広告ターゲティングをAIで設計する方法｜狙う相手を明確にする

「配信は回っているのに、狙った層に届いている手応えがない」「絞り込みの条件が合っているのか、誰も検証できていない」——広告の報告を受ける側と出す側の双方から出てくる指摘です。届かない原因は、絞り込みの条件を細かくしていないからではありません。誰に出すかを言葉で定義しないまま、媒体側の自動配信に判断を預けていることが効いています。この記事では、狙う相手を人物像として書き起こす手順、絞り込みの種類の使い分け、そして媒体の自動化に任せる範囲と人が握る範囲の線引きを整理します。

広告は「誰に出すか」で決まる

広告運用というと、広告文やバナーといったクリエイティブに意識が向きがちです。しかし、どれだけ優れた広告も、関心のない相手に表示されては成果になりません。逆に、ぴったりの相手に届けば、平凡な広告でも反応します。だからこそ、ターゲティング——誰に広告を見せるかの設計が、成果の土台になります。

特にBtoBでは、対象となる人が限られます。特定の業種・職種・役職の、しかも課題を抱えているタイミングの人に届ける必要があります。広く浅くばらまくと、予算が関係のない人への表示に消えていきます。狙う相手を明確にし、そこに集中することが、限られた予算を生かす鍵です。生成AIは、この「狙いを定める」作業を強力に助けてくれます。

AIが変えた広告ターゲティング

近年、広告配信のプラットフォーム側にもAIが深く組み込まれ、ターゲティングのあり方が変わってきました。かつては細かく条件を指定して絞り込むのが主流でしたが、今は配信側のAIが、成果が出そうな相手を自動で見つけて広げる仕組みが広がっています。広告主が大まかな方向を示せば、AIが最適な配信先を探してくれます。

この変化は、運用を楽にする一方で、新しい注意も生みます。AIに任せきりにすると、意図しない相手に配信が広がったり、なぜその成果になったのかが見えにくくなったりします。だからこそ、AIに任せる部分と、人が方向を定める部分を切り分けることが、これからのターゲティング設計では重要になります。生成AIは、この人が担う「方向づけ」を考える際の相棒になります。

ペルソナを起点に設計する

ターゲティング設計の出発点は、狙う相手を具体的な人物像（ペルソナ）として描くことです。「製造業の品質管理部門の課長で、人手不足に悩んでいる」というように、業種・役職・課題まで具体化します。ここが曖昧だと、絞り込みの条件も、広告のメッセージもぼやけます。ペルソナは、すべての設計判断の基準になります。

生成AIは、このペルソナづくりを助けます。狙いたい層のざっくりした情報を渡せば、具体的な人物像の仮説を素早く作ってくれます。次のようなプロンプトが土台になります。出てきた像は、自社が実際に接している顧客の姿で補正します。

当社は{業種・製品}を提供しています。広告で狙いたいのは{ざっくりした対象}です。
この層を、広告ターゲティングに使えるペルソナとして具体化してください。
業種・部署・役職・抱える課題・情報収集の仕方・意思決定での立場を含め、
2〜3パターンの人物像として整理してください。

AIが作ったペルソナは、あくまで仮説です。自社の商談で実際に出会う顧客像と照らし合わせ、現実に即したものに整えます。この補正を経たペルソナが、精度の高いターゲティングの土台になります。

ターゲティングの種類を押さえる

広告のターゲティングには、いくつかの切り口があります。何を手がかりに相手を絞るかで種類が分かれます。それぞれの特徴を押さえ、ペルソナに合わせて使い分けます。代表的なものは次のとおりです。

種類	絞り込みの手がかり
属性ターゲティング	業種・職種・役職・地域・企業規模など
興味・関心	関心を持っている分野・行動の傾向
リターゲティング	自社サイトを訪れた・接点があった人
類似拡張	既存顧客に似た特徴を持つ人(配信AIが拡張)

どれか一つではなく、組み合わせて使うのが一般的です。たとえば、既存顧客に似た層へ広げつつ、特定の業種に絞る、といった具合です。どの組み合わせが自社のペルソナに合うかは、AIに「このペルソナに広告を届けるなら、どんなターゲティングの組み合わせが考えられるか」と相談すると、設計の見当がつきます。

生成AIで絞り込みの軸を出す

ターゲティングの設計で悩むのが、「どんな条件で絞るか」です。生成AIは、ペルソナをもとに絞り込みの軸の候補を幅広く出すのが得意です。自分では思いつかなかった切り口や、関心の手がかりになるキーワードを挙げてくれます。これにより、ターゲティングの精度を上げる材料が増えます。

たとえば「このペルソナが関心を持ちそうなテーマや、検索しそうな言葉、参加しそうなイベントは」とAIに尋ねると、興味・関心ターゲティングのヒントが得られます。こうした手がかりは、広告プラットフォームでの設定に活かせます。AIが出した軸を、自社の感覚で取捨選択しながら、現実的な絞り込み条件に落とし込んでいきます。

ただし、絞り込みすぎると、配信先が狭くなりすぎて広告が届かなくなることもあります。狙いの明確さと、届く範囲の広さのバランスを取ることが大切です。この調整も、配信してみた結果を見ながら、AIと相談して進められます。

配信側AIとどう付き合うか

MetaやGoogleなどの広告プラットフォームには、配信を自動で最適化するAI機能があります。これらは、設定した方向をもとに、成果が出そうな相手を自動で見つけて配信を広げてくれます。うまく使えば、人手では見つけられない有望な層に届きます。一方で、任せきりにすると制御が効かなくなる面もあります。

付き合い方のコツは、大枠の方向は人が示し、細かな最適化はAIに任せることです。ペルソナに基づいた初期のターゲットや、外したくない条件は人が設定し、その範囲内でAIに最適化させる。そして、配信結果を見て、意図しない方向に広がっていないかを確認します。AIの自動化を生かしつつ、戦略の舵は人が握る。この姿勢が、配信AI時代のターゲティングでは欠かせません。

除外設定で無駄を減らす

ターゲティングでは、「誰に届けるか」と同じくらい、「誰に届けないか」を決める除外設定が重要です。すでに顧客になっている相手、自社には合わない業種、応募の見込みが薄い層などを除外すると、無駄な広告費を減らし、本当に届けたい相手に予算を集中できます。意外と見落とされがちですが、効果の大きい設定です。

除外すべき相手の洗い出しも、AIに相談できます。「このペルソナを狙う広告で、配信を避けたほうがよい層は」と尋ねると、除外候補のヒントが得られます。たとえば、採用目的でない広告なら求職者層を、既存顧客向けでないなら現顧客を除く、といった具合です。除外を丁寧に設計することが、限られた予算の効率を高めます。

クリエイティブとターゲットを合わせる

ターゲティングとクリエイティブは、セットで考えてこそ効果を発揮します。狙う相手に合わせて、広告の言葉やビジュアルを変えるのが理想です。同じ製品でも、現場担当者には「手間が減る」を、決裁者には「コストが下がる」を訴えるほうが響きます。ターゲットがずれていなくても、メッセージがずれれば反応しません。

生成AIを使えば、ターゲットごとにクリエイティブを作り分けるのが現実的になります。「このペルソナ向けに、この製品の広告コピーを」と頼めば、相手に合わせた訴求がすぐに用意できます。ターゲティングで定めた相手に、その相手に響くメッセージを届ける。この一貫性が、広告の成果を押し上げます。

検証して絞り込みを磨く

ターゲティングは、一度設定して終わりではありません。配信してみて、狙った相手に届き、反応しているかを確認し、調整することで精度が上がります。反応の良い層が見えてきたら、そこに寄せる。逆に、反応の薄い条件は見直す。この検証と調整の繰り返しが、ターゲティングを磨いていきます。

検証では、配信結果のデータをAIに読み解かせると、改善のヒントが得られます。「どの層の反応が良く、どの層が悪いか、絞り込みをどう調整すべきか」を相談すれば、次の打ち手が整理できます。データを手がかりに、ペルソナと絞り込みを少しずつ現実に合わせていく。この積み重ねが、無駄の少ない広告運用につながります。

BtoB広告ならではの難しさと工夫

BtoBの広告ターゲティングには、消費者向けにはない難しさがあります。対象となる人が少なく、職種や役職で正確に絞り込むのが難しいのです。「製造業の品質管理課長」を属性だけでピンポイントに狙うのは、プラットフォームによっては容易ではありません。属性ターゲティングだけに頼ると、狙いから外れたり、配信先が狭くなりすぎたりします。

そこで、複数の手がかりを組み合わせる工夫が効きます。関心・行動の手がかりや、自社サイトを訪れた人へのリターゲティング、既存顧客に似た層への類似拡張などを掛け合わせ、狙いに近づけます。生成AIに「このペルソナに、属性以外でどんな手がかりで近づけるか」を相談すると、絞り込みの引き出しが増えます。一つの軸に頼らず、多角的に攻めるのがBtoBのコツです。

さらに、BtoBでは購買に複数の人が関わる点も意識します。情報を集める担当者と、最終的に決める決裁者では、響くものが違います。関わる人それぞれに届ける視点を持ち、ペルソナを複数描いて、それぞれにターゲティングとメッセージを設計する。この手間が、検討プロセスの長いBtoBで効いてきます。

配信側に何を成果として渡すかで、届く相手が変わる

絞り込みの条件をどれだけ丁寧に作っても、配信側の最適化がフォームの送信だけを成果として学習していれば、配信はフォームを送りやすい人へ寄っていきます。BtoBでは、これが件数は増えたのに商談が増えないという形で表れます。資料請求は情報収集の段階でも起きるので、送信しやすい人と買う人は同じではありません。学生や同業の担当者、比較記事を書く人も同じフォームを通ります。送信の件数だけを追っていると、この構成比の変化に気づけません。何を成果として渡すかは、絞り込みの条件と同じだけ配信先を左右します。人物像の設計と並べて、ここを最初に決めておきます。決めるのは設定を触る前です。後から成果の定義を差し替えると、それまでの学習をやり直すことになります。

渡し方は具体的です。広告のクリックに付く識別子を申し込みフォームで受け取ってCRMに保存し、商談化や受注が決まった時点で、その識別子とともに配信側へ戻す。これが広く使われている取り込み方です。識別子を使わず、変換したメールアドレスで突き合わせる方式もあります。どちらも事前の設定が要り、営業とマーケと顧客管理の三者がそろわないと動きません。マーケだけで完結しないため、導入の壁は技術ではなく、誰が商談化の入力を続けるかの取り決めになります。営業が入力を止めた瞬間に学習の材料も止まるので、入力の締切と、抜けを見つけたときの声かけの担当まで決めておきます。入力の遅れは、週に一度の件数確認で見つかります。多くても数分の作業です。

段階ごとに重みを分けると、狙いがさらに伝わります。フォーム送信を1、商談化を5、受注を20のように値を置けば、配信側は商談になりやすい相手を探します。ただし件数が要ります。配信媒体の説明では、新しい目標に合わせて入札が調整されるまでにコンバージョンが50回程度発生するか、購買のサイクルが3回程度回ることがあるとされています。受注が月に数件の商材でこれを待つのは現実的ではないので、受注ではなく商談化を学習の対象に置き、受注は人が見る指標として別に残します。件数が足りているかは、学習させたい成果が月に何件起きているかを数えれば、始める前に分かります。月に10件も起きない成果を学習の対象に選ぶと、配信はいつまでも安定しません。

渡す前に、人が確認する範囲を決めておきます。既存顧客からの再申し込み、採用の応募、競合による資料請求、社内のテスト送信が成果に混ざると、配信は誤った方向へ学習します。CRM側に学習へ返さない区分を作り、月に一回、直近の成果一覧を目で見て仕分けます。この仕分けをAIの分類に任せると、どの基準でどれを除いたかの記録が残らず、数か月後に配信の傾向がずれた理由を追えなくなります。仕分けの基準は短い文章にして、判断した人の名前と日付を添えて残します。件数が多い月は、AIに候補を並べさせて人が可否だけを付ける形にすれば、記録を残したまま手間を抑えられます。除いた件数の推移も残しておくと、混入の原因が別の場所にあることに気づけます。

広がりすぎた配信を元に戻す手順

配信が意図しない層へ広がるとき、数字の上では成果が出ているように見えます。件数は減らず、費用も急には動かず、営業から商談にならないという声が上がるのは数週間あとです。早く気づくために見るのは二つ。配信先の内訳と、成果一件あたりの費用の推移を週単位で並べたものです。内訳の上位に、狙った人物像と結びつかない検索語句や配置先、地域、端末が並び始めたら、最適化が別の層を見つけて寄っている状態です。ここで慌てて全部を触ると、事態はさらに読めなくなります。週に一度、上位の20項目だけを目で追う習慣があれば、傾向が固まる前に気づけます。内訳を見る担当と曜日を先に決めておけば、忙しい週でも抜けません。作業そのものは数分で終わります。

戻すときは順番があります。最初に除外を足します。合わない業種、既存顧客、採用目的の検索語句、成果につながっていない配置先。次に成果の定義を見直します。最後に入札の目標値を触ります。この逆の順で触ると、何が効いたのか分からなくなります。配信媒体の説明では、入札戦略の設定変更や、キャンペーン、広告グループ、キーワードの追加と削除が学習中の状態を引き起こすとされ、自動入札の学習にはおおむね2から3週間かかるという整理もあります。順番の考え方はこの説明から導けます。学習を止めにくい操作から先に試し、学習をやり直させる操作は最後に回す、ということです。除外を足す操作は学習を止めにくい側に入るため、最初に置いています。

だから一回の変更は一か所に絞り、次の変更まで最低一週間は空けます。毎日設定を触ると学習が止まり続け、いつまでも数字が落ち着きません。変更は必ず記録します。日付、変えた場所、変えた理由、戻す条件の四項目で一行書くだけで足ります。要点は戻す条件を先に書くことです。2週間で成果一件あたりの費用が元の水準に戻らなければ除外を外す、のように決めておけば、うまくいかなかったときに、やめる判断が個人の面目の問題になりません。社内で複数人が同じ広告を触るなら、この記録を共有の場所に置き、触る前に直近の行を読む決まりにします。同じ日に二人が別々の場所を触ると、記録があっても原因は切り分けられません。触る前の一読で、この事故はほぼ防げます。

AIの使いどころは、この記録と週次の内訳を読ませて、変更と数字の動きの対応を時系列に並べさせるところです。手作業だと面倒な突き合わせが数分で済み、報告の下書きにもそのまま使えます。ただし、この変更が効いたと言い切らせてはいけません。学習の期間と重なった変更は、効果を切り分けられないからです。効いたかどうかの判定は、学習が落ち着いたあとの数字を人が見て下します。指示のなかに、判断できない場合はその理由を書くという条件を入れておくと、根拠のない断定がかなり減り、報告を受ける側も判断を保留すべき箇所が分かります。並べた結果は報告の下敷きに使えますが、結論の一文だけは人が書き直します。

顧客リストを配信側へ渡す前に確認すること

既存顧客に似た層へ広げる、既存顧客を配信から除く、購入済みの人にだけ別の訴求を出す。どれも有効な打ち手ですが、いずれも顧客リストを配信媒体へ渡す操作を伴います。ここは設定の話ではなく、社内の手続きが要る領域です。顧客リストを配信媒体へアップロードする行為は、個人データを第三者へ提供することに当たると整理されており、本人の同意を得たデータ以外は使えないという解説が複数出ています。名刺交換や過去の展示会で集めた連絡先も同じ扱いです。設定画面から数分で終わる操作なので、確認を飛ばしたまま始まってしまいやすい点が厄介です。操作の軽さと手続きの重さが釣り合っていないためです。始めるより前に、社内の誰に聞くかを決めておきます。

確認する中身は決まっています。自社のプライバシーポリシーに、第三者へ提供する旨、渡す情報の種類、提供先、提供の目的が書かれているか。既に取引のある顧客については、ポリシーを改定して案内のメールを送っただけでは足りず、申し込みやログインの画面など新しい接点で本人が自ら同意する動作が必要という指摘があります。提供先が国外の事業者になる場合の対応も別に求められます。いずれも法務の領域なので、配信の設計に入る段階で相談しておくほうが、動かし始めてから止めるより早く済みます。確認にかかる日数を見込んで、実施の予定を組んでおきます。依頼は、渡したいリストの中身と取得の経路を添えて出すと早く返ります。口頭の相談だけでは進みません。

よくある誤解が、変換してから渡すなら個人情報ではない、という理解です。メールアドレスを一方向に変換して渡す方式でも、それは個人データとして扱い、第三者提供として整理するのが望ましいとされています。変換の有無で必要な手続きが変わるわけではないと押さえておきます。ここを取り違えると、配信が回り始めてから止めることになり、積み上げた学習も成果も一度失います。技術的な安全と、法律上の位置づけは別の話です。手間の順番としては、確認が先、設定が後になります。止めた期間の費用は戻りませんし、社内で説明を求められるのは担当者ではなく決裁した側です。判断に迷うなら、リストを渡さず、自社側で除外だけを行う手もあります。

進め方としては、渡してよいリストの条件を一枚にまとめ、渡す担当者が操作の前に必ず見る場所に置きます。取得の経路、同意の取り方、除くべき区分、保存期間の四点が書かれていれば足ります。この可否をAIに聞いて済ませるのは避けます。自社のポリシーの文面も、同意の取得画面も、契約の状況も見ずに返ってくる答えは一般論であり、それを根拠に個人データを社外へ出すと後戻りできません。条件を整理する素案づくりや、確認すべき論点の洗い出しまではAIに任せ、渡してよいかの判断は人が決めます。担当者が代わったときも、この一枚があれば同じ線で運用が続きます。法務の確認を受けた版として日付を入れ、条件が変わるたびに差し替えます。古い版が残ると、線が二本になります。

やりがちなNG

• 誰に出すかを設定任せにする：戦略なく配信AIに丸投げし、意図しない層に広がる
• 絞り込みすぎる：条件が狭すぎて広告が十分に届かない
• 除外設定をしない：関係ない層への表示に予算が消える
• ターゲットとメッセージがずれる：相手は合っていても訴求が刺さらない

よくある質問

配信AIに任せれば、ターゲティング設計は不要ですか？

不要にはなりません。配信AIは最適化を担いますが、どんな相手を狙うかの方向づけや、外したくない条件、除外設定は人が決めます。大枠を人が示し、細かな最適化をAIに任せる、という役割分担が成果につながります。

ペルソナはいくつ作ればよいですか？

まずは主要な2〜3パターンから始めるのが現実的です。狙う相手が複数いる場合でも、最初から細かく分けすぎず、反応を見ながら増やしていくとよいでしょう。ペルソナづくりはAIで手早くできるため、必要に応じて追加できます。

AIが作ったペルソナはそのまま使えますか？

たたき台としては使えますが、自社が実際に接している顧客像で補正してから使います。AIのペルソナは一般的な仮説であることが多いため、現場の実感を加えてはじめて、精度の高いターゲティングの基準になります。

まとめ

広告ターゲティングをAIで設計する要点は、ペルソナで狙う相手を明確にし、配信AIには最適化を任せ、戦略と除外は人が握ることです。具体的なペルソナを起点に絞り込みの軸を出し、ターゲティングの種類を組み合わせ、クリエイティブも相手に合わせる。除外設定で無駄を減らし、検証して磨く。この流れで、限られた予算を狙った相手に集中させられます。まずは、狙いたい相手のペルソナをAIと一緒に描くところから始めてみてください。

※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。