす仕組みは、マーケだけで完結しません。予算の承認は財務や経営、資格とデータの扱いは情シスや法務が持つのが普通です。持ち分を決めずに導入すると、マーケが予測込みの数字で配分を変え、財務が確定値で後から責める、という食い違いが起きます。

マーケは、成果の定義、基本モデルの選び方、実験の候補の選定、AIの提案を採るかの判断を持ちます。財務と経営は、予算会議で予測込みの数字を使ってよい範囲、配分の移動の上限、確定値での見直しの時期を決めます。情シスは、MCP でつなぐ資格の発行と取り消し、データ基盤の読み書きの権限、AIの環境の利用の決まりを持ちます。法務は、識別子と同意の扱い、データ処理の契約を確認します。誰がどの数字に責任を持つかを、導入の前に一枚の表にしておくと、数字が食い違ったときに議論が早く終わります。

特に決めておきたいのは、予測込みの数字を経営向けの報告に載せるかどうかです。載せるなら、必ず観測の値と並べ、予測の上乗せ分を色や注記で区別します。載せないなら、予測は運用の現場の道具にとどめ、報告は確定値で行います。どちらでも構いませんが、月ごとに方針が変わると、数字への信頼そのものが失われます。

小さく試す順番

導入を決めた場合も、最初から配分の自動化と MCP の実行権限まで開けないことです。最初の三か月は、予測込みの数字を観測と並べて眺め、媒体ごとの当たり外れを記録する期間にあてます。この期間に、識別の抜けの点検を行い、抜けの大きい計測の設置を直します。

次の三か月で、予測の当たりがよかった媒体と悪かった媒体から一つずつ選び、地域の停止実験を一本ずつ回します。予測と実験の差が記録できたら、予測込みの数字に媒体ごとの割り引きをかけるかどうかを決めます。MCP の接続は、この段階で読み取りと提案だけを開き、AIの提案と人の判断が何割一致したかを記録します。AIの提案を採らなかった理由も記録に残すと、後で提案の質を評価できます。

半年を過ぎ、予測と確定値のずれ、実験との差、AIの提案の質がそろって見えてきた段階で、初めて週次の自動配分や実行権限を、上限つきで開くかを検討します。開かないという判断も十分にありえます。目的は自動化そのものではなく、配分の判断を数字で説明できる状態をつくることだからです。

まとめ

SegmentStream は、広告の貢献を機械学習で推定し、地域の停止実験や追加の一円あたりの成果の分析、予算配分の提案までを一つにまとめた計測基盤です。2026年には予測アトリビューションへの移行、MCP サーバー、顧客データ基盤との提携と、推定とAIの接続を一段と強めました。ただ、予測込みの数字は観測に推定を足したもので、時間の欠けには強くても、識別の欠けと前例のない変化には弱い数字です。予測で候補を絞り、大きく動かす前に実験で裏付けをとる。予測が何を言っていたかを事前に書き残す。AIには読む・提案するまでを渡し、根拠の数字と前提を書かせ、配分の判断と実行の承認は人が握る。この順番を決めてから使えば、計測が欠けていく中でも、配分の理由を説明できる状態を保てます。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。